Mfumo wa uambukizaji wa Ebola wenye makundi mengi ya watu, ni mfumo deterministiki wa milinganyo tofauti ya kawaida unaowakilisha kwa pamoja kuenea kwa Ebola virus disease (EVD; ugonjwa wa virusi vya Ebola) katika makundi kadhaa ya watu au wenyeji yanayoingiliana, kupitia watu walioambukizwa moja kwa moja, watu walioambukizwa waliolazwa hospitalini, maiti zenye uwezo wa kuambukiza na hifadhi ya pamoja ya virusi katika mazingira. Utafiti hugawanya kila kundi kuwa sehemu za walio katika hatari ya kuambukizwa, walioathiriwa, wenye kuambukiza, waliolazwa hospitalini, waliopona na waliokufa/maiti zenye kuambukiza; pia hutumia kigeu cha pamoja cha mzigo wa virusi katika mazingira ambacho kinaweza kuathiriwa na makundi yote. Uchambuzi wa kihisabati huchunguza uchanya na ukomo wa suluhisho, hali za usawa zisizo na ugonjwa na za endemiki, tabia ya kizingiti inayobainishwa na namba msingi ya uzazi \(R_0\), na kudumu kwa maambukizi chini ya masharti yanayofaa. Kikomo muhimu zaidi cha tafsiri ya utafiti ni kwamba data za mlipuko wa Ebola wa 2018–2020 katika Jamhuri ya Kidemokrasia ya Kongo hazikutumiwa kufanya ukadiriaji wa vigezo vya kitakwimu au uthibitishaji wa ubashiri wa modeli; data halisi za mlipuko na uigaji zilitumiwa hasa kulinganisha mifumo ya kiepidemiolojia kwa ubora.

Matokeo ya msingi ya modeli ni mantiki ya kizingiti. \(R_0<1\) hali ya usawa isiyo na ugonjwa huwa thabiti kwa njia ya kiasimptoti katika eneo la karibu, na chini ya masharti ya ziada yaliyotolewa katika utafiti, uthabiti wa kimataifa pia hupatikana. \(R_0>1\) hali ya usawa isiyo na ugonjwa inaweza kuwa isiyo thabiti; ikiwa mtandao wa uambukizaji hauwezi kugawanywa na masharti ya udumifu yanatimizwa, sehemu za maambukizi na hifadhi ya virusi katika mazingira zinaweza kubaki mbali na sifuri kwa muda mrefu na hali chanya ya usawa wa endemiki inaweza kuwepo. Matokeo haya hayamaanishi kwamba “katika mlipuko halisi \(R_0\) peke yake hutabiri kwa uhakika siku zijazo”; matokeo ni halali ndani ya muundo wa kihisabati wa modeli deterministiki yenye vigezo visivyobadilika ya utafiti.

Ubunifu muhimu wa utafiti si kuongeza tu idadi ya sehemu. Modeli hufafanua hatari ya kuambukizwa kwa kundi la \(i\) kwa namna inayoweza kuathiriwa si tu na watu walioambukizwa katika kundi hilo, bali pia na watu wenye kuambukiza katika makundi yote ya \(j=1,\ldots,n\), watu walioambukizwa waliolazwa hospitalini, maiti zenye kuambukiza na mzigo wa pamoja wa virusi katika mazingira. Kwa njia hii, jamii, muktadha wa huduma za afya, mgusano unaohusiana na mazishi na uambukizaji wa kimazingira vinaweza kuwakilishwa kihisabati ndani ya mfumo mmoja uliounganishwa.

Katika maonyesho ya namba, modeli ya jumla ya makundi \(n\) imepunguzwa hadi hali ya \(n=2\) ili kufanya mienendo ya uambukizaji kati ya makundi ionekane. Milinganyo tofauti ilitatuliwa katika Python kwa kutumia utaratibu wa maktaba ya SciPy wa solve_ivp kwa hatua za muda zinazojirekebisha; uvumilivu wa jamaa uliwekwa kuwa \(10^{-6}\), na uvumilivu kamili \(10^{-8}\). Modeli hufafanua muda kwa siku. Vigezo vilichaguliwa kutoka masafa yanayokubalika kibayolojia katika fasihi ya epidemiolojia, lakini hakuna kalibrasheni rasmi ya kitakwimu wala ukadiriaji wa vigezo uliofanywa katika utafiti huu.

Tatizo ambalo utafiti unajaribu kutatua

Kuiga uambukizaji wa Ebola kana kwamba unatokea ndani ya idadi moja ya watu iliyo sawia kunaweza kuwa hakutoshi kuwakilisha kwa pamoja jinsi jamii tofauti zinavyoingiliana, uambukizaji unaohusiana na hospitali, mchango wa maiti zenye kuambukiza na njia ya uambukizaji usio wa moja kwa moja inayoweza kutokana na virusi kubaki katika mazingira. Hii ndiyo hatua ya kuanzia ya utafiti. Waandishi wanaeleza kwamba modeli nyingi za awali zilikuwa na kundi moja au mawili tu; ilhali katika milipuko halisi kunaweza kuwa na miunganisho changamani kati ya wanajamii, wahudumu wa afya au mazingira ya hospitali, walezi, taratibu za mazishi na makundi tofauti ya eneo.

Mfumo uliopendekezwa unashughulikia tatizo hili kwa kutumia makundi \(n\) yaliyounganishwa na hifadhi ya pamoja ya mazingira inayoweza kupokea nyenzo za virusi kutoka makundi yote. Modeli ni autonomasi: vigezo havibadilishwi waziwazi kwa muda. Kwa maneno mengine, viwango vya uambukizaji, viwango vya kupona au viwango vya kulazwa hospitalini havitolewi kama kazi ya muda wa kalenda; mabadiliko kwa muda hutokana tu na jinsi vigeu vya hali vinavyoathiriana kupitia milinganyo tofauti.

Mfumo wa Uambukizaji wa Ebola wenye Makundi Mengi ya Watu Hufanyaje Kazi?

Modeli ya Ebola yenye makundi mengi ya watu ni mfumo deterministiki wa milinganyo tofauti ya kawaida unaogawanya kila kundi la \(i\) katika sehemu za walio katika hatari ya kuambukizwa \(S_i\), walioathiriwa \(E_i\), wenye kuambukiza \(I_i\), walioambukizwa waliolazwa hospitalini \(H_i\), waliopona \(R_i\) na maiti yenye kuambukiza \(D_i\); na pia huunganisha makundi yote kupitia mzigo wa pamoja wa virusi katika mazingira \(W\). Maambukizi huanza kwa mpito kutoka kundi la \(S_i\) kwenda \(E_i\); walioathiriwa huwa wenye kuambukiza kwa kiwango \(\sigma_i\), watu wenye kuambukiza wanaweza kupona, kulazwa hospitalini au kufa kutokana na ugonjwa; waliolazwa hospitalini wanaweza kupona au kufa; watu wenye kuambukiza, waliolazwa hospitalini na maiti zenye kuambukiza wanaweza kutoa nyenzo za virusi katika mazingira.

Sehemu za makundi katika modeli

Mlinganyo (1): jumla ya watu walio hai

\[ N_i(t)=S_i(t)+E_i(t)+I_i(t)+H_i(t)+R_i(t). \tag{1} \]

Mlinganyo huu unafafanua jumla ya idadi hai ya kundi la \(i\)jumla ya watu walio hai. Jambo muhimu zaidi ni kwamba \(D_i(t)\) huachwa nje ya jumla kwa sababu \(D_i\) ni sehemu ya maiti zenye kuambukiza. Mzigo wa mazingira \(W\) pia si idadi ya binadamu na kwa kawaida haujumuishwi katika \(N_i\).

