Muundo wa kistokastiki wa metapopulation wenye compartments katika utafiti huu, ni muundo wa uigaji wa mlipuko wa muda wa hatua tofauti unaowakilisha katika mfumo mmoja wa kihisabati kuenea kwa ugonjwa wa virusi vya Ebola (EVD) kati ya patch nyingi za kijiografia; uingizaji wa zoonotic kutoka kwa hifadhi ya wanyama, maambukizi ya moja kwa moja kutoka kwa watu wenye dalili na walioambukizwa, mfiduo kwa mazishi yenye kuambukiza, maambukizi kutokana na mawasiliano ya karibu na watu wanaopona, pamoja na hatua kama chanjo, kupunguza mawasiliano na mazishi salama/yenye heshima.

Katika modeli, watu huhama kwa njia ya kistokastiki kati ya hali ya walio katika hatari (S), walioambukizwa lakini bado si wa kuambukiza (E), walio hai na wa kuambukiza (I), waliokufa wanaosababisha mfiduo wa mazishi yenye kuambukiza (F), waliokufa waliokwisha kuzikwa na ambao si wa kuambukiza tena (D), wanaopona ambao uambukizaji wao mdogo unaendelea (C), waliopona kabisa (R), na waliochanjwa wanaodhaniwa kupata kinga kamili (V). Kila patch ya kijiografia imeunganishwa kiepidemiolojia na patch nyingine kupitia matriksi ya muunganiko.

Watafiti waliweka mfano wa modeli katika eneo la takriban 18.320 km² katika Jamhuri ya Kidemokrasia ya Kongo ambalo hapo awali lilitambuliwa kuwa na hatari kubwa ya uingizaji wa zoonotic wa Ebola. Kwa kutumia makadirio ya idadi ya watu ya 2015, patch 857 zenye ukubwa wa takriban 5×5 km na jumla ya watu 1.877.034 zilimodelishwa; mwanzoni watu wote walichukuliwa kuwa katika hatari. Uigaji 200 huru wa milipuko ya EVD, kila mmoja wa siku 365, uliendeshwa.

Katika uigaji 200, ukubwa wa wastani wa jumla wa mlipuko ulikuwa visa 47,0, mediani visa 11,0 na masafa ya interquartile 3,8–43,8 visa. Uigaji mkubwa zaidi ulifikia visa 770. Ukubwa na kuenea kwa kijiografia kwa milipuko kulitofautiana sana kati ya uigaji. Siku 365 baada ya kisa cha kwanza, katika uigaji 109 kati ya 200 mlipuko ulikuwa bado haujadhibitiwa.

Chanjo tendaji pia ilitoa matokeo yenye utofauti mkubwa: wastani wa dozi 764,4 kwa kila uigaji, mediani dozi 94,5 na IQR dozi 0–713,8 zilitolewa. Patch zote na uigaji wote zilipotathminiwa pamoja, kiwango cha chanjo katika ngazi ya patch kilitofautiana kutoka %0 hadi %9,6.

Thamani hizi si matokeo yaliyoonekana katika mlipuko halisi wa DRC. Utafiti unaonyesha matukio ya uigaji yaliyotekelezwa kwa kutumia vigezo vya kihistoria vya Ebola na pembejeo za kijiografia. Waandishi pia wanaeleza wazi kwamba modeli haikuundwa kutabiri idadi ya visa ya muda mfupi katika mlipuko halisi unaoendelea.

Tatizo la utafiti

Uundaji wa modeli ya ugonjwa wa virusi vya Ebola ni changamano zaidi kuliko kumodeli njia moja ya maambukizi. Mlipuko unaweza kuanza kwa uingizaji wa zoonotic kutoka kwa hifadhi ya wanyama kwenda kwa binadamu; kisha watu walio hai wenye dalili, maiti ya mtu aliyeambukizwa na baadhi ya watu wanaopona wanaweza kuchangia maambukizi kwa viwango tofauti. Maambukizi yanaweza pia kuenea kijiografia na hatua za afya ya umma zinaweza kuanza kwa nyakati tofauti kutoka patch moja hadi nyingine.

Utafiti chanzo unaeleza kwamba modeli nyingi za awali zilizingatia baadhi tu ya vipengele hivi. Lengo la watafiti lilikuwa kuunganisha sehemu hizi katika mfumo mmoja wenye ufanisi wa kimahesabu ili kutengeneza kiigaji cha jumla cha EVD kinachoweza kuchunguza maswali ya afya ya umma kama ufuatiliaji, maandalizi, chanjo na kuongeza kiwango cha hatua za kukabiliana.

Baada ya kushauriana na wadau wa mwitikio wa EVD, timu ya utafiti ililenga modeli iweze kujibu hasa aina nne za maswali: ni jamii zipi zinapaswa kupewa kipaumbele kwa ufuatiliaji ulioimarishwa; baada ya kisa katika eneo fulani ni jamii zipi zina hatari kubwa zaidi ya kuenea; matokeo ya kiepidemiolojia ya mchanganyiko tofauti wa hatua yanaweza kuwa yapi; na uwezekano wa kuchunguza maswali haya yote katika mizani tofauti ya nafasi na muda.

