مدلسازی دانشمندان و تخمین شیوه گسترش ویروس کرونا در جهان

بر اساس مدلسازی گسترش ویروس کرونا ​به احتمال زیاد تایلند کشوری خواهد بود که  موج بعدی شیوع ویروس کرونا (2019-nCoV ) از طریق فرودگاه به آن خواهد رسید.
این احتمال تازه‌ترین به روزرسانی  یک مدل ارزیابی ریسک جهانی  است که توسط گروهی از محققان از دانشگاه هومبولت برلین و موسسه رابرت کوچ تهیه شده است.​  این مدل بر داده‌های سفر هوایی تکیه دارند.

در این فهرست، فرودگاه بین‌المللی ژاپن – اوساکا قرار دارد که خطر بیشتری نسبت به فرودگاه توکیو دارد – و پس از آن کره‌جنوبی، هنگ‌کنگ و سپس ایالات‌متحده قرار دارند. روسیه و هند و سپس آلمان (‏عمدتا فرودگاه‌های فرانکفورت و مونیخ)‏آسیب‌پذیرترین کشور اروپای غربی در رتبه‌های ریسک بعدی قرار دارند .​ همچنین  اتیوپی تنها کشور جنوب صحرای آفریقا است که در لیست ۳۰ کشور پرریسک شیوع این ویروس قرار گرفته است.

اما این مدل و ده‌ها شبیه‌سازی کامپیوتری دیگر از شیوع بیماری تا چه حد باید جدی گرفته شوند؟ دانشمندانی که شیوع ویروس کرونا را مطالعه می‌کنند، داده‌های زیادی را برای کشف حقیقت و مدل‌های خود به دست می‌آورند. برای مثال تا دیروز بیش‌ترین موارد تایید شده در خارج از چین در ژاپن (‏۴۵ مورد)‏، سنگاپور (‏۲۸ مورد)‏، تایلند (‏۲۵ مورد)‏، هنگ‌کنگ (‏۲۴مورد)‏و کره‌جنوبی (‏۲۳ مورد)‏بود. این می‌تواند یک موفقیت نسبی برای مدل برلین در نظر گرفته شود، اما همچنین نشان می‌دهد که این یک موفقیت پویا است چرا  که فرضیات با سرعتی خیره کننده تغییر میکند؛ به عنوان مثال، فرودگاه ووهان چین، مرکز شیوع بیماری، در ۲۳ ژانویه بسته شد، که به طور اساسی صادرات ویروس را تغییر داد. حتی امروز میدانیم ۶۱ مورد تایید شده این ویروس در یک کشتی تفریحی در سواحل ژاپن وجود دارد. ​( ژاپن اجازه تخلیه این کشتی را نداده است )

تیرک بروکمن، یک فیزیکدان در هومبولت که تیم مدلسازی گسترش ویروس کرونا را مدیریت می‌کند، می‌گوید: ” به هر حال این (مدل سازی)  ابزار بزرگی برای پیش‌بینی‌های عددی  نیست.” او گفت: ( در نهایت ) ” مقامات بهداشت عمومی و سیاست گذاران باید حدس بزنند چون این ویروس چیزی ناشناخته است.اما مدل‌ها می‌توانند به شما در توسعه یک حدس کمک کنند.”

مجموعه‌ای از مدل‌های شیوع ویروس کرونا در وب سایت‌ها و در مجلات بررسی شده و یا توسط افراد هم‌کار به اشتراک گذاشته شده‌اند، و بسیاری از تلاش‌ها برای انجام بسیار بیشتر از تلاش‌های صرفا دقیق در مورد جایی که مسافران آلوده هوا قصد فرود دارند، صورت‌گرفته است. اگر آن‌ها داده‌ها دقت کافی داشته باشند، مدل‌ها می‌توانند نرخ رشد شیوع را پیش‌بینی کنند و به پیش‌بینی تاثیر مداخلات مختلف کمک کنند. الساندرو وسپینیان، یک مدل‌ساز بیماری‌های عفونی در دانشگاه Nourtheastern می‌گوید: ” هنگامی که شما شروع به در بر گرفتن پویایی بیماری و اطلاعات جمعیتی می‌کنید، اطلاعات بیشتری نسبت به حدس و گمان وجود دارد.”

