La storia computazionale si trova all'incrocio tra umanità digitali, scienza dei dati e indagine storica. Applicando modelli e simulazioni di computer alle cronache del passato, i ricercatori possono testare ipotesi che erano in precedenza troppo complesse per esplorare manualmente. Una delle applicazioni piÃ1 urgenti e illuminanti di questo approccio à ̈ la modellazione di epidemie storiche. Dalla piana di Justinian alla pandemica dell'influenza del 1918, le focolature di malattia hanno plasmato le società in modi profondi.

Il ruolo della storia computazionale nella comprensione dell'epidemica

Le epidemie non sono solo eventi biologici; sono profondamente radicate in contesti economici, sociali e politici. L'analisi storica tradizionale si basa spesso su record scritti, come la mortalità conta, i registri di viaggio e i diari personali. Tuttavia, queste fonti sono frammentate e possono essere biasate. I modelli computazionali aggiungono uno strato quantitativo, permettendo agli storici di simulare la diffusione della malattia attraverso il tempo e lo spazio.

Per esempio, i modellisti possono verificare se la rapida diffusione della Morte Nera in tutta Europa nel XIV secolo è stata guidata principalmente da pulci di ratto sulle navi mercantili o da trasmissione umana-umano. I modelli basati sull'agente possono replicare i movimenti degli individui lungo specifiche rotte commerciali, mentre i modelli compartimentali possono stimare la percentuale della popolazione che deve essere stata esposta a sostenere la mortalità osservata.

E se l'influenza spagnola fosse emersa un decennio prima, senza le dislocazioni della prima guerra mondiale? Questi esperimenti di pensiero, fondati in rigore matematico, trasformano la storia da una disciplina puramente descrittiva in una scienza predittiva del passato.

Tipi chiave di modelli computazionali

Gli storici e gli epidemiologici hanno adattato diverse classi di modelli originariamente sviluppati per la sorveglianza delle malattie moderne. Ogni tipo ha punti di forza distinti ed è adatto a diverse domande storiche. Capire questi strumenti è essenziale per valutare le affermazioni che emergono da studi computazionali.

Modelli basati sull'agente

I modelli basati sugli agenti (ABM) simulano le azioni e le interazioni di agenti autonomi, come persone, animali o anche agenti patogeni, in un ambiente definito. Ogni agente segue una serie di regole che governano il comportamento: se viaggiano, quanto spesso contattano gli altri, se si recuperano o muoiono.

Modelli comparativi

Il modello compartimentale più famoso è il modello SIR, che divide la popolazione in Susceptible, Infected, and Recovered (o Removed) comparti. Il modello utilizza equazioni differenziali per descrivere il flusso di individui tra questi gruppi basati su tassi di trasmissione e di recupero.

Modelli di rete

I modelli di rete rappresentano individui o luoghi come nodi e le loro interazioni come bordi. Questo approccio è particolarmente efficace per studiare le malattie che si diffondono attraverso specifiche reti sociali o di trasporto. Ad esempio, un modello di rete del sistema stradale romano può simulare come un patogeni come il vaiolo potrebbe aver viaggiato dal Vicino Oriente ai registri di frontiera dell'impero.

Modelli Spaziali e Spatiotemporali

Oltre alle tre categorie principali, i modelli spaziali che incorporano sistemi di informazione geografica (GIS) sono diventati sempre più importanti: questi modelli assegnano il rischio di malattie a specifiche località basate su variabili ambientali quali altitudine, temperatura e prossimità a corpi idrici. Ad esempio, un modello spaziale della Grande Plague di Londra del 1665 potrebbe utilizzare mappe storiche di layout di strada e confini parrocchiali per simulare come la malattia ha ostruso da un quartiere all'altro.

Case Studies: Modeling Epidemics Storica

Diversi studi di riferimento dimostrano il potere della storia computazionale nella ricerca epidemiologica, e ogni caso evidenzia diversi punti di forza metodologica e sfide di dati, e insieme illustrano come la modellazione può rimodellare la comprensione storica.

La morte nera (1346–1353)

I primi modelli si concentrano sulla via di trasmissione primaria: se il batterio Yersinia pestis è stato portato da pulci sui ratti o dai pidocchi e dalle pulci umane.

