Bu çalışmadaki stokastik meta-popülasyon kompartıman modeli, Ebola virüsü hastalığının (EVD) birden fazla coğrafi patch arasında yayılımını; hayvansal rezervuardan zoonotik girişleri, semptomatik enfekte kişilerden doğrudan bulaşı, bulaştırıcı cenaze maruziyetini, konvalesan kişilerden yakın temas kaynaklı bulaşı ve aşılama, temas azaltma ile güvenli/onurlu defin gibi müdahaleleri aynı matematiksel çerçevede temsil eden ayrık zamanlı bir salgın simülasyon modelidir.

Modelde insanlar duyarlı (S), maruz kalmış fakat henüz bulaştırıcı olmayan (E), bulaştırıcı ve yaşayan (I), bulaştırıcı cenaze maruziyeti oluşturan ölüler (F), gömülmüş ve artık bulaştırıcı olmayan ölüler (D), sınırlı bulaştırıcılığı devam eden konvalesanlar (C), tamamen iyileşmiş kişiler (R) ve aşılanıp tam bağışıklık kazanan kişiler (V) arasında stokastik olarak hareket eder. Her coğrafi patch, diğer patch'lerle bir bağlantı matrisi üzerinden epidemiyolojik olarak ilişkilidir.

Araştırmacılar modeli Demokratik Kongo Cumhuriyeti'nde zoonotik Ebola giriş riski yüksek olarak daha önce belirlenmiş yaklaşık 18.320 km²'lik bir bölgede örneklemiştir. 2015 nüfus tahminleri kullanılarak yaklaşık 5×5 km büyüklüğünde 857 patch ve toplam 1.877.034 kişi modellenmiş; başlangıçta bütün nüfus duyarlı kabul edilmiştir. Her biri 365 gün süren 200 bağımsız EVD salgını simülasyonu yürütülmüştür.

200 simülasyonda ortalama toplam salgın büyüklüğü 47,0 vaka, medyan 11,0 vaka ve çeyrekler arası aralık 3,8–43,8 vaka olarak bulunmuştur. En büyük simülasyon 770 vakaya ulaşmıştır. Salgınların büyüklüğü ve mekânsal yayılımı simülasyonlar arasında belirgin biçimde değişmiştir. İlk vakadan 365 gün sonra 200 simülasyonun 109'unda salgın henüz kontrol altına girmemiştir.

Reaktif aşılama da oldukça heterojen sonuç vermiştir: simülasyon başına ortalama 764,4 doz, medyan 94,5 doz ve IQR 0–713,8 doz uygulanmıştır. Bütün patch'ler ve simülasyonlar birlikte değerlendirildiğinde patch düzeyindeki aşılama kapsamı %0 ile %9,6 arasında değişmiştir.

Bu değerler gerçek bir DRC salgınının gözlenen sonuçları değildir. Çalışma, tarihsel Ebola parametreleri ve coğrafi girdiler kullanılarak yürütülmüş simülasyon senaryolarını göstermektedir. Yazarlar ayrıca modelin gerçek bir devam eden salgında kısa vadeli vaka sayısını tahmin etmek için tasarlanmadığını açıkça belirtmektedir.

Araştırma problemi

Ebola virüsü hastalığının modellenmesi tek bir bulaş yolunun modellenmesinden daha karmaşıktır. Salgın hayvansal rezervuardan insanlara zoonotik girişle başlayabilir; ardından yaşayan semptomatik kişiler, enfekte kişinin cenazesi ve bazı konvalesan kişiler farklı düzeylerde bulaşa katkıda bulunabilir. Bulaş coğrafi olarak da yayılabilir ve halk sağlığı müdahaleleri patch'ten patch'e farklı zamanlarda devreye girebilir.

Kaynak çalışma, önceki modellerin çoğunun bu özelliklerden yalnız bazılarına odaklandığını belirtmektedir. Araştırmacıların amacı bu parçaları tek ve hesaplama açısından verimli bir çerçevede birleştirerek sürveyans, hazırlık, aşılama ve müdahale ölçeklendirmesi gibi halk sağlığı sorularını inceleyebilecek genel amaçlı bir EVD simülatörü geliştirmektir.

Araştırma ekibi EVD yanıt paydaşlarıyla yaptığı istişare sonrasında modelin özellikle dört tür soruya cevap verebilmesini hedeflemiştir: hangi toplulukların güçlendirilmiş sürveyans için önceliklendirilmesi gerektiği; belirli bir konumdaki vakadan sonra hangi toplulukların yayılım açısından daha yüksek risk taşıdığı; farklı müdahale kombinasyonlarının epidemiyolojik sonuçlarının ne olabileceği; ve bütün bu soruların farklı mekânsal ve zamansal ölçeklerde araştırılabilmesi.

Stokastik Meta-Popülasyon Modeli Nedir?

Stokastik meta-popülasyon modeli, nüfusu epidemiyolojik olarak birbirine bağlı çok sayıda coğrafi alt birime ayıran ve bireylerin hastalık durumları arasındaki geçişlerini kesin sayılar yerine olasılık dağılımlarından rastgele çekilen olaylar olarak simüle eden bir modeldir; bu çalışmada her patch kendi S–E–I–F–D–C–R–V dinamiklerine sahipken patch'ler arası bulaş bağlantı matrisiyle birbirine bağlanır.

“Stokastik” ne demektir?

