WikiDer > Математическое моделирование инфекционного заболевания - Википедия

Mathematical modelling of infectious disease - Wikipedia

Математические модели может спроецировать, как инфекционные заболевания прогресс, чтобы показать вероятный исход эпидемия и помогите проинформировать здравоохранение вмешательства. В моделях используются базовые предположения или собранная статистика вместе с математикой, чтобы найти параметры для различных инфекционные заболевания и использовать эти параметры для расчета эффектов различных вмешательств, таких как масса вакцинация программы. Моделирование может помочь решить, каких вмешательств следует избегать и какие испытать, или может предсказать будущие модели роста и т. Д.

История

Моделирование инфекционных заболеваний - это инструмент, который использовался для изучения механизмов распространения болезней, прогнозирования будущего развития вспышки и оценки стратегий борьбы с эпидемией.[1]

Первый ученый, систематически пытавшийся количественно оценить причины смерти был Джон Граунт в его книге Естественные и политические наблюдения, сделанные на счетах смертностив 1662 году. В законопроектах, которые он изучал, были еженедельно публикуемые списки чисел и причин смерти. Проведенный Граунтом анализ причин смерти считается началом «теории конкурирующих рисков», которую, по мнению Дейли и Гани, [1] это «теория, которая сейчас прочно закрепилась среди современных эпидемиологов».

Самый ранний отчет о математическое моделирование распространения болезни осуществили в 1760 г. Даниэль Бернулли. Получив образование врача, Бернулли создал математическую модель для защиты практики прививки от оспа.[2] Расчеты по этой модели показали, что универсальная вакцинация против натуральной оспы повысит продолжительность жизни от 26 лет 7 месяцев до 29 лет 9 месяцев.[3] Работа Даниэля Бернулли предшествовала современному пониманию теория микробов.

В начале 20 века Уильям Хамер[4] и Рональд Росс[5] применил закон массового действия для объяснения эпидемического поведения.

В 20-х годах прошлого века появились компартментные модели. В Модель эпидемии Кермака – МакКендрика (1927) и Модель эпидемии Рида – Фроста (1928) описывают взаимосвязь между восприимчивый, инфицированные и невосприимчивый особей в популяции. Модель эпидемии Кермака – МакКендрика успешно предсказывала поведение вспышек, очень похожих на те, что наблюдались во многих зарегистрированных эпидемиях.[6]

Недавно, агент-ориентированные модели (ПРО) использовались в обмен на более простые компартментные модели, например,.[7] Например, эпидемиологические ПРО использовались для информирования (нефармацевтических) вмешательств общественного здравоохранения против распространения SARS-CoV-2.[8] Эпидемиологические ПРО, несмотря на их сложность и требующие высокой вычислительной мощности, подвергались критике за упрощение и нереалистичные предположения.[9][10] Тем не менее, они могут быть полезны при принятии решений относительно мер по смягчению и подавлению в случаях, когда ПРО точно откалиброваны.[11]

Предположения

Модели хороши ровно настолько, насколько хороши предположения, на которых они основаны. Если модель делает прогнозы, которые не соответствуют наблюдаемым результатам, а математические расчеты верны, первоначальные предположения должны измениться, чтобы модель стала полезной.

  • Прямоугольные и стационарные возрастное распределение, т.е. все население доживает до старости L а затем умирает, и для каждого возраста (до L) в населении столько же людей. Это часто оправдано для развитых стран, где низкая младенческая смертность и большая часть населения доживает до ожидаемой продолжительности жизни.
  • Однородное смешение популяции, то есть особи исследуемой популяции, сортированные и установить контакт случайным образом и не смешиваются в основном в более мелкую подгруппу. Это предположение редко бывает оправданным, поскольку социальная структура широко распространен. Например, большинство людей в Лондоне контактируют только с другими лондонцами. Кроме того, в Лондоне есть более мелкие подгруппы, такие как турецкая община или подростки (просто чтобы привести два примера), которые общаются друг с другом больше, чем люди за пределами своей группы. Тем не менее, однородное перемешивание - стандартное допущение, позволяющее сделать математику удобной.

Типы моделей эпидемии

Стохастик

«Стохастик» означает наличие или наличие случайной величины. Стохастическая модель - это инструмент для оценки распределений вероятностей потенциальных результатов с учетом случайного изменения одного или нескольких входных данных с течением времени. Стохастические модели зависят от случайных изменений в динамике риска заражения, болезни и других заболеваний.

Детерминированный

При работе с большими группами населения, как в случае туберкулеза, часто используются детерминированные или компартментальные математические модели. В детерминированной модели люди в популяции распределяются по разным подгруппам или компартментам, каждая из которых представляет определенную стадию эпидемии.

