למה להביט לאחור?The Power of Historical Epidemic Modeling

הבנת כיצד מחלות התפשטו באמצעות אוכלוסיות הייתה היבט קריטי של בריאות הציבור במשך מאות שנים.לפני מעבדות מודרניות ועקב בזמן אמת, חברות ניצבות בפני גלי מגיפה, כולרה, ושפעת עם כלים מוגבלים כיום, החוקרים רותמים מודלים אפידמיולוגיים חישוביים כדי לקלף את שכבות ההיסטוריה, לשחזר את הדינמיקה של התפרצויות קודמות עם דיוק מדהים.

[ב]הגישה הזו מתייחסת למגפות העבר כניסויים טבעיים, שלא כמו התפרצויות מודרניות, כאשר ההתערבות מתחילה מוקדם לאיסוף נתונים היא מיידית, מגיפות היסטוריות התפתחו בתנאים בלתי מבוקרים, על ידי מודל התנאים האלה, החוקרים יכולים לשאול: שפעת:0: מה אם אנדרט 1:1 אמצעי בריאות הציבור ננקטו קודם לכן?

יסודות אפידמיולוגיה משלימה

מודלים אפידמיולוגיים Computational לדמות את התפשטות מחלות זיהומיות על ידי שילוב גורמים שונים כגון צפיפות האוכלוסייה, דפוסי תנועה, התנהגויות חברתיות. כאשר החלים על נתונים היסטוריים, מודלים אלה מאפשרים למדענים לשחזר כיצד מגיפות התפתחו בעבר, מתן תובנות ליעילות של התערבויות והגורמים שתרמו להפצתם.הבסיס על מודלים תאיים קלאסיים שפותחו בתחילת המאה ה-20 על ידי הדמודמיולוגים כמו קרמאק-קר, אך ורקקרר-קר, מאפשר סימולציה מודרנית יותר, אך ורק לדגמית יותר.

מודלים היסטוריים עומדים בפני אתגרים ייחודיים.הנתונים הם לעתים קרובות ספארי, או מוטה כלפי אוכלוסיות מחוסמות. עקומות אפידמיות חייבות להיות מפוסלות מרשומות קבורה, קבלה בבית החולים או דוחות עיתונים. נתונים פליליים - מפות עתירות, נתיבי מסחר, זמני זמן ימיים ספציפיים - נדרשת בדיקת כאבים.למרות אלה, התקדמות במפרץ המיוצר כיום על ידי סטטיסטיקות ובודדות של אוכלוסיות.

מקורות נתונים מרכזיים כוללים רשם קהילות (אירופה), רשומות צבאיות (מגיפות זמן מלחמה), מיצגי אוניות (הצגת צ'ולרה), ואפילו דגימות ליבה קרח (התחילות של פתוגנים באוויר) שילוב של התפלגות (FLT:0genomic EpiyFLT:1 הוסיף שכבה נוספת: על ידי ריצוף RNA מרקמות שמורות מהמאה, יכול כעת להעריך את שיעור הנגיפים הגנטיים וההדבקה של גלי הדמוגרפיים הדמוגרפיים הדמוגרפיים הדמוגרפיים הפילוסופיים הפילוסופיים הפילוסופיים.

מודלים של מודלים ויישומים

מודלים השוואתיים: SIR, SEIR, ו-Exchanges

מודלים השוואתיים מחלקים אוכלוסייה לקטגוריות דיסקרטיות המבוססות על מצב הזיהום הפשוט ביותר, מודל ה-FLT:0 (SIR ModelFLT:1), מסלולים בלתי ניתנים להפרדה (S), נגוע (I), ו-Recovered (R) אנשים (R) קבוצה של משוואות שונות שולטים על זרימת התאים, עם פרמטרים עבור שיעור השידור (β) ושיקום (D) למרות הפשטות דומה ל-1.84, לא ניתן היה ל- R-D (R) ל-D) ל-DIR, אשר שימשהמודל הפשטות ל-DIR משוואות דיפרמיהושנותן ל-D (R) ל-1.8, אשר שימשהדגם הגרסאות הפשטות ל-D (R) ל-D ל-D ל-D (R) ל-1.8 משוואות דיפרמיהו-D (R) ל-D, אשר שימשהמודל הגרסאות תלת-D-D-D-D-D-D-D-DIR של משוואות דיפרמיהו-D-D, אשר שימשהמודל הגרסאות שונות, אשר שימשהמודל של משוואות דיפרמיהו-D) כדי לשנות את הגרסאות שונות, אשר נשלטו-1.8-1.8-

ה-FLT:0 (SEIR ModelFLT:1) מוסיף תא אקספוזנט (E) לאנשים שנדבקו אך עדיין אינם זיהומיים.זה קריטי למחלות עם תקופות ארוכות של אי-השקע, כגון חצבת (10-12 ימים) או COVID-19 (mean 5 ימים) התפרצויות חצבת היסטוריות בערים לפני החיסון, כבר מודל באמצעות מסגרות SEIR, אשר נחשפות לשעות כה רגישות ומפגשים.