Deterministik bir model aynı başlangıç koşullarında her çalıştırıldığında aynı sonucu üretir. Stokastik modelde ise bulaşma, iyileşme, ölüm veya aşılama gibi olaylar olasılık dağılımlarından çekildiği için aynı genel parametrelerle yürütülen iki simülasyon farklı salgın büyüklükleri ve farklı mekânsal yayılım desenleri üretebilir.

Bu nedenle araştırmacılar tek bir simülasyonu “beklenen gelecek” olarak kullanmak yerine modeli 200 kez bağımsız çalıştırmıştır. Bulguların ortalama, medyan, IQR ve yüzdelikler gibi dağılım ölçütleriyle sunulmasının nedeni budur.

“Meta-popülasyon” ne demektir?

Meta-popülasyon yaklaşımında tek ve tamamen karışmış bir nüfus yerine birbirine bağlı coğrafi alt nüfuslar kullanılır. Çalışma bu alt birimlere patch adını vermektedir.

Bir patch kaynak tarafından homojen coğrafi birim olarak tanımlanır. Patch içindeki bireylerin aynı durum geçiş hızlarına maruz kaldığı varsayılır. Patch'ler birbirinden bağımsız değildir; bir patch'te üretilen enfeksiyon kuvvetinin bir bölümü başka bir patch'te yeni enfeksiyon oluşturabilir.

Patch bağlantı matrisi Δ neyi temsil eder?

Modelde coğrafi bağlantı \(\Delta=\{\delta_{i,j}\}\) matrisiyle ifade edilir. \(\delta_{i,j}\), kaynak patch \(i\)'de oluşan enfeksiyon kuvvetinin ne kadarının hedef patch \(j\)'de yeni vakaları beslediğini gösterir.

Matris row-stochastic olarak tanımlanmıştır; yani her satırın toplamı 1'dir. Köşegen elemanlar enfeksiyon kuvvetinin kaynak patch'in kendi içinde kalan bölümünü temsil eder.

Simülasyon çalışmasındaki bağlantı matrisi, daha önce yayımlanmış yönteme göre karayolu ağıyla sınırlandırılmış bir gravity model kullanılarak oluşturulmuştur.

Zoonotik giriş matrisi H neyi temsil eder?

Hayvansal rezervuardan insanlara yeni Ebola girişleri, zaman ve konuma göre değişebilen \(\eta_{t,j}\) bireysel zoonotik enfeksiyon hızıyla modellenmiştir.

Kaynağın kullandığı yaklaşımda giriş riski, Ebola hayvan konaklarının habitat uygunluğu ve insanların bu konaklarla karşılaşma sıklığıyla ilişkilendirilmiştir.

Bu mekanizma, yalnız ilk insan vakasının simülasyon başında eklenmesiyle yetinmeyip simülasyon süresince yeni zoonotik giriş olasılığının devam etmesini sağlar.

Modeldeki sekiz temel durum

Durum denklemleri nasıl çalışıyor?

Her zaman adımında bir kompartımandaki kişi sayısı, önceki zaman adımındaki kişi sayısına o kompartımana giren kişilerin eklenmesi ve çıkan kişilerin çıkarılmasıyla güncellenir.

\(S_{t+1,j}=S_{t,j}-n_{S_{t,j}\rightarrow E_{t,j}}-n_{S_{t,j}\rightarrow V_{t,j}}\)

Duyarlı kişiler iki yolla S kompartımanından çıkar: enfekte olarak E durumuna geçebilir veya aşılanıp V durumuna geçebilir.

\(E_{t+1,j}=E_{t,j}+n_{S_{t,j}\rightarrow E_{t,j}}-n_{E_{t,j}\rightarrow I_{t,j}}\)

E kompartımanına yeni enfeksiyonlar girer; inkübasyon tamamlandığında kişiler I durumuna geçer.

\(I_{t+1,j}=I_{t,j}+n_{E_{t,j}\rightarrow I_{t,j}}-n_{I_{t,j}\rightarrow F_{t,j}}-n_{I_{t,j}\rightarrow D_{t,j}}-n_{I_{t,j}\rightarrow R_{t,j}}-n_{I_{t,j}\rightarrow C_{t,j}}\)

I durumundaki kişi hastalık süreci sonunda dört olası çıkıştan birine gider: güvensiz definle ilişkili bulaştırıcı cenaze durumu F, doğrudan bulaştırıcı olmayan ölüm durumu D, tam iyileşme R veya konvalesan C.

\(D_{t+1,j}=D_{t,j}+n_{I_{t,j}\rightarrow D_{t,j}}+n_{F_{t,j}\rightarrow D_{t,j}}\)

\(F_{t+1,j}=F_{t,j}+n_{I_{t,j}\rightarrow F_{t,j}}-n_{F_{t,j}\rightarrow D_{t,j}}\)

\(R_{t+1,j}=R_{t,j}+n_{I_{t,j}\rightarrow R_{t,j}}+n_{C_{t,j}\rightarrow R_{t,j}}\)

\(C_{t+1,j}=C_{t,j}+n_{I_{t,j}\rightarrow C_{t,j}}-n_{C_{t,j}\rightarrow R_{t,j}}\)

\(V_{t+1,j}=V_{t,j}+n_{S_{t,j}\rightarrow V_{t,j}}\)

Buradaki \(n_{A\rightarrow B}\), bir zaman adımında A durumundan B durumuna geçen kişi sayısını ifade eder. Bu sayılar deterministik olarak hesaplanmaz; modelin stokastik yapısı nedeniyle olasılık dağılımlarından çekilir.

