ä¸è¦å²ç¬æåçæ§
目录:
2014年12月，几内亚农村的一名2岁男孩死于埃博拉病毒。在接下来的两年里，西非将近30,000人感染埃博拉病毒。
与之前的17次埃博拉疫情不同，为什么这一次增长如此之快，如此之快？如果有的话，可以做些什么来防止未来爆发？这些问题以及许多其他问题是爆发预测新生科学领域的核心。赌注不可能更高。 1月，世界经济论坛将流行病称为商业和人类生活面临的最大风险之一。
在过去的几个世纪中，科学家们已经越来越好地预测世界的许多方面，包括行星的轨道，潮汐的潮起潮落，以及飓风的路径。能够很好地理解自然和物理系统以进行准确预测的能力可能是人类最伟大的成就之一。
这种预测成功的大部分开始于艾萨克牛顿的基本观点，即有不变的普遍规律来管理我们周围的自然现象。快速执行大型计算的能力促进了牛顿的观点，即在给定足够的数据和计算能力的情况下，可以预测大多数复杂的现象。
但是，有限制。作为研究这类预测系统的科学家，我们怀疑是否有可能准确预测疾病爆发后下一步会发生什么，因为最重要的变量可以从一次爆发到另一次爆发发生如此大的变化。
这就是为什么，与天气预报一样，收集实时数据可能对提高科学界预测疾病爆发的能力至关重要。
反复无常的流行病
科学家可以模拟流行病的想法是基于这样一种观念，即每次爆发的轨迹都是可预测的，因为它具有内在和不变的特性。
说疾病是由传染性病原体引起的。这种疾病的传染性可以被封装在一个称为“基本生殖率”的数字中，或R0，这个数字描述了病原体在特定人群中可能传播的范围。
如果流行病学家对病原体的R0了解得足够多，那么他们希望能够预测其下一次暴发的各个方面 - 并希望能够防止小规模爆发成为大规模的流行病。他们可能通过向病原体具有特别高的R0值的区域调动资源来实现这一目标。或者它们可能限制疾病携带者与特定社会中最容易受影响的成员之间的相互作用，通常是儿童和老年人。
这样，R0被解释为不可变数。但现代研究表明情况并非如此。
例如，考虑寨卡病毒流行病。对于这种疾病，R0范围为0.5至6.3。这是一个显着的跨度，从疾病本身消散到导致长期流行的疾病。
人们可能会认为Zika的这一广泛的R0值源于统计不确定性 - 科学家可能只需要更多的数据。但这大多是不正确的。对于寨卡来说，无数因素，从气候和蚊子到其他相关病毒如登革热和性传播的作用，都会导致不同环境中不同的R0值。
事实证明，流行病的特征 - 病原体的传染性，传播速度，疫苗的可用性等 - 在单次爆发过程中变化如此之快，以至于科学家们只能在爆发过程中预测动态。 。换句话说，2014年4月对埃博拉病毒病爆发的研究可能有助于科学家在下个月同样的环境中了解埃博拉疫情，但对于了解未来埃博拉疫情的动态，例如发生的埃博拉疫情往往更有帮助。在2018年5月。
流行病往往不是整齐和捆绑的现象。它们是嘈杂的事件，其中许多变量扮演必要但变化的角色。这种疾病没有潜在的真相 - 只有不稳定的细节集合随着疾病的传播而变化，经常变得纠缠在一起。
更好的预测
如果科学家们不自信他们能够很好地理解流行病学系统以预测相关行为的行为，为什么还要费心去研究它们呢？
答案可能在于我们称之为预测的“软物理学”：科学家应该停止假设每次爆发遵循相同的规则。将一次爆发与另一次爆发进行比较时，应牢记它们之间的所有背景差异。
例如，生物学家已经发现了许多关于流感感染的细节。他们知道病毒如何与宿主细胞结合，如何复制，以及它们如何进化抗病毒药物。但是，当一大群人在一个月的某一天使用公共交通工具时，一种流行病可能已经开始，而另一种流行病可能是由一个宗教服务的会众发起的。尽管这两种疾病的爆发都植根于同一种传染因子，但这些和其他许多细节上的差异意味着科学家可能需要重新构建他们如何模拟每种进展的方式。
为了更好地理解这些细节，科学家需要对实时数据进行大量投资。考虑到国家气象局每年花费超过10亿美元收集数据并进行预测。 CDC在公共卫生统计数据上的花费仅为其四分之一，并且没有专门的预测预算。
疾病监测仍然是最高风险的科学领域之一。仔细考虑爆发的独特情况和更负责任的数据收集可以挽救数千人的生命。
本文最初发表在C. Brandon Ogbunu，Randall Harp和Samuel V. Scarpino的The Conversation上。阅读原文。