Modeli ya Kistokastiki ya Metapopulation ni Nini?

Modeli ya kistokastiki ya metapopulation hugawa idadi ya watu katika vitengo vingi vidogo vya kijiografia vinavyounganishwa kiepidemiolojia na kuiga mabadiliko ya watu kati ya hali za ugonjwa kama matukio yanayochukuliwa kwa nasibu kutoka kwa usambazaji wa uwezekano badala ya idadi mahususi; katika utafiti huu kila patch ina mienendo yake ya S–E–I–F–D–C–R–V na patch zinaunganishwa kwa matriksi ya muunganiko wa maambukizi.

“Kistokastiki” inamaanisha nini?

Modeli ya deterministiki hutoa matokeo yale yale kila inapoendeshwa chini ya hali zile zile za mwanzo. Katika modeli ya kistokastiki, matukio kama maambukizi, kupona, kifo au chanjo huchukuliwa kutoka kwa usambazaji wa uwezekano, hivyo uigaji miwili yenye vigezo vile vile vya jumla inaweza kutoa ukubwa tofauti wa mlipuko na mifumo tofauti ya kuenea kwa kijiografia.

Kwa sababu hiyo, badala ya kutumia uigaji mmoja kama “mustakabali unaotarajiwa”, watafiti waliendesha modeli kwa kujitegemea mara 200. Hii ndiyo sababu matokeo yanawasilishwa kwa vipimo vya usambazaji kama wastani, mediani, IQR na asilimia za usambazaji.

“Metapopulation” inamaanisha nini?

Katika mkabala wa metapopulation, badala ya idadi moja ya watu iliyochanganyika kabisa, hutumiwa makundi madogo ya watu ya kijiografia yaliyounganishwa. Utafiti unaita vitengo hivi patch.

Patch hufafanuliwa na chanzo kama kitengo cha kijiografia chenye ulinganifu. Inadhaniwa kuwa watu ndani ya patch wanakabiliwa na viwango sawa vya mpito wa hali. Patch si huru kutoka kwa nyingine; sehemu ya nguvu ya maambukizi inayozalishwa katika patch moja inaweza kusababisha maambukizi mapya katika patch nyingine.

Matriksi ya muunganiko wa patch Δ inawakilisha nini?

Katika modeli, muunganiko wa kijiografia unaonyeshwa kwa matriksi \(\Delta=\{\delta_{i,j}\}\) . \(\delta_{i,j}\) , huonyesha ni kiasi gani cha nguvu ya maambukizi kinachozalishwa katika patch chanzo \(i\) kinacholisha visa vipya katika patch lengwa \(j\) .

Matriksi imefafanuliwa kuwa row-stochastic; yaani jumla ya kila safu ni 1. Vipengele vya diagonal vinawakilisha sehemu ya nguvu ya maambukizi inayobaki ndani ya patch chanzo yenyewe.

Matriksi ya muunganiko katika utafiti wa uigaji iliundwa kwa kutumia gravity model iliyozuiliwa na mtandao wa barabara kulingana na mbinu iliyochapishwa awali.

Matriksi ya uingizaji wa zoonotic H inawakilisha nini?

Uingizaji mpya wa Ebola kutoka kwa hifadhi ya wanyama kwenda kwa binadamu ulimodelishwa kwa \(\eta_{t,j}\) , kiwango binafsi cha maambukizi ya zoonotic kinachoweza kubadilika kwa muda na eneo.

Katika mkabala uliotumiwa na chanzo, hatari ya uingizaji ilihusishwa na ufaafu wa makazi ya wenyeji wa wanyama wa Ebola na mara ambazo binadamu hukutana na wenyeji hao.

Utaratibu huu hauishii tu kuongeza kisa cha kwanza cha binadamu mwanzoni mwa uigaji, bali pia huruhusu uwezekano wa uingizaji mpya wa zoonotic kuendelea katika kipindi chote cha uigaji.

Hali nane kuu katika modeli

Milinganyo ya hali inafanyaje kazi?

Katika kila hatua ya muda, idadi ya watu katika compartment husasishwa kwa kuongeza watu wanaoingia kwenye compartment hiyo kwenye idadi ya hatua ya muda iliyotangulia na kuondoa wanaotoka.

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

Watu walio katika hatari hutoka katika compartment S kwa njia mbili: wanaweza kuambukizwa na kuingia E au kuchanjwa na kuingia V.

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

Maambukizi mapya huingia compartment E; kipindi cha incubation kinapokamilika watu huingia hali I.

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

Mtu katika hali I mwishoni mwa mchakato wa ugonjwa huenda kwenye mojawapo ya matokeo manne yanayowezekana: hali ya maiti ya kuambukiza F inayohusiana na mazishi yasiyo salama, hali ya kifo D isiyoambukiza moja kwa moja, kupona kabisa R au hali ya kupona C.

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

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

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

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

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

Hapa \(n_{A\rightarrow B}\) , inaonyesha idadi ya watu wanaohama kutoka hali A kwenda hali B katika hatua moja ya muda. Idadi hizi hazihesabiwi kideterministiki; kutokana na muundo wa kistokastiki wa modeli huchukuliwa kutoka kwa usambazaji wa uwezekano.

