Бул изилдөөдөгү стохастикалык метапопуляциялык компартмент модели, Эбола вирус оорусунун (EVD) бир нече географиялык patch арасында жайылышын; жаныбарлар резервуарынан зооноздук кирүүнү, симптомдуу жуккан адамдардан түз жугууну, жугуштуу сөөк коюу таасирин, конвалесцент адамдардан жакын байланыш аркылуу жугууну жана эмдөө, байланышты азайтуу менен коопсуз/кадыр-барктуу сөөк коюу сыяктуу чараларды бир эле математикалык алкакта чагылдырган дискреттик убакыттагы эпидемия симуляциясынын модели.

Моделде адамдар сезгич (S), жуккан, бирок али жугуштуу эмес (E), жугуштуу жана тирүү (I), жугуштуу сөөк коюу таасирин жараткан өлгөндөр (F), көмүлгөн жана эми жугуштуу эмес өлгөндөр (D), чектелген жугуштуулугу уланып жаткан конвалесценттер (C), толук айыккан адамдар (R) жана эмделип толук иммунитет алган адамдар (V) ортосунда стохастикалык түрдө өтөт. Ар бир географиялык patch башка patchтер менен байланыш матрицасы аркылуу эпидемиологиялык жактан байланышкан.

Изилдөөчүлөр моделди Конго Демократиялык Республикасында зооноздук Эбола кирүү коркунучу жогору деп мурда аныкталган болжол менен 18.320 km² аймакта колдонушкан. 2015-жылдагы калк баалоолорун колдонуп, болжол менен 5×5 km өлчөмүндөгү 857 patch жана жалпы 1.877.034 адам моделденген; башында бүт калк сезгич деп кабыл алынган. Ар бири 365 күнгө созулган 200 көз карандысыз EVD эпидемиясы симуляцияланган.

200 симуляцияда эпидемиянын орточо жалпы көлөмү 47,0 учур, медианасы 11,0 учур жана квартилдер аралык диапазону 3,8–43,8 учур болгон. Эң чоң симуляция 770 учурга жеткен. Эпидемиялардын көлөмү жана мейкиндиктик жайылышы симуляциялар арасында олуттуу айырмаланган. Биринчи учурдан 365 күн өткөндө 200 симуляциянын 109 симуляцияда эпидемия али көзөмөлгө алынган эмес.

Реактивдүү эмдөө да абдан гетерогендүү жыйынтык берген: бир симуляцияга орточо 764,4 доза, медиана 94,5 доза жана IQR 0–713,8 доза колдонулган. Бардык patchтер жана симуляциялар бирге бааланганда patch деңгээлиндеги эмдөө камтылышы %0 менен %9,6 арасында өзгөргөн.

Бул көрсөткүчтөр чыныгы DRC эпидемиясынын байкалган жыйынтыктары эмес. Изилдөө тарыхый Эбола параметрлери жана географиялык киргизүүлөр менен жүргүзүлгөн симуляция сценарийлерин көрсөтөт. Авторлор ошондой эле модель жүрүп жаткан чыныгы эпидемияда кыска мөөнөттүү учур санын божомолдоо үчүн иштелип чыкпаганын ачык белгилешет.

Изилдөө маселеси

Эбола вирус оорусун моделдөө бир гана жугуу жолун моделдөөгө караганда татаалыраак. Эпидемия жаныбарлар резервуарынан адамдарга зооноздук кирүү менен башталышы мүмкүн; андан кийин тирүү симптомдуу адамдар, жуккан адамдын сөөгү жана айрым конвалесцент адамдар ар кандай деңгээлде жугууга салым кошушу мүмкүн. Жугуу географиялык жактан да жайылышы мүмкүн жана коомдук саламаттык чаралары patchтен patchке ар башка убакта ишке кириши мүмкүн.

Булак изилдөө мурдагы моделдердин көбү бул өзгөчөлүктөрдүн айрымдарына гана көңүл бурганын белгилейт. Изилдөөчүлөрдүн максаты бул бөлүктөрдү бирдиктүү жана эсептөө жагынан натыйжалуу алкакта бириктирип, байкоо, даярдык, эмдөө жана чараларды масштабдоо сыяктуу коомдук саламаттык суроолорун изилдей ала турган жалпы багыттагы EVD симуляторун түзүү болгон.

Изилдөө тобу EVDге жооп берүүчү кызыкдар тараптар менен кеңешкенден кийин модель өзгөчө төрт түрдөгү суроого жооп бере алышын көздөгөн: кайсы коомчулуктар күчөтүлгөн байкоо үчүн артыкчылыктуу болушу керек; белгилүү бир жердеги учурдан кийин кайсы коомчулуктар жайылуу боюнча жогорку коркунучта; ар кандай чаралардын айкалышы кандай эпидемиологиялык натыйжа бериши мүмкүн; жана бул суроолорду ар кандай мейкиндиктик жана убакыттык масштабдарда изилдөө мүмкүнчүлүгү.

