Вычислительная история находится на пересечении цифровых гуманитарных наук, науки о данных и исторического исследования. Применяя компьютерные модели и симуляции к хроникам прошлого, исследователи могут проверить гипотезы, которые ранее были слишком сложными для изучения вручную. Одним из наиболее актуальных и освещающих приложений этого подхода является моделирование исторических эпидемий. От Юстиниановой чумы до пандемии гриппа 1918 года вспышки болезней сформировали общества глубокими способами. Вычислительные модели позволяют историкам реконструировать пути передачи, анализировать эффективность прошлых вмешательств и извлекать уроки, которые остаются актуальными для современного общественного здравоохранения.

Роль вычислительной истории в понимании эпидемий

Эпидемии — это не просто биологические события; они глубоко встроены в экономический, социальный и политический контексты. Традиционный исторический анализ часто опирается на письменные записи, такие как показатели смертности, журналы путешествий и личные дневники. Однако эти источники фрагментированы и могут быть предвзятыми. Вычислительные модели добавляют количественный слой, позволяющий историкам имитировать распространение болезней во времени и пространстве. Интегрируя данные о плотности населения, торговых сетях, климатических моделях и поведении человека, эти модели могут выявить закономерности, которые невидимы только в качественных источниках.

Например, моделисты могут проверить, было ли быстрое распространение Черной смерти по всей Европе в 14 веке в основном обусловлено крысиными блохами на торговых судах или передачей от человека к человеку. Модели на основе агентов могут воспроизводить движения людей по конкретным торговым путям, в то время как отдельные модели могут оценить долю населения, которая должна была подвергаться воздействию для поддержания наблюдаемой смертности. Такие модели обеспечивают формальную основу для взвешивания конкурирующих исторических повествований. Они также помогают историкам выявлять пробелы в архивной документации - места, где больше данных будет наиболее уменьшать неопределенность в отношении ключевых параметров.

Помимо проверки конкретных гипотез, вычислительная история позволяет проводить контрфактическое рассуждение. Что, если бы Римская империя инвестировала больше средств в карантинную инфраструктуру? Что, если бы испанский грипп появился десятилетием ранее, без дислокации Первой мировой войны? Эти мысленные эксперименты, основанные на математической строгости, превращают историю из чисто описательной дисциплины в предсказательную науку прошлого. Они также подчеркивают случайный характер эпидемических исходов, где небольшие различия в сроках, политике или поведении могут привести к совершенно разным числам погибших.

Ключевые типы вычислительных моделей

Историки и эпидемиологи адаптировали несколько классов моделей, первоначально разработанных для современного эпиднадзора за болезнями. Каждый тип имеет свои сильные стороны и подходит для разных исторических вопросов. Понимание этих инструментов имеет важное значение для оценки утверждений, которые возникают из вычислительных исследований.

Модели на основе агентов

Модели на основе агентов (ПБМ) имитируют действия и взаимодействия автономных агентов, таких как люди, животные или даже патогены, в определенной среде. Каждый агент следует набору правил, которые регулируют поведение: путешествуют ли они, как часто они контактируют с другими, восстанавливаются ли они или умирают. Путем запуска модели много раз с немного различными параметрами исследователи могут наблюдать возникающие модели. ПРО особенно ценны для изучения эпидемий в небольших общинах, таких как средневековые города или колониальные поселения, где отдельные решения могут иметь чрезмерные эффекты. Классическим примером является моделирование пандемии гриппа 1918 года в городе Филадельфия, где время общественного парада было показано, чтобы ускорить передачу. ПРО также позволяют исследователям включать неоднородное поведение, такое как тенденция более богатых семей покидать города во время вспышек чумы.

Сравнительные модели

Наиболее известной компартментальной моделью является модель SIR, которая делит население на восприимчивые, инфицированные и восстановленные (или удаленные) отсеки. Модель использует дифференциальные уравнения для описания потока людей между этими группами на основе скорости передачи и восстановления. Историки могут калибровать модели SIR, чтобы соответствовать историческим кривым смертности, а затем корректировать параметры для изучения контрфактуальных факторов - что, если бы карантин был введен ранее? Что, если патоген был менее вирулентным? Поскольку они являются вычислительно эффективными, компартментные модели часто используются для крупномасштабных вспышек, где однородное смешивание является разумным приближением, например, распространение холеры вдоль торговых путей в Азии 19-го века. Более продвинутые версии, такие как SEIR (добавление экспонированного отсека) или SIRS (позволяющее ослабевать иммунитет), могут захватить дополнительный биологический реализм.