Usambazaji wa binomiali wakati kuna mpito mmoja tu

Ikiwa mpito kutoka hali A kwenda hali B pekee ndio unaowezekana, chanzo hutumia muundo huu wa jumla:

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

Fomula inahesabu nini? Huzalisha kwa njia ya kistokastiki ni watu wangapi katika compartment A watakaohamia hali B katika hatua moja ya muda ya modeli.

\(A\), ni idadi ya watu walio katika hatari mwanzoni.

\(\lambda\), ni kiwango cha mpito.

\(1-e^{-\lambda}\), hubadilisha kiwango cha tukio cha muda endelevu kuwa uwezekano wa kutokea katika hatua moja ya muda.

\(\mathrm{B}(n,p)\), huonyesha usambazaji wa binomiali wenye watu n na uwezekano wa tukio p.

Chanzo kinatoa muundo huu wazi kwa mipito mitatu mikuu:

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

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

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

Hapa \(\alpha\) inawakilisha kinyume cha muda wa wastani wa incubation, \(\tau\) kinyume cha muda wa wastani hadi maiti ya kuambukiza izikwe, na \(\rho\) kinyume cha muda wa wastani wa kipindi cha kupona.

Kwa mfano, muda wa wastani wa incubation unapoongezeka, \(\alpha\) hupungua; jambo hili hupunguza uwezekano wa mpito kutoka E kwenda I katika hatua moja ya muda. Maelezo haya ni maana ya kihisabati ya mlinganyo wa chanzo; si matokeo mapya ya uigaji.

Mchakato wa hatua mbili wakati kuna matokeo mengi yanayowezekana

Ikiwa kuna mipito kutoka compartment moja kwenda hali nyingi lengwa, kwanza idadi ya jumla ya watu watakaotoka katika compartment huamuliwa kwa usambazaji wa binomiali:

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

Kisha watu waliotoka hugawanywa katika hali lengwa zinazowezekana kwa usambazaji wa multinomiali:

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

Hatua hizi mbili ni muhimu. Hatua ya kwanza hujibu “watu wangapi wanaondoka?”, na hatua ya pili “wanaoondoka wanaenda katika hali zipi lengwa?”

Watu walio katika hatari hugawanywaje kati ya maambukizi na chanjo?

Kiwango cha jumla cha kutoka katika compartment ya walio katika hatari ni mchanganyiko wa nguvu ya maambukizi na kiwango cha chanjo:

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

Katika mpangilio wa PDF ya chanzo, mabano ya kipeo yanaonekana yamebanwa; denominator ya multinomiali inayofuata na maelezo ya mbinu yanaonyesha wazi kwamba kiwango cha jumla cha kutoka ni \(\Lambda+\nu\) . Hapa kiwango cha jumla kimeonyeshwa ndani ya mabano kwa urahisi wa kusoma; muundo wa modeli haujabadilishwa.

Ugawaji wa watu wanaotoka katika compartment ya walio katika hatari kati ya maambukizi na chanjo:

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

Fomula hii inawakilisha maambukizi na chanjo kama matukio mawili yanayoshindana katika idadi ile ile ya watu walio katika hatari.

Nguvu ya Maambukizi \(\Lambda\) Inahesabu Nini Katika Modeli?

Nguvu ya maambukizi \(\Lambda_{t,j}\) , inawakilisha shinikizo la jumla la maambukizi kwa mtu mmoja aliye katika hatari katika muda t na patch j linalotoka kwa uingizaji wa zoonotic, visa hai vya kuambukiza, maiti za kuambukiza na watu wanaopona; michango kutoka patch nyingine huletwa kwa coefficients za muunganiko \(\delta_{i,j}\) .

Nguvu ya maambukizi iliyotolewa katika chanzo:

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

\(\eta_{t,j}\): kiwango binafsi cha uingizaji wa zoonotic katika patch j.

\(\delta_{i,j}\): sehemu ya shinikizo la maambukizi linalozalishwa katika patch i na kuhamishwa kwenda patch j.

\(\beta_{I,t,i}\): kiwango cha maambukizi kutoka kwa visa hai vya kuambukiza.

\(\beta_F\): kiwango cha maambukizi kutokana na mfiduo wa mazishi.

\(\beta_C\): kiwango cha maambukizi kutoka kwa watu wanaopona.

\(I_{t,i}\), \(F_{t,i}\), \(C_{t,i}\): idadi ya watu katika vyanzo husika vya maambukizi.

\(N_{t,i}\): jumla ya idadi ya watu walio hai.

\(A_i\): eneo la uso la patch i.

Tofauti na modeli za kawaida za maambukizi zinazotegemea frequency, modeli pia hupima mawasiliano kwa eneo la uso. Kwa njia hii, athari ya msongamano wa watu kwa maambukizi inaweza kuwakilishwa katika vitengo vya kiutawala/kijiografia vyenye idadi sawa ya watu lakini maeneo tofauti ya uso.

