Анализ распространения исторической эпидемии с помощью моделей вычислительной эпидемиологии

Основы вычислительной эпидемиологии

Модели вычислительной эпидемиологии имитируют распространение инфекционных заболеваний, включая в себя различные факторы, такие как плотность населения, модели движения и социальное поведение. При применении к историческим данным эти модели позволяют ученым реконструировать то, как эпидемии разворачивались в прошлом, предоставляя понимание эффективности вмешательств и факторов, которые способствовали их распространению. Основой являются классические компартментальные модели, разработанные в начале 20-го века эпидемиологами, такими как Рональд Росс и Кермак-МакКендрик, но современная вычислительная мощность позволяет проводить гораздо более детальные симуляции.

Историческое моделирование сталкивается с уникальными проблемами. Данные часто скудны, непоследовательно регистрируются или предвзяты по отношению к богатым популяциям. Эпидемические кривые должны быть выведены из записей захоронений, госпитализаций или газетных отчетов. Пространственные данные - карты городских палат, торговые пути, морские расписания - требуют кропотливой оцифровки. Несмотря на эти препятствия, достижения в байесовской статистике и машинном обучении теперь позволяют исследователям заполнять пробелы вероятностно и количественно определять неопределенность. Например, исследование 2020 года реконструировало распространение пандемии 1918 года в 21 городе США, используя только еженедельные данные о смертности и данные переписи населения, демонстрируя, что конкретные городские сроки и вмешательства привели к резко различным показателям смертности.

Ключевые источники данных включают приходские реестры (Европа), военные записи (эпидемии военного времени), судовые манифесты (введение холеры) и даже образцы ледяного керна (следы переносимых по воздуху патогенов). Интеграция геномной эпидемиологии добавила еще один слой: секвенируя РНК из вековой сохранившейся ткани, ученые теперь могут оценить эволюционную скорость вирусов и соотнести генетические изменения с волнами инфекции. Это сближение исторической демографии и молекулярной биологии создает беспрецедентный гранулированный взгляд на прошлые эпидемии.

Основные типы моделей и их применение

Сравнительные модели: SIR, SEIR и расширения

Сравнительные модели делят популяцию на дискретные категории, основанные на инфекционном статусе. Простейшая, модель SIR , отслеживает восприимчивых (S), инфицированных (I) и восстановленных (R) лиц. Набор дифференциальных уравнений управляет потоком между отсеками, с параметрами скорости передачи (β) и скорости восстановления (γ). Несмотря на свою простоту, модель SIR использовалась для оценки базового числа размножения (R0) для гриппа 1918 года — значения варьировались от 1,8 до 3.0, аналогично современным оценкам для сезонного гриппа в невакцинированных популяциях.

Модель SEIR добавляет отсек Exposed (E) для лиц, которые были инфицированы, но еще не инфицированы. Это имеет решающее значение для заболеваний с длительными инкубационными периодами, таких как корь (10-12 дней) или COVID-19 (среднее значение 5 дней). Исторические вспышки кори в городах до вакцинации были смоделированы с использованием фреймворков SEIR, что показывает, что передача была очень чувствительной к школьным срокам и праздничным собраниям.

Дальнейшие расширения включают модели метапопуляции, которые связывают несколько городов (например, железнодорожные сети, распространяющие чуму из портов во внутренние города), модели с возрастной структурой (дети против взрослых) и модели ослабления иммунитета (коклюш). Для исторического анализа эти расширения позволяют исследователям проверить, могли ли такие вмешательства, как карантин или запрет на поездки, изменить траекторию - и многие модели показывают, что ранние, серьезные ограничения были решающими.

Агентные модели: захват индивидуальной неоднородности

Модели на основе агентов (ПБМ) имитируют каждого человека как автономного агента с атрибутами (возраст, род занятий, состав домохозяйств, ежедневные движения) и правилами взаимодействия с другими. В отличие от отдельных моделей, ПБМ могут фиксировать нюансы поведения: лавочник на переполненном рынке против фермера в отдаленной деревне. Для исторических эпидемий ПРО особенно сильны, потому что они могут включать богатые архивные данные: графики переписей, налоговые списки и в некоторых случаях связанные генеалогии.

Одно из знаковых исследований использовало ПРО для реконструкции пандемии 1918 года в британском армейском лагере Этапл, Франция. Модель включала планировки казарм, использование уборных и передвижение солдат между подразделениями. Результаты показали, что переполненность и плохая вентиляция были основными факторами передачи, подтверждая гипотезу о том, что пандемия возникла в военных лагерях. Другая ПРО 1630 года Великой чумы Лондона использовала записи о приходских захоронениях для моделирования отдельных домохозяйств, обнаружив, что размер домохозяйства был более сильным предиктором смертности, чем богатство - вопреки давним предположениям.