Tek bir geçiş olduğunda binom dağılımı

Bir A durumundan yalnız bir B durumuna geçiş mümkünse kaynak şu genel yapıyı kullanır:

\(n_{A\rightarrow B}\sim \mathrm{B}\left(A,1-e^{-\lambda}\right)\)

Formül neyi hesaplar? A kompartımanındaki kaç kişinin bir model zaman adımında B durumuna geçeceğini stokastik olarak üretir.

\(A\), başlangıçta risk altında bulunan kişi sayısıdır.

\(\lambda\), geçiş hızıdır.

\(1-e^{-\lambda}\), sürekli-zamanlı bir olay hızını bir zaman adımında gerçekleşme olasılığına dönüştürür.

\(\mathrm{B}(n,p)\), n birey ve p olay olasılığı bulunan binom dağılımını ifade eder.

Kaynak bu yapıyı üç temel geçiş için açıkça verir:

\(n_{E_{t,j}\rightarrow I_{t,j}}\sim \mathrm{B}\left(E_{t,j},1-e^{-\alpha}\right)\)

\(n_{F_{t,j}\rightarrow D_{t,j}}\sim \mathrm{B}\left(F_{t,j},1-e^{-\tau}\right)\)

\(n_{C_{t,j}\rightarrow R_{t,j}}\sim \mathrm{B}\left(C_{t,j},1-e^{-\rho}\right)\)

Burada \(\alpha\) ortalama inkübasyon süresinin tersini, \(\tau\) bulaştırıcı cesedin gömülmesine kadar geçen ortalama sürenin tersini ve \(\rho\) konvalesan dönemin ortalama süresinin tersini temsil eder.

Örneğin ortalama inkübasyon süresi uzadığında \(\alpha\) küçülür; bu da bir zaman adımında E'den I'ya geçiş olasılığını azaltır. Bu açıklama kaynak denklemin matematiksel anlamıdır; yeni simülasyon sonucu değildir.

Birden fazla olası çıkış olduğunda iki aşamalı süreç

Bir kompartımandan birden fazla hedef duruma geçiş mümkünse önce toplam kaç kişinin kompartımandan çıkacağı binom dağılımıyla belirlenir:

\(n_{A\rightarrow\bullet}\sim \mathrm{B}\left(A,1-e^{-\sum_k\lambda_k}\right)\)

Daha sonra çıkan bireyler olası hedef durumlara multinom dağılımıyla paylaştırılır:

\(\left(n_{A\rightarrow B_1},\ldots,n_{A\rightarrow B_K}\right)\sim \mathrm{M}\left(n_{A\rightarrow\bullet},\frac{\lambda_1}{\sum_k\lambda_k},\ldots,\frac{\lambda_K}{\sum_k\lambda_k}\right)\)

Bu iki aşama önemlidir. İlk adım “kaç kişi ayrılıyor?”, ikinci adım ise “ayrılanlar hangi hedef durumlara gidiyor?” sorusunu çözer.

Duyarlı kişiler enfeksiyon ile aşılama arasında nasıl paylaştırılıyor?

Duyarlı kompartımandan çıkışın toplam hızı enfeksiyon kuvveti ile aşılama hızının birleşimidir:

\(n_{S_{t,j}\rightarrow\bullet}\sim \mathrm{B}\left(S_{t,j},1-e^{-(\Lambda_{t,j}+\nu_{t,j})}\right)\)

Kaynak PDF'deki dizgide üstelin parantezleri görsel olarak sıkışık görünmektedir; takip eden multinom paydası ve yöntem açıklaması toplam çıkış hızının \(\Lambda+\nu\) olduğunu açıkça göstermektedir. Burada okunabilirlik için toplam hız parantezle gösterilmiştir; model yapısı değiştirilmemiştir.

Duyarlı kompartımandan çıkan kişilerin enfeksiyon ve aşılama arasında paylaşımı:

\(\left(n_{S\rightarrow E},n_{S\rightarrow V}\right)\sim \mathrm{M}\left(n_{S\rightarrow\bullet},\frac{\Lambda_{t,j}}{\Lambda_{t,j}+\nu_{t,j}},\frac{\nu_{t,j}}{\Lambda_{t,j}+\nu_{t,j}}\right)\)

Bu formül enfeksiyon ve aşılamayı aynı duyarlı nüfus üzerinde yarışan iki olay olarak temsil eder.

Enfeksiyon Kuvveti \(\Lambda\) Modelde Neyi Hesaplıyor?

Enfeksiyon kuvveti \(\Lambda_{t,j}\), zaman t ve patch j'deki tek bir duyarlı kişinin zoonotik giriş, yaşayan bulaştırıcı vakalar, bulaştırıcı cenazeler ve konvalesan kişilerden gelen toplam enfeksiyon baskısını temsil eder; bu baskıya diğer patch'lerden gelen katkılar \(\delta_{i,j}\) bağlantı katsayılarıyla taşınır.

Kaynakta verilen enfeksiyon kuvveti:

\(\Lambda_{t,j}=\eta_{t,j}+\sum_i\delta_{i,j}\beta_{I,t,i}\frac{I_{t,i}}{N_{t,i}A_i}+\sum_i\delta_{i,j}\beta_F\frac{F_{t,i}}{(N_{t,i}+F_{t,i})A_i}+\sum_i\delta_{i,j}\beta_C\frac{C_{t,i}}{N_{t,i}A_i}\)

\(\eta_{t,j}\): patch j'deki bireysel zoonotik giriş hızı.

\(\delta_{i,j}\): patch i'de oluşan enfeksiyon baskısının patch j'ye aktarılan oranı.