Стохастикалык Метапопуляция Модели Деген Эмне?

Стохастикалык метапопуляция модели калкты эпидемиологиялык жактан өз ара байланышкан көптөгөн географиялык чакан бирдиктерге бөлүп, адамдардын оору абалдарынын ортосундагы өтүүлөрүн так сандар эмес, ыктымалдык бөлүштүрүүлөрүнөн кокус алынган окуялар катары симуляциялайт; бул изилдөөдө ар бир patch өзүнүн S–E–I–F–D–C–R–V динамикасына ээ болуп, patchтер жугуу байланыш матрицасы аркылуу бири-бирине туташат.

“Стохастикалык” деген эмне?

Детерминисттик модель бирдей баштапкы шарттарда ар бир иштетилгенде бирдей жыйынтык берет. Стохастикалык моделде болсо жугуу, айыгуу, өлүм же эмдөө сыяктуу окуялар ыктымалдык бөлүштүрүүлөрүнөн алынгандыктан, бирдей жалпы параметрлер менен жүргүзүлгөн эки симуляция ар башка эпидемия көлөмүн жана ар башка мейкиндиктик жайылуу үлгүлөрүн бере алат.

Ошондуктан изилдөөчүлөр бир симуляцияны “күтүлгөн келечек” катары колдонбой, моделди 200 жолу көз карандысыз иштетишкен. Натыйжалардын орточо, медиана, IQR жана процентилдер сыяктуу бөлүштүрүү көрсөткүчтөрү менен берилгенинин себеби ушунда.

“Метапопуляция” деген эмне?

Метапопуляциялык ыкмада бирдиктүү жана толук аралашкан калктын ордуна өз ара байланышкан географиялык субпопуляциялар колдонулат. Изилдөө бул чакан бирдиктерди patch деп атайт.

Patch булакта бир тектүү географиялык бирдик катары аныкталат. Patch ичиндеги адамдар бирдей абал өтүү ылдамдыктарына дуушар болот деп кабыл алынат. Patchтер бири-биринен көз карандысыз эмес; бир patchте пайда болгон инфекция күчүнүн бир бөлүгү башка patchте жаңы инфекция жаратышы мүмкүн.

Patch байланыш матрицасы Δ эмнени билдирет?

Моделде географиялык байланыш \(\Delta=\{\delta_{i,j}\}\) матрицасы менен берилет. \(\delta_{i,j}\) , булак patch \(i\) де пайда болгон инфекция күчүнүн канча бөлүгү максаттуу patch \(j\) деги жаңы учурларды азыктандырарын көрсөтөт.

Матрица row-stochastic катары аныкталган; башкача айтканда ар бир саптын суммасы 1 ге барабар. Диагоналдык элементтер инфекция күчүнүн булак patchтин өзүндө калган бөлүгүн билдирет.

Симуляциядагы байланыш матрицасы мурда жарыяланган ыкмага ылайык жол тармагы менен чектелген gravity model аркылуу түзүлгөн.

Зооноздук кирүү матрицасы H эмнени билдирет?

Жаныбарлар резервуарынан адамдарга жаңы Эбола кирүүлөрү убакыт жана орун боюнча өзгөрө алган \(\eta_{t,j}\) жеке зооноздук инфекция ылдамдыгы менен моделденген.

Булак колдонгон ыкмада кирүү коркунучу Эбола жаныбар кожоюндарынын жашоо чөйрөсүнүн ылайыктуулугу жана адамдардын бул кожоюндар менен жолугушуу жыштыгы менен байланышкан.

Бул механизм биринчи адам учурун симуляциянын башында гана кошуу менен чектелбестен, симуляция бою жаңы зооноздук кирүү ыктымалдыгынын уланышына мүмкүнчүлүк берет.

Моделдеги сегиз негизги абал

Абал теңдемелери кантип иштейт?

Ар бир убакыт кадамында компартменттеги адам саны мурунку убакыт кадамындагы санга ошол компартментке киргендерди кошуп, чыккан адамдарды алып салуу аркылуу жаңыланат.

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

Сезгич адамдар S компартментинен эки жол менен чыгат: жугуп E абалына өтүшү же эмделип V абалына өтүшү мүмкүн.

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

E компартментине жаңы инфекциялар кирет; инкубация аяктаганда адамдар I абалына өтөт.

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

I абалындагы адам оорунун жүрүшүнүн аягында төрт мүмкүн болгон чыгуунун бирине өтөт: коопсуз эмес сөөк коюу менен байланышкан жугуштуу сөөк F абалы, түз жугуштуу эмес өлүм D абалы, толук айыгуу R же конвалесцент C.

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

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

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

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

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

Бул жердеги \(n_{A\rightarrow B}\) , бир убакыт кадамында A абалынан B абалына өткөн адамдардын санын билдирет. Бул сандар детерминисттик эсептелбейт; моделдин стохастикалык түзүлүшүнөн улам ыктымалдык бөлүштүрүүлөрүнөн алынат.