Mlinganyo ni wa kujumlisha: kila mtu aliye hai katika modeli huchukuliwa kuwa katika mojawapo ya sehemu hizi tano za watu walio hai. Kwa hiyo \(N_i\) hutumika kama ukubwa wa kundi unaotumiwa kunormalisha nguvu ya maambukizi.

Nguvu ya Maambukizi \(\lambda_i(t)\) Inaashiria Nini?

\(\lambda_i(t)\) huwakilisha jumla ya shinikizo la papo hapo la maambukizi ambalo mtu aliye katika hatari ya kuambukizwa katika kundi la \(i\) hukutana nalo kutoka vyanzo vyote vya uambukizaji katika modeli. Katika utafiti, shinikizo hili limefafanuliwa kama jumla ya vipengele vinne vinavyotoka kwa watu wenye kuambukiza katika makundi yote ya \(j\), watu walioambukizwa waliolazwa hospitalini, maiti zenye kuambukiza na hifadhi ya pamoja ya virusi katika mazingira.

Mlinganyo (2) uliotolewa katika chanzo:

\[ \lambda_i(t)= \sum_{j=1}^{n}\beta_{ij}\frac{I_j(t)}{N_j(t)+\varepsilon_j} + \sum_{j=1}^{n}\beta^{H}_{ij}\frac{H_j(t)}{N_j(t)+\varepsilon_j} + \sum_{j=1}^{n}\beta^{D}_{ij}\frac{D_j(t)}{N_j(t)+\varepsilon_j} + \xi_iW(t). \tag{2} \]

Kipengele cha kwanza: uambukizaji kutoka kwa watu wenye kuambukiza

\[ \sum_{j=1}^{n}\beta_{ij}\frac{I_j}{N_j+\varepsilon_j} \]

\(\beta_{ij}\) ni mgawo wa uambukizaji wa moja kwa moja kutoka kwa watu wenye kuambukiza katika kundi la \(j\) kwenda kwa watu walio katika hatari ya kuambukizwa katika kundi la \(i\). Mwelekeo wa fahirisi ni muhimu: kundi chanzo \(j\), kundi linaloathiriwa \(i\) ndivyo inavyosomwa. Hivyo modeli inaweza kuwakilisha si tu uambukizaji ndani ya kundi \(i=j\), bali pia uambukizaji kati ya makundi wakati \(i\neq j\).

Kipengele cha pili: uambukizaji kutoka kwa watu walioambukizwa waliolazwa hospitalini

\[ \sum_{j=1}^{n}\beta^{H}_{ij}\frac{H_j}{N_j+\varepsilon_j} \]

\(\beta^{H}_{ij}\) ni mgawo wa uambukizaji unaohusiana na watu walioambukizwa waliolazwa hospitalini. Kutomwondoa kiotomatiki mtu aliyelazwa hospitalini kwenye modeli kwa kudhani “haambukizi” ni uchaguzi muhimu wa uigaji. Sehemu ya hospitali huhifadhiwa na vigezo vyake vya uambukizaji, kupona na kifo kinachohusiana na ugonjwa.

Kipengele cha tatu: maiti zenye kuambukiza

\[ \sum_{j=1}^{n}\beta^{D}_{ij}\frac{D_j}{N_j+\varepsilon_j} \]

\(\beta^{D}_{ij}\) huwakilisha athari ya mgusano unaohusiana na maiti zenye kuambukiza za kundi la \(j\) kwa watu walio katika hatari ya kuambukizwa katika kundi la \(i\). Ingawa \(D_j\) haijumuishwi katika idadi ya watu walio hai, huingia waziwazi katika mlinganyo wa uambukizaji. Katika modeli, kuondolewa kwa maiti kutoka mfumo wa kuambukiza kunadhibitiwa na kiwango cha maziko/uondoaji \(\omega_i\).

Kipengele cha nne: uambukizaji wa kimazingira

\[ \xi_iW(t) \]

\(W(t)\) huwakilisha mzigo wa pamoja wa virusi katika mazingira, na \(\xi_i\) huwakilisha mgawo wa uambukizaji wa kundi la \(i\) unaohusiana na hifadhi hii ya mazingira. Kwa njia hii, uambukizaji usio wa moja kwa moja unaoigwa kupitia uchafuzi wa mazingira bila mgusano wa moja kwa moja na mtu aliyeambukizwa huongezwa kwenye mfumo.

Kwa nini \(\varepsilon_j\) inatumika?

Chanzo hufafanua \(\varepsilon_j>0\) kama konstanti ndogo ya urekebishaji inayozuia kigawanyo kuwa sifuri na kutokea kwa singularti ya kihisabati wakati \(N_j(t)\) konstanti ndogo ya uregularishajiinakaribia sifuri. Hakuna thamani maalumu ya namba ya \(\varepsilon_j\) iliyotolewa katika chanzo. Ili jumla \(N_j+\varepsilon_j\) iwe na maana ya vipimo, \(\varepsilon_j\) inapaswa kuzingatiwa katika kipimo cha idadi kinacholingana na \(N_j\); tafsiri hii ya vipimo inatokana na uthabiti wa kihisabati wa mlinganyo, si matokeo tofauti ya majaribio ya utafiti.

Mlinganyo (3): mfumo wa mienendo wa sehemu zote za watu

\[ \frac{dS_i}{dt}=\Lambda_i-\lambda_i(t)S_i(t)-\mu_iS_i(t) \]

\[ \frac{dE_i}{dt}=\lambda_i(t)S_i(t)-(\mu_i+\sigma_i)E_i(t) \]

\[ \frac{dI_i}{dt}=\sigma_iE_i(t)-(\mu_i+\gamma_i+\kappa_i+\alpha_i)I_i(t) \]

\[ \frac{dH_i}{dt}=\kappa_iI_i(t)-(\mu_i+\gamma_i^{H}+\alpha_i^{H})H_i(t) \]

\[ \frac{dR_i}{dt}=\gamma_iI_i(t)+\gamma_i^{H}H_i(t)-\mu_iR_i(t) \]

\[ \frac{dD_i}{dt}=\alpha_iI_i(t)+\alpha_i^{H}H_i(t)-\omega_iD_i(t), \qquad i=1,2,\ldots,n. \tag{3} \]

Mlinganyo wa watu walio katika hatari ya kuambukizwa

\(\Lambda_i\) ni kiwango cha kuingia katika kundi la walio katika hatari ya kuambukizwa kupitia kuzaliwa au uhamiaji. \(-\lambda_iS_i\) huwakilisha wanaotoka katika kundi hili kwa sababu ya maambukizi; \(-\mu_iS_i\) huwakilisha vifo vya kawaida. \(\lambda_i\) au \(S_i\) inapoongezeka, huku vigeu vingine vikiwa vilevile, ukubwa wa kutoka kwenye sehemu ya walio katika hatari kwa sababu ya maambukizi pia huongezeka.

Mlinganyo wa watu walioathiriwa

Watu wanaopata maambukizi kutoka kundi la walio katika hatari huingia kupitia \(+\lambda_iS_i\) katika \(E_i\). Watu walioathiriwa hutoka katika sehemu hii kwa vifo vya asili \(\mu_i\) au kwa kiwango cha kuendelea hadi hali ya kuambukiza \(\sigma_i\).

Mlinganyo wa watu wenye kuambukiza

Kuingia katika sehemu ya \(I_i\) ni kupitia \(\sigma_iE_i\). Njia za kutoka ni nne: kifo cha kawaida \(\mu_i\), kupona \(\gamma_i\), kulazwa hospitalini/kuwekwa katika izoleshini \(\kappa_i\), na kifo kinachohusiana na ugonjwa \(\alpha_i\).

