Computergeschichte steht an der Schnittstelle von Digital Humanities, Data Science und historischer Untersuchung. Durch die Anwendung von Computermodellen und Simulationen auf Chroniken der Vergangenheit können Forscher Hypothesen testen, die zuvor zu komplex waren, um sie manuell zu erforschen. Eine der dringendsten und aufschlussreichsten Anwendungen dieses Ansatzes ist die Modellierung historischer Epidemien. Von der Justinian-Plage bis zur Grippe-Pandemie 1918 haben Krankheitsausbrüche Gesellschaften auf tiefgreifende Weise geprägt. Computermodelle ermöglichen es Historikern, Übertragungswege zu rekonstruieren, die Wirksamkeit vergangener Interventionen zu analysieren und Lehren zu ziehen, die für die zeitgenössische öffentliche Gesundheit relevant bleiben.

Die Rolle der Computational History im Verständnis von Epidemien

Epidemien sind nicht nur biologische Ereignisse, sie sind tief in wirtschaftliche, soziale und politische Kontexte eingebettet. Traditionelle historische Analysen beruhen oft auf schriftlichen Aufzeichnungen, wie Sterblichkeitszahlen, Reiseprotokolle und persönliche Tagebücher. Diese Quellen sind jedoch fragmentiert und können verzerrt sein. Computermodelle fügen eine quantitative Schicht hinzu, die es Historikern ermöglicht, die Ausbreitung von Krankheiten über Zeit und Raum zu simulieren. Durch die Integration von Daten über Bevölkerungsdichte, Handelsnetzwerke, Klimamuster und menschliches Verhalten können diese Modelle Muster aufdecken, die allein in qualitativen Quellen unsichtbar sind.

So können Modellierer beispielsweise testen, ob die schnelle Ausbreitung des Schwarzen Todes im 14. Jahrhundert in Europa hauptsächlich von Rattenflöhen auf Handelsschiffen oder von Mensch zu Mensch übertragen wurde. Agentenbasierte Modelle können die Bewegungen von Individuen entlang bestimmter Handelsrouten replizieren, während Kompartimentmodelle den Anteil der Bevölkerung schätzen können, der der beobachteten Sterblichkeit ausgesetzt gewesen sein muss. Solche Simulationen bieten einen formalen Rahmen für das Abwägen konkurrierender historischer Narrative. Sie helfen Historikern auch, Lücken in den Archivdaten zu identifizieren - Orte, an denen mehr Daten die Unsicherheit über Schlüsselparameter am meisten verringern würden.

Neben der Erprobung spezifischer Hypothesen ermöglicht die Computergeschichte kontrafaktische Argumentation. Was wäre, wenn das Römische Reich mehr in Quarantäneinfrastruktur investiert hätte? Was wäre, wenn die Spanische Grippe ein Jahrzehnt zuvor entstanden wäre, ohne die Verwerfungen des Ersten Weltkriegs? Diese Gedankenexperimente, die auf mathematischer Strenge beruhen, verwandeln die Geschichte von einer rein beschreibenden Disziplin in eine prädiktive Wissenschaft der Vergangenheit. Sie heben auch die kontingente Natur von epidemischen Ergebnissen hervor, bei denen kleine Unterschiede in Timing, Politik oder Verhalten zu sehr unterschiedlichen Todesraten führen können.

Schlüsseltypen von Computational Models

Historiker und Epidemiologen haben mehrere Klassen von Modellen angepasst, die ursprünglich für die moderne Krankheitsüberwachung entwickelt wurden. Jeder Typ hat unterschiedliche Stärken und ist für verschiedene historische Fragen geeignet. Das Verständnis dieser Werkzeuge ist für die Bewertung der Behauptungen, die aus Computerstudien hervorgehen, unerlässlich.