Бир гана өтүү болгондо биномиалдык бөлүштүрүү

A абалынан бир гана B абалына өтүү мүмкүн болсо, булак төмөнкү жалпы түзүлүштү колдонот:

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

Формула эмнени эсептейт? A компартментиндеги канча адам бир модель убакыт кадамында B абалына өтөрүн стохастикалык түрдө чыгарат.

\(A\), башында коркунучта турган адамдардын саны.

\(\lambda\), өтүү ылдамдыгы.

\(1-e^{-\lambda}\), үзгүлтүксүз убакыттагы окуя ылдамдыгын бир убакыт кадамында ишке ашуу ыктымалдыгына айландырат.

\(\mathrm{B}(n,p)\), n адам жана p окуя ыктымалдыгы бар биномиалдык бөлүштүрүүнү билдирет.

Булак бул түзүлүштү үч негизги өтүү үчүн ачык берет:

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

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

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

Бул жерде \(\alpha\) орточо инкубация мезгилинин тескерисин, \(\tau\) жугуштуу сөөк көмүлгөнгө чейинки орточо убакыттын тескерисин жана \(\rho\) конвалесцент мезгилинин орточо узактыгынын тескерисин билдирет.

Мисалы, орточо инкубация мезгили узарганда \(\alpha\) кичирейт; бул бир убакыт кадамында Eден Iге өтүү ыктымалдыгын азайтат. Бул түшүндүрмө булак теңдемесинин математикалык мааниси; жаңы симуляция жыйынтыгы эмес.

Бир нече мүмкүн болгон чыгуу болгондо эки баскычтуу процесс

Бир компартменттен бир нече максаттуу абалга өтүү мүмкүн болсо, адегенде компартменттен жалпысынан канча адам чыгары биномиалдык бөлүштүрүү менен аныкталат:

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

Андан кийин чыккан адамдар мүмкүн болгон максаттуу абалдарга мультиномиалдык бөлүштүрүү менен бөлүштүрүлөт:

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

Бул эки баскыч маанилүү. Биринчи кадам “канча адам чыгат?”, экинчи кадам “чыккандар кайсы максаттуу абалдарга барат?” деген суроону чечет.

Сезгич адамдар инфекция менен эмдөөнүн ортосунда кантип бөлүштүрүлөт?

Сезгич компартменттен чыгуунун жалпы ылдамдыгы инфекция күчү менен эмдөө ылдамдыгынын кошундусу:

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

Булак PDFдеги терүүдө даражанын кашаалары көрүнүш жагынан кысылган; кийинки мультиномиалдык бөлүүчү жана ыкма түшүндүрмөсү жалпы чыгуу ылдамдыгы \(\Lambda+\nu\) экенин ачык көрсөтөт. Бул жерде окумдуулук үчүн жалпы ылдамдык кашаа менен көрсөтүлдү; моделдин түзүлүшү өзгөртүлгөн жок.

Сезгич компартменттен чыккан адамдарды инфекция жана эмдөө ортосунда бөлүштүрүү:

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

Бул формула инфекция менен эмдөөнү бир эле сезгич калкта атаандашкан эки окуя катары чагылдырат.

Инфекция Күчү \(\Lambda\) Моделде Эмнени Эсептейт?

Инфекция күчү \(\Lambda_{t,j}\) , t убакта жана j patchтеги бир сезгич адамга зооноздук кирүү, тирүү жугуштуу учурлар, жугуштуу сөөктөр жана конвалесцент адамдардан келген жалпы инфекция басымын билдирет; башка patchтерден келген салымдар бул басымга \(\delta_{i,j}\) байланыш коэффициенттери менен өткөрүлөт.

Булакта берилген инфекция күчү:

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

\(\eta_{t,j}\): j patchтеги жеке зооноздук кирүү ылдамдыгы.

\(\delta_{i,j}\): i patchте пайда болгон инфекция басымынын j patchке өткөрүлгөн үлүшү.

\(\beta_{I,t,i}\): тирүү жугуштуу учурлардан жугуу ылдамдыгы.

\(\beta_F\): сөөк коюу таасиринен жугуу ылдамдыгы.

\(\beta_C\): конвалесцент адамдардан жугуу ылдамдыгы.

\(I_{t,i}\), \(F_{t,i}\), \(C_{t,i}\): тиешелүү жугуу булактарындагы адамдардын саны.

\(N_{t,i}\): тирүү жалпы калк.

\(A_i\): i patchтин аянты.

Модель классикалык жыштыкка көз каранды жугуу моделдеринен айырмаланып, байланышты аянт менен да масштабдайт. Ошентип калкы окшош, бирок аянты ар башка административдик/географиялык бирдиктерде калк тыгыздыгынын жугууга тийгизген таасири чагылдырылышы мүмкүн.

Бардык patchтердин аянты бирдей болгондо булак \(A_i=1\) деп алууга болорун жана түзүлүш классикалык жыштыкка көз каранды формага кайтарын билдирет.