Mlinganyo wa hospitali

Kuingia katika \(H_i\) hutokea kupitia \(\kappa_iI_i\). Watu walioambukizwa waliolazwa hospitalini hutoka kupitia kifo cha kawaida \(\mu_i\), kupona \(\gamma_i^H\), au kifo kinachohusiana na Ebola \(\alpha_i^H\).

Mlinganyo wa watu waliopona

Waliopona huingia kutoka kundi la wenye kuambukiza \(I_i\) kupitia \(\gamma_iI_i\) na kutoka kundi la hospitali \(H_i\) kupitia \(\gamma_i^HH_i\) hadi \(R_i\). Chanzo hakina neno linalowakilisha watu waliopona kurudi kuwa katika hatari au kuambukizwa tena.

Mlinganyo wa maiti zenye kuambukiza

Njia mbili za kifo huingiza watu katika \(D_i\): kutoka kwa watu wenye kuambukiza kupitia \(\alpha_iI_i\), na kutoka kwa watu walioambukizwa waliolazwa hospitalini kupitia \(\alpha_i^HH_i\). Kuondolewa kwa maiti kutoka mfumo wa kuambukiza huwakilishwa na \(\omega_iD_i\). Kwa hiyo, kadiri \(\omega_i\) inavyoongezeka, huku masharti mengine yakiwa sawa, muda ambao \(D_i\) hubaki katika mfumo hupungua.

Mlinganyo (4): hifadhi ya virusi katika mazingira

\[ \frac{dW}{dt} = \sum_{i=1}^{n} \left( \rho_i^{I}I_i(t) + \rho_i^{H}H_i(t) + \rho_i^{D}D_i(t) \right) -\delta W(t). \tag{4} \]

Mlinganyo huu unaonyesha kwa uwazi sana mantiki ya hifadhi ya mazingira. Kuna vyanzo vitatu vinavyoongeza \(W\):

• \(\rho_i^I I_i\): utoaji wa virusi katika mazingira kutoka kwa watu wenye kuambukiza,
• \(\rho_i^H H_i\): utoaji wa virusi katika mazingira kutoka kwa watu walioambukizwa waliolazwa hospitalini,
• \(\rho_i^D D_i\): utoaji wa virusi katika mazingira kutoka kwa maiti zenye kuambukiza.

\(-\delta W\) huwakilisha kupungua kwa nyenzo za virusi katika mazingira au kuondolewa kwake kwa usafishaji. Kadiri \(\delta\) inavyoongezeka, ikiwa hadhi nyingine zinabaki sawa, kasi ya kusafishwa/kuharibika kwa mzigo wa virusi katika mazingira huongezeka.

Vigezo vya modeli na masafa yanayokubalika kibayolojia

Chanzo huchukulia vigezo vyote vya kiepidemiolojia kuwa chanya na visivyobadilika kwa muda. Kwa hiyo modeli ni mfumo autonomasi usio wa mzunguko. Chanzo kinaeleza kuwa masafa ya vifo yalichaguliwa ili kwa ujumla yaendane na viwango vya juu vya vifo vya visa vya takriban %50–70 vilivyoripotiwa kwa Zaire EVD. Hata hivyo, tabia ya vifo vya visa katika modeli si sawa na mojawapo tu ya vigezo \(\alpha_i\) au \(\alpha_i^H\); inategemea mienendo inayotokana kwa pamoja na kuendelea kwa ugonjwa, kulazwa hospitalini, kupona na njia za kifo.

Masafa ya vigezo katika jedwali si matokeo ya ukadiriaji rasmi wa vigezo wala kalibrasheni. Waandishi huyatumia kama masafa yanayokubalika kibayolojia kwa uigaji wa namba wa kimaelezo.

Hali ya usawa isiyo na ugonjwa ni nini?

Hali ya usawa isiyo na ugonjwa (disease-free equilibrium, DFE) ni hali ya kihisabati ambamo sehemu zote zinazohusiana na maambukizi pamoja na mzigo wa virusi katika mazingira ni sifuri, lakini makundi yaliyo katika hatari ya kuambukizwa yanaendelea kuwepo katika usawa wa kidemografia.

Mlinganyo (5) wa chanzo:

\[ E_0= \left( S_1^0,0,0,0,0,0,\ldots, S_n^0,0,0,0,0,0,0 \right). \tag{5} \]

Thamani ya usawa ya walio katika hatari hutolewa kwa Mlinganyo (6):

\[ S_i^0=\frac{\Lambda_i}{\mu_i}, \qquad i=1,2,\ldots,n. \tag{6} \]

kwa namna hii. Sababu ni kwamba wakati hakuna maambukizi, kuingia katika kundi la walio katika hatari kupitia \(\Lambda_i\) husawazishwa na kutoka kupitia kifo cha kawaida \(\mu_iS_i\). Katika hali ya usawa \(\Lambda_i=\mu_iS_i\), hivyo \(S_i^0=\Lambda_i/\mu_i\) hupatikana.

Katika DFE:

\[ E_i=I_i=H_i=D_i=0,\qquad W=0. \]

Chanzo pia kinaonyesha kuwa sehemu ya waliopona ni sifuri katika vekta ya usawa isiyo na ugonjwa.

Hali ya usawa wa endemiki ni nini?

Hali ya usawa wa endemiki ni hali ya usawa ambayo mfumo haubadiliki kwa muda lakini angalau kipengele kimoja kinachohusiana na maambukizi hubaki chanya. Chanzo katika Mlinganyo (7) hufafanua vekta ya jumla ya usawa kama:

\[ E^{*}= \left( S_1^{*},E_1^{*},I_1^{*},H_1^{*},R_1^{*},D_1^{*}, \ldots, S_n^{*},E_n^{*},I_n^{*},H_n^{*},R_n^{*},D_n^{*}, W^{*} \right) \tag{7} \]

Alama ya nyota ya juu \((*)\) huonyesha thamani ya usawa ya kigeu husika. Katika hali ya endemiki, angalau kipengele kimoja kinachohusiana na maambukizi ni kikubwa kuliko sifuri. Chanzo hujadili kubaki kwa maambukizi katika mfumo, chini ya masharti ya udumifu, kupitia uchanya wa vipengele kama \(E_i^*\), \(I_i^*\), \(D_i^*\) na \(W^*\).

Kwa nini uchanya ni lazima kihisabati?

Ni kinyume cha maana ya kibayolojia kwa vigeu kama ukubwa wa kundi au mzigo wa virusi katika mazingira kuwa na thamani hasi. Kwa hiyo, ili modeli iweze kutumika kihisabati, ikianzishwa kwa thamani za mwanzo zisizo hasi, vigeu vyote vya hali vinapaswa kubaki katika eneo lisilo hasi pia katika siku zijazo.

Chanzo hutumia sharti lifuatalo la mwanzo:

\[ S_i(0),E_i(0),I_i(0),H_i(0),R_i(0),D_i(0),W(0)\geq0. \]

Kwa kuwa milinganyo imeundwa kwa namna ya “kuingia pungufu ya kutoka”, kigeu cha hali kinapofikia sifuri hakuna hadhi hasi huru ya chanzo inayoweza kukisukuma moja kwa moja katika eneo hasi. Muundo huu huhakikisha kuwa orthanti chanya inabaki invariant chini ya mtiririko wa mfumo. Uthibitisho wa kina umeachwa katika Nyenzo ya Ziada S1 ya chanzo.

Kwa nini ukomo ni muhimu?