Agentenbasierte Modelle

Agentenbasierte Modelle (Agent-based models, ABMs) simulieren die Handlungen und Interaktionen autonomer Agenten – wie Menschen, Tiere oder sogar Krankheitserreger – innerhalb einer definierten Umgebung. Jeder Agent folgt einer Reihe von Verhaltensregeln: ob sie reisen, wie oft sie andere kontaktieren, ob sie sich erholen oder sterben. Indem das Modell viele Male mit leicht unterschiedlichen Parametern ausgeführt wird, können Forscher auftauchende Muster beobachten. ABMs sind besonders wertvoll für die Untersuchung von Epidemien in kleineren Gemeinden, wie mittelalterlichen Städten oder kolonialen Siedlungen, wo individuelle Entscheidungen übergroße Auswirkungen haben können. Ein klassisches Beispiel ist die Modellierung der Grippepandemie von 1918 in der Stadt Philadelphia, wo der Zeitpunkt einer öffentlichen Parade gezeigt wurde, um die Übertragung zu beschleunigen. ABMs ermöglichen es Forschern auch, heterogene Verhaltensweisen zu integrieren, wie die Tendenz wohlhabenderer Haushalte, Städte zu verlassen während der Pestausbrüche.

Kompartimentmodelle

Das berühmteste Kompartimentmodell ist das SIR-Modell, das die Population in anfällige, infizierte und wiederhergestellte (oder entfernte) Kompartimente unterteilt. Das Modell verwendet Differentialgleichungen, um den Fluss von Individuen zwischen diesen Gruppen basierend auf Übertragungs- und Erholungsraten zu beschreiben. Historiker können SIR-Modelle kalibrieren, um historische Mortalitätskurven zu entsprechen, dann Parameter anpassen, um kontrafaktische Faktoren zu untersuchen - was wäre, wenn eine Quarantäne früher verhängt worden wäre? Was wäre, wenn der Erreger weniger virulent wäre? Weil sie recheneffizient sind, werden Kompartimentmodelle oft für groß angelegte Ausbrüche verwendet, bei denen eine homogene Mischung eine vernünftige Annäherung ist, wie die Ausbreitung der Cholera entlang von Handelsrouten im Asien des 19. Jahrhunderts. Fortgeschrittenere Versionen, wie SEIR (ein exponiertes Kompartiment hinzufügen) oder SIRS (eine abnehmende Immunität erlauben), können zusätzlichen biologischen Realismus erfassen.

Netzmodelle

Netzwerkmodelle stellen Individuen oder Orte als Knoten und ihre Interaktionen als Kanten dar. Dieser Ansatz ist besonders effektiv für die Untersuchung von Krankheiten, die sich durch bestimmte soziale oder Verkehrsnetze ausbreiten. Zum Beispiel kann ein Netzwerkmodell des römischen Straßensystems simulieren, wie ein Erreger wie Pocken aus dem Nahen Osten an die Grenzen des Imperiums gereist sein könnte. Durch die Veränderung der Netzwerkdichte oder der Reisegeschwindigkeit können Forscher identifizieren, welche Routen am einflussreichsten waren. Moderne Netzwerkanalyse-Tools ermöglichen es Historikern auch, Kontaktnetze aus historischen Aufzeichnungen zu rekonstruieren, wie Passagiermanifeste oder Pfarrheiratsregister. Netzwerkmodelle sind einzigartig in der Lage, die nicht-zufällige Struktur menschlicher Interaktionen zu erfassen, die superverbreitende Ereignisse und andere dynamische Phänomene erzeugen können, die von gut gemischten Kompartimentmodellen übersehen werden.

Räumliche und räumlich-zeitliche Modelle

Zusätzlich zu den drei Hauptkategorien haben räumliche Modelle, die geographische Informationssysteme (GIS) enthalten, zunehmend an Bedeutung gewonnen. Diese Modelle weisen das Krankheitsrisiko bestimmten Orten zu, basierend auf Umweltvariablen wie Höhe, Temperatur und Nähe zu Gewässern. Zum Beispiel könnte ein räumliches Modell der Großen Pest von 1665 historische Karten der Straßenlayouts und Gemeindegrenzen verwenden, um zu simulieren, wie die Krankheit von einer Nachbarschaft zur anderen hüpft. In Verbindung mit Netzwerkmodellen können räumlich-zeitliche Ansätze detaillierte Rekonstruktionen von epidemischen Wellen erzeugen, die der Granularität von Registrierungsdaten in gut dokumentierten Städten entsprechen.

Fallstudien: Modellierung historischer Epidemien

Mehrere wegweisende Studien belegen die Leistungsfähigkeit der Computergeschichte in der Epidemieforschung. Jeder Fall zeigt unterschiedliche methodische Stärken und Datenherausforderungen auf und zeigt gemeinsam, wie Modellierung das historische Verständnis verändern kann.