I компартментинен чыгуу жана өлүм/айыгуу бутактануусу

Жугуштуу адамдардын I абалынан чыгуу ылдамдыгы \(\gamma\) менен аныкталат:

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

\(\gamma\) , оорунун орточо узактыгынын тескериси.

I абалынан чыккан адамдар төрт мүмкүнчүлүккө бөлүнөт:

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

\(p_{\mathrm{death}}\), инфекциянын натыйжасында өлгөн учурлардын үлүшү.

\(p_{\mathrm{sdb}}\), өлгөн учурлардын коопсуз жана кадыр-барктуу сөөк коюудан (safe and dignified burial, SDB) өткөн үлүшү.

\(p_{\mathrm{conv}}\), тирүү калгандардын конвалесцент C абалына кирген үлүшү.

Өлгөн адам коопсуз/кадыр-барктуу түрдө көмүлбөсө, алгач жугуштуу сөөк F абалына өтүшү мүмкүн. Коопсуз көмүү жүргүзүлсө түздөн-түз жугуштуу эмес D абалына өтөт.

Naive, Alert жана Response Абалдары Эмне Үчүн Керек?

Naive, alert жана response адамдын оору абалдары эмес, patchтин коомдук саламаттык чараларынын деңгээлдери: naive patchте активдүү чара жок; alert patch коңшу аймактардан учур импорттолуу коркунучуна байланыштуу чектелген чара көрөт; response patch өз ичиндеги уланып жаткан эпидемияга каршы толук чара абалында болот.

Alert абалы кантип ишке кирет?

Alert башка patchтерден күтүлгөн орточо учур импортунун белгиленген чек мааниден ашышы менен пайда болот. Булактын математикалык түзүлүшү кыскача:

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

\(\mathbf{1}(\cdot)\) көрсөткүч функциясы: шарт туура болсо 1, туура эмес болсо 0 берет.

\(\theta_{\mathrm{alert}}\) , patch alert абалына өтүшү үчүн зарыл болгон сырттан күтүлгөн учур басымынын чеги.

Response абалы кантип ишке кирет?

Patchтин өзүндөгү жугуштуу адамдардын саны белгиленген чекке жеткенде response абалы активдешет:

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

Alert жана response шарттары бир убакта аткарылса, модель response абалын колдонот; эки чара абалы бири-биринин үстүнө кошулбайт.

Naive абалы

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

Башкача айтканда patch alert да, response да шартын аткарбаса naive деп кабыл алынат.

Чара абалы жугуу ылдамдыгын кантип өзгөртөт?

Тирүү жугуштуу учурлардан келип чыккан жугуу ылдамдыгы patchтин абалына жараша тандалат:

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

Ошол эле логика эмдөө ылдамдыгында да колдонулат:

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

Коопсуз жана кадыр-барктуу сөөк коюу үлүшү да patch абалына көз каранды:

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

Ошентип чара бир гана абстрактуу “көзөмөл коэффициенти” эмес. Модель кеминде үч механизмди өз-өзүнчө өзгөртө алат: тирүү учурлардан жугууну азайтуу, эмдөө ылдамдыгын көбөйтүү жана коопсуз/кадыр-барктуу сөөк коюунун жыштыгын көбөйтүү.

Чаралар кантип аяктайт?

Alert же response абалын ишке киргизген шарттар токтогондо чара дароо өчүрүлбөйт. Булак чек шарттары белгилүү сандагы удаалаш күндөр бою аткарылбашы керек экенин аныктайт.

\(\kappa_{\mathrm{alert}}\) жана \(\kappa_{\mathrm{response}}\) , тиешелүү абал бүтөрдөн мурда чек астында өтүшү керек болгон күндөрдүн санын билдирет.

Response patch alert шарты дагы эле аткарылса alert абалына кайта алат; болбосо naive абалына өтөт. Alert абалындагы patch болсо шарттар бүткөндө naive абалына кайтып келет.

\(R_0\) маанисинен күнүмдүк жугуу ылдамдыгы кантип алынган?

Изилдөө моделинде ар кандай жугуу булактары үчүн күнүмдүк инфекция ылдамдыктары керек. Бирок адабиятта жугуштуулук көбүнчө негизги репродукция саны \(R_0\) катары берилгендиктен, изилдөөчүлөр алгач жакындагы Эбола эпидемияларына шайкеш \(R_0\) маанилерин симуляциялашкан.

Булак \(R_0\) үчүн лог-нормалдык бөлүштүрүүнү, орточо 1,5 жана стандарттык четтөөнү 0,1 колдонгонун билдирет.

Андан кийин негизги инфекция ылдамдыгы:

\(\beta=R_0\gamma\)

байланышы менен алынган.

\(R_0\), чаралар жана иммунитет жок шартта типтүү жуккан адам түзгөн орточо экинчи учурлар санынын концептуалдык көрсөткүчү.

\(\gamma\), оорунун орточо узактыгынын тескериси.

\(\beta\), ага туура келген жугуу ылдамдыгы.