תוספות נוספות כוללות מודלים metaפופולריים המקשרים מספר ערים (למשל, רשתות רכבת להפיץ מגיפה מנמל לעיירות היבשת), מודלים מבני גיל (ילדים לעומת מבוגרים), ומודלים של חסינות (pertussis) לניתוח היסטורי, הרחבות אלה מאפשרות לחוקרים לבדוק אם התערבות כמו קוואנטן או איסורי נסיעות היו יכולים לשנות את המסלול - ומודלים רבים מראים כי מוקדם, מגבלות חמורות היו מכריעות.

מודלים מבוססי סוכנים: Capturing Individual Heterogeneity

מודלים מבוססי הסוכן (ABMs) לדמות כל אדם כסוכן אוטונומי עם תכונות (גיל, כיבוש, הרכב ביתי, תנועות יומיומיות) וכללים לאינטראקציה עם אחרים.בניגוד למודלים תאאליים, ABMs יכולים ללכוד התנהגויות מנודות: בעל חנות בשוק צפוף מול חקלאי בכפר מרוחק.

מחקר ציוני דרך אחד השתמש ב-ABM כדי לשחזר את מגפת 1918 במחנה הצבא הבריטי של אאטפל, צרפת.מודל שילב פריסות מזחלות, שימוש בטריני, ותנועת החייל בין יחידות.תוצאות הראו כי העלאה יתר ואוורור עני היו הנהגים העיקריים של שידור, תמיכה השערה כי המגיפה מקורה במחנות צבאיים.

ABMs גם מאפשר סימולציה של סימולציות של סימולציות של פרופ' 1:1 (מה אם המסכות נקבעו ב-1918?), מה אם רעידת האדמה של המאה ה-14 של נמל Ragusa (Dubrovnik) אוכפיף שבוע קודם לכן? ניסויים דיגיטליים אלה מספקים ראיות לכך שצעדי בריאות הציבור יכולים לעבוד לאורך מאות שנים.

מודל רשת: מבנה המגע

מודלים ברשת מייצגים אנשים כנקודות מגע ומגעים כפרטים, ויוצרים גרף.בניגוד להנחות תערובת הומוגניות של מודלים תאיים, מודלים ברשת ללכוד את המציאות כי לא לכולם יש סיכוי שווה ליצור קשר.עבור ניתוח היסטורי, שחזור רשת מבוסס על נתונים כגון רשומות נישואין (קשרי משפחה), רשימות חברות מגורדות (שירות מגע), ונוכחות הכנסייה (קשרי תחמושת).

דוגמה קלאסית היא התפשטות התפרצות ה- 1854 של מחוז סוהו בלונדון, הממפה המפורסמת על ידי ד"ר ג'ון שלג.מודלים ברשת המודרנית שינו מחדש את הנתונים והראו כי זיהום של משאבת מים ציבורית אחת ברחוב ברוד היה המוקד - אבל רשת של ביקורים ביתי הרגלי שתייה משותפים הראתה את ההתפרצות מעבר למה שמודל קוד פשוט ינבא מחקרים אלה שאפילו משקף מגפה חדשה באמצעות עדשות חדשות.

מחקר: The Influenza Pandemic

מקורות נתונים ומודלים גישה

מגפת השפעת 1918 (השפעת הספרדית) שנדבקה בערך שליש מאוכלוסיית העולם והרגה 50 עד 100 מיליון אנשים. חוקרים השתמשו במודלים חישוביים כדי לנתח את התפרצות זו על ידי הפצת נתונים מארכיונים צבאיים, כדורי בריאות הציבור וסטטיסטיקות חיוניותיות קיימות עבור ערים רבות בארה"ב, אירופה ואוסטרליה, כדי להראות כי בתי חולים צפופים, ביטלו נתונים סטטיסטיים על ידי מחלות נדירות בלבד (התיקים) עם מחלות נדירות בלבד, לאחר שהפכו להתפרצותן של תאים אלה, לאחר שהפכו להתפרצותן של תאים צעירים, רק לאחר התמותה).

מודלים מבוססי הסוכן עבור ערים כגון סנט לואיס, סן פרנסיסקו, ניו יורק כבר דחוסים עקומות תמותה צפה.המודלים להתאים פרמטרים עבור שיעור שידור, תקופת הארכה, ותזמון התערבות. עבור סנט לואיס, הסגרים מוקדמים בבית הספר ואיסור על איסוף פומבי דכא את הגל הראשון; המודל מראה כי עיכוב אמצעים אלה על ידי שבוע אחד היה משולש מוות ל- Converse, תגובה כמעט מגמת עלייה של שישה פעמים של פילדלפיה.

