Ebola tiếp theo khó dự đoán, nhưng "Dự báo bùng phát" có thể giúp

$config[ads_kvadrat] not found

SA B. - MILLIONS feat. Mr. Energy Na Casa (prod. by Flavour Production)

SA B. - MILLIONS feat. Mr. Energy Na Casa (prod. by Flavour Production)

Mục lục:

Anonim

Một cậu bé 2 tuổi ở vùng nông thôn Guinea đã chết vì Ebola vào tháng 12 năm 2014. Trong hai năm tới, gần 30.000 người ở Tây Phi sẽ bị nhiễm virus Ebola.

Tại sao, không giống như 17 vụ dịch Ebola trước đây, con này đã phát triển quá lớn, nhanh như vậy? Điều gì, nếu có, có thể được thực hiện để ngăn chặn sự bùng phát trong tương lai? Những câu hỏi này, cùng với nhiều câu hỏi khác, là trung tâm của lĩnh vực khoa học non trẻ về dự báo ổ dịch. Và cổ phần không thể cao hơn. Vào tháng 1, Diễn đàn Kinh tế Thế giới đã gọi đại dịch là một trong những rủi ro lớn nhất đối với cuộc sống kinh doanh và con người.

Trong nhiều thế kỷ qua, các nhà khoa học đã trở nên tốt hơn bao giờ hết trong việc dự đoán nhiều khía cạnh của thế giới, bao gồm quỹ đạo của các hành tinh, dòng chảy và thủy triều và đường đi của bão. Khả năng hiểu hệ thống tự nhiên và vật lý đủ tốt để đưa ra dự báo chính xác có lẽ là một trong những thành tựu lớn nhất của loài người.

Phần lớn thành công này trong dự báo bắt đầu với cái nhìn sâu sắc cơ bản của Isaac Newton, rằng có những quy luật phổ quát không thay đổi chi phối các hiện tượng tự nhiên xung quanh chúng ta. Khả năng thực hiện nhanh chóng các tính toán lớn đã thúc đẩy quan điểm của Newton rằng, với đủ dữ liệu và khả năng tính toán, hầu hết các hiện tượng phức tạp đều có thể dự đoán được.

Tuy nhiên, có giới hạn. Khi các nhà khoa học nghiên cứu các loại hệ thống dự đoán này, chúng tôi nghi ngờ rằng có thể dự đoán chính xác điều gì sẽ xảy ra tiếp theo trong đợt bùng phát bệnh, bởi vì các biến quan trọng nhất có thể thay đổi rất nhiều từ ổ dịch này sang ổ dịch khác.

Đây là lý do tại sao, như với dự báo thời tiết, thu thập dữ liệu thời gian thực có thể là điều cần thiết để thúc đẩy cộng đồng khoa học về khả năng dự đoán dịch bệnh.

Dịch tễ

Ý tưởng rằng các nhà khoa học có thể mô hình hóa dịch bệnh dựa trên khái niệm rằng quỹ đạo của mỗi ổ dịch có thể dự đoán được vì các đặc tính nội tại và không thay đổi của nó.

Nói một bệnh được gây ra bởi một mầm bệnh truyền. Mức độ lây nhiễm của căn bệnh đó có thể được gói gọn trong một số gọi là tỷ lệ sinh sản cơ bản của NĂNG, hay hay R0, một con số mô tả mức độ lan truyền của mầm bệnh trong một quần thể nhất định.

Nếu các nhà dịch tễ học biết đủ về mầm bệnh L R R0, thì hy vọng là họ có thể dự đoán các khía cạnh của đợt bùng phát tiếp theo - và hy vọng ngăn chặn dịch bệnh quy mô nhỏ trở thành dịch bệnh quy mô lớn. Họ có thể làm điều này bằng cách huy động các nguồn lực đến các khu vực nơi mầm bệnh có giá trị R0 đặc biệt cao. Hoặc họ có thể hạn chế sự tương tác giữa những người mang mầm bệnh và những thành viên dễ mắc bệnh nhất trong một xã hội nhất định, thường là trẻ em và người già.

Theo cách này, R0 được hiểu là một số bất biến. Nhưng các nghiên cứu hiện đại chứng minh rằng đây không phải là trường hợp.

Ví dụ, hãy xem xét dịch bệnh virus Zika. Đối với bệnh này, R0 dao động từ 0,5 đến 6,3. Đây là một khoảng thời gian đáng chú ý, từ một căn bệnh sẽ tự tiêu tan đến một căn bệnh sẽ gây ra dịch bệnh lâu dài.