Тирүү жуккан адамдар, сөөк коюу таасири жана конвалесцент адамдардын жугуштуулугунун айырмасы кийин адабиятка негизделген коэффициенттер менен ушул негизги \(\beta\) аркылуу масштабдалган.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Симуляциянын географиясы жана калкы

Биринчи учур кайсы patchке жайгаштырылган?

Индекс учурдун орду бардык patchтердин арасынан бирдей ыктымалдык менен тандалган эмес. Patch тандалуу ыктымалдыгы ошол patchтеги күтүлгөн Эбола кирүүлөрүнүн салыштырмалуу көлөмүнө пропорционал болгон.

Күтүлгөн кирүү коркунучу калк тыгыздыгы менен жеке зооноздук кирүү ылдамдыгынын көбөйтүндүсү аркылуу аныкталган. Ошондуктан экологиялык жактан кирүү коркунучу жогору аймактар симуляция башында индекс учурдун орду катары көбүрөөк тандалган.

Табигый тарых жана чара параметрлери

Инкубация мезгили, оору мөөнөтү, жугуштуулук жана чара киргизүүлөрү мурдагы Эбола адабиятына негизделген. Табигый өзгөрмөлүүлүктү жана параметр белгисиздигин чагылдыруу үчүн айрым киргизүүлөр туруктуу маанилер катары эмес, бөлүштүрүүлөрдөн алынган.

Маанилүү булак чектөөсү: Бул бөлүштүрүүлөрдүн деталдуу параметрлери негизги PDFде берилбейт, Table S1ге калтырылган. Жүктөлгөн булак файл supplementary Table S1ди камтыбагандыктан Verianla текстинде жетишпеген параметр маанилери толукталган эмес.

Модель кайсы программалык камсыздоодо ишке ашырылган?

Модель R статистикалык эсептөө чөйрөсүндө odin пакети менен ишке ашырылган. Odin модель кодунан автоматтык C кодун түзүп, көп сандагы стохастикалык симуляцияларды эсептөө жагынан натыйжалуураак жүргүзүүгө мүмкүндүк берет.

Булак модель скрипти менен зооноздук кирүү матрицасы H жана байланыш матрицасы Δ MIT лицензиясы менен ачык жарыяланганын билдирет.

Булак код репозиторийи: https://github.com/thibautjombart/ebola_model_odin

200 симуляциянын негизги жыйынтыктары

Орточо 47 учур менен медиана 11 учур эмне үчүн мынчалык айырмаланат?

Стохастикалык симуляцияларда эпидемиялардын көбү кичине калганда, аз сандагы чоң эпидемиялар орточо маанини жогорулатышы мүмкүн. Булакта медиана 11, орточо 47 жана максимум 770 болушу эпидемия көлөмүнүн бөлүштүрүлүшү өтө гетерогендүү экенин көрсөтөт.

Бул модель “типтүү эпидемия сөзсүз 47 учур болот” дегенди билдирбейт. Орточо маани 200 ар башка стохастикалык ишке ашуунун арифметикалык жыйынтыгы.

Кошумча зооноздук кирүүлөрдүн орточосу аз болгонуна карабай эмне үчүн маанилүү?

Симуляция маалында уланып турган зооноздук кирүүлөр жылына орточо болгону 1,7 кошумча учур жараткан. Бирок бул жаңы учурлар учурдагы жугуу чынжырынан башка patchте пайда болушу мүмкүн болгондуктан, жаңы экинчи эпидемия очогун башташы мүмкүн.

Демек эпидемиологиялык мааниси кошулган учурлардын саны менен гана өлчөнбөйт; учурлардын географиялык жактан кайда пайда болгону да маанилүү.

Patch-day деген эмне?

Patch-day, географиялык patchтин белгилүү бир чара абалында өткөргөн бир күнүн билдирет. Мисалы, бир эле patch 10 күн alert абалында калса 10 alert patch-day түзөт; 100 ар башка patch бирден күн alert абалында калса да жалпы 100 alert patch-day түзөт.

Бул өлчөм чаранын узактыгын да, географиялык камтуусун да бир санга бириктирүүгө жардам берет.

Эң чоң эпидемиядагы операциялык жүк

Булак 750 дөн ашык учурга жеткен эң чоң симуляция 8900 дөн ашык alert patch-day жана болжол менен 600 response patch-day жаратканын билдирет. Бул жыйынтык чоң эпидемиялар көп учурларды гана эмес, кыйла кең жана узак мөөнөттүү операциялык жоопту талап кылышы мүмкүн экенин көрсөтөт.

Булактагы 2-сүрөттүн төрт панели эмнени көрсөтөт?

Panel A, бардык patchтердеги жугуштуу I компартментинин 365 күн ичинде өзгөрүшүн көрсөтөт. Кара сызык 200 симуляциянын орточосун, түстүү аянт эпидемиялык ийри сызыктардын борбордук %80 бөлүгүн, башкача айтканда 10-жана 90-процентилдердин арасын билдирет.

