Непредвидимые обстоятельства. Почему наука не в силах предсказывать эпидемии

2019-02-19 17:34:00

573 0
Непредвидимые обстоятельства. Почему наука не в силах предсказывать эпидемии

Фото: CDC

Несмотря на все достижения современной науки, ученые пока не могут с точностью прогнозировать эпидемии. Чем обусловлена такая ситуация и как ее улучшить, рассказывают исследователи из Северо-Восточного, Брауновского и Вермонтского университетов США

В декабре 2014 года в сельской местности Гвинеи двухлетний мальчик умер от лихорадки Эбола. В последующие два года в Западной Африке вирусом заразились почти 30 000 человек. Почему, в отличие от предыдущих 17 вспышек лихорадки, эта так быстро приобрела столь крупный масштаб? Можно ли сделать что-нибудь, чтобы предотвратить будущие вспышки? Эти вопросы, наряду со многими другими, представляют основной интерес зарождающегося научного направления прогнозирования эпидемий. Сегодня они более чем актуальны. Не далее как в январе Всемирный экономический форум назвал пандемии одной из самых серьезных угроз для бизнеса и жизни человека.

За последние несколько веков ученые стали лучше предсказывать многие аспекты функционирования мира, включая орбиты планет, приливы и отливы, пути ураганов и многое другое. Способность понимать природные и физические системы достаточно хорошо, чтобы делать точные прогнозы, возможно, является одним из величайших достижений человечества.

Можно считать, что началось это с фундаментального прозрения Исаака Ньютона, который понял, что существуют неизменные универсальные законы, управляющие природными явлениями вокруг нас. Когда к этому пониманию добавилась способность быстро выполнять множество расчетов, опираясь на достаточное количество данных и вычислительную мощность, появилась возможность прогнозировать наиболее сложные явления.

Однако везде существуют свои ограничения. Некоторые ученые сомневаются, что можно будет точно предсказывать ход событий при следующей эпидемии, поскольку наиболее важные переменные способны существенно изменяться от одной вспышки к другой. Как и в случае с погодой, для улучшения навыков прогнозирования ученым крайне важно собирать данные в режиме реального времени.

Разрыв шаблонов

Идея научного моделирования эпидемий основана на представлении о том, что путь развития каждой вспышки предсказуем благодаря ее внутренним неизменным свойствам.

Признаки эпидемии так быстро меняются, что строить прогнозы можно лишь в рамках одной вспышки

Допустим, болезнь вызвана трансмиссивным возбудителем. Заразность этого заболевания можно выразить "базовым показателем репродукции" или R0, описывающим, насколько широко патоген может распространяться в данной популяции.

Предполагается, что если эпидемиологи знают достаточно о R0 патогена, то могут предсказать характеристики следующей вспышки и, вероятно, предотвратить ее превращение в крупномасштабные эпидемии. Это возможно сделать путем мобилизации ресурсов в районах, где патогены имеют особенно высокие значения R0. Или через ограничение взаимодействия между носителями болезней и наиболее восприимчивыми членами общества (как правило, детьми и пожилыми людьми).

Таким образом, R0 воспринимается как некое неизменное значение. Но современные исследования показывают, что это не так.

Вспомнить хотя бы эпидемию вируса Зика. Для него R0 составлял от 0,5 до 6,3. Это большой разброс: от болезни, которая рассеется сама собой, до той, что вызовет длительную эпидемию. Можно подумать, что причина столь широкого диапазона значений R0 кроется в нехватке данных, но в большинстве случаев это неверное предположение. На R0 вируса Зика влияет множество факторов от климата и комаров до присутствия других связанных вирусов (например, Денге) и роли передачи половым путем.

Таким образом, признаки эпидемии (заразность возбудителя, скорость передачи, наличие вакцин и т.д.) настолько быстро меняются в ходе одной вспышки, что ученые могут прогнозировать динамику в рамках только этой самой вспышки. То есть изучив условия, связанные с вирусом Эбола в апреле 2014-го, исследователи могли понять, как они изменятся в той же обстановке в следующем месяце. Однако для понимания динамики будущих вспышек (например, эпидемии Эболы в мае 2018) эти данные уже не столь актуальны.

Эпидемии редко протекают по одному шаблону – уж больно много переменных, играющих слишком важную роль. У них нет незыблемой основы, лишь нестабильный набор деталей, запутывающихся тем сильнее, чем больше распространяется болезнь.

Дьявол в деталях

Но если исследователям не по силам понять эпидемиологические системы достаточно хорошо, чтобы предсказывать их развитие, как же быть? Ученым следует перестать отталкиваться от предположения, что все вспышки действуют по одним и тем же правилам, и учитывать контекстуальные различия между ними.

Эпидемии редко протекают по одному шаблону

Например, биологи раскрыли множество деталей об инфекциях гриппа. Они знают, как вирусы связываются с клетками-хозяевами, как они размножаются и как развивают устойчивость к противовирусным препаратам. Но одна эпидемия могла начаться, когда большая часть населения пользовалась общественным транспортом в определенный день месяца, а другая – во время религиозной службы. Обе вызваны одним и тем же возбудителем, но имеют различия, которые стоит учитывать при моделировании развития каждой из них.

Чтобы лучше понимать подобные особенности, необходимы значительные инвестиции в сбор данных в режиме реального времени. Например, Национальная метеорологическая служба США ежегодно тратит $1 млрд на сбор информации и составление прогнозов, тогда как Центр контроля и профилактики заболеваний расходует лишь четверть этой суммы на ведение статистики общественного здравоохранения. Специального бюджета на прогнозирования у ЦКЗ нет вовсе.

А ведь тщательное рассмотрение уникальных обстоятельств каждой эпидемии и скрупулезный сбор данных может спасти тысячи жизней.

По материалам The Conversation

Loading...