Un altro importante risultato di studi computazionali della Morte Nera riguarda il ruolo delle reti commerciali. I modelli di rete mostrano che la peste si diffuse più velocemente lungo le rotte marittime che su quelle sovranazionali, contraddicendo le precarie ipotesi che la Via della Seta fosse il principale conduttivo.

La Pandemica di Influenza 1918

I modelli computazionali sono stati utilizzati per analizzare l'impatto degli interventi non farmacologici, come le chiusure scolastiche, i divieti di incontri pubblici e l'isolamento dei casi. Uno studio che utilizza un modello compartimentale per le città degli Stati Uniti ha scoperto che le città che hanno implementato gli interventi dei campi precedenti avevano tassi di mortalità del 50% inferiori a quelli che hanno ritardato.

I modelli di rete della pandemica del 1918 hanno anche fatto luce sul ruolo della struttura dell'età. Ristrutturando i modelli di contatto delle indagini domestiche e dei registri di frequenza scolastica, i ricercatori hanno scoperto che i bambini non erano solo altamente sensibili ma anche agivano come trasmettitori efficienti all'interno delle famiglie.

Cholera in 19 ° secolo Londra

L'epidemia di colera di Broad Street del 1854 è un classico esempio di indagine epidemiologica, ma i modelli computazionali moderni hanno aggiunto sfumature.Di digitalizzare mappe storiche, dati del censimento e luoghi di pompaggio dell'acqua, i ricercatori hanno costruito modelli spaziali che mostrano la malattia diffusa principalmente attraverso l'acqua contaminata da una singola pompa. Tuttavia, i modelli di rete suggeriscono anche che i collegamenti sociali - come i servi che trasportano l'acqua alle famiglie più ricche - hanno giocato un ruolo.

La grande pianura di Londra (1665)

Uno studio del quarto caso, la Grande Plaga di Londra, illustra come i modelli computazionali possono compensare i dati radi. I registri della parrocchia del 1665 forniscono i conti settimanali ma poco dettagli demografici. I modelli basati sull'agente parametrizzati con le dimensioni della famiglia, i tassi di mortalità e i modelli di movimento sono stati utilizzati per stimare il numero di riproduzione di base (R]][FLT:

Fonti e sfide dei dati

I ricercatori si basano su una varietà di fonti: registri parrocchiali, registri fiscali, registri delle navi, libri di ammissione ospedalieri e persino conti letterari. Ogni fonte ha dei pregiudizi. Ad esempio, i registri di sepoltura tipicamente incontrano morti infantili, e la mortalità da epidemie è spesso conflata con altre cause.

Molti record storici riportano i totali mensili o annuali, che sono troppo grossolani per modellare la trasmissione rapida. Per affrontare questo, gli storici computazionali utilizzano tecniche di imputazione statistica e di assimilazione dei dati prese in prestito dalla meteorologia. Un'altra sfida è l'incertezza nelle dimensioni della popolazione storica e nei modelli di migrazione.

Nonostante questi ostacoli, il campo sta avanzando rapidamente. La digitalizzazione degli archivi storici e lo sviluppo di strumenti di text-mining permettono ai ricercatori di estrarre i dati strutturati da documenti non strutturati. Ad esempio, gli algoritmi di machine learning possono ora identificare automaticamente le menzioni di focolai di malattia nei giornali secolari, fornendo nuovi set di dati per la modellazione delle epidemie.

Approcci interdisciplinari

Gli storici forniscono una conoscenza contestuale e una critica di origine; gli epidemiologici contribuiscono alla progettazione e alla stima dei parametri del modello; gli scienziati informatici sviluppano algoritmi e strumenti di visualizzazione; gli statistici gestiscono l'incertezza e la validazione. Le squadre interdisciplinari hanno prodotto alcuni degli studi più influenti, come la ricostruzione della diffusione della peste lungo la Silk Road utilizzando una combinazione di dati genomici, record storici e agente.