Panel B, 365-күндө Sден башка компартменттердин 200 симуляциядагы бөлүштүрүлүшүн көрсөтөт. Топтор арасында чоң масштаб айырмасы болгондуктан Y огу log10 масштабында.

Panel C, 200 симуляция боюнча ар бир patchке туура келген орточо учур санынын мейкиндиктик бөлүштүрүлүшүн көрсөтөт. Орточо учур тыгыздыгы эң жогору очоктордун бири ошол эле учурда калк тыгыздыгы эң жогору patch менен байланышкан.

Panel D, ар бир patch боюнча alert абалында өткөрүлгөн орточо күн санын көрсөтөт жана авторлор муну күчөтүлгөн даярдык үчүн мүмкүн болгон артыкчылыктуу аймактарды аныктоодо колдонууга боло турган жыйынтык катары талкуулашат.

Негизги PDF бул панелдердин бардык чийки убакыт катарларын жана patch деңгээлиндеги маанилерин текст түрүндө бербегендиктен, Verianlaда булак графигинин так сандык кайра чийилиши жасалган эмес.

Бул Модель Чыныгы Эбола Эпидемиясын Божомолдоо Үчүн Колдонулушу Мүмкүнбү?

Булак авторлору бул компартмент модели мүмкүн болгон эпидемия сценарийлерин, даярдык муктаждыктарын жана чара варианттарын симуляциялоо үчүн пайдалуу экенин, бирок жүрүп жаткан чыныгы эпидемияда келечектеги кыска мөөнөттүү учур инциденттүүлүгүн божомолдоо үчүн ылайыктуу forecasting модели эмес экенин ачык белгилешет.

Модель эмне үчүн колдонулушу мүмкүн?

• зооноздук кирүү коркунучу бар аймактарда мүмкүн болгон эпидемия сценарийлерин изилдөө,
• кайсы patchтер учур импорттолушуна көбүрөөк ачык болушу мүмкүн экенин изилдөө,
• alert аймактарын даярдык жагынан артыкчылыктуу кылуу,
• ар кандай байланыш азайтуу, эмдөө жана коопсуз сөөк коюу стратегияларын салыштыруу,
• вакцина запасынын мүмкүн болгон масштабын баалоо,
• алдын алуучу же реактивдүү чара сценарийлерин сыноо,
• ар кандай мейкиндиктик масштабдарда даярдык жана жооп пландаштырууну колдоо.

Модель эмне үчүн иштелип чыккан эмес?

• чыныгы эпидемиянын алдыдагы күндөрдөгү же жумалардагы учур санын түз божомолдоо,
• жеке бейтаптын өлүм коркунучун эсептөө,
• үй ичиндеги байланыш тармактарын жеке деңгээлде көрсөтүү,
• контакттарды көзөмөлдөөнү жеке деңгээлде симуляциялоо,
• саламаттык сактоо кызматкерлерин өзүнчө коркунуч тобу катары көрсөтүү,
• оорукана ичиндеги жугууну деталдуу симуляциялоо,
• экспозициядан кийинки эмдөөнүн жеке өлүмгө тийгизген таасирин түз чыгаруу.

Изилдөө колдогон жыйынтыктар

• Зооноздук кирүү, ар кандай жугуу жолдору, мейкиндиктик байланыш жана бир нече чара механизми бир стохастикалык моделде бириктирилиши мүмкүн.
• Симуляцияланган эпидемия көлөмдөрү абдан кең бөлүштүрүүнү көрсөткөн.
• Аз сандагы уланып турган зооноздук кирүүлөр жаңы географиялык очоктордун пайда болушуна таасир этиши мүмкүн.
• Patchтер эпидемия бою naive, alert жана response абалдарынын ортосунда динамикалуу өтө алат.
• Alert абалында көп болгон аймактар даярдык жана байкоо жагынан мүмкүн болгон артыкчылыктуу аймактар катары аныкталышы мүмкүн.
• Реактивдүү эмдөөгө болгон муктаждык эпидемия көлөмүнө жараша өтө гетерогендүү.
• Модель ачык булактуу R/odin колдонмосу менен көп сандагы симуляцияларды эсептөө жагынан натыйжалуу жүргүзүүгө ылайык ишке ашырылган.

Изилдөө колдобогон жыйынтыктар

• DRCдеги келечектеги чыныгы Эбола эпидемиясы орточо 47 учур болот деп айтууга болбойт.
• 770 учур келечектеги максималдуу чыныгы эпидемия көлөмү эмес.
• Модель жыйынтыктары талаа байкоосу же клиникалык маалымат эмес.
• %29,2 alert patch үлүшү бүт DRC үчүн байкалган чыныгы байкоо көрсөткүчү эмес.
• Орточо 764,4 вакцина дозасы чыныгы запас муктаждыгы үчүн универсалдуу сан эмес.
• Модель эмдөө стратегиясынын чыныгы жашоодогу натыйжалуулугун клиникалык жактан далилдебейт.
• Модель адамдар аралык байланыштын гетерогендүүлүгүн же household transmission деталдарын түз көрсөтпөйт.
• Модель чыныгы эпидемия учурунда кыска мөөнөттүү учур forecast куралы катары тастыкталган эмес.