Скорость перехода от одного класса к другому математически выражается в виде производных, поэтому модель формулируется с использованием дифференциальных уравнений. При построении таких моделей необходимо исходить из того, что численность популяции в компартменте дифференцируема во времени и что эпидемический процесс детерминирован. Другими словами, изменения в населении компартмента можно рассчитать, используя только историю, которая использовалась для разработки модели.[6]

Номер репродукции

В базовый номер репродукции (обозначается р0) это мера того, насколько болезнь переносима. Это среднее количество людей, которых заразит один инфекционный человек в течение своего заражения. Это количество определяет, будет ли инфекция распространяться экспоненциально, исчезнуть или останется неизменной: если р0 > 1, то каждый человек в среднем заражает более одного человека, поэтому болезнь будет распространяться; если р0 <1, то каждый человек заражает в среднем менее одного человека, поэтому болезнь исчезнет; и если р0 = 1, то каждый человек заразит в среднем ровно одного другого человека, поэтому болезнь станет эндемик: он будет перемещаться по населению, но не увеличиваться или уменьшаться.

Эндемическое устойчивое состояние

Считается, что инфекционное заболевание эндемичный когда он может поддерживаться в популяции без необходимости внешних воздействий. Это означает, что в среднем каждый инфицированный человек заражает точно еще один человек (больше, и число инфицированных будет расти экспоненциально и будет эпидемия, меньше - и болезнь вымрет). С математической точки зрения это:

В основной репродукционный номер (р0) болезни, если предположить, что все восприимчивы, умноженное на долю населения, которая действительно восприимчива (S) должен быть одним (поскольку те, кто не восприимчивы, не фигурируют в наших расчетах, поскольку они не могут заразиться болезнью). Обратите внимание, что это отношение означает, что для болезни эндемичный устойчивое состояние, чем выше базовая численность воспроизводства, тем ниже должна быть доля восприимчивого населения, и наоборот. Это выражение имеет ограничения, касающиеся пропорции восприимчивости, например то р0 равно 0,5 подразумевает, что S должно быть 2, однако эта пропорция превышает размер популяции.

Предположим, что прямоугольное стационарное возрастное распределение и пусть также возраст заражения имеет одинаковое распределение для каждого года рождения. Пусть средний возраст заражения будет А, например, когда люди моложе А восприимчивы, и те, кто старше А иммунны (или заразны). Тогда с помощью простого аргумента можно показать, что доля восприимчивого населения определяется выражением:

Мы подтверждаем, что L это возраст, в котором в этой модели каждый человек умрет. Но математическое определение эндемичного устойчивого состояния можно переформулировать следующим образом:

Поэтому из-за переходное свойство:

Это дает простой способ оценить параметр р0 используя легкодоступные данные.

Для населения с экспоненциальное возрастное распределение,

Это позволяет определить базовый репродуктивный показатель данного заболевания. А и L в любом типе распределения населения.

Компартментные модели в эпидемиологии

Компартментные модели формулируются как Цепи Маркова.[12] Классической компартментальной моделью в эпидемиологии является модель SIR, которую можно использовать как простую модель для моделирования эпидемий. Также используется множество других типов компартментных моделей.

Модель SIR

Схема модели SIR с начальными значениями , и показатели заражения и для восстановления
Анимация модели SIR с начальными значениями , и скорость восстановления . Анимация показывает эффект снижения скорости заражения от к . Если нет доступных лекарств или вакцинации, можно только снизить уровень инфицирования (часто называемый "сглаживание кривой") соответствующими мерами, такими как социальное дистанцирование.

В 1927 году У. О. Кермак и А. Г. Маккендрик создали модель, в которой они рассматривали фиксированную популяцию только с тремя отделениями: восприимчивой и ; зараженный, ; и выздоровел, . В данной модели используются отсеки трех классов:[13]

  • используется для представления людей, еще не инфицированных заболеванием в момент времени t, или людей, восприимчивых к заболеванию в популяции.
  • обозначает людей из населения, которые были инфицированы этим заболеванием и способны распространить болезнь среди лиц, относящихся к уязвимой категории.
  • это отделение, используемое для людей из популяции, которые были инфицированы, а затем удалены от болезни, либо из-за иммунизации, либо из-за смерти. Люди из этой категории не могут снова заразиться или передать инфекцию другим.