Le istituzioni come il Carnegie Mellon University Decision Science Lab] stanno pionieristicando questo approccio. Piattaforme di modellazione open source, come GLEaM e FRED, permettono ai ricercatori di condividere e riprodurre i risultati, accelerando il ritmo della scoperta. La piattaforma FRED, originariamente sviluppata all'Università di Pittsburgh, è stata utilizzata per simulare gli scoppi storici delle popolazioni virtuali che rispecchiano la struttura e la struttura delle famiglie dell'età e dell'età.

La formazione della prossima generazione di storici computazionali è altrettanto importante: diverse università offrono ora diplomi o certificati comuni nelle umanezze digitali e nella sanità pubblica. Conferenze come il Vertice Digital Humanities e la Conferenza Internazionale sulla Scienza Sociale Computazionale sono sempre più presenti su epidemie storiche, che facilitano la contaminazione incrociata di idee che spingono l'innovazione metodologica.

L'impatto dei fattori sociali ed economici

I modelli computazionali sono particolarmente adatti per esaminare come le condizioni sociali ed economiche modellano i risultati dell'epidemia. Ad esempio, durante l'influenza del 1918, le città con livelli più elevati di disuguaglianza di reddito hanno avuto una maggiore mortalità, probabilmente perché i lavoratori poveri non potevano permettersi di rimanere a casa.

I documenti storici degli focolai indicano che le donne, che spesso si occupavano dei malati, sono state sproporzionate. Modelli basati sull'agente che simulano ruoli di caregiving possono aiutare a valutare il rischio in eccesso. Questi risultati dimostrano che le epidemie non sono casuali; seguono modelli di vulnerabilità sociale che gli strumenti di calcolo forzati possono esporre.

Modelli computazionali in Modern Public Health

Mentre l'obiettivo primario della modellazione storica dell'epidemia è quello di comprendere il passato, le intuizioni hanno spesso rilevanza diretta per la salute pubblica contemporanea. Ad esempio, i modelli dell'influenza del 1918 hanno informato i piani di preparazione pandemica per l'influenza e COVID-19. La scoperta che gli interventi non farmacologici stratificato precocemente riducono la mortalità è stata utilizzata da molti governi durante la pandemia di COVID-19.

Il campo della "filodinamica", che combina la sequenziazione genetica degli agenti patogeni con i modelli computazionali, permette ai ricercatori di tracciare la storia evolutiva dei virus accanto alla loro diffusione spaziale. Questa tecnica è stata utilizzata per ricostruire le origini dell'HIV e l'emergere di tubercolosi resistente alla droga.

Le direzioni future

La prossima frontiera nella storia computazionale delle epidemie sta nell'integrazione di fonti di dati eterogenee e nell'applicazione dell'apprendimento automatico. I modelli di apprendimento approfondito possono analizzare il testo non strutturato da migliaia di documenti storici per estrarre le tempistiche delle malattie e le descrizioni dei sintomi. I sistemi di informazione geografica (GIS) stanno diventando più raffinati, permettendo ai ricercatori di modellare paesaggi ad alta risoluzione.

Una direzione promettente è la creazione di "giochi digitali" di città storiche – repliche virtuali che combinano ricostruzioni archeologiche con dati della popolazione. Questi gemelli possono essere utilizzati per simulare la diffusione di una malattia con realismo senza precedenti. Ad esempio, il progetto Virtual Rome modella l'intera città al momento dei record genetici Antonine (165–180 AD), tra cui aquedotti, bagni e densità abitativa.

Tuttavia, rimangono considerazioni etiche. I modelli non devono essere usati per incolpare retroattivamente le comunità per gli scoppi, né dovrebbero rafforzare le narrazioni deterministiche. Gli storici e i modellisti devono essere trasparenti su ipotesi e limitazioni. L'obiettivo non è quello di produrre una storia "vera", ma di aprire nuove domande e fornire strumenti per l'esplorazione. In particolare, attenzione deve essere rivolta al rischio di presentare - proiettando le categorie moderne di razza, classe, genere.

Conclusioni

La storia computazionale ha trasformato come studiamo la diffusione delle epidemie storiche. Combinando il rigore della modellazione con la profondità dell'analisi storica, i ricercatori possono scoprire dinamiche che erano precedentemente nascoste. I modelli di agente-based, compartimentali, di rete e spaziali offrono ogni singolare intuizione, e gli studi di casi dalla Morte Nera al 1918 mostrano il loro potere.