Iwapo maeneo ya uso ya patch zote ni sawa, chanzo kinaeleza kwamba \(A_i=1\) inaweza kutumiwa na muundo hurudi katika umbo la kawaida linalotegemea frequency.

Kutoka katika compartment I na matawi ya kifo/kupona

Kiwango cha kutoka katika hali I kwa watu wa kuambukiza huamuliwa na \(\gamma\) :

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

\(\gamma\) , ni kinyume cha muda wa wastani wa ugonjwa.

Watu wanaotoka katika hali I hugawanywa katika uwezekano manne:

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

\(p_{\mathrm{death}}\), ni uwiano wa visa vinavyokufa kutokana na maambukizi.

\(p_{\mathrm{sdb}}\), ni uwiano wa visa vilivyokufa vinavyopata mazishi salama na yenye heshima (safe and dignified burial, SDB).

\(p_{\mathrm{conv}}\), ni uwiano wa walionusurika wanaoingia hali ya kupona C.

Mtu aliyekufa asipozikwa kwa usalama/uheshima anaweza kwanza kuingia hali F ya maiti ya kuambukiza. Mazishi salama yakifanyika huenda moja kwa moja katika hali D isiyo ya kuambukiza.

Hali za Naive, Alert na Response Zinatumika kwa Nini?

Naive, alert na response si hali za ugonjwa za mtu binafsi, bali ni viwango vya hatua za afya ya umma katika patch: katika naive patch hakuna hatua hai; alert patch huchukua hatua chache kwa sababu ya hatari ya kuingiza visa kutoka maeneo jirani; response patch huwa katika hali ya mwitikio kamili dhidi ya mlipuko unaoendelea ndani yake.

Hali ya Alert huanzishwaje?

Alert hutokea pale wastani unaotarajiwa wa uingizaji wa visa kutoka patch nyingine unapozidi kizingiti fulani. Muundo wa kihisabati wa chanzo kwa muhtasari ni:

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

\(\mathbf{1}(\cdot)\) ni fungsi ya kiashiria: ikiwa sharti ni kweli hutoa 1, ikiwa si kweli hutoa 0.

\(\theta_{\mathrm{alert}}\) , ni kizingiti cha shinikizo la visa linalotarajiwa kutoka nje kinachohitajika ili patch iingie hali alert.

Hali ya Response huanzishwaje?

Idadi ya watu wa kuambukiza ndani ya patch yenyewe inapofikia kizingiti kilichowekwa, hali response huamilishwa:

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

Iwapo masharti ya alert na response yanatimizwa kwa wakati mmoja, modeli hutumia hali response; hali hizi mbili za hatua hazikusanywi juu ya nyingine.

Hali ya Naive

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

Kwa hiyo, patch isipotimiza sharti la alert wala response huchukuliwa kuwa naive.

Hali ya hatua hubadilishaje kiwango cha maambukizi?

Kiwango cha maambukizi kutoka kwa visa hai vya kuambukiza huchaguliwa kulingana na hali ya patch:

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

Mantiki hiyo hiyo hutumiwa pia kwa kiwango cha chanjo:

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

Uwiano wa mazishi salama na yenye heshima pia hutegemea hali ya patch:

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

Hivyo hatua si “mgawo wa udhibiti” mmoja wa kinadharia. Modeli inaweza kubadilisha angalau taratibu tatu tofauti: kupunguza maambukizi kutoka kwa visa hai, kuongeza kiwango cha chanjo na kuongeza mara kwa mara mazishi salama/yenye heshima.

Hatua huisha vipi?

Masharti yanayoanzisha alert au response yanapoisha, hatua haizimwi mara moja. Chanzo kinafafanua kwamba vizingiti lazima visitimie kwa idadi fulani ya siku mfululizo.

\(\kappa_{\mathrm{alert}}\) na \(\kappa_{\mathrm{response}}\) , huwakilisha idadi ya siku ambazo lazima zipite chini ya kizingiti kabla ya hali husika kuisha.

Response patch inaweza kurudi katika hali alert iwapo sharti la alert bado linatimizwa; vinginevyo huenda katika naive. Patch iliyo katika alert hurudi naive masharti yanapoisha.

Kiwango cha maambukizi cha kila siku kilitolewaje kutoka thamani ya \(R_0\)?

Katika modeli ya utafiti, viwango vya maambukizi vya kila siku vinahitajika kwa vyanzo tofauti vya maambukizi. Hata hivyo, kwa kuwa uambukizaji mara nyingi huripotiwa katika fasihi kama namba msingi ya uzazi \(R_0\) , watafiti kwanza waliigiza thamani za \(R_0\) zinazoendana na milipuko ya hivi karibuni ya Ebola.

Chanzo kinaeleza kwamba kwa \(R_0\) kilitumia usambazaji wa log-normal wenye wastani 1,5 na mkengeuko sanifu 0,1.

Kisha kiwango msingi cha maambukizi:

\(\beta=R_0\gamma\)

kilipatikana kwa uhusiano huu.

\(R_0\), ni kipimo cha kidhana cha wastani wa idadi ya visa vya pili vinavyotengenezwa na mtu wa kawaida aliyeambukizwa katika mazingira yasiyo na hatua wala kinga.