Сетевые модели

Сетевые модели представляют собой отдельных лиц или местоположения в качестве узлов и их взаимодействия в качестве краев. Такой подход особенно эффективен для изучения заболеваний, которые распространяются через конкретные социальные или транспортные сети. Например, сетевая модель римской дорожной системы может имитировать, как патоген, такой как оспа, мог путешествовать с Ближнего Востока к границам империи. Изменяя плотность сети или скорость передвижения, исследователи могут определить, какие маршруты были наиболее влиятельными. Современные инструменты сетевого анализа также позволяют историкам реконструировать контактные сети из исторических записей, таких как манифесты пассажиров корабля или регистры браков приходов. Сетевые модели уникально способны захватывать неслучайную структуру человеческих взаимодействий, которые могут производить сверхраспространяющиеся события и другие динамические явления, пропущенные хорошо смешанными компартментными моделями.

Пространственные и пространственно-временные модели

В дополнение к трем основным категориям, пространственные модели, которые включают географические информационные системы (ГИС), становятся все более важными. Эти модели присваивают риск заболевания конкретным местам на основе экологических переменных, таких как высота, температура и близость к водоемам. Например, пространственная модель Великой чумы 1665 года в Лондоне может использовать исторические карты планировки улиц и границ прихода, чтобы имитировать, как болезнь перетекала из одного района в другой. В сочетании с сетевыми моделями пространственно-временные подходы могут генерировать подробные реконструкции эпидемических волн, соответствуя гранулярности регистрационных данных в хорошо документированных городах.

Тематические исследования: моделирование исторических эпидемий

Несколько знаковых исследований демонстрируют силу вычислительной истории в эпидемических исследованиях. Каждый случай подчеркивает различные методологические сильные стороны и проблемы с данными, и вместе они иллюстрируют, как моделирование может изменить историческое понимание.

Черная смерть (1346—1353)

Черная смерть убила приблизительно 30-60% населения Европы. Ранние модели, сосредоточенные на первичном пути передачи: была ли бактерия Yersinia pestis , переносимая блохами на крысах или человеческими вшами и блохами. Агентные и сетевые модели с тех пор показали, что комбинация обоих маршрутов может воспроизвести наблюдаемую скорость распространения, но что человеческие эктопаразиты, возможно, сыграли большую роль, чем считалось ранее. Модели, включающие климатические данные, также предполагают, что изменения температуры и осадков в Центральной Азии, возможно, вызвали первоначальную вспышку в 1330-х годах. Исследователи из Института Макса Планка по науке о человеческой истории Макса Планка объединяли эти модели с генетическим анализом древней Y. pestis ДНК, чтобы проследить эволюцию бактерии на континентах.

Еще один важный вывод из вычислительных исследований Черной смерти касается роли торговых сетей. Сетевые модели показывают, что чума распространялась быстрее по морским путям, чем по суше, что противоречит более ранним предположениям о том, что Шелковый путь был основным каналом. Имитируя закрытие некоторых портов или применение карантинных мер, историки подсчитали, что в таких городах, как Венеция и Милан, которые проводили строгую политику, уровень смертности значительно ниже, чем в тех, которые оставались открытыми.

Пандемия гриппа 1918 года

Испанский грипп убил приблизительно 50 миллионов человек во всем мире. Вычислительные модели использовались для анализа воздействия нефармацевтических вмешательств, таких как закрытие школ, запреты на общественные собрания и изоляция случаев. Исследование, использующее отсекационную модель для городов в Соединенных Штатах, показало, что в городах, которые осуществляли ранние, многоуровневые вмешательства, уровень смертности был на 50% ниже, чем те, которые задерживали. Модели на основе агентов далее показали, что перемещения молодых людей во время Первой мировой войны создали сверхраспространяющие события в военных лагерях и транспортных кораблях. Служба эпидемической разведки CDC использовала эти исторические исследования моделирования для информирования современных планов готовности к пандемии, в том числе для COVID-19.

Сетевые модели пандемии 1918 года также пролили свет на роль возрастной структуры. Реконструируя модели контактов из обследований домашних хозяйств и записей посещаемости школ, исследователи обнаружили, что дети были не только очень восприимчивы, но и действовали как эффективные передатчики в домашних хозяйствах. Это открытие бросает вызов рассказу о том, что грипп 1918 года был однозначно смертельным для молодых людей; скорее, высокая смертность в возрастной группе 20–40 лет была обусловлена необычайно сильным иммунным ответом на вирус, а не увеличением передачи.

Холера в Лондоне 19-го века

Вспышка холеры на Брод-стрит в 1854 году является классическим примером эпидемиологического исследования, но современные вычислительные модели добавили нюансы. Оцифровав исторические карты, данные переписи и места расположения водяного насоса, исследователи построили пространственные модели, которые показывают, что болезнь распространяется в основном через загрязненную воду из одного насоса. Однако сетевые модели также предполагают, что социальные связи, такие как слуги, несущие воду в более богатые домохозяйства, сыграли свою роль. Эти результаты имеют последствия для понимания того, как городская инфраструктура и социальное неравенство формируют динамику заболевания. Пространственно-статистические модели также продемонстрировали, что пространственный след вспышки тесно согласуется с расстоянием ходьбы от насоса Брод-стрит, поддерживая оригинальную гипотезу Джона Сноу при количественной оценке неопределенности в его данных.

