Computational history bevindt zich op het snijpunt van digitale geesteswetenschappen, data science en historisch onderzoek. Door het toepassen van computermodellen en simulaties op kronieken uit het verleden, kunnen onderzoekers hypothesen testen die voorheen te complex waren om handmatig te onderzoeken. Een van de meest urgente en verlichtende toepassingen van deze aanpak is het modelleren van historische epidemieën. Van de Justiniaanse Plaag tot de influenzapandemie 1918 hebben ziekteuitbraken diepgaande vormen aangenomen aan samenlevingen. Computational modellen laten historici toe om transmissieroutes te reconstrueren, de effectiviteit van eerdere interventies te analyseren en lessen te trekken die relevant blijven voor de hedendaagse volksgezondheid.

De rol van de computational history bij het begrijpen van epidemieën

Epidemies zijn niet alleen biologische gebeurtenissen; ze zijn diep ingebed in economische, sociale en politieke contexten. Traditionele historische analyse berust vaak op schriftelijke verslagen, zoals sterftecijfers, reislogboeken en persoonlijke dagboeken. Echter, deze bronnen zijn gefragmenteerd en kunnen worden bevooroordeeld. Computational modellen voegen een kwantitatieve laag toe, waardoor historici de verspreiding van ziektes over tijd en ruimte kunnen simuleren. Door gegevens over bevolkingsdichtheid, handelsnetwerken, klimaatpatronen en menselijk gedrag te integreren, kunnen deze modellen patronen onthullen die alleen in kwalitatieve bronnen onzichtbaar zijn.

Zo kunnen modelbouwers bijvoorbeeld testen of de snelle verspreiding van de Zwarte Dood in Europa in de 14e eeuw voornamelijk werd gedreven door rattenvlooien op koopvaardijschepen of door mens-op-mens-transmissie. Agent-gebaseerde modellen kunnen de bewegingen van individuen over specifieke handelsroutes repliceren, terwijl compartimentale modellen het aandeel van de bevolking kunnen schatten dat moet zijn blootgesteld aan de waargenomen sterfte te ondersteunen. Dergelijke simulaties bieden een formeel kader voor het wegen van concurrerende historische verhalen. Ze helpen historici ook om gaten in het archief te identificeren .Plekken waar meer gegevens zou de onzekerheid over belangrijke parameters te verminderen.

Wat als de Spaanse griep een decennium eerder was ontstaan zonder de ontwrichting van de Eerste Wereldoorlog? Deze gedachteexperimenten, gebaseerd op wiskundige rigor, transformeren de geschiedenis van een zuiver beschrijvende discipline in een voorspellende wetenschap van het verleden. Ze benadrukken ook de voorwaardelijke aard van epidemische uitkomsten, waar kleine verschillen in timing, beleid of gedrag kunnen leiden tot enorm verschillende dodentol.

Sleuteltypes van computermodellen

Historici en epidemiologen hebben verschillende modellen ontwikkeld voor moderne ziektebewaking. Elk type heeft duidelijke sterke punten en is geschikt voor verschillende historische vragen. Het begrijpen van deze tools is essentieel voor het evalueren van de claims die uit computationele studies naar voren komen.

Modellen op basis van een agent

Agent-gebaseerde modellen (ABM's) simuleren de acties en interacties van autonome agentia zoals mensen, dieren of zelfs ziekteverwekkers in een gedefinieerde omgeving. Elke agent volgt een reeks regels die gedrag regelen: of ze reizen, hoe vaak ze contact met anderen opnemen, of ze herstellen of sterven. Door het model vele malen te runnen met licht gevarieerde parameters, kunnen onderzoekers opkomen patronen. ABM's zijn vooral waardevol voor het bestuderen van epidemieën in kleinere gemeenschappen, zoals middeleeuwse steden of koloniale nederzettingen, waar individuele beslissingen kunnen hebben oversized effecten. Een klassiek voorbeeld is de modellering van de 1918 grieppandemie in de stad Philadelphia, waar de timing van een publieke parade werd aangetoond om transmissie te versnellen. ABM's laten onderzoekers ook toe om heter gedrag, zoals de neiging van rijkere huishoudens om steden te ontvluchten tijdens pestuitbarstingen.

