بسته شواهد: دقت پایش فاضلاب در پیش‌بینی شیوع منطقه‌ای ویروس‌ها

محدودیت الزام‌آور برای هر مدل پیش‌بینی فاضلاب این است که نرخ دفع بیولوژیکی یک پاتوژن باید نسبت به جمعیت ثابت بماند و زمان فیزیکی انتقال در شبکه فاضلاب پایدار باشد. اگر یک سویه جدید ویروسی باعث شود افراد آلوده ده برابر بیشتر RNA ویروسی دفع کنند، یا اگر بارش شدید باران سیستم شهری را رقیق کند، مدل یک جهش مصنوعی عظیم یا یک افت کاذب را خروجی می‌دهد. در حال حاضر، این محدودیت برای پاتوژن‌های شناخته‌شده در هوای خشک به‌خوبی کار می‌کند، اما به‌محض تغییر خطوط پایه محیطی یا بیولوژیکی، نیازمند تنظیم مداوم الگوریتمی است.[4]

طی چهار سال گذشته، مدل‌سازی اپیدمیولوژیک از تکیه بر شاخص‌های تاخیری - مانند پذیرش بیمارستانی و مثبت شدن تست‌های بالینی - به سمت شاخص‌های پیشرو که مستقیماً از زیرساخت‌های شهری استخراج می‌شوند، تغییر مسیر داده است. دانشمندان داده با کمّی‌سازی غلظت RNA ویروسی در فاضلاب ورودی، می‌توانند شیوع منطقه‌ای را پیش از آنکه افراد علامت‌دار به دنبال مراقبت‌های پزشکی بروند، پیش‌بینی کنند.[1][4]

ادعای اصلی در حمایت از پیش‌بینی مبتنی بر فاضلاب، توانایی آن در خریدن زمان است. بر اساس سیستم ملی پایش فاضلاب مرکز کنترل و پیشگیری از بیماری‌ها (CDC)، غلظت RNA ویروس سارس-کوو-۲ به‌طور قابل‌اتکایی چهار تا شش روز پیش از افزایش متناظر در آمار موارد بالینی، به اوج خود می‌رسد. این آژانس در به‌روزرسانی روش‌شناسی سال ۲۰۲۶ خود خاطرنشان می‌کند: «فاضلاب یک قابلیت هشدار زودهنگام حیاتی ارائه می‌دهد که مستقل از رفتار مراجعه به مراکز درمانی عمل می‌کند» و به مدیران بیمارستان‌ها اجازه می‌دهد تا مدل‌های تامین نیروی انسانی را پیش از وقوع موج بیماری تنظیم کنند.[1]

با این حال، شواهد نشان می‌دهد که این زمان طلایی پیش‌بینی در میان تمام ویروس‌های تنفسی یکسان نیست. یک تحلیل در سال ۲۰۲۵ در نشریه بیماری‌های عفونی لنست (The Lancet Infectious Diseases) که ویروس سنسیشیال تنفسی (RSV) را ردیابی می‌کرد، زمان طلایی بسیار طولانی‌تری را نشان داد؛ به‌طوری که سیگنال‌های فاضلاب هفت تا نه روز پیش از پذیرش کودکان در بیمارستان‌ها ظاهر شدند.[2]

در مقابل، پنجره پیش‌بینی برای پاتوژن‌هایی با دوره نهفتگی کوتاه به‌شدت تنگ می‌شود. تحقیقات منتشرشده در نشریه میکروبیولوژی کاربردی و محیطی (Applied and Environmental Microbiology) در اوایل سال ۲۰۲۶ نشان می‌دهد که بار ویروسی آنفولانزای نوع A در فاضلاب تنها دو تا سه روز پیش از اوج‌گیری بالینی مشاهده می‌شود. سرعتی که آنفولانزا از زمان عفونت تا بروز علائم طی می‌کند، مزیت زمان انتقالی را که سیستم فاضلاب در غیر این صورت فراهم می‌کرد، از بین می‌برد.[3]