Великая чума в Лондоне (1665)

Четвертое тематическое исследование, Великая чума Лондона, иллюстрирует, как вычислительные модели могут компенсировать скудные данные. Приходские записи от 1665 года предоставляют еженедельные подсчеты захоронений, но мало демографических деталей. Модели на основе агентов, параметризованные с размерами домохозяйств, смертностью и моделями движения, были использованы для оценки базового числа размножения ( R R 0) чумы в Лондоне. Эти модели предполагают, что вспышка была поддержана комбинацией передачи от крысы к человеку и от человека к человеку, и что введение карантина на инфицированные домохозяйства снизило пиковую смертность примерно на 20%. Такие анализы информируют дебаты о том, были ли исторические «чумы» всегда той же болезнью, что и современные Y. pestis инфекции.

Источники данных и проблемы

Моделирование исторических эпидемий требует реконструкции данных, которые часто бывают неполными, непоследовательными или двусмысленными. Исследователи черпают из самых разных источников: приходских погребальных регистров, налоговых записей, судовых журналов, книг о госпитализации и даже литературных счетов. У каждого источника есть предубеждения. Например, в погребальных записях обычно недооценивают младенческую смертность, а смертность от эпидемий часто сопоставляется с другими причинами. Палеоклиматологические прокси, такие как кольца деревьев и ледяные керны, могут предоставлять данные о температуре и влажности, которые влияют на передачу болезни. Кроме того, последние достижения в анализе древней ДНК позволяют исследователям идентифицировать патоген, ответственный за историческую вспышку, даже когда письменные записи неоднозначны.

Одной из основных проблем является отсутствие данных гранулированных временных рядов. Многие исторические записи сообщают о ежемесячных или годовых суммах, которые слишком грубы для моделирования быстрой передачи. Для решения этой проблемы историки вычислений используют статистические вычисления и методы ассимиляции данных, заимствованные из метеорологии. Другая проблема заключается в неопределенности в исторических размерах населения и моделях миграции. Анализ чувствительности - запуск моделей с диапазоном правдоподобных входов - помогает количественно оценить, насколько достоверны выводы для этих неопределенностей. Например, модель эпидемии оспы 1520 года в империи ацтеков должна учитывать неизвестное доколумбовое население Теночтитлана; анализ чувствительности показывает, в значительной степени ли ключевые результаты зависят от этой оценки.

Несмотря на эти препятствия, область быстро развивается. Оцифровка исторических архивов и разработка инструментов текстового майнинга позволяют исследователям извлекать структурированные данные из неструктурированных документов. Например, алгоритмы машинного обучения теперь могут автоматически идентифицировать упоминания о вспышках заболеваний в многовековых газетах, предоставляя новые наборы данных для моделирования эпидемий. Такие проекты, как Историческая база данных эпидемий , собирают данные из различных источников, облегчая для моделировщиков доступ и сравнение записей в разные периоды времени.

Междисциплинарные подходы

Успешная вычислительная история эпидемий требует сотрудничества между дисциплинами. Историки предоставляют контекстуальные знания и критику источников; эпидемиологи вносят вклад в разработку моделей и оценку параметров; компьютерные ученые разрабатывают алгоритмы и инструменты визуализации; а статистики занимаются неопределенностью и валидацией. Междисциплинарные команды подготовили некоторые из самых влиятельных исследований, таких как реконструкция распространения чумы по Шелковому пути с использованием комбинации геномных данных, исторических записей и агентного моделирования.

Такие институты, как Научно-исследовательская лаборатория Карнеги Меллона, являются пионерами этого подхода. Платформы моделирования с открытым исходным кодом, такие как GLEaM и FRED, позволяют исследователям делиться и воспроизводить результаты, ускоряя темпы открытия. Платформа FRED, первоначально разработанная в Университете Питтсбурга, использовалась для моделирования исторических вспышек в виртуальных популяциях, которые отражают возрастную структуру и состав домохозяйств американских городов 19-го века.

Не менее важно обучение следующего поколения историков вычислительной техники. Несколько университетов теперь предлагают совместные степени или сертификаты в области цифровых гуманитарных наук и общественного здравоохранения. Такие конференции, как Digital Humanities Summit и International Conference on Computational Social Science, все чаще включают сессии по историческим эпидемиям. Эти места способствуют перекрестному опылению идей, которые стимулируют методологические инновации.

