Lūk, kāpēc mainās koronavīrusa nāves gadījumu modeļi - un kāpēc tas nenozīmē, ka mēs esam pārmērīgi reaģējuši

Modelēt pandēmiju ir patiešām grūti. Kas to būtu uzminējis?

Adobe Stock / Angelina Bambina

Nepagāja ilgs laiks, lai daudzi no mums saprastu, ka koronavīrusa pandēmija būs nāvējošs spēks, kas ļoti nozīmīgā veidā mainīja mūsu dzīvi, iespējams, ļoti ilgu laiku. Bet saskaņā ar dažām lielākajām prognozēm COVID-19 izraisīto hospitalizācijas un nāves gadījumu skaits varētu būt nedaudz labāks, nekā sākotnēji domāja eksperti.

Marta beigās Vašingtonas Universitātes Medicīnas skolas Veselības metrikas un novērtēšanas institūta (IHME) bieži citētais modelis prognozēja, ka ASV būs aptuveni 81 000 nāves gadījumu, bet, iespējams, līdz pat 162 000. Līdz aprīļa sākumam modelis bija nedaudz mainījies. Lai gan tas joprojām paredzēja, ka mēs izturēsim aptuveni 81 000 nāves gadījumu, visaugstākais novērtējums bija aptuveni 136 000. Tika samazināti arī tā aprēķini par mums nepieciešamo slimnīcu ICU gultu un ventilatoru daudzumu.

Vai tas nozīmē, ka mēs pārmērīgi reaģējām, slēdzot skolas, uzņēmumus un gandrīz visas pilsētas? Nē. Kā izrādās, šādas prognozes ir ārkārtīgi grūti salikt, un lielākā daļa no tām vienā vai otrā veidā ir nepareizas. Bet pat tad, ja modelis galu galā pilnībā neatspoguļo realitāti, tas nenozīmē, ka tas nevar būt noderīgs. Prognozes izmaiņas nenozīmē, ka jūs kaut ko izdarījāt nepareizi - patiesībā tas var nozīmēt, ka kaut ko izdarījāt pareizi.

Kas notiek infekcijas slimību izplatīšanās modeļa izveidē?

Īsa atbilde: daudz.

Garā atbilde? Nu, gatavojies. Būtībā ir daži galvenie modeļu veidi, kurus pētnieki var izveidot, stāsta Jeffrey Shaman, Ph.D., vides veselības zinātņu profesors un Kolumbijas Universitātes Mailmanas Sabiedrības veselības skolas Klimata un veselības programmas direktors.

Pirmais veids ir matemātisks modelis, kas apraksta sarežģītu pārraides procesu kāda veida konstrukcijās, piemēram, kā pilsētas cilvēki inficēsies ar jauno koronavīrusu, saka Šamans, kurš ir vadījis Kolumbijas universitātes darbu COVID-19 modeļu izveidē. .

Dažos matemātisko modeļu veidos, ko sauc par aģentiem balstītiem modeļiem, pētnieki spēj ņemt vērā daudzus dažādus faktorus, kas ietekmē viens otru. Tas nozīmē, ka modelis mēra dažādus individuālos “dalībniekus”, kuri dodas uz darbu, iepirkties utt., Un aprēķina, kā laika gaitā mainīsies viņu slimības statuss - neatkarīgi no tā, vai viņi ir inficēti vai nē - atkarībā no tā, ar ko vēl viņi saskaras un kādās vidēs viņi nonāk.

Šādi matemātiski modeļi ir "skaitļošanas ziņā dārgi", saka Šamans, un viņiem ir jāpieņem diezgan daudz pieņēmumu par cilvēku uzvedību un to, kā vīruss darbojas, kas patiesībā var būt vai var nebūt patiesība.

Ir vienkāršotas matemātisko modeļu versijas, sauktas par nodalījuma modeļiem, kuras pētnieki varētu izmantot šādā gadījumā. Viens ļoti izplatīts ir SI vai SIR modelis, kas laika gaitā novērtē uzņēmīgo, inficēto un atveseļoto personu skaitu konkrētā situācijā, skaidro Šamans.