\(\beta_{I,t,i}\): yaşayan bulaştırıcı vakalardan bulaş hızı.

\(\beta_F\): cenaze maruziyetinden bulaş hızı.

\(\beta_C\): konvalesan kişilerden bulaş hızı.

\(I_{t,i}\), \(F_{t,i}\), \(C_{t,i}\): ilgili bulaş kaynaklarındaki kişi sayıları.

\(N_{t,i}\): yaşayan toplam nüfus.

\(A_i\): patch i'nin yüzey alanı.

Model, klasik frekans-bağımlı bulaş modellerinden farklı olarak teması yüzey alanıyla da ölçekler. Böylece benzer nüfusa fakat farklı yüzey alanlarına sahip idari/coğrafi birimlerde nüfus yoğunluğunun bulaş üzerindeki etkisi temsil edilebilir.

Bütün patch'lerin yüzey alanı aynı olduğunda kaynak \(A_i=1\) alınabileceğini ve yapının klasik frekans-bağımlı forma döndüğünü belirtmektedir.

I kompartımanından çıkış ve ölüm/iyileşme dallanması

Bulaştırıcı kişilerin I durumundan çıkış hızı \(\gamma\) ile belirlenir:

\(n_{I_{t,j}\rightarrow\bullet}\sim \mathrm{B}\left(I_{t,j},1-e^{-\gamma}\right)\)

\(\gamma\), ortalama hastalık süresinin tersidir.

I durumundan çıkan kişiler dört olasılığa ayrılır:

\(\left(n_{I\rightarrow F},n_{I\rightarrow D},n_{I\rightarrow C},n_{I\rightarrow R}\right)\sim \mathrm{M}\left(n_{I\rightarrow\bullet},p_{\mathrm{death}}(1-p_{\mathrm{sdb}}),p_{\mathrm{death}}p_{\mathrm{sdb}},(1-p_{\mathrm{death}})p_{\mathrm{conv}},(1-p_{\mathrm{death}})(1-p_{\mathrm{conv}})\right)\)

\(p_{\mathrm{death}}\), enfeksiyon sonucunda ölen vakaların oranıdır.

\(p_{\mathrm{sdb}}\), ölen vakaların güvenli ve onurlu defin (safe and dignified burial, SDB) geçiren oranıdır.

\(p_{\mathrm{conv}}\), hayatta kalanların konvalesan C durumuna giren oranıdır.

Ölen bir kişi güvenli/onurlu defin yapılmıyorsa önce bulaştırıcı cenaze F durumuna girebilir. Güvenli defin gerçekleşiyorsa doğrudan bulaştırıcı olmayan D durumuna geçer.

Naive, Alert ve Response Durumları Ne İşe Yarıyor?

Naive, alert ve response, bireyin hastalık durumları değil patch'in halk sağlığı müdahale düzeyleridir: naive patch'te aktif müdahale yoktur; alert patch, komşu bölgelerden vaka ithal etme riski nedeniyle sınırlı önlem alır; response patch ise kendi içinde devam eden salgına karşı tam müdahale durumundadır.

Alert durumu nasıl tetikleniyor?

Alert, diğer patch'lerden beklenen ortalama vaka ithalatının bir eşik değerini geçmesiyle oluşur. Kaynağın matematiksel yapısı özetle:

\(f_{\mathrm{alert}}(t,j)=\mathbf{1}\left(\sum_{i\ne j}\delta_{i,j}\left[\beta_{I,t,i}\frac{I_{t,i}}{N_{t,i}A_i}+\beta_F\frac{F_{t,i}}{(N_{t,i}+F_{t,i})A_i}+\beta_C\frac{C_{t,i}}{N_{t,i}A_i}\right]\ge\theta_{\mathrm{alert}}\right)\)

\(\mathbf{1}(\cdot)\) gösterge fonksiyonudur: koşul doğruysa 1, yanlışsa 0 üretir.

\(\theta_{\mathrm{alert}}\), patch'in alert durumuna geçmesi için gereken dışarıdan beklenen vaka baskısı eşiğidir.

Response durumu nasıl tetikleniyor?

Patch'in kendi içindeki bulaştırıcı kişi sayısı belirlenmiş eşik değerine ulaştığında response durumu aktive edilir:

\(f_{\mathrm{response}}(t,j)=\mathbf{1}\left(I_{t,j}\ge\theta_{\mathrm{response}}\right)\)

Hem alert hem response koşulu aynı anda karşılanırsa model response durumunu kullanır; iki müdahale durumu üst üste bindirilmez.

Naive durum

\(f_{\mathrm{naive}}(t,j)=\mathbf{1}\left(f_{\mathrm{alert}}(t,j)+f_{\mathrm{response}}(t,j)=0\right)\)

Yani patch ne alert ne de response koşulunu karşılıyorsa naive kabul edilir.

Müdahale durumu bulaş hızını nasıl değiştiriyor?