\(\gamma\), ni kinyume cha muda wa wastani wa ugonjwa.

\(\beta\), ni kiwango cha maambukizi kinacholingana.

Tofauti za uambukizaji kati ya watu hai walioambukizwa, mfiduo wa mazishi na watu wanaopona kisha zilipimwa kwa coefficients zilizotegemea fasihi kwa kutumia \(\beta\) hii ya msingi.

Mbinu na Matokeo ya Utafiti

Jiografia na idadi ya watu ya uigaji

Kisa cha kwanza kiliwekwa katika patch gani?

Eneo la kisa cha index halikuchaguliwa kwa uwezekano sawa kati ya patch zote. Uwezekano wa kuchagua patch uliwekwa kuwa sawia na kiasi cha jamaa cha uingizaji wa Ebola unaotarajiwa katika patch husika.

Hatari ya uingizaji inayotarajiwa ilifafanuliwa kwa zao la msongamano wa watu na kiwango binafsi cha uingizaji wa zoonotic. Kwa hiyo maeneo yenye hatari kubwa zaidi ya uingizaji kimazingira yalikuwa mara nyingi zaidi maeneo ya kisa cha index mwanzoni mwa uigaji.

Historia ya asili na vigezo vya hatua

Muda wa incubation, muda wa ugonjwa, uambukizaji na pembejeo za hatua zilitegemea fasihi ya awali ya Ebola. Ili kuwakilisha utofauti wa asili na kutokuwa na uhakika kwa vigezo, baadhi ya pembejeo zilichukuliwa kutoka kwa usambazaji badala ya kutumika kama thamani zisizobadilika.

Kikomo muhimu cha chanzo: Vigezo vya kina vya usambazaji huu havijatolewa katika PDF kuu, bali vimeachwa katika Table S1. Kwa kuwa faili ya chanzo iliyopakiwa haina supplementary Table S1, thamani za vigezo zilizokosekana hazijakamilishwa katika maandishi ya Verianla.

Modeli ilitekelezwa kwa programu gani?

Modeli ilitekelezwa katika mazingira ya kompyuta ya takwimu ya R kwa kutumia kifurushi cha odin. Odin huzalisha kiotomatiki msimbo wa C kutoka kwa msimbo wa modeli, hivyo kuruhusu idadi kubwa ya uigaji wa kistokastiki kuendeshwa kwa ufanisi zaidi wa kimahesabu.

Chanzo kinaripoti kwamba hati ya modeli, matriksi H ya uingizaji wa zoonotic na matriksi Δ ya muunganiko zimechapishwa wazi chini ya leseni ya MIT.

Hazina ya msimbo chanzo: https://github.com/thibautjombart/ebola_model_odin

Matokeo makuu ya uigaji 200

Kwa nini wastani wa visa 47 na mediana ya visa 11 zinatofautiana sana?

Katika uigaji wa kistokastiki, milipuko mingi inaweza kubaki midogo huku milipuko michache mikubwa ikiongeza wastani. Katika chanzo, mediana ya 11 wakati wastani ni 47 na kiwango cha juu ni 770 inaonyesha kwamba usambazaji wa ukubwa wa mlipuko ni tofauti sana.

Hii haimaanishi modeli inasema “mlipuko wa kawaida bila shaka una visa 47”. Wastani ni muhtasari wa kihesabu wa utekelezaji 200 tofauti wa kistokastiki.

Kwa nini wastani wa uingizaji wa zoonotic wa ziada ni muhimu licha ya kuwa mdogo?

Uingizaji wa zoonotic unaoendelea wakati wa uigaji ulisababisha kwa wastani visa 1,7 tu vya ziada kwa mwaka. Hata hivyo, kwa kuwa visa hivi vipya vinaweza kutokea katika patch tofauti na mlolongo uliopo wa maambukizi, vinaweza kuanzisha kitovu kipya cha mlipuko wa pili.

Kwa hiyo umuhimu wa kiepidemiolojia haupimwi kwa idadi ya visa vilivyoongezwa pekee; mahali visa vinapotokea kijiografia pia ni muhimu.

Patch-day inamaanisha nini?

Patch-day, ni siku moja ambayo patch ya kijiografia hutumia katika hali fulani ya hatua. Kwa mfano, patch ile ile ikibaki alert kwa siku 10, hutoa 10 alert patch-day; patch 100 tofauti zikibaki alert kila moja kwa siku moja pia hutoa jumla ya 100 alert patch-day.

Kipimo hiki husaidia kuunganisha muda wa hatua na wigo wake wa kijiografia katika namba moja.

Mzigo wa kiutendaji katika mlipuko mkubwa zaidi

Chanzo kinaripoti kwamba uigaji mkubwa zaidi uliopita visa 750 ulitoa zaidi ya 8900 alert patch-day na takriban 600 response patch-day. Matokeo haya yanaonyesha kuwa milipuko mikubwa inaweza kuhitaji si visa vingi tu, bali pia mwitikio wa kiutendaji ulio mpana zaidi na wa muda mrefu.

Paneli nne za Kielelezo 2 cha chanzo zinaonyesha nini?