Izmantojot šāda veida modeli, jūs mēģināt izmērīt “cilvēku pārvietošanās ātrumu starp dažādiem nodalījumiem no uzņēmības, inficēšanās un izņemšanas no populācijas, jo viņi ir atveseļojušies vai miruši”, Amesh A. Adalja, MD, vecākais zinātnieks Džona Hopkinsa veselības drošības centrā, stāsta SELF.

Piemēram, modelis, kas publicēts Starptautiskais infekcijas slimību žurnāls ASV un Ķīnas zinātnieki, veic SEIR (uzņēmīga, pakļauta, inficēta, noņemta) pieeju uzliesmojuma modelēšanai Vuhanā. Pētījumā, kas pašlaik ir iespiests, Šermans un viņa līdzautori izmantoja dinamisku metapopulācijas modeli, kas darbojas līdzīgi kā nodalījuma modeļu tīkls, lai pārbaudītu lomu, kas tiem, kuriem ir vieglas vai asimptomātiskas infekcijas, uzliesmojuma izplatībā Ķīnā.

Otrs galvenais modeļa veids ir statistikas modelis, kas, balstoties uz datiem, kurus mēs jau esam savākuši par iepriekš notikušo, izveido prognozi par to, kāda situācija varētu izskatīties nākotnē. IHME izveidotais bieži pieminētais COVID-19 modelis ir viens no šādiem statistikas modeļiem, ko izmanto, lai prognozētu slimnīcas aprīkojuma nepieciešamību, kā arī jaunā koronavīrusa izraisīto nāves gadījumu skaitu ASV un visā pasaulē.

Visos šajos modeļos jāņem vērā dažādi faktori par vīrusu un cilvēkiem, kurus tas inficē, piemēram, cik ātri slimība izplatās, cik cilvēku katrs inficētais turpina inficēt un cik ilgs ir inkubācijas periods, saka Dr. Adalja, kuras darbs ir saistīts ar gatavības pandēmijai novērtēšanu. Bet sākumā tie ir tikai pieņēmumi - un mēs kādu laiku varam nezināt, cik precīzi šie pieņēmumi ir. "Visi šie modeļi ir balstīti uz noteiktiem pieņēmumiem, kas ir jāpilnveido, uzliesmojot uzliesmojumu," viņš saka.

Ir ļoti, ļoti grūti izveidot modeli jaunam vīrusam, kas izplatās reāllaikā.

Modeļa izveide infekcijas slimības izplatībai un sekām vienmēr prasa daudz laika un sarežģītus minējumus. Bet tādas situācijas kā šis koronavīruss rada ļoti unikālus izaicinājumus, kuru dēļ vēl grūtāk ir izveidot precīzas prognozes par to, kas varētu notikt.

Piemēram, ņemiet sezonālo gripu. Lai gan tas ir infekcijas slimības notikums, kas notiek vienlaikus, pētnieki mēģina izveidot statistikas prognozes par to, cik smaga būs konkrētā gripas sezona, mūsu ārstēšanas un profilakses prakse gadu no gada nemainās tik daudz, saka Šamans. Tas atvieglo precīzāka modeļa izveidi, kā notiks gripas sezona.

Bet jaunā koronavīrusa gadījumā "mums ir jāpieņem, ko sabiedrība darīs," viņš saka, tostarp, kad tiek doti sociālie attālināšanas rīkojumi, cik labi cilvēki tos izpilda un kad cilvēki sāk atgriezties darbā.

Citi galvenie izaicinājumi ir saistīti ar testēšanas procesu, saka Šamans. Mēs zinām, ka ir laika periods - līdz pat 14 dienām lielākajā daļā gadījumu - starp brīdi, kad kāds ir inficēts, līdz brīdim, kad viņam sāk parādīties simptomi, kas liek testēties. Tāpēc, aplūkojot testu rezultātus, "mēs redzam, kas notika apmēram pirms divām nedēļām," viņš saka, nevis, piemēram, pēdējo dienu laikā ieviesto jauno politikas izmaiņu rezultāts un noteikti ne tas, kas faktiski notiek tieši tagad.