Yaşayan bulaştırıcı vakalardan kaynaklanan bulaş hızı patch'in durumuna göre seçilir:

\(\beta_{I,t,j}=\beta_I^{\mathrm{naive}}f_{\mathrm{naive}}(t,j)+\beta_I^{\mathrm{alert}}f_{\mathrm{alert}}(t,j)+\beta_I^{\mathrm{response}}f_{\mathrm{response}}(t,j)\)

Aynı mantık aşılama hızında da kullanılır:

\(\nu_{t,j}=\nu^{\mathrm{naive}}f_{\mathrm{naive}}(t,j)+\nu^{\mathrm{alert}}f_{\mathrm{alert}}(t,j)+\nu^{\mathrm{response}}f_{\mathrm{response}}(t,j)\)

Güvenli ve onurlu defin oranı da patch durumuna bağlıdır:

\(p_{\mathrm{sdb},t,j}=p_{\mathrm{sdb}}^{\mathrm{naive}}f_{\mathrm{naive}}(t,j)+p_{\mathrm{sdb}}^{\mathrm{alert}}f_{\mathrm{alert}}(t,j)+p_{\mathrm{sdb}}^{\mathrm{response}}f_{\mathrm{response}}(t,j)\)

Böylece müdahale tek bir soyut “kontrol katsayısı” değildir. Model en az üç mekanizmayı ayrı ayrı değiştirebilir: yaşayan vakalardan bulaşın azaltılması, aşılama hızının artırılması ve güvenli/onurlu defin sıklığının artırılması.

Müdahaleler nasıl sona eriyor?

Alert veya response durumunu tetikleyen koşullar sona erdiğinde müdahale hemen kapatılmaz. Kaynak, eşiklerin belirli sayıda ardışık gün boyunca karşılanmaması gerektiğini tanımlar.

\(\kappa_{\mathrm{alert}}\) ve \(\kappa_{\mathrm{response}}\), ilgili durumun sona ermesinden önce eşik altında geçirilmesi gereken gün sayısını temsil eder.

Response patch, alert koşulu hâlâ karşılanıyorsa alert durumuna dönebilir; aksi halde naive durumuna geçer. Alert durumundaki patch ise koşullar sona erince naive durumuna döner.

\(R_0\) değerinden günlük bulaş hızı nasıl elde edildi?

Çalışmanın modelinde farklı bulaş kaynakları için günlük enfeksiyon hızlarına ihtiyaç vardır. Ancak literatürde bulaşıcılık çoğunlukla temel üreme sayısı \(R_0\) olarak raporlandığı için araştırmacılar önce yakın dönem Ebola salgınlarıyla uyumlu \(R_0\) değerlerini simüle etmiştir.

Kaynak \(R_0\) için log-normal dağılım, ortalama 1,5 ve standart sapma 0,1 kullandığını belirtmektedir.

Ardından temel enfeksiyon hızı:

\(\beta=R_0\gamma\)

ilişkisiyle elde edilmiştir.

\(R_0\), müdahale ve bağışıklığın bulunmadığı koşullarda tipik bir enfekte kişinin oluşturduğu ortalama ikincil vaka sayısının kavramsal ölçüsüdür.

\(\gamma\), ortalama hastalık süresinin tersidir.

\(\beta\), buna karşılık gelen bulaş hızıdır.

Yaşayan enfekte kişiler, cenaze maruziyetleri ve konvalesan kişiler arasındaki bulaştırıcılık farkları daha sonra literatüre dayalı katsayılarla bu temel \(\beta\) üzerinden ölçeklenmiştir.

Çalışmanın Yöntemi ve Bulguları

Simülasyon coğrafyası ve nüfus

İlk vaka hangi patch'e yerleştirildi?

İndeks vakanın yeri bütün patch'ler arasında eşit olasılıkla seçilmemiştir. Patch seçilme olasılığı, ilgili patch'teki beklenen Ebola girişlerinin göreli miktarıyla orantılı tutulmuştur.

Beklenen giriş riski nüfus yoğunluğu ile bireysel zoonotik giriş hızının çarpımı üzerinden tanımlanmıştır. Bu nedenle çevresel olarak daha yüksek giriş riski bulunan bölgeler simülasyon başlangıcında daha sık indeks vaka konumu olmuştur.

Doğal tarih ve müdahale parametreleri

İnkübasyon süresi, hastalık süresi, bulaştırıcılık ve müdahale girdileri önceki Ebola literatürüne dayandırılmıştır. Doğal değişkenliği ve parametre belirsizliğini temsil etmek için bazı girdiler sabit değer olarak değil dağılımlardan çekilmiştir.

Önemli kaynak sınırı: Bu dağılımların ayrıntılı parametreleri ana PDF'de verilmemekte, Table S1'e bırakılmaktadır. Yüklenen kaynak dosyası supplementary Table S1'i içermediği için Verianla metninde eksik parametre değerleri tamamlanmamıştır.

Model hangi yazılımla uygulandı?

Model R istatistiksel hesaplama ortamında odin paketi kullanılarak gerçekleştirilmiştir. Odin, model kodundan otomatik C kodu üreterek büyük sayıda stokastik simülasyonun daha hesaplama-verimli yürütülmesini sağlar.

Kaynak, model betiği ile zoonotik giriş matrisi H ve bağlantı matrisi Δ'nın MIT lisansı altında açık olarak yayımlandığını bildirmektedir.

Kaynak kod deposu: https://github.com/thibautjombart/ebola_model_odin

200 simülasyonun ana sonuçları

Ortalama 47 vaka ile medyan 11 vaka neden bu kadar farklı?

Stokastik simülasyonlarda salgınların çoğu küçük kalırken az sayıdaki büyük salgın ortalamayı yukarı çekebilir. Kaynakta medyan 11 iken ortalamanın 47 ve maksimumun 770 olması, salgın büyüklüğü dağılımının oldukça heterojen olduğunu gösterir.

Bu durum modelin “tipik salgın kesin 47 vakadır” dediği anlamına gelmez. Ortalama, 200 farklı stokastik gerçekleşmenin aritmetik özetidir.