Der schwarze Tod (1346–1353)

Der Schwarze Tod tötete schätzungsweise 30–60 % der europäischen Bevölkerung. Frühe Modelle konzentrierten sich auf die primäre Übertragungsroute: Ob das Bakterium Yersinia pestis von Rattenflöhen oder von menschlichen Läusen und Flöhen getragen wurde. Agentenbasierte und Netzwerkmodelle haben seitdem gezeigt, dass eine Kombination beider Routen die beobachtete Ausbreitungsgeschwindigkeit reproduzieren kann, aber dass menschliche Ektoparasiten eine größere Rolle gespielt haben als bisher angenommen. Modelle, die Klimadaten enthalten, deuten auch darauf hin, dass Veränderungen in Temperatur und Niederschlag in Zentralasien den ersten Ausbruch in den 1330er Jahren ausgelöst haben könnten. Forscher am Max-Planck-Institut für die Wissenschaft der Menschheitsgeschichte haben diese Modelle mit genetischen Analysen der alten Y. pestis DNA kombiniert, um die Entwicklung des Bakteriums über Kontinente hinweg zu verfolgen.

Ein weiteres wichtiges Ergebnis aus Computerstudien zum Schwarzen Tod betrifft die Rolle von Handelsnetzwerken. Netzwerkmodelle zeigen, dass sich die Pest schneller entlang der Seewege ausbreitete als über Land, was früheren Annahmen widerspricht, dass die Seidenstraße der Hauptkanal war. Durch die Simulation der Schließung bestimmter Häfen oder der Durchsetzung von Quarantänemaßnahmen haben Historiker geschätzt, dass Städte wie Venedig und Mailand, die strenge Richtlinien umgesetzt haben, eine signifikant niedrigere Sterblichkeitsrate aufwiesen als diejenigen, die offen blieben.

Die Grippe-Pandemie von 1918

Die Spanische Grippe tötete weltweit schätzungsweise 50 Millionen Menschen. Computermodelle wurden verwendet, um die Auswirkungen nicht-pharmazeutischer Interventionen zu analysieren, wie Schulschließungen, Verbote öffentlicher Versammlungen und die Isolierung von Fällen. Eine Studie mit einem Teilmodell für Städte in den Vereinigten Staaten ergab, dass Städte, die frühe, geschichtete Interventionen implementierten, Sterblichkeitsraten hatten, die 50% niedriger waren als die, die sich verzögerten. Agentenbasierte Modelle zeigten weiter, dass die Bewegungen junger Erwachsener während des Ersten Weltkriegs superverbreitende Ereignisse in Militärlagern und Transportschiffen verursachten. Der Epidemie-Geheimdienst der CDC hat auf diese historischen Modellierungsstudien zurückgegriffen, um moderne Pandemie-Vorbereitungspläne zu informieren, einschließlich derjenigen für COVID-19.

Netzwerkmodelle der Pandemie von 1918 haben auch die Rolle der Altersstruktur beleuchtet. Durch die Rekonstruktion von Kontaktmustern aus Haushaltsumfragen und Schulbesuchsaufzeichnungen fanden die Forscher heraus, dass Kinder nicht nur sehr anfällig waren, sondern auch als effiziente Transmitter in Haushalten fungierten. Diese Erkenntnis stellt die Erzählung in Frage, dass die Grippe von 1918 für junge Erwachsene einzigartig tödlich war; vielmehr wurde die hohe Sterblichkeit in der Altersgruppe von 20 bis 40 Jahren von einer ungewöhnlich starken Immunantwort auf das Virus angetrieben, nicht durch eine erhöhte Übertragung.

Cholera im 19. Jahrhundert in London

Der Ausbruch der Broad Street Cholera 1854 ist ein klassisches Beispiel für epidemiologische Untersuchungen, aber moderne Computermodelle haben Nuancen hinzugefügt. Durch die Digitalisierung historischer Karten, Volkszählungsdaten und Wasserpumpenstandorte haben Forscher räumliche Modelle erstellt, die zeigen, dass die Krankheit sich hauptsächlich durch kontaminiertes Wasser aus einer einzigen Pumpe ausbreitet. Netzwerkmodelle legen jedoch auch nahe, dass soziale Verbindungen - wie Diener, die Wasser in wohlhabendere Haushalte transportieren - eine Rolle spielten. Diese Ergebnisse haben Auswirkungen auf das Verständnis, wie städtische Infrastruktur und soziale Ungleichheit die Krankheitsdynamik beeinflussen. Räumliche statistische Modelle haben weiter gezeigt, dass der räumliche Fußabdruck des Ausbruchs eng mit der Gehstrecke von der Broad Street-Pumpe übereinstimmt, was John Snows ursprüngliche Hypothese unterstützt und gleichzeitig die Unsicherheit in seinen Daten quantifiziert.