بخش اصلی بسیاری از مدل‌های شیوع / بیماری‌های عفونی / پاتوژن “شماره اصلی تولید مثل” یا Ro (‏با تلفظ “R صفر”)‏است. در واقع سوال این است که اگر انتقال ویروس توسط قرنطینه، ماسک صورت و یا عوامل دیگر مختل نشود، چه تعداد فرد می‌توانند آلوده شوند. همچنین مدل‌سازی کنندگان به زمان انکوباسیون ( زمانی که ویروس در بدن وجود دارد تا زمانی که مریض می‌شود )  نگاه می‌کنند، که چه مدت طول می‌کشد تا ویروس علائم ایجاد کند. در روزهای آغازین شیوع یک بیماری ، عوامل ناشناس همه مدل‌ها را گیج می‌کنند به همین دلیل اندازه گیری زمان انکوباسیون ویروس کرونا بسیار دشوار است.​

سوال این است که اگر انتقال ویروس توسط قرنطینه، ماسک صورت و یا عوامل دیگر مختل نشود، چه تعداد فرد می‌توانند آلوده شوند.

 

مطالعات نشان میدهد که بین دریافت ویروس تا بیمار شدن بازه زمانی بین ۲ تا ۱۴ روز وجود دارد. وسپیگانی می‌گوید: ” مسائل بسیاری وجود دارند که باید به دقت در این نقطه اندازه‌گیری شوند، و به همین دلیل است که مدل‌سازی دچار مشکل است.”

یکی از اولین مدل‌هایی که در ۱۷ ژانویه توسط گروهی در کالج سلطنتی لندن در وب سایت آن برای تخمین گسترش ویروس کرونا منتشر شد، عفونت تایید شده در خارج از چین برای پی بردن به تعداد عفونت‌هایی که احتمالا در ووهان رخ داده بود را بررسی کرد. زمانی که این گروه آن مدل را منتشر کرد، مقامات چینی می‌گفتند که تنها ۴۱ مورد بیمار تایید شده در شهر  ووهان وجود دارند.برآورد آن مدل​ این بود که تا ۱۲ ژانویه، این عفونت در واقع ۱۷۲۳ نفر را در شهر بیمار کرده‌است.​ این برآوردها، که در آن زمان شگفت‌انگیز بودند، اکنون عجیب به نظر می‌رسند: از ۵ فوریه، ۲۷،۶۱۹ مورد تایید شده وجود داشت، و یک مطالعه مدل‌سازی توسط جوزف وو از دانشگاه هنگ‌کنگ و همکارانش که به صورت آنلاین توسط لنست در ۳۱ ژانویه منتشر شد برآورد کرد که ووهان به تنهایی ۷۵،۸۱۵ مورد تا ۲۵ ژانویه داشته‌است. ​

بسیاری از محاسبات اولیه – از جمله تجزیه و تحلیل اولیه فرودگاهی انجام‌شده توسط تیم برکمن (‏که هر روز به روز می‌شود)‏ – پس از اینکه ووهان حمل و نقل عمومی را تعطیل کرد، بی معنی شد. وسپیگانی می‌گوید: ” این درست دو هفته پیش بود، اما انگار  دو سال پیش باشد.”

یکی از آزاردهنده‌ترین معماها در حال حاضر که می‌تواند مدلسازی گسترش ویروس کرونا را تضعیف کند این است که آیا افرادی با nCoV ۲۰۱۹ – که علائم ندارند می‌توانند عفونت را منتقل کنند یا خیر. این احتمال وجود دارد که افراد مبتلایی وجود داشته باشند که هرگز بیمار نشوند، اما هنوز انتقال می‌دهند. همچنین ممکن است افراد آلوده‌ای وجود داشته باشند که قبل از ایجاد علائم، آن‌ها را منتقل می‌کنند. وسپیگانی می‌گوید: ” بیشتر سرنوشت این اپیدمی در این بخش است.”

تست‌های تشخیص ویروسی مورد استفاده برای تایید موارد در حال حاضر به طور معمول تنها بر روی افرادی که به دنبال درمان هستند انجام می‌شود زیرا آن‌ها هستند که می‌گویند  مریضم. یک راه برای یافتن موارد بدون علامت آزمایش خون افراد برای نشانه‌های پاسخ ایمنی به ویروس کرونا است. ماریون کوپتمن، که تیم او در مرکز پزشکی اراسموس در تلاش است تا آزمایش واکسن کرونا را انجام دهد می‌گوید: ” برای آگاهی از میزان گسترش، خوب است نمونه‌های خون را از افراد مبتلا جمع‌آوری کنید و همین کار را دو هفته بعد انجام دهید و ببینید که آیا آن‌ها به این ویروس آنتی‌بادی داده‌اند یا خیر.” ” این به شما تخمین بهتری از گسترش بدون علائم می‌دهد.”