Kuwa chanya pekee hakutoshi; vigeu vya modeli vinapaswa pia kubaki na thamani zenye ukomo. Milinganyo ya jumla ya watu walio hai inapojumlishwa, chanzo hupata:

\[ \frac{dN_i}{dt} = \Lambda_i-\mu_iN_i-\alpha_iI_i-\alpha_i^{H}H_i \leq \Lambda_i-\mu_iN_i \]

ukosefu wa usawa huu.

Kwa kulinganisha hili, Mlinganyo (9):

\[ \frac{dX}{dt}=\Lambda_i-\mu_iX \tag{9} \]

hutumiwa. Matokeo ni:

\[ 0\leq N_i(t)\leq\frac{\Lambda_i}{\mu_i}, \qquad t>0 \]

kikomo cha juu. Maana ya kihisabati ni kwamba hadhi za vifo vinavyohusiana na ugonjwa haziongezi idadi ya watu; kinyume chake, hupunguza zaidi ukuaji wa watu walio hai. Kwa hiyo mfumo wa kulinganisha wenye kuingia na vifo vya kawaida pekee hutoa kikomo cha juu kinachoweza kutumiwa kwa \(N_i\).

Kikomo cha juu cha mzigo wa virusi katika mazingira

Katika Mlinganyo (10), chanzo hutumia:

\[ \frac{dW}{dt} \leq \sum_{i=1}^{n} \left( \rho_i^{I}N_i+ \rho_i^{H}N_i+ \rho_i^{D}N_i \right) -\delta W \tag{10} \]

ulinganisho wa juu wa namna hii na kutoka hapo huonyesha kuwa \(W(t)\) inaweza kuwekwa chini ya kikomo cha \(W_{\max}\).

Katika teorema ya kina zaidi ya eneo invariant, kwa maiti yenye kuambukiza:

\[ D_i^{\max} = \frac{\alpha_i+\alpha_i^{H}}{\omega_i} \frac{\Lambda_i}{\mu_i} \tag{12a} \]

na kwa mzigo wa mazingira:

\[ W_{\max} = \frac{1}{\delta} \sum_{i=1}^{n} \left[ (\rho_i^{I}+\rho_i^{H}) \frac{\Lambda_i}{\mu_i} + \rho_i^{D}D_i^{\max} \right] \tag{12b} \]

vikomo vya juu hutolewa. Hapa \(1/\delta\) huwakilisha kipimo cha muda kinachohusiana kinyume na muda wa kukaa kwa nyenzo ya virusi katika mfumo: ikiwa kiasi kingine hakibadiliki, \(\delta\) kubwa zaidi huhusishwa na kikomo cha juu cha \(W_{\max}\) kilicho chini zaidi.

Eneo linalofaa \(\Omega\) linaashiria nini?

Katika Mlinganyo (8), chanzo hufafanua nafasi ya hali yenye maana kibayolojia ya modeli kwa \(\Omega\). Mfumo una vipimo \(6n+1\): kuna vigeu sita vya hali katika kila kundi na kigeu kimoja cha pamoja cha mazingira \(W\) huongezwa.

Kwa muhtasari:

\[ \Omega\subset\mathbb{R}_{+}^{6n+1}, \qquad 0\leq N_i\leq\frac{\Lambda_i}{\mu_i}, \qquad 0\leq W\leq W_{\max}. \tag{8} \]

Katika sehemu ya teorema, eneo hili linaimarishwa zaidi kwa kikomo \(0\leq D_i\leq D_i^{\max}\). “Eneo chanya invariant” humaanisha kwamba mfumo unapoanzishwa ndani ya eneo hili lenye maana kibayolojia, suluhisho halitoki nje ya eneo hilo kadiri muda unavyopita.

Namba Msingi ya Uzazi \(R_0\) Inaashiria Nini Katika Modeli Hii?

Namba msingi ya uzazi \(R_0\) ni kiasi cha kizingiti kinachofupisha uwezo wa modeli kuzalisha maambukizi karibu na hali ya usawa isiyo na ugonjwa, na utafiti huifafanua kwa mbinu ya matriksi ya kizazi kijacho kama \(R_0=\rho(FV^{-1})\). Hapa \(\rho\) ni radiusi spektrali ya matriksi; \(R_0<1\) huhusishwa na uthabiti wa hali ya usawa isiyo na ugonjwa, na \(R_0>1\), chini ya masharti ya ziada yanayofaa, huhusishwa na udumifu wa maambukizi na uwezekano wa usawa wa endemiki.

Vekta ya hali zilizoambukizwa imefafanuliwa katika chanzo kama:

\[ x= (E_1,\ldots,E_n, I_1,\ldots,I_n, H_1,\ldots,H_n, D_1,\ldots,D_n, W)^T \]

.

Matriksi ya maambukizi mapya \(F\) na matriksi \(V\) inayowakilisha mipito mingine ya hali zilizoambukizwa huundwa kwa kufanya mfumo mdogo wa maambukizi kuwa wa mstari karibu na hali ya usawa isiyo na ugonjwa \(E_0\). Namba msingi ya uzazi:

\[ R_0=\rho(FV^{-1}). \]

Radiusi spektrali, ni thamani kubwa zaidi kati ya thamani kamili za eigenvalue za matriksi. Matriki ya kizazi kijacho \(FV^{-1}\) huwakilisha kwa pamoja michango ya kizazi kijacho inayotengenezwa na maambukizi kati ya sehemu mbalimbali zilizoambukizwa na makundi. Chanzo hakitoi muundo kamili wa matriksi \(F\) na \(V\) katika maandishi makuu, na kinaacha maelezo katika Nyenzo ya Ziada S2. Kwa hiyo hakuna elementi za matriksi zisizopatikana katika chanzo zilizotengenezwa hapa.

Uthabiti wa ndani wa hali ya usawa isiyo na ugonjwa

Matokeo ya chanzo:

• ikiwa \(R_0<1\), hali ya usawa isiyo na ugonjwa \(E_0\) ni thabiti kwa njia ya kiasimptoti katika eneo la karibu.
• \(R_0>1\) ise \(E_0\) isiyo thabiti.

Uthabiti wa ndani humaanisha kuwa hali za mwanzo zilizo karibu vya kutosha na usawa usio na ugonjwa hurudi kukaribia usawa huo kadiri muda unavyopita. Uthibitisho wa kina wa Jacobian na matriksi ya kizazi kijacho uko katika Nyenzo ya Ziada S3.

Uthabiti wa kimataifa wa hali ya usawa isiyo na ugonjwa

Katika hali ya \(R_0<1\), utafiti pia hutoa matokeo yenye nguvu zaidi kwa kutumia kanuni ya kulinganisha. Chanzo, kwa \(\eta>0\) ndogo vya kutosha, huweka:

\[ S_i(t)\leq S_i^0+\eta \]

na huunda sharti linalofaa la ulinganisho wa chini kwa vigawanyo vya hadhi za maambukizi. Kisha:

\[ M_\eta=F_\eta-V \]

kipimo cha ukuaji wa spektrali cha matriksi:

\[ s(M_\eta) = \max\{\operatorname{Re}(\lambda):\lambda\in\sigma(M_\eta)\} <0 \]

kikiwa hivyo, chanzo hueleza kuwa hali ya usawa isiyo na ugonjwa \(E_0\) ndani ya eneo linalofaa \(\Omega\) ni thabiti kwa njia ya kiasimptoti kimataifa. Ujenzi wa kina wa Mlinganyo (13) na mfumo wa kulinganisha umeelezwa kwa kiwango kidogo katika PDF kuu; uthibitisho kamili umeachwa katika Nyenzo ya Ziada S4.

Udumifu una maana gani wakati \(R_0>1\)?