Compartimentale modellen

Het meest bekende compartimentale model is het SIR model, dat de bevolking verdeelt in Susceptible, Infected en Recoverd (of Verwijderd) compartimenten. Het model maakt gebruik van differentiaalvergelijkingen om de stroom van individuen tussen deze groepen te beschrijven op basis van transmissie- en recoverysnelheden. Historici kunnen SIR modellen kalibreren om historische sterftecurves te matchen, dan parameters aanpassen om teller te onderzoeken .Wat als een quarantaine eerder was opgelegd? Wat als de pathogeen minder virulent was? Omdat ze computerefficiënt zijn, worden compartimentale modellen vaak gebruikt voor grootschalige uitbraken waarbij homogene menging een redelijke benadering is, zoals de verspreiding van cholera langs handelsroutes in 19e-eeuwse Azië. Meer geavanceerde versies, zoals SEIR (een exposed compartiment) of SIRS (een expowerd compartiment) kunnen extra biologische realisme vangen.

Netwerkmodellen

Netwerkmodellen vertegenwoordigen individuen of locaties als knooppunten en hun interacties als randen. Deze aanpak is bijzonder effectief voor het bestuderen van ziekten die zich verspreiden via specifieke sociale of transportnetwerken. Bijvoorbeeld, een netwerkmodel van de Romeinse weg systeem kan simuleren hoe een ziekteverwekker zoals pokken zou kunnen zijn gereisd van het Nabije Oosten naar de grenzen van het rijk. Door het veranderen van de netwerkdichtheid of de snelheid van reizen, kunnen onderzoekers identificeren welke routes waren het meest invloedrijk. Moderne netwerkanalyse tools ook toestaan historici om contactnetwerken te reconstrueren uit historische records, zoals schip passagiers manifesten of parochie huwelijksregisters. Netwerk modellen zijn uniek in staat om het vastleggen van de niet-willekeurige structuur van menselijke interacties, die kan produceren super-spreiding gebeurtenissen en andere dynamische fenomenen gemist door goed gemengde compartimentale modellen.

Ruimtelijke en spatiotemporele modellen

Naast de drie hoofdcategorieën zijn ruimtelijke modellen die geografische informatiesystemen (GIS) bevatten steeds belangrijker geworden. Deze modellen wijzen ziekterisico's toe aan specifieke locaties op basis van milieuvariabelen zoals hoogte, temperatuur en nabijheid van waterlichamen. Bijvoorbeeld, een ruimtelijk model van de 1665 Great Plague of London zou historische kaarten van straatindeling en parochiegrenzen kunnen gebruiken om te simuleren hoe de ziekte van de ene buurt naar de andere hinkelde. Samen met netwerkmodellen kunnen spatiotemporale benaderingen gedetailleerde reconstructies van epidemische golven genereren, die overeenkomen met de korreligheid van registratiegegevens in goed gedocumenteerde steden.

Case Studies: Modelleren van historische epidemieën

Verschillende historische studies tonen de kracht van de computationele geschiedenis in epidemisch onderzoek. Elk geval belicht verschillende methodologische sterke punten en data-uitdagingen, en samen illustreren ze hoe modellering historisch begrip kan veranderen.

De Zwarte Dood (1346

De Zwarte Dood doodde een geschatte 30 .60% van de Europese bevolking. Vroege modellen gericht op de primaire transmissie route: of de bacterie Yersinia pestis werd gedragen door vlooien op ratten of door menselijke luizen en vlooien. Agent-gebaseerde en netwerkmodellen hebben sindsdien aangetoond dat een combinatie van beide routes de waargenomen verspreidingssnelheid kan reproduceren, maar dat menselijke ectoparasieten een grotere rol kunnen hebben gespeeld dan eerder werd aangenomen. Modellen waarin klimaatgegevens zijn opgenomen suggereren ook dat veranderingen in temperatuur en neerslag in Centraal-Azië de eerste uitbraak in de jaren 1330 kunnen hebben veroorzaakt. Onderzoekers aan de Max Planck Institute for the Science of Human History hebben deze modellen gecombineerd met genetische analyses van oude ]Y. pestis[] DNA om de evolutie van de bacterie te traceren over continenten.

Een andere belangrijke bevinding uit computationele studies van de Zwarte Dood betreft de rol van handelsnetwerken. Netwerkmodellen laten zien dat de plaag zich sneller verspreidt langs maritieme routes dan over land, in tegenstelling tot eerdere veronderstellingen dat de Zijderoute de primaire geleider was. Door de sluiting van bepaalde havens te simuleren of de handhaving van quarantainemaatregelen, hebben historici geschat dat steden als Venetië en Milaan, die strikte beleidsmaatregelen uitvoerden, de sterftecijfers aanzienlijk lager waren dan die welke open bleven.