Ek zoonotik girişlerin ortalaması neden küçük olmasına rağmen önemli?

Simülasyon sırasında devam eden zoonotik girişler yılda ortalama yalnız 1,7 ek vaka oluşturmuştur. Ancak bu yeni vakalar mevcut bulaş zincirinden farklı bir patch'te ortaya çıkabildiği için yeni bir ikincil salgın odağı başlatabilir.

Dolayısıyla epidemiyolojik önemi yalnız eklenen vaka sayısıyla ölçülmez; vakaların coğrafi olarak nerede ortaya çıktığı da önemlidir.

Patch-day ne demektir?

Patch-day, bir coğrafi patch'in belirli bir müdahale durumunda geçirdiği bir günü ifade eder. Örneğin aynı patch'in 10 gün alert kalması 10 alert patch-day üretir; 100 farklı patch'in birer gün alert kalması da toplam 100 alert patch-day üretir.

Bu ölçü hem müdahalenin süresini hem de coğrafi kapsamını tek sayıda birleştirmeye yardımcı olur.

En büyük salgında operasyonel yük

Kaynak, 750'den fazla vakaya ulaşan en büyük simülasyonun 8900'den fazla alert patch-day ve yaklaşık 600 response patch-day ürettiğini bildirmektedir. Bu sonuç büyük salgınların yalnız daha fazla vaka değil, çok daha geniş ve uzun süreli operasyonel yanıt gerektirebileceğini göstermektedir.

Kaynak Şekil 2'nin dört paneli ne gösteriyor?

Panel A, bütün patch'lerdeki bulaştırıcı I kompartımanının 365 gün boyunca değişimini gösterir. Koyu çizgi 200 simülasyonun ortalamasını, renkli alan ise epidemik eğrilerin merkezî %80'ini, yani 10. ve 90. yüzdelikler arasını temsil eder.

Panel B, 365. günde S dışındaki kompartımanların 200 simülasyondaki dağılımını gösterir. Y ekseni gruplar arasında büyük büyüklük farkları bulunduğu için log10 ölçeğindedir.

Panel C, 200 simülasyon boyunca patch başına ortalama vaka sayısının mekânsal dağılımını gösterir. En yüksek ortalama vaka yoğunluğuna sahip odaklardan biri aynı zamanda en yüksek nüfus yoğunluğuna sahip patch ile ilişkilidir.

Panel D, patch başına ortalama alert durumunda geçirilen gün sayısını gösterir ve yazarlar bunu güçlendirilmiş hazırlık için potansiyel öncelik alanlarının belirlenmesinde kullanılabilecek bir çıktı olarak tartışmaktadır.

Ana PDF, bu panellerin bütün ham zaman serisi ve patch-seviyesi değerlerini metin halinde vermediği için Verianla'da kaynak grafiğinin kesin sayısal yeniden çizimi yapılmamıştır.

Bu Model Gerçek Bir Ebola Salgınını Tahmin Etmek İçin Kullanılabilir mi?

Kaynak yazarları bu kompartıman modelinin olası salgın senaryolarını, hazırlık ihtiyaçlarını ve müdahale seçeneklerini simüle etmek için yararlı olduğunu; ancak devam eden gerçek bir salgında gelecekteki kısa vadeli vaka insidansını tahmin etmek için uygun bir forecasting modeli olmadığını açıkça belirtmektedir.

Model ne için kullanılabilir?

• zoonotik giriş riski bulunan alanlarda olası salgın senaryolarını araştırmak,
• hangi patch'lerin vaka ithalatına daha açık olabileceğini incelemek,
• alert bölgelerini hazırlık açısından önceliklendirmek,
• farklı temas azaltma, aşılama ve güvenli defin stratejilerini karşılaştırmak,
• aşı stok miktarlarının olası ölçeğini değerlendirmek,
• önleyici veya reaktif müdahale senaryolarını test etmek,
• farklı mekânsal ölçeklerde hazırlık ve yanıt planlamasına destek olmak.

Model ne için tasarlanmamıştır?

• gerçek bir salgının önümüzdeki gün veya haftalardaki vaka sayısını doğrudan tahmin etmek,
• bireysel hastanın ölüm riskini hesaplamak,
• hane içi temas ağlarını birey düzeyinde temsil etmek,
• temaslı takibini birey düzeyinde simüle etmek,
• sağlık çalışanlarını ayrı risk grubu olarak temsil etmek,
• hastane içi bulaşı ayrıntılı biçimde simüle etmek,
• maruziyet sonrası aşılamanın bireysel mortalite üzerindeki etkisini doğrudan üretmek.

Çalışmanın desteklediği sonuçlar

• Zoonotik giriş, farklı bulaş yolları, mekânsal bağlantı ve birden fazla müdahale mekanizması tek stokastik modelde birleştirilebilir.
• Simüle edilen salgın büyüklükleri çok geniş bir dağılım göstermiştir.
• Az sayıdaki devam eden zoonotik giriş yeni coğrafi odakların oluşmasını etkileyebilir.
• Patch'ler salgın boyunca naive, alert ve response durumları arasında dinamik biçimde hareket edebilir.
• Alert durumunda sık bulunan bölgeler hazırlık ve sürveyans açısından olası öncelik alanları olarak belirlenebilir.
• Reaktif aşılama ihtiyacı salgın büyüklüğüne bağlı olarak çok heterojendir.
• Model açık kaynak R/odin uygulamasıyla çok sayıda simülasyon yürütmek için hesaplama açısından verimli şekilde uygulanmıştır.