Mọi người có thể nghĩ rằng phạm vi giá trị R0 rộng này cho Zika bắt nguồn từ sự không chắc chắn về mặt thống kê - rằng có lẽ các nhà khoa học chỉ cần thêm dữ liệu. Nhưng điều đó sẽ không chính xác. Đối với Zika, vô số yếu tố, từ khí hậu và muỗi đến sự hiện diện của các loại virus liên quan khác như sốt xuất huyết và vai trò lây truyền qua đường tình dục, tất cả đều dẫn đến các giá trị R0 khác nhau trong các cài đặt khác nhau.

Hóa ra các đặc điểm của một bệnh dịch - sự lây nhiễm của mầm bệnh, tốc độ lây truyền, sự sẵn có của vắc-xin, v.v. - thay đổi rất nhanh trong quá trình một đợt bùng phát mà các nhà khoa học chỉ có thể dự đoán động lực trong quá trình bùng phát. Nói cách khác, nghiên cứu sự bùng phát bệnh do vi-rút Ebola vào tháng 4 năm 2014 có thể giúp các nhà khoa học hiểu về sự bùng phát dịch Ebola trong cùng một tháng tới, nhưng nó thường ít hữu ích hơn trong việc tìm hiểu động lực của dịch Ebola trong tương lai, chẳng hạn như đã xảy ra vào tháng 5 năm 2018.

Dịch tễ thường phát sinh hiện tượng gọn gàng và bó. Chúng là những sự kiện ồn ào trong đó nhiều biến số đóng vai trò thiết yếu, nhưng thay đổi, vai trò. Không có sự thật tiềm ẩn nào của căn bệnh - chỉ có một bộ sưu tập các chi tiết không ổn định khác nhau, thường trở nên vướng víu, khi căn bệnh lây lan.

Dự đoán tốt hơn

Nếu các nhà khoa học tự tin, họ có thể hiểu hệ thống dịch tễ học đủ tốt để dự đoán hành vi của những người liên quan, tại sao lại phải nghiên cứu chúng?

Câu trả lời có thể nằm trong cái mà chúng ta gọi là vật lý mềm của người Viking dự đoán: Các nhà khoa học nên ngừng giả định rằng mọi sự bùng phát đều tuân theo các quy tắc giống nhau. Khi so sánh một ổ dịch với một ổ dịch khác, họ nên ghi nhớ tất cả những khác biệt theo ngữ cảnh giữa chúng.

Ví dụ, các nhà sinh học đã phát hiện ra nhiều chi tiết về nhiễm cúm. Họ biết làm thế nào virus liên kết với tế bào chủ, cách chúng nhân lên và cách chúng tiến hóa kháng thuốc kháng vi-rút. Nhưng một dịch bệnh có thể đã bắt đầu khi một dân số lớn sử dụng phương tiện giao thông công cộng vào một ngày nhất định trong tháng, trong khi một dịch bệnh khác có thể được bắt đầu bởi một giáo đoàn tại một cơ sở tôn giáo. Mặc dù cả hai ổ dịch đều bắt nguồn từ cùng một tác nhân truyền nhiễm, nhưng những điều này và nhiều sự khác biệt khác trong các chi tiết của chúng có nghĩa là các nhà khoa học có thể cần phải điều chỉnh lại cách chúng mô hình hóa từng tiến trình.

Để hiểu rõ hơn về các chi tiết này, các nhà khoa học cần đầu tư đáng kể vào dữ liệu thời gian thực. Hãy xem xét rằng Dịch vụ thời tiết quốc gia chi hơn 1 tỷ đô la mỗi năm để thu thập dữ liệu và đưa ra dự báo. CDC chỉ dành một phần tư cho thống kê y tế công cộng và không có ngân sách dành riêng cho dự báo.

Giám sát dịch bệnh vẫn là một trong những lĩnh vực khoa học cao nhất. Việc xem xét cẩn thận đối với các trường hợp độc nhất tiềm ẩn bùng phát và thu thập dữ liệu có trách nhiệm hơn có thể cứu sống hàng ngàn người.

Bài viết này ban đầu được xuất bản trên Cuộc trò chuyện của C. Brandon Ogbunu, Randall Harp và Samuel V. Scarpino. Đọc văn bản gôc ở đây.

$config[ads_kvadrat] not found