מפתח ושיעורים

מודל מגפת 1918 מניב מספר תובנות מעשיות.ראשון, FLT:0 (non-pharmaceuticalהתערבותs) NPIs)cioFLT:1 -quarantine, מסכות, סגרי בית הספר - אנחנו יעילים גם ללא חיסונים או אנטי-ויראלים.התזמון ומשך NPIs היו חשובים יותר מאשר ערים מיושמות מוקדם של תמותה נמוכה יותר, ולא הייתה קריטית, כאשר הוסרו בהדרגה, כאשר היו מגבלות גל.

שנית, מבנה ה-FLT:0 (FLT:0) היה תפקיד חשוב: החומרה יוצאת הדופן בקרב צעירים היא צפויה להיות בשל חשיפה מוקדמת לוירוס H1N1 דומה (מ מגפת 1890) אשר העניק חסינות בקבוצות מבוגרות, בעוד שלצעירים לא היה שום הגנה על הצלב.מודלים משלבים רגישות בגילים שולבו את עקומת W- הציע כי החיסון בצורת הקמפיינים נגד החיסון היה צורך במגיפה (הת-או-או-או-המכונה) להתפרצות של מבוגרים יותר) לפני שעדיין היה צורך במגיפה (הת-או-או-או-או-אופוזיציה צעירה יותר) היה צורך באנטית-אונקטיבית-או-או-או-או-או-או-או-או-או-או-או-או-או-או-או-או-או-או-או-עד-או-או-אנטיתחילהת-אנטיתחילהתחילהת-אנטית-אנטית-אנטית-זמנית, לפני-אפטרה-אנטית-או-או-זמנית, לפני-עדכנפיים) היה קיים לפני-זמנית, לפני-או-זמנית, לפני-אנטי-תועלת-תועלת-תועלת-

שלישית, דינמיקה של 0 spatial דינמיות ;0 â ¢ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

ממצאים אלה הודיעו ישירות לארגון ול-CDC על מנת למגפת H1N1 לשנת 2009 והם מבוססים על מסגרות מוכנות מגיפה נוכחיות.

לונדון 1854 Cholera Outbreak

ניתוח ספארי מוקדם פוגש את ההתאמות המודרניות

בעוד שפעת 1918 ממחישה את הדוגמנות בקנה מידה המגיפה, התפרצות ה- 1854 של שכונת הסוהו בלונדון מייצגת ציון דרך בחקירה אפידמיולוגית.ד'ון שלג' מראה מקרי מוות של כולרה המקובצים סביב משאבת רחוב ברוד נלמדת לעתים קרובות כמו לידת אפידמיולוגיה מרחבית כיום, מודלים חישוביים הרחיבו את עבודתו על ידי ספרות המפה המקורית, הגיאורינג את 616 מקרי המוות, וסימולת מים באמצעות מודל מרחבי.

המודל המודרני משלב לא רק את אזורי משאבת המים, אלא גם מקורות מים ביתי (חלקם השתמשו בתאגיד מים אחר), גובה (השפעת זרימת מי הקרקע), ואת צפיפות האוכלוסייה של מפקד האוכלוסין של 1851.התוצאות מאשרות את השערה של שלג בביטחון סטטיסטי גבוה: משאבת רחוב ברוד הייתה המקור העיקרי. יתר על כן, המודל מסמיך את ההשפעה של התערבותו - הסרת המשאבה - מראה כי מקרים ירד בתוך ימים עקביים, עם תקופה של 1-3 ימים.

שיעורי בקרת מחלות מים

מודל ה- 1854 של cholera מלמד כי (FLT:0) קוד קוד קוד קוד קואטמנציה 1Felot) ניתן לזהות ולקטוע גם ללא ידע של הפתגן (ב 1854, תורת הגרים עדיין לא התקבלה באופן נרחב) זה גם מדגיש את החשיבות של FLT:2data שקיפות ומיפוי נתונים גולמיים של 3 זמינים באינטרנט, מודלים חדשים להמשיך להיות בנוי על ידי אפידמיולוגיסטים כגון ספירת נתונים מוגבלים, כגון שיטות אימון.

תובנות אלה רלוונטיות ישירות להתפרצויות של כולרה המודרנית בהאיטי, תימן ובנגלדש, שם מקורות מים מזוהמים נשארים הנהג הראשי.ה-FLT:0WHO גיליון עובדה על choleracioFLT:1 מדגיש את הרלוונטיות של שיעורים היסטוריים לאסטרטגיות בקרה נוכחיות.