Die große Plage von London (1665)

Eine vierte Fallstudie, die Große Pest von London, zeigt, wie Rechenmodelle spärliche Daten kompensieren können. Pfarraufzeichnungen von 1665 liefern wöchentliche Bestattungszählungen, aber wenig demografische Details. Agentenbasierte Modelle, die mit Haushaltsgrößen, Sterblichkeitsraten und Bewegungsmustern parametriert sind, wurden verwendet, um die grundlegende Reproduktionszahl (R0) der Pest in London zu schätzen. Diese Modelle legen nahe, dass der Ausbruch durch eine Kombination von Ratten-zu-Mensch und Mensch-zu-Mensch-Übertragung aufrechterhalten wurde und dass die Verhängung von Quarantäne in infizierten Haushalten die höchste Sterblichkeit um etwa 20% reduzierte. Solche Analysen informieren über Debatten darüber, ob historische "Plagen" immer die gleiche Krankheit waren wie moderne Y. pestis Infektionen.

Datenquellen und Herausforderungen

Die Modellierung historischer Epidemien erfordert die Rekonstruktion von Daten, die oft unvollständig, inkonsistent oder mehrdeutig sind. Forscher beziehen sich auf eine Vielzahl von Quellen: Gemeindebestattungsregister, Steuerunterlagen, Schiffsprotokolle, Krankenhauseinweisungsbücher und sogar literarische Berichte. Jede Quelle hat Vorurteile. Zum Beispiel unterschätzen Bestattungsunterlagen typischerweise die Todesfälle von Säuglingen und die Sterblichkeit durch Epidemien wird oft mit anderen Ursachen verwechselt. Paläoklimatologische Proxies, wie Baumringe und Eisbohrkerne, können Daten über Temperatur und Feuchtigkeit liefern, die die Übertragung von Krankheiten beeinflussen. Darüber hinaus ermöglichen es die jüngsten Fortschritte in der alten DNA-Analyse den Forschern, den Erreger zu identifizieren, der für einen historischen Ausbruch verantwortlich ist, selbst wenn schriftliche Aufzeichnungen mehrdeutig sind.

Eine große Herausforderung ist der Mangel an granularen Zeitreihendaten. Viele historische Aufzeichnungen berichten von monatlichen oder jährlichen Gesamtwerten, die zu grob sind, um eine schnelle Übertragung zu modellieren. Um dies zu beheben, verwenden Computerhistoriker statistische Imputations- und Datenassimilationstechniken, die aus der Meteorologie stammen. Eine weitere Herausforderung ist die Unsicherheit in historischen Populationsgrößen und Migrationsmustern. Sensitivitätsanalysen - laufende Modelle mit einer Reihe von plausiblen Inputs - helfen zu quantifizieren, wie robust die Schlussfolgerungen zu diesen Unsicherheiten sind. Zum Beispiel muss ein Modell der Pockenepidemie von 1520 im aztekischen Reich die unbekannte präkolumbianische Population von Tenochtitlan berücksichtigen; Sensitivitätsanalyse zeigt, ob die wichtigsten Ergebnisse stark von dieser Schätzung abhängen.

Trotz dieser Hindernisse schreitet das Feld rasant voran. Die Digitalisierung historischer Archive und die Entwicklung von Text-Mining-Tools ermöglichen es Forschern, strukturierte Daten aus unstrukturierten Dokumenten zu extrahieren. Zum Beispiel können maschinelle Lernalgorithmen jetzt automatisch Erwähnungen von Krankheitsausbrüchen in jahrhundertealten Zeitungen identifizieren und neue Datensätze für die Epidemiemodellierung bereitstellen. Projekte wie die Historische Epidemiendatenbank aggregierte Daten aus verschiedenen Quellen, was es Modellierern erleichtert, auf Aufzeichnungen über Zeiträume hinweg zuzugreifen und sie zu vergleichen.