De 1918 Influenza Pandemie

De Spaanse griep doodde wereldwijd naar schatting 50 miljoen mensen. Computational modellen zijn gebruikt om de impact van niet-farmaceutische interventies te analyseren, zoals schoolsluitingen, verbod op openbare bijeenkomsten en isolatie van zaken. Een studie met behulp van een compartimentaal model voor steden in de Verenigde Staten heeft uitgewezen dat steden die vroege, gelaagde interventies uitvoerden, de sterftecijfers 50% lager hadden dan die welke vertraagd waren. Agent-gebaseerde modellen toonden verder aan dat de bewegingen van jonge volwassenen tijdens de Eerste Wereldoorlog I superverspreidende gebeurtenissen creëerden in militaire kampen en transportschepen. De CDC's Epidemic Intelligence Service[] heeft gebruik gemaakt van deze historische modelstudies om moderne pandemische paraatheidsplannen te informeren, waaronder die voor COVID-19.

Netwerkmodellen van de pandemie van 1918 hebben ook licht op de rol van leeftijdsstructuur. Door het reconstrueren van contactpatronen uit huishoudens en schoolbezoeken records, onderzoekers ontdekt dat kinderen niet alleen zeer gevoelig waren, maar ook handelde als efficiënte zenders binnen huishoudens. Deze vinden uitdagingen het verhaal dat de griep 1918 was uniek dodelijk voor jonge volwassenen; eerder, de hoge sterfte in de leeftijdsgroep 20.040 werd gedreven door een ongewoon sterke immuunrespons op het virus, niet door een verhoogde transmissie.

Cholera in 19e-eeuwse Londen

De Broad Street cholera uitbraak is een klassiek voorbeeld van epidemiologisch onderzoek, maar moderne rekenmodellen hebben nuance toegevoegd. Door historische kaarten, tellingsgegevens en locaties van waterpomp te digitaliseren, hebben onderzoekers ruimtelijke modellen gebouwd die de ziekte voornamelijk door besmet water uit één pomp laten zien. Echter, netwerkmodellen suggereren ook dat sociale verbindingen zoals bedienden die water naar rijkere huishoudens vervoeren een rol speelden. Deze bevindingen hebben implicaties voor het begrijpen van de stedelijke infrastructuur en sociale ongelijkheid vorm ziektedynamiek. Ruimtelijke-statistische modellen hebben verder aangetoond dat de uitbraak van de ruimtelijke voetafdruk sluit nauw aan op de loopafstand van de Broad Street pomp, ondersteunen John Snow's oorspronkelijke hypothese terwijl het kwantificeren van de onzekerheid in zijn gegevens.

De Grote Pest van Londen (1665)

Een vierde casestudy, de Grote Pest van Londen, illustreert hoe computermodellen kunnen compenseren voor schaarse gegevens. Parish-gegevens uit 1665 leveren wekelijkse begrafenistellingen maar weinig demografische details. Agent-gebaseerde modellen geparametriseerd met huishoudelijke groottes, sterftecijfers en bewegingspatronen zijn gebruikt om het basisreproductienummer te schatten ([R[0[) van de pest in Londen. Deze modellen suggereren dat de uitbraak werd ondersteund door een combinatie van rat-op-humane en human-to-humane transmissie, en dat het opleggen van quarantaine aan geïnfecteerde huishoudens de pieksterfte met ongeveer 20% verminderd. Deze analyses informeren over de vraag of historische "plagues" altijd dezelfde ziekte waren als moderne Y. pestis[] infecties.

Gegevensbronnen en uitdagingen

Modellering historische epidemieën vereist het reconstrueren van gegevens die vaak onvolledig, inconsistent of dubbelzinnig zijn. Onderzoekers putten uit een verscheidenheid van bronnen: parochie begrafenis registers, belastinggegevens, scheepslogboeken, ziekenhuisopnames en zelfs literaire rekeningen. Elke bron heeft vooroordelen. Bijvoorbeeld, begrafenisverslagen meestal onder tellen babydoden, en sterfte door epidemieën wordt vaak samengeperst met andere oorzaken. Paleoclimatologische proxies, zoals boomringen en ijskernen, kunnen gegevens over temperatuur en vochtigheid die ziekte overdracht beïnvloeden. Bovendien, recente vooruitgang in oude DNA-analyse kunnen onderzoekers identificeren de pathogeen verantwoordelijk voor een historische uitbraak, zelfs wanneer geschreven verslagen dubbelzinnig zijn.

