Ang Susunod na Ebola ay Mahirap na Maghula, ngunit "Pagsiklab ng Pagtataya" Makatutulong

Isang 2-taong-gulang na batang lalaki sa kanayunan Guinea ang namatay sa Ebola noong Disyembre 2014. Sa susunod na dalawang taon, halos 30,000 katao sa West Africa ang mahahawa sa Ebola virus.

Bakit, di tulad ng nakaraang 17 Ebola outbreaks, lumago ba ito nang malaki, kaya mabilis? Ano, kung mayroon man, ay maaaring magawa upang maiwasan ang paglabas sa hinaharap? Ang mga tanong na ito, kasama ang marami pang iba, ay nasa gitna ng nalalapit na siyentipikong larangan ng pag-aalsa ng pag-aalsa. At ang mga pusta ay hindi mas mataas. Noong Enero, ang World Economic Forum ay tinatawag na pandemic na isa sa mga pinakadakilang panganib sa negosyo at buhay ng tao.

Sa nakalipas na ilang siglo, ang mga siyentipiko ay naging mas mahusay sa paghula ng maraming aspeto ng mundo, kabilang ang orbita ng mga planeta, ang pag-ulan at daloy ng tides, at ang mga landas ng mga bagyo. Ang kakayahang maunawaan ang natural at pisikal na mga sistema ng sapat na sapat upang makagawa ng tumpak na mga pagtataya ay marahil isa sa mga pinakamalaking tagumpay ng sangkatauhan.

Karamihan sa tagumpay na ito sa pagtataya ay nagsisimula sa pangunahing pananaw ni Isaac Newton na mayroong walang pagbabago na mga unibersal na batas na namamahala sa likas na mga phenomena sa paligid natin. Ang kakayahang mabilis na maisagawa ang mga malalaking kalkulasyon ay nagpapatibay sa pananaw ng Newtonian na, binigyan ng sapat na data at lakas ng computing, ang pinaka-komplikadong phenomena ay maaaring hinulaan.

Gayunpaman, mayroong mga limitasyon. Bilang mga siyentipiko na nag-aaral ng mga ganitong uri ng mga predictive system, nagdududa kami na posible na mahulaan kung ano ang mangyayari sa tabi ng isang pagsiklab ng sakit, sapagkat ang pinakamahalagang mga variable ay maaaring magbago nang labis mula sa isang pagsiklab sa isa pa.

Ito ang dahilan kung bakit, tulad ng pagtataya ng lagay ng panahon, ang pagkuha ng real-time na data ay malamang na mahalaga para sa pagsulong ng kakayahang pang-agham na komunidad upang mahulaan ang paglaganap.

Capricious Epidemics

Ang ideya na ang mga siyentipiko ay maaaring mag-modelo ng mga epidemya ay batay sa paniwala na ang trajectory ng bawat pag-aalsa ay mahuhulaan dahil sa tunay at walang pagbabago na pag-aari nito.

Sabihin ang isang sakit na sanhi ng isang transmissible pathogen. Ang infectiousness ng sakit na iyon ay maaaring ipasok sa isang bilang na tinatawag na "basic reproductive ratio," o R0, isang numero na naglalarawan kung gaano kalawak ang isang pathogen ay malamang na kumalat sa isang naibigay na populasyon.

Kung ang mga epidemiologist ay may sapat na kaalaman tungkol sa R0 ng pathogen, inaasahan nila na mahuhulaan nila ang mga aspeto ng susunod na pagsiklab nito - at sana ay maiwasan ang maliliit na paglaganap mula sa pagiging malakihang epidemya. Maaari nilang gawin ito sa pamamagitan ng pagpapakilos ng mga mapagkukunan sa mga lugar kung saan ang mga pathogens ay may mataas na R0 value. O maaari nilang limitahan ang mga pakikipag-ugnayan sa pagitan ng mga carrier ng sakit at ang pinaka madaling kapitan ng mga miyembro ng isang lipunan, kadalasang mga bata at matatanda.

Sa ganitong paraan, ang R0 ay binibigyang kahulugan bilang isang hindi nababagong numero. Ngunit ipinakikita ng mga modernong pag-aaral na hindi ito ang kaso.

Halimbawa, isaalang-alang ang epidemya ng Zika virus. Para sa sakit na ito, R0 ay umabot sa 0.5 hanggang 6.3. Ito ay isang kahanga-hangang span, mula sa isang sakit na mawawala sa kanyang sarili sa isa na magiging sanhi ng isang pang-matagalang epidemya.