השלכות מודרניות וכיוונים עתידיים

המונחים: Pandemic tidness

ניתוח מגיפות העבר עם מודלים חישוביים מספק שיעורים חשובים עבור אסטרטגיות בריאות הציבור הנוכחי והעתידיות.על ידי הבנת כיצד מחלות התפשטו מבחינה היסטורית, פקידי בריאות יכולים טוב יותר של אמצעי תחזוקת עיצוב, קמפיינים של חיסון, ואסטרטגיות תקשורת.המודלים מראים כי FLT:0window for ContainmentFLT 1 לשנת 2009 הוא צר מאוד; עבור מגיפות שפעת, זה עשוי להיות קצר כשבועיים לאחר המקרה ההיסטורי הראשון (DV1) על ידי ה-R.

אחד הממצאים הבולטים של מודלים היסטוריים הוא התפקיד של מודלים המבוססים על סוכנים:0ציבוריים עייפות FLT:1 במהלך מגפת 1918, כמה ערים חוו גל שני לאחר שהתושבים גדלו עייפים ממודלים המבוססים על סוכנים הכוללים הסתגלות התנהגותית (אנשים להפחית מגעים כאשר מקרים גבוהים ולהגדיל אותם כאשר מקרים יורדים) משכפלים דפוס זה.

אפידמיולוגיה ו-Furogenomics

הגבול הבא משלב אפידמיולוגיה חישובית עם FLT:0genomic נתונים מזן פתוגניות היסטורית FLT:1 . חוקרים הוציאו RNA מ 1918 קורבנות שפעת קבורים ב permafrost ומדגימות רקמות ארכיון. על ידי השוואת הגנום של גלי גלנסיביים, הם יכולים להעריך את שיעורי המוטציה ולתאם שינויים גנטיים עם תאימות.

בדומה לכך, הגנום של השיניים מהמאה ה -14:0 [Yersinia pestisFLT]:1 (החיידקים המגיפה) משיניים מהמאה ה -14 כבר רצף, מה שמאפשר לדגמים להעריך כי המוות השחור נהרג כ -60% מאוכלוסיית אירופה.המודלים מציעים גם כי צפיפות האוכלוסייה ורשתות סחר קבעו תמותה אזורית, עם כמה כפרים מבודדים שנמלטו לחלוטין.

אינטליגנציה מלאכותית והנתונים ההיסטוריים

אלגוריתמי למידת מכונות משמשים כעת כדי לחלץ באופן אוטומטי נתונים מהטקסטים ההיסטוריים, כגון רישומים של הקהילה או כתבי עת רפואיים. עיבוד שפה טבעית יכול לזהות אזכורים של סימפטומים מחלה, קבורה, והזמנות quarantine. נתונים אלה להאכיל מודלים אשר משחזרים מגיפות עם temporal ורזולוציה מרחבית חסרת תקדים.לדוגמה, פרויקט משותף בין אוניברסיטת אוקספורד ואוניברסיטת Saskatchewan הוא כריית המאה ה חיזוי קנדי לגרסאות מוקדמות של קבוצות מסחר.

הספריות (FLT:0) אקדמאיות ספרותיות (FLT:1) מדגיש כי הכלים האלה אינם רק להתפרצויות קודמות; הם נבדקים על נתונים היסטוריים ולאחר מכן מוחלים על איומים מתעוררים. לדוגמה, אותו מודל המשמש למגפת 1918 הותאם בתוך ימים עבור COVID-19 ב-2020, מראה את הערך של מסגרות שנבנו מראש, מאומתות.

מסקנה

מודלים אפידמיולוגיים Computational משמשים ככלי רב עוצמה לפירוק המורכבות של מגיפה התפשטה לאורך ההיסטוריה.הם לגשר על הפער בין העבר לווה, המציע תובנות המסייעות להגן על הקהילות ברחבי העולם.מהמשוואות SIR של 1920s לסימולציות מבוססות הסוכן של היום, כל דור של מודלים גילה שכבות חדשות של דינמיקה של מחלה היסטורית.18 מראה כי לא-פרומטית עבד התערבות של סרטן, אבל עכשיו, רק עם מחזור נתונים של זמן פתוח (S).

המשך התקדמות בטכניקות דוגמנות - כולל הערכת פרמטר מבוסס בינה מלאכותית, אי-ההתאמה ברשת ושילוב נתונים בזמן אמת - פרומות אפילו הבנה גדולה יותר ותגובה יעילה יותר למשברי בריאות עתידיים.על ידי כבוד לשיעורים החבויים בחוויה ההיסטורית הקולקטיבית שלנו, אנו מציידים את עצמנו בפני כל פתוגנים מופיעים הבא.