Een grote uitdaging is het ontbreken van korrelige tijdreeksen gegevens. Veel historische records rapporteren maandelijkse of jaarlijkse totalen, die te grof zijn om een snelle transmissie model te maken. Om dit aan te pakken, gebruiken computationele historici statistische toereken- en data-assimilatietechnieken die zijn ontleend aan meteorologie. Een andere uitdaging is de onzekerheid in historische populatiegroottes en migratiepatronen. Sensitiviteitsanalyses . running modellen met een scala van plausibele input .help kwantificeren hoe robuust de conclusies zijn om deze onzekerheden. Bijvoorbeeld, een model van de 1520 pokken epidemie in het Aztec Empire moet rekening houden met de onbekende pre-Columbiaanse populatie van Tenochtitlan; gevoeligheid analyse toont of de belangrijkste resultaten sterk afhankelijk zijn van die schatting.

Ondanks deze obstakels, het veld vordert snel. De digitalisering van historische archieven en de ontwikkeling van tekst-mijnbouw tools kunnen onderzoekers om gestructureerde gegevens uit ongestructureerde documenten te halen. Bijvoorbeeld, machine learning algoritmes kunnen nu automatisch identificeren van ziekte uitbraken in eeuwenoude kranten, het verstrekken van nieuwe datasets voor epidemische modellering. Projecten zoals de Historische Epidemics Database] samengevoegde gegevens uit diverse bronnen, waardoor het gemakkelijker voor modelbouwers om toegang te krijgen tot en te vergelijken records over tijdsperiodes.

Interdisciplinaire benaderingen

Succesvolle computationele geschiedenis van epidemieën vereist samenwerking tussen disciplines. Historici bieden contextuele kennis en bronkritiek; epidemiologen dragen modelontwerp en parameterschatting bij; computerwetenschappers ontwikkelen algoritmes en visualisatietools; en statistici hanteren onzekerheid en validatie. Interdisciplinaire teams hebben enkele van de meest invloedrijke studies geproduceerd, zoals de reconstructie van de pest verspreid langs de Zijderoute met behulp van een combinatie van genomic gegevens, historische records en agent-based modellering.

Instellingen zoals het Carnegie Mellon University Decision Science Lab zijn pioniers in deze aanpak. Open-source modeling platforms, zoals GLEaM en FRED, laten onderzoekers toe om resultaten te delen en te reproduceren, waardoor het tempo van ontdekking wordt versneld. Het FRED platform, oorspronkelijk ontwikkeld aan de Universiteit van Pittsburgh, is gebruikt om historische uitbraken te simuleren in virtuele populaties die de leeftijdsstructuur en de samenstelling van het huishouden van 19e-eeuwse Amerikaanse steden weerspiegelen.

De opleiding van de volgende generatie computerhistorici is even belangrijk. Verschillende universiteiten bieden nu gezamenlijke graden of certificaten in digitale geesteswetenschappen en volksgezondheid. Conferenties zoals de Digital Humanities Summit en de Internationale Conferentie over Computational Social Science hebben steeds vaker sessies over historische epidemieën. Deze locaties faciliteren de kruisbestuiving van ideeën die methodologische innovatie stimuleren.

De gevolgen van sociale en economische factoren

Computational modellen zijn uniek geschikt om te onderzoeken hoe sociale en economische omstandigheden epidemische uitkomsten vormen. Bijvoorbeeld, tijdens de griep van 1918, steden met een hoger niveau van inkomensongelijkheid ervaren een grotere sterfte, waarschijnlijk omdat arme werknemers zich niet konden veroorloven om thuis te blijven. Netwerk modellen die sociaaleconomische status kan kwantificeren dit effect door het toewijzen van verschillende contact tarieven aan verschillende groepen. Evenzo, modellen van de Zwarte Dood hebben aangetoond dat handelsbeperkingen en de bouw van quarantaine-installaties (lazarettos) in Italiaanse stad-staten verminderd het dodental in die gebieden, zelfs als het beleid inconsistent werd toegepast.