Влияние социально-экономических факторов

Например, во время гриппа 1918 года в городах с более высоким уровнем неравенства доходов наблюдалась большая смертность, вероятно, потому что бедные работники не могли позволить себе оставаться дома. Сетевые модели, которые включают социально-экономический статус, могут количественно оценить этот эффект, назначив разные коэффициенты контактов для разных групп. Аналогичным образом, модели Черной смерти показали, что торговые ограничения и строительство карантинных объектов (лазаретто) в итальянских городах-государствах сократили число погибших в этих районах, даже если политика применялась непоследовательно.

Гендерные факторы также играют свою роль. Исторические данные о вспышках чумы свидетельствуют о том, что женщины, которые часто ухаживали за больными, были непропорционально затронуты. Модели, основанные на агентах, которые имитируют роли по уходу, могут помочь оценить избыточный риск. Эти результаты показывают, что эпидемии не являются случайными; они следуют образцам социальной уязвимости, которые могут выявить вычислительные инструменты. В случае оспы в колониальной Америке модели, которые включают расовые категории, показывают, что коренное население страдало от катастрофической смертности не только из-за отсутствия иммунитета, но и из-за принудительного перемещения и насилия, нарушивших традиционную практику управления болезнями.

Вычислительные модели в современном здравоохранении

Хотя основная цель исторического эпидемического моделирования заключается в понимании прошлого, эти идеи часто имеют прямое отношение к современному общественному здравоохранению. Например, модели гриппа 1918 года информировали о планах готовности к пандемии гриппа и COVID-19. Открытие того, что ранние, многоуровневые нефармацевтические вмешательства снижают смертность, было использовано многими правительствами во время пандемии COVID-19. Аналогичным образом, модели исторических вспышек холеры усилили важность инфраструктуры чистой воды и систем быстрого обнаружения.

Область «филодинамики», сочетающая генетическое секвенирование патогенов с вычислительными моделями, позволяет исследователям проследить эволюционную историю вирусов наряду с их пространственным распространением. Этот метод использовался для реконструкции происхождения ВИЧ и возникновения лекарственно-устойчивого туберкулеза. Применяя филодинамические модели к историческим скелетным останкам, исследователи теперь могут оценить, когда и где древние штаммы Mycobacterium tuberculosis циркулировали в доколумбовых популяциях. Эти данные подпитывают современные усилия общественного здравоохранения, чтобы понять долгосрочную эволюцию патогенов и предсказать будущие модели лекарственной устойчивости.

Будущие направления

Следующий рубеж в вычислительной истории эпидемий лежит в интеграции разнородных источников данных и применении машинного обучения. Модели глубокого обучения могут анализировать неструктурированный текст из тысяч исторических документов для извлечения хронологий болезней и описаний симптомов. Географические информационные системы (ГИС) становятся все более совершенными, позволяя исследователям моделировать ландшафты с высоким разрешением. Более того, рост цифровых гуманитарных проектов означает, что с каждым годом все больше данных становится общедоступными.

Одним из перспективных направлений является создание «цифровых близнецов» исторических городов — виртуальных реплик, которые сочетают археологические реконструкции с данными о населении. Эти близнецы могут быть использованы для имитации распространения болезни с беспрецедентным реализмом. Например, проект Virtual Rome моделирует весь город во время чумы Антонина (165-180 гг. н.э.), включая акведуки, бани и плотность жилья. Другой — использование байесовского вывода для объединения нескольких линий доказательств, таких как генетические данные из древней ДНК, письменные записи и климатические прокси, в единую когерентную модель. По мере увеличения вычислительной мощности и улучшения алгоритмов эти модели станут более точными и доступными.

Однако этические соображения остаются. Модели не должны использоваться для того, чтобы задним числом обвинять сообщества в вспышках, и не должны усиливать детерминированные нарративы. Историки и моделисты должны быть прозрачными в отношении предположений и ограничений. Цель состоит не в том, чтобы создать единственную «истинную» историю, а в том, чтобы открыть новые вопросы и предоставить инструменты для исследования. В частности, необходимо уделять пристальное внимание риску презентизма — проецирование современных категорий расы, класса или пола на исторические популяции способами, которые искажают анализ. Ответственная вычислительная история критически взаимодействует со своими собственными методами.

Заключение

Вычислительная история изменила то, как мы изучаем распространение исторических эпидемий. Объединив строгость моделирования с глубиной исторического анализа, исследователи могут раскрыть динамику, которая ранее была скрыта. Агентные, компартментальные, сетевые и пространственные модели предлагают уникальные идеи, а тематические исследования от Черной смерти до гриппа 1918 года демонстрируют свою силу. Проблемы с данными сохраняются, но междисциплинарное сотрудничество и технологические достижения продолжают продвигать область вперед. Поскольку мы сталкиваемся с новыми глобальными угрозами здоровью, уроки из вычислительных моделей прошлого не просто академические - они являются важными инструментами для построения более здорового будущего.