Противопехотные ракеты также позволяют проводить контрфактическое моделирование. Что, если бы маски были введены в 1918 году? Что, если бы карантин 14-го века в порту Рагуза (Дубровник) был введен неделей ранее? Эти цифровые эксперименты свидетельствуют о том, что меры общественного здравоохранения могут работать на протяжении веков.

Сетевые модели: структура контакта

Сетевые модели представляют индивидов как узлы и контакты как края, образуя граф. В отличие от однородных смешанных допущений отсекационных моделей, сетевые модели фиксируют реальность того, что не у всех равные шансы на контакт. Для исторического анализа реконструкция сети опирается на такие данные, как записи о браке (семейные связи), списки членов гильдии (контакты на рабочем месте) и списки посещаемости церкви (связи с сообществом).

Классическим примером является распространение вспышки холеры 1854 года в районе Сохо в Лондоне, на карте которой был доктор Джон Сноу. Современные сетевые модели пересмотрели данные и показали, что загрязнение одного общественного водяного насоса на Брод-стрит было эпицентром, но сеть посещений домашних хозяйств и общих привычек употребления алкоголя усилили вспышку сверх того, что предсказывала простая модель точечного источника. Эти исследования подчеркивают, что даже хорошо описанные исторические эпидемии могут дать новые идеи, если смотреть через сетевой объектив.

Тема: Пандемия гриппа 1918 года

Источники данных и подход к моделированию

Пандемия гриппа 1918 года («испанский грипп») заразила примерно одну треть населения планеты и убила от 50 до 100 миллионов человек. Исследователи использовали вычислительные модели для анализа этой вспышки путем сбора данных из военных архивов, бюллетеней общественного здравоохранения и жизненно важных статистических данных. Еженедельные данные о смертности существуют для многих городов в США, Европе и Австралии. Для Филадельфии записи показывают, что переполненные больницы, отмененные общественные собрания только после широко распространенной болезни и массовый парад в сентябре 1918 года вызвал катастрофическое распространение. Модели вводят эти данные наряду с возрастными инфекционными вероятностями (пандемия имела необычную W-образную кривую смертности, убивая молодых людей непропорционально).

Модели на основе агентов для таких городов, как Сент-Луис, Сан-Франциско и Нью-Йорк, были откалиброваны по наблюдаемым кривым смертности. Модели корректируют параметры скорости передачи, инкубационного периода и времени вмешательства. Для Сент-Луиса ранние закрытия школ и запреты на публичные собрания подавили первую волну; модель показывает, что задержка этих мер на одну неделю утроила бы число погибших. И наоборот, запоздалый ответ Филадельфии привел к пиковому уровню смертности почти в шесть раз больше, чем у Сент-Луиса.

Ключевые выводы и уроки

Моделирование пандемии 1918 года дает несколько практических идей. Во-первых, нефармацевтические вмешательства (NPI) — карантин, маски, закрытие школ — были эффективны даже без вакцин или противовирусных препаратов. Сроки и продолжительность NPI имели большее значение, чем жесткость. Города, которые осуществляли множественные вмешательства на ранних этапах, видели более низкую совокупную смертность и, что важно, не было пика второй волны, когда ограничения постепенно снимались.

Во-вторых, структура возраста сыграла свою роль. Предполагается, что необычная тяжесть у молодых людей обусловлена предшествующим воздействием аналогичного вируса H1N1 (от пандемии 1890 года), придающего иммунитет в более старых группах, в то время как у молодых людей не было перекрестной защиты. Модели, включающие возрастную чувствительность, воспроизвели кривую W-образной формы и предположили, что кампании вакцинации, направленные на наиболее уязвимых (если бы вакцина существовала), должны были бы уделять приоритетное внимание молодым людям — нелогичный урок для будущего планирования пандемии.

В-третьих, критически важны пространственные динамики. Передвижение войск во время Первой мировой войны распространило вирус по всему миру в течение нескольких недель. Модели метапопуляции, связывающие портовые города и железнодорожные сети, демонстрируют, что ограничения на поездки могли замедлить распространение, но только если бы они были введены до первого случая. После посева доминировала местная динамика передачи.

Эти результаты непосредственно проинформировали ВОЗ и CDC о планировании пандемии H1N1 2009 года и являются основой для текущих рамок готовности к пандемии. На странице Памяти CDC 1918 года явно ссылаются на исследования моделирования.

Эти выводы непосредственно связаны с современными вспышками холеры на Гаити, в Йемене и Бангладеш, где основным фактором остаются загрязненные источники воды. В информационном бюллетене ВОЗ по холере подчеркивается актуальность исторических уроков для нынешних стратегий борьбы с холерой.

В научной литературе подчеркивается, что эти инструменты предназначены не только для прошлых вспышек; они проверяются на исторических данных, а затем применяются к возникающим угрозам. Например, та же модель, которая использовалась для пандемии 1918 года, была адаптирована в течение нескольких дней для COVID-19 в 2020 году, показывая ценность предварительно построенных, проверенных рамок.