Panel A, inaonyesha mabadiliko ya compartment I ya wa kuambukiza katika patch zote kwa siku 365. Mstari mweusi unaonyesha wastani wa uigaji 200, na eneo lenye rangi linaonyesha %80 ya kati ya mikunjo ya epidemia, yaani kati ya asilimia za 10 na 90.

Panel B, inaonyesha usambazaji katika uigaji 200 wa compartments nyingine isipokuwa S siku ya 365. Mhimili Y uko katika skeli ya log10 kwa sababu kuna tofauti kubwa za ukubwa kati ya vikundi.

Panel C, inaonyesha usambazaji wa kijiografia wa wastani wa idadi ya visa kwa kila patch katika uigaji 200. Mojawapo ya maeneo yenye msongamano wa juu zaidi wa wastani wa visa pia inahusishwa na patch yenye msongamano mkubwa zaidi wa watu.

Panel D, inaonyesha wastani wa idadi ya siku zilizotumiwa katika hali alert kwa kila patch, na waandishi wanaijadili kama matokeo yanayoweza kutumiwa kutambua maeneo ya kipaumbele kwa maandalizi yaliyoimarishwa.

Kwa kuwa PDF kuu haitoi kwa maandishi mfululizo wote ghafi wa muda na thamani za kiwango cha patch za paneli hizi, Verianla haijachora upya grafu ya chanzo kwa usahihi bandia wa namba.

Je, Modeli Hii Inaweza Kutumiwa Kutabiri Mlipuko Halisi wa Ebola?

Waandishi wa chanzo wanaeleza wazi kwamba modeli hii ya compartments ni muhimu kwa kuiga matukio yanayowezekana ya mlipuko, mahitaji ya maandalizi na chaguo za hatua; lakini si modeli inayofaa ya forecasting kwa kutabiri insidensi ya visa ya muda mfupi ya baadaye katika mlipuko halisi unaoendelea.

Modeli inaweza kutumiwa kwa nini?

• kuchunguza matukio yanayowezekana ya mlipuko katika maeneo yenye hatari ya uingizaji wa zoonotic,
• kuchunguza patch zipi zinaweza kuwa wazi zaidi kwa uingizaji wa visa,
• kuweka kipaumbele maeneo ya alert kwa maandalizi,
• kulinganisha mikakati tofauti ya kupunguza mawasiliano, chanjo na mazishi salama,
• kutathmini kiwango kinachowezekana cha hifadhi ya chanjo,
• kujaribu matukio ya hatua za kuzuia au za tendaji,
• kusaidia kupanga maandalizi na mwitikio katika mizani tofauti ya kijiografia.

Modeli haikuundwa kwa nini?

• kutabiri moja kwa moja idadi ya visa katika siku au wiki zijazo za mlipuko halisi,
• kuhesabu hatari ya kifo ya mgonjwa binafsi,
• kuwakilisha mitandao ya mawasiliano ya kaya katika kiwango cha mtu binafsi,
• kuiga ufuatiliaji wa waliokutana na mgonjwa katika kiwango cha mtu binafsi,
• kuwakilisha wafanyakazi wa afya kama kundi tofauti la hatari,
• kuiga kwa undani maambukizi ndani ya hospitali,
• kuzalisha moja kwa moja athari ya chanjo baada ya mfiduo kwa vifo vya mtu binafsi.

Matokeo yanayoungwa mkono na utafiti

• Uingizaji wa zoonotic, njia tofauti za maambukizi, muunganiko wa kijiografia na mifumo mingi ya hatua zinaweza kuunganishwa katika modeli moja ya kistokastiki.
• Ukubwa wa milipuko iliyoigwa ulionyesha usambazaji mpana sana.
• Idadi ndogo ya uingizaji wa zoonotic unaoendelea inaweza kuathiri kuibuka kwa vitovu vipya vya kijiografia.
• Patch zinaweza kuhama kwa mienendo kati ya hali za naive, alert na response katika kipindi cha mlipuko.
• Maeneo yanayopatikana mara kwa mara katika hali alert yanaweza kutambuliwa kama maeneo yanayoweza kupewa kipaumbele kwa maandalizi na ufuatiliaji.
• Mahitaji ya chanjo tendaji ni tofauti sana kulingana na ukubwa wa mlipuko.
• Modeli imetekelezwa kwa ufanisi wa kimahesabu ili kuendesha idadi kubwa ya uigaji kupitia programu huria ya R/odin.

Matokeo ambayo utafiti hauungi mkono

• Haiwezi kusemwa kwamba mlipuko halisi wa baadaye wa Ebola katika DRC utakuwa na wastani wa visa 47.
• Visa 770 si kiwango cha juu cha ukubwa wa mlipuko halisi wa baadaye.
• Matokeo ya modeli si uchunguzi wa shambani wala data ya kliniki.
• Uwiano wa %29,2 wa alert patch si kiwango halisi cha ufuatiliaji kilichoonekana kwa DRC nzima.
• Wastani wa dozi 764,4 za chanjo si namba ya wote kwa mahitaji halisi ya hifadhi.
• Modeli haithibitishi kliniki ufanisi wa mkakati wa chanjo katika maisha halisi.
• Modeli haiwakilishi moja kwa moja utofauti wa mawasiliano kati ya watu au maelezo ya household transmission.
• Modeli haijathibitishwa kama zana ya forecast ya visa vya muda mfupi wakati wa mlipuko halisi.