دومین ادعای مهم این است که داده‌های فاضلاب نمونه‌ای بدون سوگیری از جمعیت ارائه می‌دهند و موارد بدون علامت و خفیفی را که آزمایش‌های بالینی از دست می‌دهند، ثبت می‌کنند. از آنجا که همه افراد صرف‌نظر از دسترسی به مراقبت‌های بهداشتی یا رفتار آزمایش‌دهی خود در حوزه آبریز مشارکت دارند، مجموعه داده حاصل از نظر تئوری سوگیری نمونه‌گیری ذاتی در تست‌های بالینی را حذف می‌کند.[1][4]

محدودیت این ادعا در نویز محیط فیزیکی نهفته است. یک مدل پیش‌بینی باید شمارش خام کپی‌های ویروسی را در برابر دبی کل جریان آب که به‌شدت در نوسان است، نرمال‌سازی کند. یک طوفان ناگهانی می‌تواند حجم آب عبوری از یک تصفیه‌خانه را در عرض چند ساعت دو برابر کند، غلظت ویروس را رقیق کرده و یک مدل ساده‌لوح را فریب دهد تا افت ناگهانی عفونت‌ها را پیش‌بینی کند. محققان در نشریه نیچر واتر (Nature Water) نوشتند: «بدون نرمال‌سازی جریان، یک رویداد بارش شدید از نظر آماری کاملاً مشابه یک جمعیت درمان‌شده به نظر می‌رسد.»

برای حل این مشکل، پیش‌بینی‌کنندگان از نشانگرهای زیستی درون‌زاد - به‌طور خاص ویروس لکه خفیف فلفل (PMMoV)، یک ویروس گیاهی بی‌ضرر که به‌طور مداوم در مدفوع انسان یافت می‌شود - به‌عنوان مخرج کسر استفاده می‌کنند. دانشمندان داده با محاسبه نسبت پاتوژن هدف به PMMoV، می‌توانند روند واقعی عفونت را از نویز رقیق‌شدگی آب باران جدا کنند.[1]

حتی با نرمال‌سازی بی‌نقص، مدل‌ها در تبدیل غلظت‌های ویروسی به آمار مطلق مبتلایان با مشکل مواجه‌اند. رابطه میان تعداد کپی‌های RNA در هر میلی‌لیتر و تعداد انسان‌های آلوده غیرخطی است. اوج دفع ویروسی می‌تواند به ۱۰,۰۰۰,۰۰۰ کپی در هر میلی‌لیتر مدفوع برسد، اما این نرخ بسته به سن، وضعیت سیستم ایمنی و سویه خاص ویروس به‌شدت متغیر است.[1]

در نتیجه، قوی‌ترین مدل‌های فاضلاب تلاشی برای پیش‌بینی دقیق آمار ابتلا نمی‌کنند. در عوض، آن‌ها مسیر و شتاب شیوع را پیش‌بینی می‌کنند. آن‌ها احتمالات شتاب‌گیری یا کاهش سرعت را خروجی می‌دهند و به‌جای یک سرشماری دقیق، یک بردار جهت‌دار ارائه می‌کنند.[4]

شواهد زمانی در ضعیف‌ترین حالت خود قرار دارند که این مدل‌ها برای جمعیت‌های بسیار محلی یا گذرا به کار روند. در یک حوزه آبریز که به کمتر از ۱۰,۰۰۰ نفر خدمات می‌دهد، نویز آماری بر سیگنال غلبه می‌کند. یک فرد با دفع ویروسی فوق‌العاده بالا یا هجوم ناگهانی مسافران روزانه می‌تواند یک پیش‌بینی مثبت کاذب ایجاد کند که هرگز در جمعیت ساکن محقق نمی‌شود.

مرز بعدی در این زمینه، پیش‌بینی ترکیبی چند پاتوژنی است. محققان با تغذیه داده‌های نرمال‌شده فاضلاب به مدل‌های یادگیری ماشین در کنار پیش‌بینی‌های محلی آب‌وهوا، داده‌های جابه‌جایی و دینامیک تاریخی انتقال، در تلاش‌اند تا سیستم‌های هشدار زودهنگام خودکاری بسازند که اصلاً به رفتار بالینی انسان متکی نباشند. موفقیت این سیستم‌ها کاملاً به این بستگی دارد که الگوریتم‌ها تا چه حد بتوانند نویز فاضلاب را از سیگنال ویروس فیلتر کنند.[4]