Моделдин негизги божомолдору жана чектөөлөрү

Бир орточо оору мөөнөтү: Модель өлүм менен жана ооруканадан чыгарылуу менен аяктаган учурлар үчүн бир эле орточо оору мөөнөтүн колдонот. Чынында симптом башталгандан өлүмгө чейинки убакыт ооруканадан чыгарылганга чейинки убакыттан кыскараак болушу мүмкүн.

Оорукана компартменти жок: Ооруканага жаткыруу өзүнчө компартмент катары моделденген эмес.

Саламаттык сактоо кызматкерлери өзүнчө класс эмес: Healthcare worker популяциясы атайын коркунуч тобу катары аныкталган эмес. Ошондуктан оорукана ичиндеги жугуу жана саламаттык сактоо кызматкерлерине багытталган атайын чаралар деталдуу изилдене албайт.

Реактивдүү эмдөөдө туруктуу ылдамдык божомолу: Patch alert же response абалында турганда эмдөө туруктуу ылдамдыкта жүргүзүлөт. Чыныгы жашоодо ring же географиялык багытталган эмдөө учур санына жараша масштабдалышы мүмкүн жана эпидемия башында активдештирүүгө убакыт талап кылынышы мүмкүн.

Байланыш матрицасы убакыт боюнча туруктуу: Patchтер аралык байланыш эпидемия бою өзгөрбөйт деп кабыл алынган. Чынында эпидемия, коопсуздук абалы, жүрүм-турум же саякат чектөөлөрү кыймылдуулукту өзгөртө алат.

Киргизүүлөргө көз карандылык: Модель жыйынтыктарынын маанилүү болушу реалдуу параметр киргизүүлөрүнө көз каранды. Тарыхый Эбола маалыматтарындагы табигый өзгөрмөлүүлүк жана белгисиздик ылайыктуу бөлүштүрүүлөр менен көрсөтүлүшү керек.

Жеке гетерогендүүлүк жок: Компартмент модели калк деңгээлиндеги динамиканы көрсөтөт; superspreading, үй-бүлө түзүмү, байланыш тармагы жана деталдуу контакт көзөмөлү сыяктуу жеке деңгээлдеги процесстер үчүн individual-based model керек болушу мүмкүн.

Post-exposure vaccination чектөөсү: Модель экспозициядан кийинки эмдөөнүн жеке өлүм коркунучуна тийгизген таасирин оңой көрсөтө албайт.

Forecasting чектөөсү: Модель сценарий симуляциясы үчүн; чыныгы эпидемияда учурдагы инциденттүүлүк маалыматтарын колдонуп кыска мөөнөттүү учур божомолун берген курал эмес.

Эсептөө масштабдуулугунун чеги

Patchтер аралык жайылыш \(J\times J\) байланыш матрицасы Δ менен көрсөтүлгөндүктөн, эстутум талабы patch санынын квадраты менен масштабдалат:

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

Бул теңдеме булакта өзүнчө модель теңдемеси катары берилбесе да, талкуу бөлүмүндөгү ачык эсептөө масштабдуулугу жөнүндөгү билдирүүнүн математикалык көрсөтүлүшү.

Авторлор 10.000 patchтен чоң метапопуляциялар атайын жогорку өндүрүмдүү эсептөө ресурстарын талап кылышы мүмкүн экенин белгилешет.

Келечекте кеңейтиле турган колдонуу тармактары

Зооноздук кирүү ылдамдыктары моделде мейкиндик жана убакыт боюнча өзгөрмөлүү. Ошондуктан ылайыктуу экологиялык киргизүүлөр болгондо сезондуулуктун же климаттын өзгөрүшүнүн зооноздук кирүүгө таасири сценарий катары изилдениши мүмкүн.

Баштапкы компартменттер колдонуучу тарабынан аныктала алгандыктан, мурда Эбола болгон коомчулуктарда конвалесцент C абалынан кайра кирүү же мурда эле бар эмдөө/айыгуу иммунитети сыяктуу сценарийлер да бааланышы мүмкүн.

Бирок бул ийкемдүүлүк аталган таасирлер ушул макалада түз сыналган дегенди билдирбейт; булак аларды моделдин келечекте колдонулушу мүмкүн болгон функциялары катары талкуулайт.

Булак жана Ыкма Жөнүндө Эскертүү

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

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

Correspondence: Булак PDF Thibaut Jombart үчүн Imperial College London Department of Infectious Disease Epidemiologyга correspondence белгисин; Jessica Abbate үчүн Geomatys, Montpellier дарегине corresponding-author белгисин берет.

Тең салым: Каралган булакта тең биринчи автор/тең салым билдирүүсү жок.

Мекеме a: Geomatys, Montpellier, France.

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

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

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

Журнал: Epidemics.

Том / жарыялоо мезгили / макала номери: Volume 55, June 2026, 100922.