Arī testu pieejamībai un tam, kad cilvēki nolemj meklēt testēšanu, ir nozīme. Piemēram, agrāk slimības uzliesmojuma laikā kāds ar vieglu saaukstēšanos, iespējams, neuzskatīja par vajadzīgu vai pat domāja par COVID-19 pārbaudi. Bet vēlāk, izmantojot šo vīrusu gandrīz visiem, ir daudz ticamāk, ka kāds ar pat viegliem simptomiem meklēs testēšanu. Turklāt, ja pieprasījums pēc testiem ir liels, bet visiem nav pietiekami daudz testu, lai to iegūtu, tas ne vienmēr dod jums pilnīgu priekšstatu par pozitīvo testu līmeni. Turklāt ne visas valstis ziņo par iegūto negatīvo testu daudzumu.

Visi šie mainīgie lielumi palīdz pētniekiem iegūt labāku priekšstatu par reālo gadījumu skaitu un to izplatību - un tie visi mainās diezgan pastāvīgi. Tam ir reāla ietekme uz to, kā valdības, slimnīcas un cilvēki gatavojas pandēmijai.

Piemēram, testēšanas jautājumi ir apgrūtinājuši precīzu mūsu esošo datu interpretāciju un hospitalizācijas likmes novērtēšanu. Sākotnēji dati no citām valstīm (piemēram, Spānijas) liecināja, ka ļoti lielam skaitam cilvēku, kuri bija inficēti ar jauno koronavīrusu, būtu nepieciešama hospitalizācija, saka Dr. Adalja. Un saskaņā ar CDC datiem sākotnēji hospitalizācijas līmenis bija diezgan augsts (vairāk nekā 30% dažās vecuma grupās). Bet nesen hospitalizācijas līmenis ASV ir bijis daudz zemāks. Kāpēc sākotnējās prognozes bija nepareizas?

"Mēs zinām, ka testēšanas ierobežojumu dēļ mēs neskaitām daudzus gadījumus," saka Dr. Adalja. Un, ja tas tā ir, tad "tas nozīmē, ka mēs pārvērtējam viesmīlības un nāves attiecību".

Lai šie skaitļi būtu pēc iespējas pareizāki, ir ārkārtīgi svarīgi, ja esat, piemēram, slimnīcas plānotājs. Šis skaitlis var jums pateikt, ka jums "būs vajadzīgas tik daudz slimnīcas gultu, tik daudz ICU gultas, tik daudz ventilatoru", saka Dr Adalja. "Un tas var būt nepareizi, ja jūsu hospitalizācijas ātruma numurs ir pārvērtēts."

Šādi modeļi tika veidoti, lai mainītos laika gaitā.

Kad mēs uzzinām vairāk par šo slimību, tiek ieviesta vietējā sociālā distancēšanās politika un, redzot, kā cilvēki faktiski uzvedas, ir pilnīgi normāli, ja prognozes mainās.

Atcerieties, ka modeļi joprojām neaizstāj reālās pasaules datus. Tie ir instrumenti, ko politikas veidotāji izmanto, lai domātu par dažādiem scenāriju diapazoniem, ”saka Dr. Adalja. "Viņi nav dzelžaini; jums vajadzētu sagaidīt modeļu maiņu, jo parādās vairāk datu. ” Patiesībā lielākā daļa modeļu galu galā kļūdās viena vai otra iemesla dēļ, viņš saka. Ir arī svarīgi atcerēties, ka visiem modeļiem ir nenoteiktības zona vai iespējamo rezultātu virkne, nevis tikai viens konkrēts rezultāts, saka Šamans. Un jo tālāk mēs skatāmies nākotnē, jo neprecīzāki ir prognozētie rezultāti.