Udumifu haumaanishi tu kwamba maambukizi ni makubwa kuliko sifuri kwa muda mfupi, bali kwamba katika kikomo cha muda mrefu vigeu vinavyohusiana na maambukizi havikaribii sifuri. Chanzo, pale mtandao wa uambukizaji unapokuwa usiogawanyika na masharti yanayohitajika ya udumifu wa sawia yanapotimizwa, hutoa Mlinganyo (14) kwa \(\varepsilon\) chanya:

\[ \min_{1\leq i\leq n} \left\{ \liminf_{t\to\infty}E_i(t), \liminf_{t\to\infty}I_i(t), \liminf_{t\to\infty}H_i(t), \liminf_{t\to\infty}D_i(t) \right\} >\varepsilon, \]

\[ \liminf_{t\to\infty}W(t)>\varepsilon. \tag{14} \]

\(\liminf\), huonyesha tabia ya kikomo cha chini ambacho kigeu kinaweza kukikaribia mara kwa mara baada ya muda mrefu sana. Hapa sharti linaeleza kihisabati kwamba sehemu zinazohusiana na maambukizi hazianguki hadi sifuri kwa muda mrefu.

Chanzo kinaeleza kuwa chini ya masharti haya kuna angalau hali moja chanya ya usawa wa endemiki ndani ya sehemu ya ndani ya eneo linalofaa. Uthibitisho wa kina uko katika Nyenzo ya Ziada S5.

Upekee wa masharti na uthabiti wa kimataifa wa usawa wa endemiki

Chanzo kinaeleza kuwa ikiwa \(R_0>1\) na masharti ya udumifu katika Mlinganyo (14) yanatimizwa, usawa chanya wa endemiki unaweza kuwa wa kipekee kwa masharti ndani ya darasa fulani chanya lililopangwa. Hoja ya mpangilio monotoni imeachwa katika Nyenzo ya Ziada S6.

Kisha huwakilisha muunganisho wa jumla wa uambukizaji kwa:

\[ B= \left[ \beta_{ij} + \beta_{ij}^{H} + \beta_{ij}^{D} \right]_{1\leq i,j\leq n} \]

matriksi. Mtandao wa uambukizaji kuwa usiogawanyika ni sharti la kihisabati la kuunganishwa linalomaanisha mfumo hauwezi kugawanywa katika vitalu vidogo vya uambukizaji vilivyotenganishwa kabisa.

Katika Mlinganyo (15), chanzo hutoa usawa chanya wa endemiki kama:

\[ P^{*}= \left( S_1^{*},E_1^{*},I_1^{*},H_1^{*},R_1^{*},D_1^{*}, \ldots, S_n^{*},E_n^{*},I_n^{*},H_n^{*},R_n^{*},D_n^{*}, W^{*} \right) \in\operatorname{Int}(\Omega) \tag{15} \]

Uchanganuzi wa kina wa kitendakazi cha Lyapunov na derivative unaotumiwa kwa uthabiti wa kimataifa wa usawa wa endemiki uko katika Nyenzo ya Ziada S7. Kwa kuwa PDF kuu haitoi usemi wazi wa kitendakazi hiki, haujatolewa upya hapa.

Mlipuko halisi wa DRC wa 2018–2020 unatumikaje katika grafu za chanzo?

Utafiti unatumia rekodi za ufuatiliaji zinazopatikana kwa umma zilizochapishwa na Wizara ya Afya ya Jamhuri ya Kidemokrasia ya Kongo na Shirika la Afya Duniani wakati wa mlipuko wa Kivu Ebola wa 2018–2020. Hata hivyo, jukumu la data hizi si kulinganisha vigezo na modeli.

Uchunguzi wa kila siku ulibadilishwa kuwa jumla zinazosogea za siku 7 ili kupunguza mabadiliko ya muda mfupi katika utoaji wa taarifa. Majukumu ya kisayansi ya grafu zilizotumika katika chanzo ni haya:

Kwa nini CFR yenye ucheleweshaji wa siku 14 ilitumika?

Case-fatality ratio (CFR; uwiano wa vifo vya visa), ni kiashirio cha kiepidemiolojia kinachofupisha uhusiano kati ya visa vilivyoripotiwa na vifo vilivyoripotiwa. Chanzo kilitumia ucheleweshaji wa siku 14 kati ya visa na vifo vilivyoripotiwa baadaye kwa sababu kugawanya moja kwa moja visa na vifo vya wiki ileile kunaweza kupuuza ucheleweshaji wa muda wa kibayolojia.

Chanzo kinaeleza kuwa CFR hii yenye ucheleweshaji ilionyesha mabadiliko makubwa kwa muda, ikiwa juu zaidi katika vipindi vya uambukizaji mkubwa na kwa kiasi fulani chini kuelekea mwisho wa mlipuko. Waandishi wanajadili kama maelezo yanayowezekana mabadiliko katika upatikanaji wa huduma za afya, kuboreshwa kwa ufuatiliaji, utoaji wa taarifa au ufanisi wa hatua za kudhibiti mlipuko. Maelezo haya si mifumo ya kisababishi iliyothibitishwa kutokana na grafu pekee.

Kwa nini maeneo ya afya hayafikii kilele kwa wakati mmoja?

Mchoro 4 na 5 za chanzo zinaonyesha kwamba mawimbi ya visa vya kila wiki katika maeneo tofauti ya afya ya DRC yanatofautiana sana kwa muda na ukubwa. Waandishi wanajadili kwamba tabia hii isiyo ya wakati mmoja inaweza kuhusishwa na hali za uambukizaji wa eneo, uhamaji wa watu, upatikanaji wa huduma za afya, muda wa hatua za kuingilia kati na ufanisi wake.

Kwa upande wa uigaji, jambo muhimu ni kwamba mkunjo mmoja wa idadi ya watu iliyo sawia unaweza kuwa na kikomo katika kuwakilisha kwa kawaida nyakati hizi tofauti za eneo. Uchunguzi huu ni mojawapo ya misingi ya kiepidemiolojia ya kujenga modeli yenye makundi mengi.

Mikunjo ya \(R_0=0.8\), 1.0, 1.2 na 2.6 katika Mchoro 6 ina maana gani?

Utafiti ulisawazisha trajektoria za uigaji kwa ukubwa mmoja wa kilele ili kulinganisha vizingiti tofauti vya uambukizaji. Lengo si kulinganisha idadi kamili ya visa, bali kuonyesha jinsi muundo wa muda, kasi ya kuzimika na udumifu muundo wa muda, kasi ya kuzimika na udumifu wa mlipuko hubadilika kadiri \(R_0\) inavyobadilika.

• \(R_0=0.8\): mfano subkritiki; mlipuko huzimika haraka.
• \(R_0=1.0\): mfano karibu na kizingiti kritiki; kupungua ni polepole zaidi na tabia ya mpito hurefuka.
• \(R_0=1.2\): mfano superkritiki; tabia ya uambukizaji/udumifu ya muda mrefu zaidi hutokea.
• \(R_0=2.6\): mfano wa kiwango cha juu zaidi cha superkritiki; muda wa kilele na umbo la mkunjo hubadilika kwa uwazi.

Ni muhimu hasa kwamba mikunjo hii haikutengenezwa ili kubaini thamani za \(R_0\) “zinazofaa zaidi” kwa mlipuko halisi wa 2018–2020. Chanzo kinaeleza wazi kwamba ulinganisho huu si formal fitting wala predictive validation.

Kwa nini mzigo wa virusi katika mazingira unaonekana wazi katika Mchoro 8?

Mchoro 8 wa chanzo unaonyesha maendeleo ya kinadharia kwa muda ya sehemu za \(I\), \(H\), \(D\) na \(W\) katika hali superkritiki. Kwa kuwa \(W\) hupokea jumla ya hadhi tatu tofauti za utoaji kutoka kwa watu wenye kuambukiza, watu waliolazwa hospitalini na maiti zenye kuambukiza, ni kigeu cha pamoja cha hali ya mazingira kinachokusanya njia hizi zote katika modeli.