Çalışmanın desteklemediği sonuçlar

• DRC'deki gelecekteki gerçek Ebola salgınının ortalama 47 vaka olacağı söylenemez.
• 770 vaka gelecekteki maksimum gerçek salgın büyüklüğü değildir.
• Model sonuçları saha gözlemi veya klinik veri değildir.
• %29,2 alert patch oranı bütün DRC için gözlenen gerçek bir sürveyans oranı değildir.
• Ortalama 764,4 aşı dozu gerçek bir stok ihtiyacı için evrensel sayı değildir.
• Model aşılama stratejisinin gerçek hayattaki etkinliğini klinik olarak kanıtlamaz.
• Model bireyler arası temas heterojenliğini veya household transmission ayrıntılarını doğrudan temsil etmez.
• Model gerçek salgın sırasında kısa vadeli vaka forecast aracı olarak doğrulanmamıştır.

Modelin temel varsayımları ve sınırlılıkları

Tek ortalama hastalık süresi: Model ölümle sonuçlanan ve taburculukla sonuçlanan vakalar için aynı ortalama hastalık süresi yaklaşımını kullanmaktadır. Gerçekte semptom başlangıcından ölüme kadar geçen süre, taburculuğa kadar geçen süreden daha kısa olabilir.

Hastane kompartımanı yok: Hastaneye yatış ayrı kompartıman olarak modellenmemiştir.

Sağlık çalışanları ayrı sınıf değil: Healthcare worker popülasyonu özel risk grubu olarak tanımlanmamıştır. Bu nedenle hastane içi bulaş ve sağlık çalışanlarına yönelik özel müdahaleler ayrıntılı biçimde incelenemez.

Reaktif aşılama sabit hız varsayımı: Patch alert veya response durumundayken aşılama sabit hızla uygulanır. Gerçek hayatta ring veya coğrafi hedefli aşılama vaka sayısıyla ölçeklenebilir ve salgının başlangıcında aktive edilmesi zaman alabilir.

Bağlantı matrisi zamanla sabit: Patch'ler arası bağlantının salgın boyunca değişmediği kabul edilmiştir. Gerçekte salgın, güvenlik durumu, davranış veya seyahat kısıtlamaları hareketliliği değiştirebilir.

Girdilere bağımlılık: Model çıktılarının anlamlı olması gerçekçi parametre girdilerine bağlıdır. Tarihsel Ebola verilerindeki doğal değişkenlik ve belirsizlik uygun dağılımlarla temsil edilmelidir.

Bireysel heterojenlik yok: Kompartıman modeli nüfus düzeyindeki dinamikleri temsil eder; superspreading, hane yapısı, temas ağı ve ayrıntılı temaslı takibi gibi bireysel düzey süreçler için individual-based model gerekebilir.

Post-exposure vaccination sınırı: Model maruziyet sonrası aşılamanın bireysel ölüm riski üzerindeki etkisini kolaylıkla temsil edemez.

Forecasting sınırı: Model senaryo simülasyonu içindir; gerçek salgında güncel insidans verisini kullanarak kısa vadeli vaka tahmini yapan araç değildir.

Hesaplama ölçeklenebilirliğinin sınırı

Patch'ler arası yayılım \(J\times J\) bağlantı matrisi Δ ile temsil edildiği için bellek gereksinimi patch sayısının karesiyle ölçeklenir:

\(\mathrm{Bellek\ gereksinimi}\propto J^2\)

Bu denklem kaynakta ayrı model denklemi olarak verilmemekle birlikte tartışma bölümündeki açık hesaplama ölçeklenmesi ifadesinin matematiksel gösterimidir.

Yazarlar 10.000 patch'in ötesindeki daha büyük meta-popülasyonların özel yüksek performanslı hesaplama kaynakları gerektirebileceğini belirtmektedir.

Gelecekte genişletilebilecek kullanım alanları

Zoonotik giriş hızları modelde hem mekânsal hem zamansal değişebilir yapıdadır. Bu nedenle uygun ekolojik girdiler sağlandığında mevsimsellik veya iklim değişikliğinin zoonotik giriş üzerindeki etkileri senaryo olarak araştırılabilir.

Başlangıç kompartımanları kullanıcı tarafından tanımlanabildiği için daha önce Ebola yaşamış toplumlarda konvalesan C durumundan yeniden giriş veya önceden var olan aşı/iyileşme bağışıklığı gibi senaryolar da değerlendirilebilir.

Ancak bu esneklik söz konusu etkilerin bu makalede doğrudan test edildiği anlamına gelmez; kaynak bunları modelin gelecekte kullanılabilecek işlevleri olarak tartışmaktadır.

Kaynak ve Yöntem Notu

Özgün başlık: A stochastic meta-population model of Ebola virus disease transmission for informing public health decisions

Yazarlar: Thibaut Jombart; Sarah Kada; Debapriyo Chakraborty; David W. Redding; Jessica Abbate.

Correspondence: Kaynak PDF Thibaut Jombart için Imperial College London Department of Infectious Disease Epidemiology'ye correspondence işareti; Jessica Abbate için Geomatys, Montpellier adresine corresponding-author işareti vermektedir.

Eş katkı: İncelenen kaynakta eş birinci yazar/eş katkı bildirimi bulunmamaktadır.

Kurum a: Geomatys, Montpellier, France.

Kurum b: MRC Centre for Global Infectious Disease Analysis, School of Public Health, Imperial College London, United Kingdom.

Kurum c: Science Department, The Natural History Museum, London, United Kingdom.