DOI: 10.1016/j.epidem.2026.100922.

Басмакана: Elsevier B.V.

Алынган күнү: 12 Январь 2026.

Кайра кароо күнү: 4 Май 2026.

Кабыл алынган күнү: 20 Май 2026.

Онлайн жарыяланган күнү: 4 Июнь 2026.

Булак түрү: Рецензияланган моделдөө жана симуляция изилдөө макаласы.

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

Модель түрү: Дискреттик убакыттагы, стохастикалык, компартменттүү метапопуляциялык EVD жугуу модели.

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

Метапопуляция байланышы: Row-stochastic Δ байланыш матрицасы.

Зооноздук кирүү: Убакыт жана жайгашууга жараша өзгөргөн H кирүү матрицасы / η_t,j ылдамдыгы.

Негизги жугуу жолдору: Тирүү жугуштуу учурлар, сөөк коюу таасири жана конвалесцент адамдар.

Чаралар: Жугуштуу адамдар менен байланышты азайтуу, эмдөө ылдамдыгын көбөйтүү жана коопсуз/кадыр-барктуу сөөк коюу үлүшүн көбөйтүү.

Patch чара абалдары: naive, alert, response.

Симуляция саны: 200.

Симуляция мөөнөтү: 365 күн.

Симуляция аянты: DRCде болжол менен 18.320 km².

Patch саны: 857.

Patch өлчөмү: Болжол менен 5×5 km; 2,5 arc-minute чечилиш.

Баштапкы калк: 1.877.034; бардыгы башында сезгич.

R0 тандоосу: Лог-нормалдык бөлүштүрүү; булакта орточо 1,5 жана стандарттык четтөө 0,1 деп көрсөтүлгөн.

R0–жугуу ылдамдыгы байланышы: \(\beta=R_0\gamma\) .

Программалык камсыздоо: R жана odin.

Код лицензиясы: MIT.

Код репозиторийи: https://github.com/thibautjombart/ebola_model_odin

Кошумча материал чеги: Табигый тарых жана чара параметрлеринин деталдуу бөлүштүрүүлөрү Table S1де берилет. Жүктөлгөн негизги PDF supplementary файлды камтыбагандыктан, бул маанилер Verianla тарабынан толукталган эмес.

Булак 1-сүрөт: S–E–I–F–D–C–R–V абалдарын, өтүү ылдамдыктарын жана I/F/C булактуу инфекция күчтөрүн көрсөтөт. Илимий байланыштар Verianla үчүн өз алдынча inline SVG менен кайра түзүлгөн.

Булак 2-сүрөт: 200 симуляциянын эпидемиялык ийри сызыктарын, 365-күндөгү компартмент бөлүштүрүүлөрүн, орточо учур картасын жана alert күндөрүнүн картасын көрсөтөт. Чийки симуляция катарлары жана patch маанилери негизги PDFде таблица түрүндө берилбегендиктен, график же карта жалган тактык менен кайра чийилген эмес; булакта ачык берилген сандар HTML таблицага өткөрүлгөн.

Маалымат жеткиликтүүлүгү: Авторлор модель скриптин MIT лицензиясы менен ачык GitHub репозиторийинде жарыялашкан.

Каржылоо: MSD Investigator Studies Program (MISP; MISP-Ebola-3 IIS Tracking #100074), BPI France Innovation Competition алкагындагы France 2030 EPIWISE долбоору жана European Space Agency ARTES 4.0 Business Applications and Space Solutions Demonstration Project тарабынан каржыланган. Авторлор каржылоочулар изилдөө дизайнына, ыкмасына, анализине, чечмелөөгө, макала жазууга же жарыялоо чечимине салым кошпогонун билдиришет.

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.

Кызыкчылыктардын кагылышы: Thibaut Jombart; World Health Organization, World Bank Group жана Geomatys менен консультациялык/advisory байланыштарын билдирген. Башка авторлор изилдөөгө таасир этти деп көрүнүшү мүмкүн болгон белгилүү атаандаш каржылык кызыкчылык же жеке мамиле билдиришкен эмес.

Булактагы нотация эскертүүсү: Булак ыкма текстинин бир жеринде “P patches” дегенди колдонуп, patch индексин j=1,…,J деп аныктайт жана 1-таблица Jни жалпы patch саны катары берет. Verianla түшүндүрмөсүндө илимий маанини өзгөртпөстөн жалпы patch саны үчүн J колдонулган.

Негизги чечмелөө чеги: Бул изилдөөнүн жыйынтыктары чыныгы Эбола эпидемиясында өлчөнгөн учурлар, вакцина дозалары же чара күндөрү эмес. Булар тарыхый жана экологиялык киргизүүлөр менен иштеген стохастикалык симуляциянын жыйынтыктары. Модель даярдык жана чара сценарийлерин салыштыруу үчүн иштелип чыккан; активдүү эпидемияда кыска мөөнөттүү учур forecasting куралы катары иштелип чыккан эмес.

Мета Тегдер

```