Hata hivyo, mhimili wima wa Mchoro 8 umetolewa kama kiasi cha hiari/kilichosawazishwa. Kwa hiyo, kuonekana kwa mkunjo wa mazingira kuwa mkubwa zaidi kuliko mikunjo mingine hakulingani na mkusanyiko maalumu wa virusi uliopimwa katika mazingira halisi na hakupaswi kutafsiriwa kama kipimo cha kliniki cha mzigo wa virusi.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Utafiti huu ni kazi halisi ya epidemiolojia ya kihisabati na uigaji wa namba utafiti. Hakuna uingiliaji wa kitabibu uliofanywa kwa wagonjwa wapya, hakuna sampuli za kibaolojia zilizokusanywa, wala maambukizi ya maabara ya majaribio yaliyotekelezwa.

Utafiti una tabaka kuu tatu:

1. Kuundwa kwa mfumo wa milinganyo tofauti wa EVD wenye makundi mengi ya watu na hifadhi ya mazingira.
2. Uchanganuzi wa sifa za kihisabati kama vile uchanya, ukomo, hali ya usawa isiyo na ugonjwa/ya endemiki, \(R_0\), uthabiti wa ndani na wa kimataifa, na udumifu wa sawia.
3. Uigaji wa namba unaofanya tu ulinganisho wa kimaelezo na data za ufuatiliaji za mlipuko wa DRC wa 2018–2020.

Mawazo ya modeli

• Kuna jumla ya makundi \(n\) yanayoingiliana.
• Kila kundi limegawanywa katika sehemu za \(S,E,I,H,R,D\).
• Makundi yote yanaweza kuathiri hifadhi ya pamoja ya virusi katika mazingira \(W\).
• Njia za uambukizaji wa moja kwa moja, unaohusiana na hospitali, unaohusiana na maiti na wa kimazingira hutumiwa kwa pamoja.
• Vigezo vyote vya epidemiolojia ni viwianzo chanya visivyobadilika.
• Vigezo si kazi zilizo wazi za muda.
• Modeli ni deterministiki; haina vipengele vya matukio nasibu.
• Muda wa modeli hupimwa kwa siku.
• Vigezo vya hali si hasi mwanzoni.
• \(D_i\) haijumuishwi katika jumla ya idadi hai \(N_i\).
• Hifadhi ya mazingira inawakilishwa na sehemu moja ya pamoja ya \(W\).

Mbinu ya suluhisho la namba

Modeli ya jumla ya makundi \(n\) imepunguzwa hadi \(n=2\) katika mifano ya namba ili kuonyesha mienendo kati ya makundi. Hata hivyo, mantiki iliyounganishwa ya makundi mengi katika milinganyo imehifadhiwa.

Je, Modeli Imekalibrishwa Kutabiri Visa Halisi vya Ebola?

Hapana. Utafiti haukutumia data za mlipuko wa Jamhuri ya Kidemokrasia ya Kongo wa 2018–2020 kwa ukadiriaji rasmi wa vigezo, uboreshaji wa goodness-of-fit au uthibitishaji wa utabiri wa siku zijazo; data za ufuatiliaji zililinganishwa na sifa za kimaelezo za modeli kama ukuaji wa mlipuko, muda wa kilele, kupungua, utofauti wa kikanda na tabia ya kizingiti.

Chanzo kinaita incidensi ya kila wiki iliyozingatiwa \(C_{\mathrm{obs}}(t_k)\), na incidensi ya kila wiki iliyoigwa \(C_{\mathrm{sim}}(t_k)\). Incidensi iliyoigwa ilihusishwa na jumla ya sehemu zenye kuambukiza katika makundi yanayoingiliana.

Inaelezwa kuwa vipimo elekezi vya makosa kama Mean absolute error (MAE; kosa kamili la wastani) na root mean square error (RMSE; mzizi wa wastani wa mraba wa kosa) vilitumika tu kuelezea kufanana kati ya mifumo ya mlipuko iliyozingatiwa na iliyoigwa. Vipimo hivi havikutumika kwa ukadiriaji wa vigezo, kalibrashi au uthibitishaji wa kitabiri.

Uchakataji wa data za DRC za 2018–2020

Data za ufuatiliaji zilijengwa upya kutoka ripoti za hali za WHO na masasisho ya Wizara ya Afya ya DRC. Rekodi za kila siku ziligeuzwa kuwa incidensi ya kila wiki kwa kutumia jumla zinazoteleza za siku 7 ili kupunguza mabadiliko ya muda mfupi katika uripoti.

Katika data za chanzo:

• ongezeko katika miezi ya mwisho ya 2018,
• shughuli kubwa ya mlipuko hadi katikati ya 2019,
• kisha kupungua taratibu,
• nyakati za kilele zisizolingana katika maeneo tofauti ya afya

zinaonekana. Waandishi wanauchukulia utofauti huu kama msingi wa epidemiolojia wa kuunda modeli ya makundi mengi.

Matokeo ya uchanganuzi: hali ya usawa isiyo na ugonjwa

Katika mfumo wa uchanganuzi wa utafiti, \(R_0<1\) ndiyo kizingiti cha msingi. Hali ya usawa isiyo na ugonjwa ni thabiti kiasimptoti kwa kiwango cha ndani katika hali hii. Kwa masharti ya ziada yaliyotolewa chini ya kanuni ya ulinganisho, utafiti pia unapata uthabiti wa kiasimptoti wa kimataifa wa \(E_0\) ndani ya \(\Omega\).

Matokeo haya yanaonyesha kwamba, chini ya mawazo ya kihisabati ya modeli, mienendo ya maambukizi inaweza kukaribia hali isiyo na ugonjwa kwa muda mrefu. Hayapaswi kutafsiriwa kama kizingiti cha kitabibu ambacho peke yake kinahakikisha mafanikio ya hatua zote katika mlipuko halisi.

Matokeo ya uchanganuzi: rejimu ya juu ya kizingiti na udumifu

Wakati \(R_0>1\), hali ya usawa isiyo na ugonjwa si thabiti. Zaidi ya hayo, ikiwa mtandao wa uambukizaji hauwezi kugawanywa na masharti muhimu ya udumifu wa sawia yametimizwa, sehemu zinazohusiana na maambukizi zinaweza kubaki chanya kwa muda mrefu.

Chini ya masharti haya, utafiti unajadili:

• uwepo wa angalau hali moja chanya ya usawa wa endemiki,
• upekee wa masharti wa hali ya usawa wa endemiki chini ya darasa fulani chanya lenye mpangilio,
• matokeo ya uthabiti wa kimataifa wa hali ya usawa wa endemiki chini ya masharti ya ziada ya Lyapunov

Sehemu muhimu za uthibitisho kamili zimeachwa katika Nyenzo za Ziada S5, S6 na S7, kwa mtiririko huo.

Matokeo ya namba: kuzimika polepole karibu na kizingiti

Uigaji unaonyesha kwamba \(R_0\) inapokaribia thamani muhimu ya 1, trajektoria ya mlipuko inaweza kuzimika polepole zaidi kuliko kwa thamani ndogo zaidi za \(R_0\), ingawa bado iko katika hali ya chini ya kizingiti. Kwa hiyo, si swali la “je, hatimaye inaenda sifuri?” pekee, bali pia muda wa kipindi cha mpito unavyokuwa mrefu ni muhimu kwa mtazamo wa epidemiolojia.

Katika rejimu za juu ya kizingiti, modeli huzalisha trajektoria ambazo muda wa kilele unaweza kuchelewa na shughuli ya mlipuko inaweza kudumu kwa muda mrefu zaidi.