داشبورد آنلاین موارد ابتلا به ویروس کرونا در سراسر جهان

مدل‌ها همچنین ممکن است دقیق‌تر شوند چون محققان درک بهتری از اپیدمیولوژی موارد عفونی دارند، که به معنی جزئیات در مورد محل، سلامت، سن، و جنسیت آن‌ها است. این داده‌ها می‌توانند به مدلسازان کمک کنند تا فرضیات قابل‌اطمینان‌تر در مورد عواملی مانند زمان انکوباسیون ایجاد کنند. برای رسیدن به این هدف، موریتز کرامر، متخصص بیماری‌های همه‌گیر محاسباتی در دانشگاه آکسفورد، تلاش نامعمول ای را برای تدوین “لیست خطی” از موارد تایید شده از طریق بررسی گزارش‌های دولتی، ادبیات پزشکی، حساب‌های رسانه‌ای معتبر، و رسانه‌های اجتماعی هدایت کرده‌است. کرامر می‌گوید: ” لیست‌های خط حاوی اطلاعات بسیار مفیدی هستند که در شمارش حالت‌های تجمعی قابل‌مشاهده نیستند.” ” متاسفانه، داده‌های فهرست خطی در زمان شیوع به ندرت در دسترس هستند و تا کنون تنها به طور معمول توسط دولت‌هایی جمع‌آوری شده‌اند که آن‌ها را آزادانه در اختیار ندارند.”

این فهرست خطی که در حال حاضر بیش از ۱۵،۰۰۰ مورد در آن وجود دارد، هر چیزی را که در مورد افراد مبتلا عمومی است، مستند می‌کند. گروه او در حال حاضر از داده‌ها در مطالعه‌ای استفاده کرده‌است که ظرفیت کشورهای آفریقایی را برای شناسایی و پاسخ به موارد ارزیابی می‌کند. دو کشور از پنج کشور آسیب‌پذیر قاره، یعنی اتیوپی و نیجریه، دارای “ظرفیت متغیر” برای پاسخ به شیوع بیماری هستند. یک مطالعه مدل‌سازی توسط یک گروه متفاوت از داده‌ها برای ارزیابی دینامیک انتقال استفاده کرد و نتیجه گرفت که وقتی یک مکان سه مورد دارد، بیش از ۵۰ درصد احتمال دارد که ویروس به جمعیت آن محدوده سرایت کند. ​

ایجاد حس Ro

​​​​​​این مدلسازی گسترش ویروس کرونا علاوه بر نیاز به داده‌های بهتر، از نحوه تفسیر پیش‌بینی‌های خود توسط روزنامه نگاران یا عموم مردم نیز رنج می‌برند. رابین تامپسون، متخصص ریاضی اپیدمیولوژی در آکسفورد که شیوع بیماری را مدل‌سازی کرده‌است، ادعا می‌کند که بسیاری از داستان‌های خبری، توصیفات Ro، تعداد اصلی تولید مثل، و خطر گسترش را با اغراق بیان کرده‌اند. تامپسون می‌گوید: ” در (تفسیر)  شیوع این ویروس سو استفاده شده‌است.”

بیشتر برآوردها برای ویروس کرونا محاسبه می‌کنند که Ro آن بین دو و سه است – که به این معنی است یک فرد آلوده دو یا سه نفر دیگر را آلوده خواهد کرد. اما این فقط یک میانگین است. برخی از افراد مبتلا بطور اتفاقی ویروس را به کس دیگری منتقل نمی‌کنند. سوال اصلی از نقطه‌نظر جمعیت این است که احتمال انتقال پایدار ویروس با Ro یعنی ۲.۲ چیست؟ با این ویروس جدید، تامسون محاسبه می‌کند که اگر هیچ چیز، مثلا یک واکسن، از انتقال جلوگیری نکند، احتمال شیوع پایدار از یک فرد آلوده چگونه شروع می‌شود. ​