Kurum d: Biocomplexity Institute, University of Virginia, Charlottesville, VA, USA.

Dergi: Epidemics.

Cilt / yayın dönemi / makale numarası: Volume 55, June 2026, 100922.

DOI: 10.1016/j.epidem.2026.100922.

Yayınevi: Elsevier B.V.

Alınma tarihi: 12 Ocak 2026.

Revizyon tarihi: 4 Mayıs 2026.

Kabul tarihi: 20 Mayıs 2026.

Çevrimiçi yayın tarihi: 4 Haziran 2026.

Kaynak türü: Hakemli modelleme ve simülasyon araştırma makalesi.

Lisans: Creative Commons Attribution 4.0 International (CC BY 4.0).

Model türü: Ayrık zamanlı, stokastik, kompartımanlı meta-popülasyon EVD bulaşma modeli.

Kompartımanlar: S, E, I, F, D, C, R, V.

Meta-popülasyon bağlantısı: Row-stochastic Δ bağlantı matrisi.

Zoonotik giriş: Zaman ve konuma göre değişen H giriş matrisi / η_t,j hızı.

Temel bulaş yolları: Yaşayan bulaştırıcı vakalar, cenaze maruziyeti ve konvalesan kişiler.

Müdahaleler: Bulaştırıcı kişilerle teması azaltma, aşılama oranını artırma ve güvenli/onurlu defin oranını artırma.

Patch müdahale durumları: naive, alert, response.

Simülasyon sayısı: 200.

Simülasyon süresi: 365 gün.

Simülasyon alanı: DRC'de yaklaşık 18.320 km².

Patch sayısı: 857.

Patch boyutu: Yaklaşık 5×5 km; 2,5 arc-minute çözünürlük.

Başlangıç nüfusu: 1.877.034; tamamı başlangıçta duyarlı.

R0 örneklemesi: Log-normal dağılım; kaynakta ortalama 1,5 ve standart sapma 0,1 olarak belirtilmiştir.

R0–bulaş hızı ilişkisi: \(\beta=R_0\gamma\).

Yazılım: R ve odin.

Kod lisansı: MIT.

Kod deposu: https://github.com/thibautjombart/ebola_model_odin

Ek materyal sınırı: Doğal tarih ve müdahale parametrelerinin ayrıntılı dağılımları Table S1'de verilmektedir. Yüklenen ana PDF supplementary dosyayı içermediğinden bu değerler Verianla tarafından tamamlanmamıştır.

Kaynak Şekil 1: S–E–I–F–D–C–R–V durumlarını, geçiş hızlarını ve I/F/C kaynaklı enfeksiyon kuvvetlerini göstermektedir. Bilimsel ilişkiler Verianla için bağımsız inline SVG ile yeniden oluşturulmuştur.

Kaynak Şekil 2: 200 simülasyonun epidemik eğrilerini, 365. gündeki kompartıman dağılımlarını, ortalama vaka haritasını ve alert günleri haritasını göstermektedir. Ham simülasyon serileri ve patch değerleri ana PDF'de tablo halinde bulunmadığından grafik veya harita sahte kesinlikle yeniden çizilmemiş; kaynakta açıkça raporlanan sayılar HTML tablosuna aktarılmıştır.

Veri erişilebilirliği: Yazarlar model betiğini MIT lisansıyla açık GitHub deposunda yayımlamıştır.

Finansman: MSD Investigator Studies Program (MISP; MISP-Ebola-3 IIS Tracking #100074), BPI France Innovation Competition kapsamında France 2030 EPIWISE projesi ve European Space Agency ARTES 4.0 Business Applications and Space Solutions Demonstration Project tarafından finansman sağlanmıştır. Yazarlar fon sağlayıcıların çalışma tasarımı, yöntem, analiz, yorumlama, makale yazımı veya yayın kararına katkıda bulunmadığını belirtmektedir.

CRediT: Debapriyo Chakraborty — Writing – review & editing, Resources. David W. Redding — Writing – review & editing, Conceptualization. Jessica Abbate — Writing – review & editing, Supervision, Funding acquisition, Conceptualization. Thibaut Jombart — Writing – review & editing, Writing – original draft, Visualization, Validation, Software, Methodology, Investigation, Formal analysis, Conceptualization. Sarah Kada — Writing – review & editing, Validation, Conceptualization.

Çıkar çatışması: Thibaut Jombart; World Health Organization, World Bank Group ve Geomatys ile danışmanlık/advisory ilişkileri bildirmiştir. Diğer yazarlar çalışmayı etkilemiş görünebilecek bilinen rekabet eden finansal çıkar veya kişisel ilişki bildirmemiştir.

Kaynak içi notasyon notu: Kaynak yöntem metni bir noktada “P patches” ifadesini kullanırken patch indeksini j=1,…,J olarak tanımlar ve Tablo 1 J'yi toplam patch sayısı olarak verir. Verianla açıklamasında bilimsel anlamı değiştirmeden toplam patch sayısı için J kullanılmıştır.

Temel yorum sınırı: Bu araştırmanın sonuçları gerçek bir Ebola salgınında ölçülmüş vaka, aşı dozu veya müdahale günleri değildir. Bunlar tarihsel ve ekolojik girdilerle çalışan stokastik simülasyonun çıktılarıdır. Model hazırlık ve müdahale senaryolarını karşılaştırmak için geliştirilmiştir; aktif salgında kısa vadeli vaka forecasting aracı olarak tasarlanmamıştır.

Meta Etiketler

```