Прочие модели-купе

Существует множество модификаций модели SIR, в том числе те, которые включают рождение и смерть, где после выздоровления нет иммунитета (модель SIS), где иммунитет длится только в течение короткого периода времени (SIRS), где есть латентный период болезнь, при которой человек не заразен (SEIS и SEIR), и где младенцы могут родиться с иммунитетом (MSIR). Для оценки эпидемического порога в модели SIS в сетях см. Parshani et al.[14]

Динамика инфекционных заболеваний

Математические модели должны интегрировать увеличивающийся объем данные создается на хозяин-возбудитель взаимодействия. Многие теоретические исследования динамика населения, структура и эволюция инфекционные заболевания из растения и животные, в том числе люди, озабочены этой проблемой.[нужна цитата]Модель для оценки вероятности глобального распространения и объявления пандемии была недавно разработана Valdez et al.[15]Темы исследования включают:

Математика массовой вакцинации

Если доля иммунного населения превышает коллективный иммунитет уровень болезни, то болезнь больше не может сохраняться в популяции. Таким образом, если этот уровень может быть превышен путем вакцинации, болезнь может быть устранена. Примером успешного достижения этого во всем мире является глобальный искоренение оспы, последний дикий случай произошел в 1977 году. ВОЗ проводит аналогичный кампания вакцинации по искоренению полиомиелита.[нужна цитата]

Обозначим уровень коллективного иммунитета. q. Напомним, что для стабильного состояния:

В очереди,

что примерно составляет:

S будет (1 -q), поскольку q доля населения, обладающего иммунитетом и q + S должен равняться единице (поскольку в этой упрощенной модели все либо уязвимы, либо иммунны). Потом:

Помните, что это пороговый уровень. Если доля иммунных особей превышает на этом уровне из-за программы массовой вакцинации болезнь вымрет.

Мы только что рассчитали критический порог иммунизации (обозначено qc). Это минимальная часть населения, которая должна быть иммунизирована при рождении (или незадолго до рождения), чтобы инфекция в популяции исчезла.

Поскольку доля окончательной численности населения п который никогда не заражается, можно определить как:

Следовательно,

Решение для , мы получаем:

Когда массовая вакцинация не может превышать коллективный иммунитет

Если используемая вакцина недостаточно эффективна или невозможно достичь необходимого охвата (например, из-за народное сопротивление) программа может не превысить qc. Однако такая программа может нарушить баланс инфекции, не устраняя ее, часто вызывая непредвиденные проблемы.

Предположим, что часть населения q (куда q < qc) иммунизируют при рождении против инфекции р0 > 1. вакцинация изменения программы р0 к рq куда

Это изменение происходит просто потому, что теперь в популяции стало меньше восприимчивых людей, которые могут заразиться. рq просто р0 за вычетом тех, которые обычно были бы инфицированы, но этого не может быть сейчас, поскольку они имеют иммунитет.

Как следствие этого более низкого основной репродукционный номер, средний возраст заражения А также изменится на какое-то новое значение Аq у тех, кто остался невакцинированным.

Напомним отношение, связывающее р0, А и L. Предполагая, что продолжительность жизни не изменилась, теперь:

Но р0 = L/А так:

Таким образом, программа вакцинации повысит средний возраст инфицирования, что является еще одним математическим обоснованием результата, который мог быть интуитивно очевиден. У непривитых людей теперь наблюдается снижение сила заражения в связи с наличием вакцинированной группы.

Однако важно учитывать этот эффект при вакцинации против более тяжелых заболеваний у пожилых людей. Программа вакцинации от такого заболевания, не превышающая qc могут привести к большему количеству смертей и осложнений, чем было до введения программы в действие, поскольку люди будут заражаться этой болезнью в более позднем возрасте. Эти непредвиденные результаты программы вакцинации называются извращенные эффекты.[нужна цитата]

Когда массовая вакцинация превышает коллективный иммунитет

Если программа вакцинации приводит к тому, что доля иммунных индивидуумов в популяции превышает критический порог в течение значительного периода времени, передача инфекционного заболевания в этой популяции прекращается. Это называется устранением инфекции и отличается от искоренение.[нужна цитата]

Устранение
Прекращение эндемической передачи инфекционного заболевания, которое происходит, если каждый инфицированный человек заражает меньше, чем один другой, достигается за счет поддержания охвата вакцинацией, чтобы доля иммунных лиц превышала критический порог иммунизации.
Искоренение
Сведение к нулю инфекционных организмов в дикой природе во всем мире. Пока это было достигнуто только для оспа и чума крупного рогатого скота. Чтобы добиться искоренения, необходимо добиться ликвидации во всех регионах мира.