Ro در طول شیوع تغییر نمی‌کند: یک ویروس یک عامل سرایت ثابت و مشخص دارد – برای مثال، سرخک راحت‌تر از آنفولانزا بین مردم پخش می‌شود. اما حتی در غیاب واکسن، رفتار انسان و خود محیط می‌تواند احتمال گسترش را تغییر دهد. بیمارستان‌ها افراد مبتلا را جدا می‌کنند یا بیماران ترجیح می‌دهند در خانه بمانند. کاهش بیشتر نیز اغلب با افزایش شیوع رخ می‌دهد و بسیاری از مردم به خاطر مواجهه قبلی ایمن می‌شوند و تعداد میزبان‌های مستعد را کاهش می‌دهند. شستن دست‌ها، پوشیدن لباس محافظ و فاصله اجتماعی نیز می‌تواند میزان انتقال را کاهش دهد. تغییر آب و هوا، مانند تبدیل زمستان به بهار، ممکن است بر توانایی یک ویروس تنفسی برای انتقال از طریق هوا تاثیر بگذارد. ​

در زبان مدل سازان، چیزی که بیش از همه اهمیت دارد تعداد تولید مثل “اساسی” Ro نیست، بلکه چیزی است که تا حدی اهمیت دارد. ​

دانشمندان : در تفسیر داده‌های ویروس کرونا توسط رسانه‌ها سواستفاده شده است

 

به طور غیر ارادی به عدد تولید مثل یا R اشاره می‌کند که عوامل در این متغیرهای دیگر است. R به طور مداوم در جریان است. در اینجا مثالی از R ارائه می‌شود که به صورت درصدی بیان می‌شود: تامسون محاسبه می‌کند که اگر ۵۰ % از افراد علامت‌دار آلوده جدا شده و ۲۰ % بدون علامت باشند، خطر انتقال پایدار ۲۴.۲ % است. ​

پیام دریافتی از این تحلیل R این است که کشورهایی غیر از چین هنوز شانس خوبی برای داشتن ویروس کرونا دارند. تامپسون می‌گوید: ” در زمان شیوع بیماری، می‌توانید از این حقیقت استفاده کنید که احتمال محو شدن آن وجود دارد.” ” و اگر بتوانید تعداد کمی از افراد مبتلا را که دارید به سرعت جدا کنید، احتمال این که این بیماری از بین برود خیلی بیشتر است.”

قدرت ممنوعیت سفر و تخمین گسترش ویروس کرونا

در نهایت، مدل‌ها یک اقدام علمی برای اطلاع‌رسانی به سیاست سلامت عمومی هستند. . وو می‌گوید که شک دارد محدود کردن سفر از ووهان در این نقطه تاثیری بر گسترش آن در چین داشته باشد. او به محاسبات یک تیم بین‌المللی از دانشمندان اشاره می‌کند که محدودیت‌های سفر ووهان، که آن محققان آن را بزرگ‌ترین قرنطینه در تاریخ بشر می‌دانند، باعث تاخیر در گسترش آن به دیگر شهرهای چین تا ۲.۹۱ روز شده‌است. وو می‌گوید: ” تعطیلی ووهان در حال حاضر برای منحنی‌های [‏ اپیدمیولوژیک ]‏ دیگر شهره‌ای چین تفاوتی ایجاد نمی‌کند.” ” اکنون، فاصله گرفتن اجتماعی در آنجا ضروری است.”

هنگ‌کنگ، که تا به امروز ۲۴ مورد تایید شده دارد، تا امروز منتظر ماند و دید آیا مرزهای خود را به مردم چین می‌بندد. وو می‌گوید: ” مردم از دولت خواستند تا رفت و آمد را از چین کاهش دهد، و دولت دلایل مختلف تمایلی به این کار نداشت.” سلامت عمومی یک اولویت است، اما اقتصاد نیز یک نگرانی عمده است. اگر پروژه محدود سازی رفت و آمد را کاهش دهد، می‌تواند زنجیره تامین محصولات مورد نیاز برای هنگ‌کنگ را نیز قطع کند.”

بنابراین تعادل بین عامل سلامت عمومی و سیاست (در محدودسازی آن) برای مبارزه با گسترش ویروس کرونا بسیار مهم است و مدلسازی گسترش ویروس کرونا میتواند در این زمینه بسیار موثر باشد.

 

https://itiran.com/2020/01/24/%d9%87%d9%85%d9%87-%da%86%db%8c%d8%b2-%d8%af%d8%b1%d8%a8%d8%a7%d8%b1%d9%87-%d9%88%db%8c%d8%b1%d9%88%d8%b3-%da%a9%d8%b1%d9%88%d9%86%d8%a7/

​​​​​​​​​

​