Maaaring isaisip ng isa na ang malawak na hanay ng mga halaga ng R0 para sa Zika ay nagmumula sa statistical uncertainty - na maaaring kailangan lamang ng mga siyentipiko ang mas maraming data. Ngunit iyon ay halos hindi tama. Para kay Zika, maraming kadahilanan, mula sa klima at mga lamok sa pagkakaroon ng iba pang kaugnay na mga virus tulad ng Dengue at ang papel na ginagampanan ng pagpapalaganap ng sekswal, lahat ay humantong sa iba't ibang mga halaga ng R0 sa iba't ibang mga setting.

Ito ay lumalabas na ang mga katangian ng isang epidemya - ang nakakahawa ng pathogen, rate ng paghahatid, pagkakaroon ng mga bakuna, at iba pa - mabilis na pagbabago sa panahon ng kurso ng isang pag-aalsa na siyentipiko ay magagawang mahuhulaan dinamika lamang sa loob ng kurso ng pag-aalsa. Sa ibang salita, ang pag-aaral ng paglaganap ng Ebola virus disease sa Abril 2014 ay maaaring makatulong sa mga siyentipiko na maunawaan ang isang Ebola outbreak sa parehong setting na ito sa susunod na buwan, ngunit madalas na mas nakakatulong para maunawaan ang dynamics ng hinaharap na epidemya ng Ebola, tulad ng isang nangyari Mayo 2018.

Ang mga epidemya ay kadalasang hindi malinis at nababalangkas na phenomena. Ang mga ito ay maingay na mga pangyayari kung saan maraming mga variable ang napakahalaga, ngunit nagbabago, mga tungkulin. Walang pinagbabatayan ang katotohanan ng sakit - tanging isang hindi matatag na koleksyon ng mga detalye na nag-iiba, kadalasang nagiging gusot, habang kumalat ang sakit.

Mas mahusay na Mga Panghuhula

Kung ang mga siyentipiko ay hindi tiwala na maunawaan nila ang mga epidemiological system na sapat na sapat upang mahulaan ang pag-uugali ng mga nauugnay, bakit abala ang pag-aaral sa kanila?

Ang sagot ay maaaring naninirahan sa tinatawag nating "soft physics" ng hula: Dapat na pigilan ng mga siyentipiko na ang bawat pagsiklab ay sumusunod sa parehong mga patakaran. Kapag inihambing ang isang pag-aalsa sa isa pa, dapat nilang isipin ang lahat ng pagkakaiba sa konteksto sa pagitan nila.

Halimbawa, natuklasan ng mga biologist ang maraming detalye tungkol sa mga impeksyon sa trangkaso. Alam nila kung paano nakagapos ang mga virus upang mag-host ng mga cell, kung paano nila ginagaya, at kung paano sila nagbabago ng paglaban sa mga gamot na antiviral. Ngunit ang isang epidemya ay maaaring nagsimula nang ang isang malaking populasyon ay gumamit ng pampublikong transportasyon sa isang partikular na araw ng buwan, habang ang iba ay maaaring sinimulan ng isang kongregasyon sa isang serbisyo sa relihiyon. Kahit na ang parehong mga paglaganap ay nakaugat sa parehong nakakahawang ahente, ang mga ito at maraming iba pang mga pagkakaiba sa kanilang mga detalye ay nangangahulugan na ang mga siyentipiko ay maaaring kailanganin upang ibalik kung paano nila isinasalarawan kung paano umuusad ang bawat isa.

Upang mas maunawaan ang mga detalye na ito, ang mga siyentipiko ay nangangailangan ng makabuluhang pamumuhunan sa real-time na data. Isaalang-alang na ang National Weather Service ay gumastos ng higit sa $ 1 bilyon bawat taon na pagtitipon ng data at paggawa ng mga pagtataya. Ang CDC ay gumastos lamang ng isang isang-kapat ng marami sa mga istatistika ng pampublikong kalusugan at walang dedikadong badyet para sa pagtataya.

Ang pagmamatyag ng sakit ay nananatiling isa sa pinakamataas na lugar ng agham. Ang isang maingat na pagsasaalang-alang para sa mga natatanging pangyayari na napapailalim na outbreaks at mas responsable koleksyon ng data ay maaaring i-save ang libu-libong mga buhay.

Ang artikulong ito ay orihinal na na-publish sa The Conversation ni C. Brandon Ogbunu, Randall Harp, at Samuel V. Scarpino. Basahin ang orihinal na artikulo dito.