Надежность

Преимущество моделей заключается в том, что они исследуют несколько результатов одновременно, а не делают один прогноз. Модели имели высокую степень надежности во время прошлых пандемий, таких как ОРВИ, Свиной грипп, MERS и Эбола [16]

Смотрите также

Рекомендации

  1. ^ а б Дейли DJ, Гани Дж (2005). Моделирование эпидемии: введение. Нью-Йорк: Издательство Кембриджского университета.
  2. ^ Hethcote HW (2000). «Математика инфекционных болезней». Общество промышленной и прикладной математики. 42: 599–653.
  3. ^ Блоуер С., Бернулли Д. (2004). «Попытка нового анализа смертности от оспы и преимуществ вакцинации для ее предотвращения. 1766». Обзоры в медицинской вирусологии. 14 (5): 275–88. Дои:10.1002 / RMV.443. PMID 15334536. S2CID 8169180.
  4. ^ Хамер В. (1928). Эпидемиология Старое и Новое. Лондон: Кеган Пол.
  5. ^ Росс Р. (1910). Профилактика малярии.
  6. ^ а б Брауэр Ф., Кастильо-Чавес С. (2001). Математические модели в популяционной биологии и эпидемиологии. Нью-Йорк: Спрингер.
  7. ^ Eisinger D, Thulke HH (апрель 2008 г.). «Формирование пространственного рисунка способствует искоренению инфекционных заболеваний». Журнал прикладной экологии. 45 (2): 415–423. Дои:10.1111 / j.1365-2664.2007.01439.x. ЧВК 2326892. PMID 18784795.
  8. ^ Адам Д. (апрель 2020 г.). «Специальный репортаж: Моделирование реакции мира на COVID-19». Природа. 580 (7803): 316–318. Bibcode:2020Натура 580..316А. Дои:10.1038 / d41586-020-01003-6. PMID 32242115. S2CID 214771531.
  9. ^ Squazzoni F, Polhill JG, Edmonds B, Ahrweiler P, Antosz P, Scholz G, et al. (2020). «Вычислительные модели, которые имеют значение во время глобальной вспышки пандемии: призыв к действию». Журнал искусственных обществ и социального моделирования. 23 (2): 10. Дои:10.18564 / jasss.4298. ISSN 1460-7425. S2CID 216426533.
  10. ^ Шридхар Д., Маджумдер М.С. (апрель 2020 г.). «Моделирование пандемии». BMJ. 369: m1567. Дои:10.1136 / bmj.m1567. PMID 32317328. S2CID 216074714.
  11. ^ Maziarz M, Zach M (октябрь 2020 г.). «Агентное моделирование для прогнозирования эпидемии SARS-CoV-2 и оценки вмешательства: методологическая оценка». Журнал оценки в клинической практике. 26 (5): 1352–1360. Дои:10.1111 / jep.13459. ЧВК 7461315. PMID 32820573.
  12. ^ Косма Шализи (15 ноября 2018 г.). "Данные в пространстве и времени; Лекция 21: Компартментные модели" (PDF). Университет Карнеги Меллон. Получено 19 сентября, 2020.
  13. ^ Kermack WO, McKendrick AG (1991). «Вклад в математическую теорию эпидемий - I. 1927». Вестник математической биологии. 53 (1–2): 33–55. Bibcode:1927RSPSA.115..700K. Дои:10.1007 / BF02464423. JSTOR 94815. PMID 2059741.
  14. ^ Р. Паршани, С. Карми, С. Хавлин (2010). «Эпидемический порог для модели восприимчивости к инфекциям в случайных сетях». Phys. Rev. Lett. 104 (25): 258701. arXiv:0909.3811. Bibcode:2010PhRvL.104y8701P. Дои:10.1103 / PhysRevLett.104.258701. PMID 20867419.CS1 maint: несколько имен: список авторов (связь)
  15. ^ Л. Д. Вальдес, Л. А. Браунштейн, С. Хавлин (2020). «Распространение эпидемии по модульным сетям: страх объявить пандемию». Физический обзор E. 101 (3): 032309. arXiv:1909.09695. Bibcode:2020PhRvE.101c2309V. Дои:10.1103 / PhysRevE.101.032309. PMID 32289896.CS1 maint: несколько имен: список авторов (связь)
  16. ^ Кострис-Вас К., Шварц Э. Дж., Смит? RJ (ноябрь 2020 г.). «Прогнозирование COVID-19 с использованием прошлых пандемий в качестве ориентира: насколько надежными были математические модели тогда и насколько надежными они будут сейчас?». Математические биологические науки и инженерия. 17 (6): 7502–7518. Дои:10,3934 / мбэ.

дальнейшее чтение

внешняя ссылка

Программного обеспечения
  • Конструктор моделей: Интерактивное (на основе графического интерфейса) программное обеспечение для создания, моделирования и анализа моделей ODE.
  • Симулятор GLEaMviz: Позволяет моделировать возникающие инфекционные заболевания, распространяющиеся по всему миру.
  • КОРЕНЬ: Платформа с открытым исходным кодом для эпидемиологического моделирования, доступная через Eclipse Foundation.
  • р упаковка наблюдение: Временное и пространственно-временное моделирование и мониторинг эпидемических явлений