Gender speelt ook een rol. Historische gegevens van pestuitbraken wijzen erop dat vrouwen, die vaak zorgden voor zieken, onevenredig werden getroffen. Agent-gebaseerde modellen die caregiving rollen simuleren kunnen helpen schatten het overtollige risico. Deze bevindingen tonen aan dat epidemieën niet willekeurig zijn; ze volgen patronen van sociale kwetsbaarheid die computerinstrumenten kunnen blootleggen. In het geval van pokken in koloniaal Amerika, modellen die raciale categorieën bevatten tonen aan dat inheemse bevolking een catastrofale sterfte niet alleen door gebrek aan immuniteit, maar ook omdat gedwongen verplaatsing en geweld verstoorde traditionele ziektemanagement praktijken.

Computational Models in Modern Public Health

Hoewel het hoofddoel van historische epidemische modellering is om het verleden te begrijpen, hebben de inzichten vaak direct relevant voor de hedendaagse volksgezondheid. Bijvoorbeeld, modellen van de griep van 1918 hebben de pandemische paraatheidsplannen voor influenza en COVID-19 geïnformeerd. De bevinding dat vroege, gelaagde niet-farmaceutische interventies de sterfte verminderen werd gebruikt door veel regeringen tijdens de COVID-19 pandemie. Ook modellen van historische cholera-uitbraken hebben het belang van schoon waterinfrastructuur en snelle detectiesystemen versterkt.

Het veld van "fylodynamische" die genetische sequencing van pathogenen combineert met computermodellen, stelt onderzoekers in staat om naast hun ruimtelijke verspreiding de evolutionaire geschiedenis van virussen te traceren. Deze techniek is gebruikt om de oorsprong van HIV en de opkomst van geneesmiddelresistente tuberculose te reconstrueren. Door fylodynamische modellen toe te passen op historische skeletresten, kunnen onderzoekers nu schatten wanneer en waar oude stammen van Mycobacterium tuberculose[] circuleerden in pre-Columbiaanse populaties. Deze gegevens voeden zich tot moderne inspanningen op het gebied van de volksgezondheid om de evolutie van pathogenen op lange termijn te begrijpen en toekomstige resistentiepatronen te voorspellen.

Toekomstige aanwijzingen

De volgende grens in de computationele geschiedenis van epidemieën ligt in de integratie van heterogene gegevensbronnen en de toepassing van machine learning. Deep learning modellen kunnen ongestructureerde tekst analyseren van duizenden historische documenten om ziektetijdlijnen en symptoombeschrijvingen te extraheren. Geografische informatiesystemen (GIS) worden verfijnder, zodat onderzoekers landschappen kunnen modelleren met hoge resolutie. Bovendien betekent de groei van digitale geesteswetenschappen projecten dat er elk jaar meer gegevens beschikbaar worden.

Een veelbelovende richting is de creatie van "digitale tweeling" van historische steden .virtuele replica's die archeologische reconstructies combineren met bevolkingsgegevens. Deze tweeling kan worden gebruikt om de verspreiding van een ziekte te simuleren met een ongekende realisme. Bijvoorbeeld, het Virtual Rome project modelleert de hele stad op het moment van de Antonine Plague (165

Er blijven echter ethische overwegingen over. Modellen mogen niet worden gebruikt om gemeenschappen met terugwerkende kracht de schuld te geven van uitbraken, noch om deterministische verhalen te versterken. Historici en modelbouwers moeten transparant zijn over aannames en beperkingen. Het doel is niet om een enkele "ware" geschiedenis te produceren, maar om nieuwe vragen te openen en instrumenten te bieden voor exploratie. In het bijzonder moet zorgvuldig aandacht worden besteed aan het risico van presentisme.Het projecteren van moderne categorieën ras, klasse of geslacht op historische populaties op manieren die de analyse verstoren.

Conclusie

Door de rigor van modellering te combineren met de diepte van historische analyse, kunnen onderzoekers de dynamiek ontdekken die voorheen verborgen was. Agent-gebaseerde, compartimentale, netwerk- en ruimtelijke modellen bieden elk unieke inzichten, en case studies van de Zwarte Dood tot de griep van 1918 laten zien dat ze hun kracht hebben. Data-uitdagingen blijven bestaan, maar interdisciplinaire samenwerking en technologische vooruitgang blijven het veld vooruit duwen. Als we geconfronteerd worden met nieuwe wereldwijde gezondheidsbedreigingen, zijn de lessen uit computermodellen uit het verleden niet alleen academische threads zijn essentiële instrumenten om een gezondere toekomst te bouwen.