Interdisziplinäre Ansätze

Erfolgreiche Geschichte von Epidemien erfordert die Zusammenarbeit zwischen den Disziplinen. Historiker stellen kontextbezogenes Wissen und Quellenkritik zur Verfügung; Epidemiologen tragen Modelldesign und Parameterschätzung bei; Informatiker entwickeln Algorithmen und Visualisierungswerkzeuge; und Statistiker behandeln Unsicherheit und Validierung. Interdisziplinäre Teams haben einige der einflussreichsten Studien erstellt, wie die Rekonstruktion der Ausbreitung der Pest entlang der Seidenstraße unter Verwendung einer Kombination von Genomdaten, historischen Aufzeichnungen und agentenbasierter Modellierung.

Institutionen wie das Entscheidungs-Wissenschafts-Labor der Carnegie Mellon University sind Pioniere dieses Ansatzes. Open-Source-Modellierungsplattformen wie GLEaM und FRED ermöglichen es Forschern, Ergebnisse zu teilen und zu reproduzieren, wodurch das Tempo der Entdeckung beschleunigt wird. Die FRED-Plattform, die ursprünglich an der Universität von Pittsburgh entwickelt wurde, wurde verwendet, um historische Ausbrüche in virtuellen Populationen zu simulieren, die die Altersstruktur und die Haushaltszusammensetzung amerikanischer Städte des 19. Jahrhunderts widerspiegeln.

Die Ausbildung der nächsten Generation von Computerhistorikern ist ebenso wichtig. Mehrere Universitäten bieten inzwischen gemeinsame Abschlüsse oder Zertifikate in den Digital Humanities und Public Health an. Konferenzen wie der Digital Humanities Summit und die International Conference on Computational Social Science bieten zunehmend Sitzungen zu historischen Epidemien an. Diese Orte erleichtern die gegenseitige Bestäubung von Ideen, die methodische Innovationen vorantreiben.

Die Auswirkungen sozialer und wirtschaftlicher Faktoren

Computermodelle sind in einzigartiger Weise geeignet, um zu untersuchen, wie soziale und wirtschaftliche Bedingungen epidemische Folgen beeinflussen. Zum Beispiel erlebten Städte mit höherer Einkommensungleichheit während der Grippe von 1918 eine höhere Sterblichkeit, wahrscheinlich weil arme Arbeiter es sich nicht leisten konnten, zu Hause zu bleiben. Netzwerkmodelle, die den sozioökonomischen Status berücksichtigen, können diesen Effekt quantifizieren, indem sie unterschiedliche Kontaktraten verschiedenen Gruppen zuordnen. In ähnlicher Weise haben Modelle des Schwarzen Todes gezeigt, dass Handelsbeschränkungen und der Bau von Quarantäneeinrichtungen in italienischen Stadtstaaten die Zahl der Todesopfer in diesen Gebieten reduzierten, selbst wenn die Politik inkonsequent angewendet wurde.

Auch das Geschlecht spielt eine Rolle. Historische Aufzeichnungen von Seuchenausbrüchen zeigen, dass Frauen, die sich oft um Kranke kümmerten, überproportional betroffen waren. Agentenbasierte Modelle, die Pflegerollen simulieren, können helfen, das übermäßige Risiko einzuschätzen. Diese Ergebnisse zeigen, dass Epidemien nicht zufällig sind; sie folgen Mustern sozialer Verletzlichkeit, die Computer-Tools aufdecken können. Im Fall von Pocken im kolonialen Amerika zeigen Modelle, die Rassenkategorien enthalten, dass indigene Bevölkerungsgruppen nicht nur wegen mangelnder Immunität katastrophale Sterblichkeit erlitten, sondern auch, weil Zwangsumsiedlung und Gewalt traditionelle Krankheitsmanagementpraktiken störten.

Computermodelle in der modernen öffentlichen Gesundheit

Während das primäre Ziel der historischen Epidemiemodellierung darin besteht, die Vergangenheit zu verstehen, haben die Erkenntnisse oft direkte Relevanz für die heutige öffentliche Gesundheit. Zum Beispiel haben Modelle der Grippe von 1918 Pandemie-Vorbereitungspläne für Grippe und COVID-19 informiert. Die Erkenntnis, dass frühe, geschichtete nicht-pharmazeutische Interventionen die Sterblichkeit reduzieren, wurde von vielen Regierungen während der COVID-19-Pandemie verwendet. In ähnlicher Weise haben Modelle historischer Cholera-Ausbrüche die Bedeutung von sauberer Wasserinfrastruktur und Schnellerkennungssystemen verstärkt.