Dhana na mipaka mikuu ya modeli

Muda mmoja wa wastani wa ugonjwa: Modeli hutumia mkabala ule ule wa muda wa wastani wa ugonjwa kwa visa vinavyoishia kwa kifo na vinavyoishia kwa kuruhusiwa kutoka hospitali. Kwa hali halisi, muda kutoka mwanzo wa dalili hadi kifo unaweza kuwa mfupi kuliko muda hadi kuruhusiwa kutoka hospitali.

Hakuna compartment ya hospitali: Kulazwa hospitalini hakujamodelishwa kama compartment tofauti.

Wafanyakazi wa afya si kundi tofauti: Idadi ya Healthcare worker haijafafanuliwa kama kundi maalumu la hatari. Kwa hiyo, maambukizi ndani ya hospitali na hatua maalumu kwa wafanyakazi wa afya haziwezi kuchunguzwa kwa undani.

Dhana ya kiwango thabiti cha chanjo tendaji: Patch inapokuwa katika hali alert au response, chanjo hutolewa kwa kiwango thabiti. Katika maisha halisi, chanjo ya ring au inayolengwa kijiografia inaweza kupimwa kulingana na idadi ya visa na inaweza kuchukua muda kuanzishwa mwanzoni mwa mlipuko.

Matriksi ya muunganiko ni thabiti kwa muda: Inachukuliwa kwamba muunganiko kati ya patch haubadiliki katika kipindi cha mlipuko. Katika hali halisi, mlipuko, hali ya usalama, tabia au vizuizi vya kusafiri vinaweza kubadilisha uhamaji.

Utegemezi kwa pembejeo: Maana ya matokeo ya modeli inategemea pembejeo halisi za vigezo. Utofauti wa asili na kutokuwa na uhakika katika data ya kihistoria ya Ebola lazima iwakilishwe kwa usambazaji unaofaa.

Hakuna utofauti wa mtu binafsi: Modeli ya compartments inawakilisha mienendo ya kiwango cha idadi ya watu; kwa michakato ya kiwango cha mtu binafsi kama superspreading, muundo wa kaya, mtandao wa mawasiliano na ufuatiliaji wa kina wa mawasiliano, individual-based model inaweza kuhitajika.

Kikomo cha post-exposure vaccination: Modeli haiwezi kwa urahisi kuwakilisha athari ya chanjo baada ya mfiduo kwa hatari ya kifo ya mtu binafsi.

Kikomo cha Forecasting: Modeli ni kwa uigaji wa matukio; si zana ya kutoa utabiri wa visa vya muda mfupi katika mlipuko halisi kwa kutumia data ya sasa ya insidensi.

Kikomo cha scalability ya kimahesabu

Kuenea kati ya patch \(J\times J\) kunawakilishwa na matriksi ya muunganiko Δ, hivyo mahitaji ya kumbukumbu huongezeka kwa mraba wa idadi ya patch:

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

Ingawa mlinganyo huu haukutolewa katika chanzo kama mlinganyo tofauti wa modeli, ni uwakilishi wa kihisabati wa kauli ya wazi kuhusu scalability ya kimahesabu katika sehemu ya majadiliano.

Waandishi wanaeleza kwamba metapopulation kubwa zaidi ya patch 10.000 zinaweza kuhitaji rasilimali maalumu za kompyuta zenye utendaji wa juu.

Maeneo ya matumizi yanayoweza kupanuliwa baadaye

Viwango vya uingizaji wa zoonotic katika modeli vinaweza kubadilika kwa nafasi na muda. Kwa hiyo, pembejeo zinazofaa za kiikolojia zikitolewa, athari za msimu au mabadiliko ya tabianchi kwa uingizaji wa zoonotic zinaweza kuchunguzwa kama matukio.

Kwa kuwa compartments za mwanzo zinaweza kufafanuliwa na mtumiaji, matukio kama kuingia tena kutoka hali C ya kupona katika jamii zilizowahi kupata Ebola au kinga iliyokuwepo kutokana na chanjo/kupona yanaweza pia kutathminiwa.

Hata hivyo, unyumbufu huu haumaanishi kwamba athari hizi zilijaribiwa moja kwa moja katika makala hii; chanzo kinazijadili kama uwezo wa modeli unaoweza kutumiwa katika siku zijazo.

Maelezo ya Chanzo na Mbinu

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

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

Correspondence: PDF ya chanzo ina alama ya correspondence kwa Thibaut Jombart katika Imperial College London Department of Infectious Disease Epidemiology; na alama ya corresponding-author kwa Jessica Abbate katika anwani ya Geomatys, Montpellier.

Mchango sawa: Chanzo kilichokaguliwa hakina taarifa ya waandishi wa kwanza wenye mchango sawa/mchango sawa.

Taasisi a: Geomatys, Montpellier, France.