Diemžēl, kad jūs sastopaties ar kādu ziņu vai vienkārši tvītu, kas runā par koronavīrusa ietekmes modeli, tas vienkārši nespēs pilnībā pārbaudīt modeļa detaļas vai datus, ar kuriem pētnieki strādāja , Saka doktors Adalja. Tulkošanā bieži tiek zaudēta modeļa nianse un pieņēmumi, kā arī daudzie iespējamie rezultāti.

Bet dažreiz, tāpat kā šajā gadījumā, iemesls, kāpēc modeļi mainās, patiešām ir iepriecinoši. "Kad cilvēki runā par līknes izlīdzināšanu, tas notiek kaut ko cilvēku iejaukšanās dēļ," saka Šamans. Tā nav ārstēšana vai vakcīna, bet tas ir kaut kas tāds, ko dara cilvēki - tādi cilvēki kā jūs un es! -, kas reāli ietekmē uzliesmojuma gaitu un pētnieku prognozes mūsu nākotnei.

Šajos agrīnajos modeļos patiešām tika ņemti vērā sociālie attālināšanas pasākumi, taču tas nav tik vienkārši, kā vienkārši pievienot vienādojumam vēl vienu skaitli. Jums ir jādomā par to, kad pasūtījumi tiek ieviesti, vai tie ir patiesi pasūtījumi vai tikai ieteikumi, un cik labi cilvēki patiešām izpildīs šos rīkojumus. Simulācijas diagrammu sērijā, ko izveidojis Washington Post izmantojot Džona Hopkinsa Universitātes Sistēmas zinātnes un inženierijas centra pētnieku datus, jūs varat redzēt, ka stingrai sociālajai distancēšanai ir daudz nozīmīgāka ietekme uz līkni nekā pusmēģinājuma mēģinājumam, tāpēc mēs vienmēr zinājām, ka tas būtu noderīgi.

Bet sociālās atstumtības uzskaite un tās patiesās jaudas novērtēšana uz līknes ir bijusi neliela problēma, un pat IHME modelis savos sociālās distancēšanas rādītājos jau agri redzēja atjauninājumus, kas to padarīja par vēl sarežģītāku pasākumu. Piemēram, lai noteiktu sociālās distancēšanās ietekmi IHME modelī, pētnieki tagad faktiski apvieno vairāku citu modeļu rezultātus, pamatojoties uz trīs sociālās distancēšanās pasākumu aplēsēm (skolu slēgšana, pasūtījumi palikt mājās un nebūtiski uzņēmumu slēgšana). . Pēc tam viņi izmanto katru no šīm vērtībām, lai izveidotu īstermiņa un ilgtermiņa mirstības modeļus.

Daži cilvēki pēc šīm modeļa izmaiņām varētu redzēt atšķirības prognozēs un interpretēt tās kā pazīmi, ka mūsu sociālā distancēšanās un nebūtisku uzņēmumu slēgšana bija pārmērīga reakcija. Bet tas ir nepareizs secinājums. Ja kas ir kaut kas, tas liecina par to, ka sociālā distancēšanās ir bijusi veiksmīga - varbūt pat vairāk nekā sākotnējie modeļi. Patiesībā, kā saka Šamans, tas nozīmē "izlīdzināt līkni".

Ko tad jums vajadzētu atņemt šiem modeļiem? Ziniet, ka pētnieki visā valstī un pasaulē cītīgi strādā, lai atrastu atbildes, kas pēc iespējas vairāk mūs aizsargātu. Viņi var izmantot modeļus, lai prognozētu, kāda būs nākotne un kādi priekšdarbi mums jāveic. Kad mēs redzēsim šos modeļus, veids, kā mēs rīkojamies pēc šīs informācijas, protams, ietekmēs prognozēto rezultātu. Tas ir patīkams atgādinājums, ka pat pandēmijas laikā, kas lielāko daļu laika liek justies bezpalīdzīgiem, daudzi no mums tomēr var kaut ko darīt: palikt mājās.