Matokeo ya namba: jukumu la hifadhi ya mazingira katika udumifu

Kwa kuwa sehemu ya \(W\) inaweza kupokea ingizo endelevu kutoka vyanzo vya \(I\), \(H\) na \(D\), inaweza kuunda mchango wa kimazingira uliochelewa ndani ya modeli hata baada ya incidensi ya moja kwa moja katika jamii kuanza kupungua. Kulingana na mjadala wa utafiti, muundo huu unaonyesha kwa nini usafi wa mazingira na mikakati jumuishi ya udhibiti inayolenga si uambukizaji wa mtu kwa mtu pekee bali pia uchafuzi wa mazingira inaweza kuwa muhimu kihisabati.

Matokeo haya hayamaanishi kwamba utafiti ulipima ufanisi wa hatua halisi ya usafi wa mazingira kwa jaribio la uwanjani. Hitimisho linatokana na muundo wa modeli na tabia ya uigaji wa kinadharia.

Umuhimu wa muunganisho wa kuvuka makundi

Katika modeli, viwianzo \(\beta_{ij}\), \(\beta_{ij}^H\) na \(\beta_{ij}^D\) vinawakilisha uambukizaji kati ya makundi wakati \(i\neq j\). Hivyo, uambukizaji mkubwa katika kundi moja hauishii katika mienendo ya kundi hilo pekee; unaweza pia kuathiri makundi mengine kupitia matrisi ya muunganisho.

Waandishi wanajadili kwamba makundi yenye muunganisho mkubwa au hatari kubwa yanaweza kuwa na athari isiyolingana juu ya udumifu wa mlipuko na ukubwa wa uambukizaji kupitia sifa za spektrali za mfumo mzima.

Matokeo yanayoungwa mkono na utafiti

• Makundi mengi yanayoingiliana, uambukizaji wa hospitalini, maiti zenye kuambukiza na hifadhi ya virusi katika mazingira vinaweza kuwakilishwa ndani ya modeli moja deterministiki ya EVD.
• Modeli huzalisha suluhisho chanya chini ya masharti ya mwanzo yasiyo hasi.
• Makundi hai na mzigo wa virusi katika mazingira vinaweza kuwekwa mipaka kihisabati.
• \(R_0=\rho(FV^{-1})\) ndiyo parameta ya msingi ya kizingiti ya mfumo.
• Katika rejimu ya \(R_0<1\), hali ya usawa isiyo na ugonjwa ni thabiti.
• Chini ya masharti yanayofaa ya muunganisho na udumifu, rejimu ya \(R_0>1\) inaendana na maambukizi ya kudumu na hali chanya ya usawa wa endemiki.
• Nyakati za kilele na ukali wa mlipuko katika maeneo ya afya ya DRC zina utofauti dhahiri.
• Utofauti huu hutoa msingi wa epidemiolojia kwa muundo wa makundi mengi kama mbadala wa dhana ya kundi moja lenye mchanganyiko sawia.
• Modeli ya hifadhi ya mazingira inaweza kuwakilisha njia ya udumifu iliyochelewa/isiyo ya moja kwa moja tofauti na uambukizaji wa moja kwa moja, wa hospitali na unaohusiana na maiti.

Matokeo ambayo utafiti hauungi mkono

• Modeli si modeli ya utabiri iliyokalibishwa kitakwimu kwa mlipuko wa DRC wa 2018–2020.
• Mikondo ya uigaji katika vielelezo haipaswi kutafsiriwa kama utabiri wa kiasi wa idadi halisi ya visa.
• Chanzo hakihesabu ukubwa wa athari kuhusu idadi ya visa au vifo ambavyo hatua maalum ingezuia.
• Suluhisho bora la udhibiti kwa Safe burial, udhibiti wa maambukizi hospitalini, karantini au usafi wa mazingira halijahesabiwa katika utafiti huu.
• Kwa kuwa vigezo vya modeli havibadiliki kwa muda, mabadiliko ya tabia, muda wa uingiliaji au mabadiliko ya nguvu katika mwitikio wa mfumo wa afya hayajaigwa moja kwa moja.
• Kwa kuwa hifadhi moja ya \(W\) inatumika, hospitali, nyumba, maeneo ya mazishi au mazingira mengine hayajaigwa kama hifadhi tofauti.
• Kuzimika kwa mlipuko kwa stokastiki au matukio nasibu ya mtu binafsi hayajaigwa moja kwa moja.
• Uhamaji na uhamisho wa watu havipo kama michakato ya hali iliyo wazi katika mfumo wa sasa wa deterministiki.
• Modeli haijathibitishwa kwa vigezo vilevile katika nchi nyingine au milipuko ya baadaye.

Vikwazo vikuu vya utafiti

1. Vigezo visivyobadilika kwa muda: Katika mlipuko halisi, tabia, hatua za kudhibiti, mwitikio wa mfumo wa afya na uripoti hubadilika, ilhali modeli huwakilisha haya kwa vigezo visivyobadilika kwa muda.

2. Hifadhi moja ya mazingira: Mienendo tofauti ya mazingira ya hospitali, makazi, eneo la mazishi au mazingira mengine ya uchafuzi haijafafanuliwa kando.

3. Idadi kubwa ya vigezo: Idadi ya vigezo vya muunganisho wa kuvuka makundi kama \(\beta_{ij}\), \(\beta_{ij}^{H}\) na \(\beta_{ij}^{D}\) huongezeka haraka kadiri idadi ya makundi inavyoongezeka. Inaweza kuwa vigumu kuvibaini chini ya data za ufuatiliaji zilizo chache au zenye kelele.

4. Muundo wa deterministiki: Stokastisiti ya kidemografia, kuzimika kwa mlipuko kwa nasibu na matukio nasibu wakati idadi ya visa ni ndogo havipo moja kwa moja katika mfumo.

5. Uhamaji na uhamisho: Harakati za watu ambazo zinaweza kuwa muhimu katika maeneo yenye migogoro na rasilimali chache hazijaigwa moja kwa moja.

6. Lengo la utabiri ni lenye mipaka: Utafiti wa sasa unalenga hasa kuelewa kinadharia na kimaelezo muundo wa njia nyingi za uambukizaji wa Ebola; haujawasilishwa kama modeli ya forecasting inayotabiri kitakwimu idadi ya visa vya siku zijazo.

Upanuzi unaopendekezwa kwa siku zijazo

Waandishi wanaeleza kuwa mfumo wa sasa unaweza kupanuliwa baadaye katika mielekeo ifuatayo:

• vigezo vya epidemiolojia vinavyobadilika kwa muda,
• kazi wazi za udhibiti kwa taratibu salama za mazishi,
• udhibiti wa kuzuia maambukizi hospitalini,
• mikakati ya karantini,
• udhibiti wa usafi wa mazingira,
• udhibiti bora na uchanganuzi wa ufanisi wa gharama,
• mitandao ya muunganisho inayotegemea data za uhamaji,
• matrisi za mwingiliano kati ya maeneo,
• ukadiriaji wa vigezo vya kitakwimu na kutokuwa na uhakika,
• ujumlishaji wa modeli za stokastiki,
• modeli zilizo wazi kifazialia.

Haya si machanganuzi yaliyokamilishwa katika makala ya sasa, bali ni upanuzi unaopendekezwa kuchunguzwa katika siku zijazo.

Maelezo ya Chanzo na Mbinu

Kichwa asili: A generalized multi-population model for Ebola virus transmission incorporating environmental reservoir dynamics

Waandishi: Muhammad Farhan Hakeem; Shajar Abbas; Imran Siddique; Ilyas Khan; Mohsen Bakouri; Rashid Jan; Rakhmonjon Akhmadjonov; Rasul Turaev.

