Κατανόηση του χρόνου παραγωγής για τον COVID-19

Πόσος χρόνος χρειάζεται ένα άτομο που έχει μολυνθεί από ιό για να μολύνει κάποιον άλλο; Πόσο καιρό χρειάζεται μια μόλυνση για να δημιουργήσει μια άλλη; Η απάντηση σε αυτό το ερώτημα απαιτεί γνώση από όλα τα επίπεδα στα οποία λειτουργεί ένας ιός: μέσα στο σώμα μας, πώς μεταδίδεται από το ένα άτομο στο άλλο και πώς συμπεριφέρεται η ασθένεια σε ολόκληρο τον πληθυσμό. Αυτό καθιστά τον χρόνο δημιουργίας ενός ιού συναρπαστικό και προκλητικό τομέα έρευνας.

Τζούλια ΓκογκΤζούλια Γκογκ. Φωτογραφία του Henry Kenyon .

Η κατανόηση του χρόνου παραγωγής για τον COVID-19 ήταν το θέμα μιας εικονικής εκδήλωσης που πραγματοποιήθηκε αυτό το καλοκαίρι από το Newton Gateway to Mathematics ως μέρος του Δικτύου Συνέχειας RAMP . Η εκδήλωση ήταν πνευματικό τέκνο της Julia Gog , ιδρυτικού μέλους της κοινοπραξίας μοντέλων JUNIPER . Ο Gog έστησε το σκηνικό με μια εξαιρετική επισκόπηση των προκλήσεων και των ευκαιριών της κατανόησης του χρόνου δημιουργίας ενός ιού στο πλαίσιο μιας ζωντανής πανδημίας. (Μπορείτε να παρακολουθήσετε την ομιλία της διαδικτυακά εδώ .)

Η εκδήλωση συγκέντρωσε ανθρώπους που εργάζονται σε μια μεγάλη ποικιλία τομέων που σχετίζονται με την κατανόηση του χρόνου παραγωγής — κλινικούς ιατρούς και ερευνητές που μελετούν πώς συμπεριφέρεται μια λοίμωξη σε ένα άτομο (στην λεγόμενη κλίμακα εντός του ξενιστή ), επιστήμονες που προσπαθούν να κατανοήσουν πώς η συμπεριφορά μας και πώς το φυσικό μας περιβάλλον επηρεάζει την εξάπλωση μιας ασθένειας (η κλίμακα μεταξύ των ξενιστών ) και οι ερευνητές που μοντελοποιούν τη δυναμική μιας ασθένειας σε ολόκληρο τον πληθυσμό. «Είμαι πολύ ενθουσιασμένος για αυτή τη συνάντηση», είπε ο Γκογκ. “Είμαστε [ο καθένας] ειδικοί σε μερικούς από τους τομείς, αλλά κανένας από εμάς δεν είναι ειδικός σε όλους τους τομείς που διασταυρώνονται εδώ. Και φέρνοντας [αυτή την τεχνογνωσία] μαζί είναι εκεί που κάποια από τα μαγικά θα λάβει χώρα!”

Τι είναι ο χρόνος της γενιάς και γιατί είναι σημαντικός;

Ο χρόνος παραγωγής δεν είναι ένας μόνο αριθμός για έναν συγκεκριμένο ιό. Αντίθετα, ορίζεται σε ζεύγη ανθρώπων: τον μολυσματικό και τον μολυσμένο που συνεχίζουν να μολύνουν. Ο χρόνος γενεάς μεταξύ του χρόνου που μολύνθηκε ένα άτομο (ο μολυσματικός) και του πότε συνέχισε να μολύνει κάποιον άλλο (τον μολυσμένο) θα είναι διαφορετικός για διαφορετικά ζεύγη ανθρώπων.

Χρόνος γενιάςΈνας μολυσματικός (μπλε) και μολυσμένος (μωβ). Το κόκκινο διάστημα αντιπροσωπεύει το χρόνο παραγωγής και το πορτοκαλί διάστημα τον σειριακό χρόνο.

Είναι επίσης δύσκολο να μετρηθεί άμεσα ο χρόνος παραγωγής. Αντίθετα, πρέπει να συναχθεί από πράγματα που μπορείτε να παρατηρήσετε άμεσα, όπως το χρονικό διάστημα μεταξύ του πότε ο μολυσμένος και ο μολυσμένος εμφανίζουν συμπτώματα (αν εμφανίσουν ποτέ – πολλές λοιμώξεις είναι ασυμπτωματικές). Επομένως, είναι αναπόφευκτο να γίνουν υποθέσεις σχετικά με το χρόνο παραγωγής κατά τη μοντελοποίηση οποιασδήποτε ασθένειας.

Δείτε εδώ για όλη την κάλυψη της πανδημίας COVID-19.

Οι επιδημιολόγοι χρησιμοποιούν στατιστικά μέτρα, όπως ο μέσος χρόνος παραγωγής, ως παραμέτρους στα μοντέλα τους για το πώς θα συμπεριφερθεί ο ιός. Συγκεκριμένα, αυτές οι παράμετροι χρησιμοποιούνται για τον υπολογισμό της τιμής του λόγου αναπαραγωγής R , και τυχόν εσφαλμένες υποθέσεις σχετικά με το χρόνο παραγωγής μπορεί να έχουν ως αποτέλεσμα την υποεκτίμηση ή την υπερεκτίμηση της τιμής του R .

Μπορείτε να μάθετε τα πάντα για τον χρόνο δημιουργίας του COVID-19, τον τρόπο εκτίμησης και τον αντίκτυπό του στον υπολογισμό του R στο επεξηγηματικό μας άρθρο Γιατί είναι σημαντικός ο χρόνος δημιουργίας του COVID-19 .