Das Feld der "Phylodynamik", das die genetische Sequenzierung von Krankheitserregern mit Computermodellen kombiniert, ermöglicht es Forschern, die Evolutionsgeschichte von Viren neben ihrer räumlichen Ausbreitung zu verfolgen. Diese Technik wurde verwendet, um die Ursprünge von HIV und die Entstehung von arzneimittelresistenter Tuberkulose zu rekonstruieren. Durch die Anwendung phylodynamischer Modelle auf historische Skelettüberreste können Forscher nun abschätzen, wann und wo alte Stämme von Mycobacterium tuberculosis in präkolumbianischen Populationen zirkulierten. Diese Daten fließen in moderne öffentliche Gesundheitsbemühungen ein, um die langfristige Entwicklung von Krankheitserregern zu verstehen und zukünftige Resistenzmuster vorherzusagen.

Zukünftige Richtungen

Die nächste Grenze in der Geschichte der Epidemien liegt in der Integration heterogener Datenquellen und der Anwendung von maschinellem Lernen. Deep-Learning-Modelle können unstrukturierten Text aus Tausenden von historischen Dokumenten analysieren, um Krankheitszeitlinien und Symptombeschreibungen zu extrahieren. Geographische Informationssysteme (GIS) werden immer raffinierter, so dass Forscher Landschaften mit hoher Auflösung modellieren können. Darüber hinaus bedeutet das Wachstum von Projekten der Digital Humanities, dass jedes Jahr mehr Daten öffentlich zugänglich werden.

Eine vielversprechende Richtung ist die Schaffung von "digitalen Zwillingen" historischer Städte - virtuelle Nachbildungen, die archäologische Rekonstruktionen mit Bevölkerungsdaten kombinieren. Diese Zwillinge können verwendet werden, um die Ausbreitung einer Krankheit mit beispiellosem Realismus zu simulieren. Zum Beispiel modelliert das Virtual Rome-Projekt die gesamte Stadt zur Zeit der Antoninischen Pest (165-180 n. Chr.), einschließlich Aquädukten, Badehäusern und Wohnungsdichte. Eine andere ist die Verwendung von Bayes-Inferenz, um mehrere Beweislinien wie genetische Daten aus alter DNA, schriftliche Aufzeichnungen und Klimaproxies in einem einzigen kohärenten Modell zu kombinieren. Mit zunehmender Rechenleistung und verbesserten Algorithmen werden diese Modelle genauer und zugänglicher.

Es bleiben jedoch ethische Überlegungen bestehen. Modelle sollten nicht dazu benutzt werden, Gemeinschaften rückwirkend für Ausbrüche verantwortlich zu machen, noch sollten sie deterministische Narrative verstärken. Historiker und Modellierer müssen über Annahmen und Grenzen transparent sein. Das Ziel ist nicht, eine einzige "wahre" Geschichte zu produzieren, sondern neue Fragen zu öffnen und Werkzeuge für die Erforschung bereitzustellen. Insbesondere muss dem Risiko des Präsentismus besondere Aufmerksamkeit geschenkt werden - die Projektion moderner Kategorien von Rasse, Klasse oder Geschlecht auf historische Bevölkerungen in einer Weise, die die Analyse verzerrt. Verantwortliche Computergeschichte greift kritisch mit ihren eigenen Methoden um.

Schlussfolgerung

Die Computergeschichte hat die Art und Weise verändert, wie wir die Ausbreitung historischer Epidemien untersuchen. Indem sie die Strenge der Modellierung mit der Tiefe historischer Analysen kombiniert, können Forscher Dynamiken aufdecken, die zuvor verborgen waren. Agentenbasierte, fächerspezifische, Netzwerk- und räumliche Modelle bieten jeweils einzigartige Einblicke und Fallstudien vom Schwarzen Tod bis zur Grippe von 1918 zeigen ihre Macht. Datenherausforderungen bestehen fort, aber interdisziplinäre Zusammenarbeit und technologische Fortschritte treiben das Feld weiter voran. Angesichts neuer globaler Gesundheitsbedrohungen sind die Lehren aus Computermodellen der Vergangenheit nicht nur akademisch - sie sind wesentliche Werkzeuge für den Aufbau einer gesünderen Zukunft.