Corresponding authors: Shajar Abbas na Mohsen Bakouri.

Mchango sawa: Chanzo kilichopitiwa hakina tamko la mchango sawa/uandishi wa kwanza wa pamoja.

Taasisi a: School of Computer Science and Technology, North University of China, Taiyuan, China.

Taasisi b: Department of Computer Engineering, Biruni University, Istanbul, Turkey.

Taasisi c: Department of Mathematics, University of Sargodha, Sargodha, Pakistan.

Taasisi d: Center for Theoretical Physics, Khazar University, Baku, Azerbaijan.

Taasisi e: Department of Mathematical Sciences, Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences, Chennai, India.

Taasisi f: Hourani Center for Applied Scientific Research, Al-Ahliyya Amman University, Amman, Jordan.

Taasisi g: Széchenyi István University, Győr, Hungary.

Taasisi h: Department of Mathematics, College of Science Al-Zulfi, Majmaah University, Al-Majmaah, Saudi Arabia.

Taasisi i: Department of Medical Equipment Technology, College of Applied Medical Science, Majmaah University, Al-Majmaah, Saudi Arabia.

Taasisi j: Department of Mathematics, College of Science, Qassim University, Buraydah, Saudi Arabia.

Taasisi k: School of Exact Sciences, National Pedagogical University of Uzbekistan named after Nizami, Tashkent, Uzbekistan.

Taasisi l: Department of Exact and Natural Sciences, Termez State University of Engineering and Agrotechnologies, Termez, Uzbekistan.

Jarida: Infectious Medicine.

Juzuu / toleo / nambari ya makala: Juzuu 5, Toleo 3, 100278.

Aina ya chanzo: Original Article; utafiti wa epidemiolojia ya kihisabati, uigaji wa milinganyo tofauti ya deterministiki na uthibitishaji wa namba wa kimaelezo.

DOI: 10.1016/j.imj.2026.100278.

Tarehe ya kupokelewa: 26 Machi 2026.

Tarehe ya marekebisho: 20 Mei 2026.

Tarehe ya kukubaliwa: 1 Julai 2026.

Tarehe ya kuchapishwa mtandaoni: Rekodi rasmi ya ScienceDirect inatoa tarehe 5 Agosti 2026.

Bibliografia ya uchapishaji/issue: Rekodi ya PubMed inatoa Septemba 2026, Juzuu 5, Toleo 3 na makala 100278.

Mchapishaji: Elsevier Ltd kwa niaba ya Tsinghua University Press.

Leseni: Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).

Hali ya mapitio/uchapishaji: Chanzo ni makala ya jarida yenye tarehe ya kukubaliwa na iliyochapishwa katika Infectious Medicine kama Original Article.

Taarifa ya preprint: Chanzo kilichopitiwa hakionyeshi rekodi tofauti ya preprint kwa utafiti huu.

Eneo la kisayansi: Epidemiolojia ya kihisabati, mienendo ya magonjwa ya kuambukiza na uigaji unaotegemea milinganyo tofauti.

Mbinu kuu: Mfumo wa ODE wa autonomasi kwa makundi \(n\) yanayoingiliana, unaotumia sehemu za \(S_i\), \(E_i\), \(I_i\), \(H_i\), \(R_i\), \(D_i\) pamoja na hifadhi ya pamoja ya virusi katika mazingira \(W\); uchanganuzi wa uchanya na ukomo; \(R_0\) kwa mbinu ya matrisi ya kizazi kijacho; uchanganuzi wa hali ya usawa na uthabiti; matokeo ya kinadharia ya udumifu na Lyapunov; uigaji wa namba wa Python/SciPy.

Data halisi za epidemiolojia: Data za ufuatiliaji zilizo wazi kwa umma zilizochapishwa na WHO na Wizara ya Afya ya DRC kwa mlipuko wa Ebola wa Kivu, Jamhuri ya Kidemokrasia ya Kongo, 2018–2020.

Madhumuni ya matumizi ya data: Ulinganisho wa epidemiolojia wa kimaelezo na uonyeshaji. Hakuna ukadiriaji rasmi wa vigezo vya kitakwimu, model fitting au uthibitishaji wa kitabiri uliofanywa.

Kitatua cha namba: Python, SciPy solve_ivp, hatua za muda zinazojibadilisha; uvumilivu wa jamaa \(10^{-6}\), uvumilivu kamili \(10^{-8}\).

Nyenzo za ziada: S1 kwa uchanya/ukomo na eneo lisilobadilika; S2 kwa maelezo ya matrisi za kizazi kijacho \(F,V\); S3 kwa uthabiti wa ndani wa DFE; S4 kwa uthabiti wa kimataifa wa DFE; S5 kwa udumifu wa sawia; S6 kwa upekee wa hali ya usawa wa endemiki; S7 kwa uthabiti wa kimataifa wa hali ya usawa wa endemiki unaotegemea Lyapunov vimeachwa na chanzo katika nyenzo za ziada. Kwa kuwa maudhui haya ya uthibitisho wa ziada hayapo katika PDF kuu iliyopakiwa, hayajabuniwa upya katika maandishi ya Verianla.

Upatikanaji wa data: Chanzo kinaeleza kwamba data zinaweza kupatikana kutoka kwa corresponding author kwa ombi linalofaa. Maandishi makuu pia yanaeleza kwamba data za epidemiolojia zilizochakatwa na misimbo ya uigaji ya Python zinaweza kutolewa na corresponding author kwa ombi linalofaa.

Michango ya waandishi ya CRediT: Muhammad Farhan Hakeem — Investigation; Shajar Abbas — Supervision; Imran Siddique — Methodology; Ilyas Khan — Data curation; Mohsen Bakouri — Software; Rashid Jan — Formal analysis; Rakhmonjon Akhmadjonov — Validation; Rasul Turaev — Writing – original draft.

Ridhaa yenye taarifa: Chanzo kinaripoti “Nothing to report”.

Organ donation: Not applicable.

Tamko la maadili: Chanzo kinaripoti “Nothing to report”.

Utafiti wa wanyama: Not applicable.

Generative AI: None.

Ufadhili: None.

Mgongano wa maslahi: Waandishi wanatangaza kwamba hakuna maslahi ya kifedha yanayoshindana au mahusiano ya kibinafsi yanayojulikana ambayo yanaweza kuathiri utafiti.

Acknowledgements: Not applicable.

Dokezo muhimu la istilahi: Katika Jedwali 1 la chanzo, maelezo ya \(\kappa_i\), \(\gamma_i\) na \(\gamma_i^H\) yanatumia misemo kama “proportion/percentage”; hata hivyo, kitengo cha vigezo ni muda\(^{-1}\) na majukumu yao ya kihisabati katika milinganyo tofauti ni viwango vya mpito/kupona. Katika maelezo ya Kiswahili, jukumu hili la kihisabati limechukuliwa kuwa msingi na hakuna thamani mpya ambayo haikuripotiwa katika chanzo iliyoundwa.

Mpaka mkuu wa tafsiri: Utafiti huu si nakala ya kidijitali inayofanana kabisa na mlipuko uliopo wa Ebola wala si zana ya utabiri wa kitabibu. Ni modeli ya kinadharia, deterministiki, yenye vigezo visivyobadilika na makundi mengi. Data halisi za mlipuko zilitumika kwa ulinganisho wa kimaelezo badala ya kalibrashi ya modeli. Kwa hiyo, haiwezi kusemwa kwamba mikondo iliyoigwa inatabiri moja kwa moja visa halisi vya siku zijazo, vifo au kiasi cha virusi katika mazingira.