Μέσα μας, μεταξύ μας, όλοι μας

Οι πιθανές τιμές του χρόνου παραγωγής θα διέπονται από τη συμπεριφορά του ιού εντός του ξενιστή, μεταξύ του ξενιστή και του πληθυσμού. Στην ομιλία της στην εκδήλωση στο Newton Gateway, η Gog τόνισε μερικά από τα έργα που έχουν γίνει όλα αυτά: «Δεν νομίζω ότι μπορείς να καταλάβεις τον χρόνο της γενιάς στην πράξη χωρίς να σκεφτείς και τα τρία αυτά».

Τα μοντέλα εντός του ξενιστή για το πώς συμπεριφέρεται μια ασθένεια δεν είναι τόσο ανεπτυγμένα όσο τα μοντέλα σε ολόκληρο τον πληθυσμό, αν και ορισμένα έχουν αναπτυχθεί περισσότερο για τον HIV και άλλες χρόνιες ασθένειες. Κάποια απλή μοντελοποίηση έχει γίνει χρησιμοποιώντας μοντέλα παρόμοια με αυτά που χρησιμοποιούνται για ολόκληρο τον πληθυσμό , για παράδειγμα για να κατανοήσουμε τη δυναμική της γρίπης στα άλογα. Αλλά ένα από τα πράγματα που κάνει τόσο δύσκολο το μοντελοποίηση εντός του οικοδεσπότη είναι ότι είναι τόσο δύσκολο να μετρηθεί η πρόοδος της νόσου. «Τέτοιου είδους πειράματα είναι τόσο δύσκολο και σπάνιο να γίνουν», λέει ο Gog. «Τα μαθηματικά μπορεί να είναι τα ίδια μαθηματικά με τα μοντέλα σε επίπεδο πληθυσμού, αλλά η βαθμονόμηση και η προσαρμογή αυτών των μοντέλων στην παρατήρηση είναι εξαιρετικά δύσκολη και αυτός είναι ένας από τους λόγους που η περιοχή δεν είναι τόσο ανεπτυγμένη». (Μπορείτε να διαβάσετε περισσότερα στο Gog’s χαρτί από τοΠρόγραμμα Infectious Disease Dynamics 2015 στο Ινστιτούτο Isaac Newton.)

Ένας από τους βασικούς παράγοντες για την κατανόηση της δυναμικής μεταξύ του ξενιστή προέρχεται από την κατανόηση των οδών μετάδοσης της νόσου. Για τον COVID-19 αυτό σημαίνει κατανόηση της αερομεταφερόμενης φύσης του COVID-19 και πώς τα κτίρια και οι δημόσιοι χώροι μας μπορούν να επηρεάσουν την εξάπλωση της νόσου. Αυτό απαιτεί την τεχνογνωσία ρευστοδυναμικών, όπως η Catherine Noakes , η οποία έχει διαδραματίσει ηγετικό ρόλο στις προσπάθειες του Ηνωμένου Βασιλείου για την αντιμετώπιση του COVID-19 ως συμμετέχων της Επιστημονικής Συμβουλευτικής Ομάδας για Έκτακτες Περιστάσεις (SAGE), και η οποία επίσης μίλησε στο Εκδήλωση Gateway. (Μπορείτε να διαβάσετε περισσότερα για το έργο του Noakes για τον COVID-19 σε μια ανάσα φρέσκου αέρα. )

Να αναπνέεις, να μιλάς και να γελάς χωρίς μάσκαΝα αναπνέεις, να μιλάς και να γελάς χωρίς μάσκα. Εικόνα από τις Επιδράσεις του αερισμού στην εξάπλωση του COVID-19 σε εσωτερικούς χώρους από τους Bhagat, Davies Wykes, Dalziel και Linden. Journal of Fluid Mechanics, 903, F1.

Εάν μπορέσουμε να συνδέσουμε την κατανόησή μας για τη συμπεριφορά της νόσου σε αυτές τις διαφορετικές κλίμακες, τότε ίσως μπορέσουμε να ενσωματώσουμε αυτή τη γνώση σε επιδημιολογικά μοντέλα για ολόκληρο τον πληθυσμό. «Για μένα αυτή η συνάντηση είναι σημαντική από μόνη της για την καλύτερη κατανόηση του χρόνου της γενιάς γιατί έχει μεγάλη σημασία σε αυτό που κάνουμε», λέει η Gog, η οποία συμμετέχει στο έργο μοντελοποίησης του COVID-19 μέσω των ρόλων της στην υποομάδα Επιστημονικής πανδημικής γρίπης για μοντελοποίηση (SPI-M) και SAGE. Ο Gog πιστεύει επίσης ότι αυτή η σύνδεση θα βοηθούσε στην κατανόηση της φθίνουσας ανοσίας και της εξέλιξης του ιού.

“Αλλά ακόμα πιο συναρπαστικό είναι να συνδέσουμε αυτές τις τρεις ζυγαριές και να μιλήσουμε μαζί όσοι από εμάς έχουν εμπειρία σε αυτούς τους διαφορετικούς τομείς. Κάθε επίπεδο από μόνο του δεν είναι η πλήρης ιστορία, βλέπουμε διαφορετικά στοιχεία του παροιμιώδους ελέφαντα.” Εκδηλώσεις όπως αυτή, και το έργο και η συνεργασία που εμπνέει, ελπίζουμε να μας δώσουν μια καλύτερη εικόνα του τρέχοντος ελέφαντα COVID-19 και τυχόν μελλοντικών πανδημικών παχύδερμων που διασχίζουν τους δρόμους μας.


πηγή: https://plus.maths.org/

Αφήστε μια απάντηση

Η ηλ. διεύθυνση σας δεν δημοσιεύεται. Τα υποχρεωτικά πεδία σημειώνονται με *