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

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

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

Jarida: Epidemics.

Juzuu / kipindi cha uchapishaji / namba ya makala: Volume 55, June 2026, 100922.

DOI: 10.1016/j.epidem.2026.100922.

Mchapishaji: Elsevier B.V.

Tarehe ya kupokelewa: 12 Januari 2026.

Tarehe ya marekebisho: 4 Mei 2026.

Tarehe ya kukubaliwa: 20 Mei 2026.

Tarehe ya kuchapishwa mtandaoni: 4 Juni 2026.

Aina ya chanzo: Makala ya utafiti wa uundaji wa modeli na uigaji iliyopitiwa na rika.

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

Aina ya modeli: Modeli ya maambukizi ya EVD ya metapopulation yenye compartments, ya kistokastiki na muda wa hatua tofauti.

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

Muunganiko wa metapopulation: Matriki ya muunganiko ya row-stochastic Δ.

Uingizaji wa zoonotic: Matriki H ya uingizaji / kiwango η kinachobadilika kwa muda na eneo_t,j.

Njia kuu za maambukizi: Visa hai vya kuambukiza, mfiduo wa mazishi na watu wanaopona.

Hatua: Kupunguza mawasiliano na watu wa kuambukiza, kuongeza kiwango cha chanjo na kuongeza uwiano wa mazishi salama/yenye heshima.

Hali za hatua za patch: naive, alert, response.

Idadi ya uigaji: 200.

Muda wa uigaji: 365 siku.

Eneo la uigaji: Takriban 18.320 km² katika DRC.

Idadi ya patch: 857.

Ukubwa wa patch: Takriban 5×5 km; azimio la 2,5 arc-minute.

Idadi ya watu ya mwanzo: 1.877.034; wote walikuwa katika hatari mwanzoni.

Uchukuaji sampuli wa R0: Usambazaji wa log-normal; chanzo kinataja wastani 1,5 na mkengeuko sanifu 0,1.

Uhusiano wa R0–kiwango cha maambukizi: \(\beta=R_0\gamma\) .

Programu: R na odin.

Leseni ya msimbo: MIT.

Hazina ya msimbo: https://github.com/thibautjombart/ebola_model_odin

Kikomo cha nyenzo za ziada: Usambazaji wa kina wa historia ya asili na vigezo vya hatua umetolewa katika Table S1. Kwa kuwa PDF kuu iliyopakiwa haina faili supplementary, thamani hizi hazijakamilishwa na Verianla.

Kielelezo cha chanzo 1: Kinaonyesha hali za S–E–I–F–D–C–R–V, viwango vya mpito na nguvu za maambukizi zinazotokana na I/F/C. Mahusiano ya kisayansi yameundwa upya kwa inline SVG huru kwa Verianla.

Kielelezo cha chanzo 2: Kinaonyesha mikunjo ya epidemia ya uigaji 200, usambazaji wa compartments siku ya 365, ramani ya wastani wa visa na ramani ya siku za alert. Kwa kuwa mfululizo ghafi wa uigaji na thamani za patch hazipo kama jedwali katika PDF kuu, grafu au ramani haijachorwa upya kwa usahihi bandia; namba zilizoripotiwa wazi katika chanzo zimehamishwa katika jedwali la HTML.

Upatikanaji wa data: Waandishi wamechapisha hati ya modeli katika hazina wazi ya GitHub chini ya leseni ya MIT.

Ufadhili: Ufadhili ulitolewa na MSD Investigator Studies Program (MISP; MISP-Ebola-3 IIS Tracking #100074), mradi France 2030 EPIWISE chini ya BPI France Innovation Competition, na European Space Agency ARTES 4.0 Business Applications and Space Solutions Demonstration Project. Waandishi wanaeleza kwamba wafadhili hawakuchangia katika muundo wa utafiti, mbinu, uchambuzi, tafsiri, uandishi wa makala au uamuzi wa kuchapisha.

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.

Mgongano wa maslahi: Thibaut Jombart; ameripoti mahusiano ya ushauri/advisory na World Health Organization, World Bank Group na Geomatys. Waandishi wengine hawakuripoti maslahi ya kifedha yanayoshindana au mahusiano binafsi yanayojulikana ambayo yangeweza kuonekana kuathiri utafiti.

Dokezo la notasheni ndani ya chanzo: Maandishi ya mbinu ya chanzo katika sehemu moja yanatumia “P patches”, huku yakifafanua faharasa ya patch kama j=1,…,J na Jedwali 1 linatoa J kama jumla ya patch. Katika maelezo ya Verianla, J imetumiwa kwa jumla ya patch bila kubadilisha maana ya kisayansi.

Kikomo kikuu cha tafsiri: Matokeo ya utafiti huu si visa, dozi za chanjo au siku za hatua zilizopimwa katika mlipuko halisi wa Ebola. Ni matokeo ya uigaji wa kistokastiki unaotumia pembejeo za kihistoria na kiikolojia. Modeli iliundwa kulinganisha matukio ya maandalizi na hatua; haikuundwa kama zana ya forecasting ya visa vya muda mfupi katika mlipuko hai.

Lebo za Meta

```