ریاضیات سرایت: اپیدمیولوژیست‌ها چگونه «عدد پایه بازتولید» را محاسبه می‌کنند

اپیدمیولوژیست‌ها استدلال می‌کنند که عدد پایه بازتولید ترکیبی درهم، پویا و متغیر از رفتار انسان، شرایط محیطی و زیست‌شناسی ویروس است که نمی‌توان آن را به یک ثابت جهانی واحد تقلیل داد. در همین حال، مقامات بهداشت عمومی و رسانه‌ها اغلب این معیار را به عنوان حد سرعت ذاتی و قطعی یک ویروس معرفی می‌کنند—یک ویژگی زیستی ثابت که دقیقاً نحوه وقوع یک همه‌گیری را دیکته می‌کند.

این تضاد بین واقعیت ریاضی و ارتباطات عمومی، نحوه واکنش جوامع به بیماری‌های عفونی نوظهور را شکل می‌دهد، زیرا تمایل به یک عدد ساده و پیش‌بینی‌کننده با واقعیت‌های پیچیده شبکه‌های تماس انسانی و تکامل عوامل بیماری‌زا در تضاد است.[1][6]

معیاری که در مرکز این اختلاف نظر قرار دارد، عدد پایه بازتولید است که به طور جهانی با R۰ نشان داده می‌شود و «آر نات» (R-naught) خوانده می‌شود. بر اساس تعریف دقیق اپیدمیولوژیک، این عدد نشان‌دهنده تعداد مورد انتظار موارد ثانویه است که توسط یک عفونت معمولی واحد در جمعیتی کاملاً مستعد (بدون ایمنی قبلی) ایجاد می‌شود.

این سناریوی نظری فرض می‌کند که هیچ فردی ایمنی از پیش موجود، چه از طریق عفونت قبلی و چه واکسیناسیون، ندارد و هیچ مداخله عمدی بهداشت عمومی برای تغییر مسیر طبیعی انتقال اجرا نشده است.[3]

کاربرد اساسی این معیار در مقدار آستانه آن نهفته است. اگر عدد محاسبه شده اکیداً بزرگتر از ۱.۰ باشد، شیوع بیماری از ظرفیت ریاضی برای رشد تصاعدی برخوردار است، زیرا هر فرد آلوده بیش از یک مورد جدید را جایگزین خود می‌کند.

برعکس، اگر مقدار به طور مداوم زیر ۱.۰ باقی بماند، بیماری نمی‌تواند خود را حفظ کند و در نهایت از بین خواهد رفت، حتی بدون مداخله پزشکی گسترده. این آستانه دوتایی، معیار را به ابزاری ضروری برای تعیین اینکه آیا یک عامل بیماری‌زای نوظهور تهدیدی واقعی برای همه‌گیری ایجاد می‌کند، تبدیل می‌کند.[2]

اما واقعیت ریاضی نحوه استخراج واقعی این عدد، داستانی بسیار ظریف‌تر از درک عمومی از یک حد سرعت ویروسی ثابت را بیان می‌کند. جیمز هالند جونز، انسان‌شناس زیستی دانشگاه استنفورد، این محاسبه را به سه متغیر متمایز و در حال تعامل تقسیم می‌کند که در معادله اساسی بیان می‌شوند: R۰ = تاو (τ) × سی (c) × دی (d). درک این سه جزء نشان می‌دهد که چرا این معیار، جمعیت میزبان را به همان اندازه که عامل بیماری‌زای مهاجم را اندازه‌گیری می‌کند، می‌سنجد.

متغیر اول در معادله، که با حرف یونانی تاو (τ) نشان داده می‌شود، بیانگر قابلیت انتقال یا احتمال خاص عفونت در هر رویداد تماس است. این جزء اصلی زیستی محاسبه است که توسط عواملی مانند میزان مؤثر اتصال عامل بیماری‌زا به گیرنده‌های سلولی انسان، میزان بقای آن در قطرات معلق در هوا، و میزان مقاومت آن در برابر عوامل محیطی مانند نور فرابنفش و رطوبت محیط تعیین می‌شود.

متغیر دوم، c، نشان‌دهنده میانگین نرخ تماس بین افراد عفونی و مستعد در داخل جمعیت است. این عامل صرفاً معیاری از ساختار اجتماعی انسان است که همه چیز را از تراکم شهری و استفاده از حمل و نقل عمومی گرفته تا عادات سلام و احوالپرسی فرهنگی و تنظیمات محیط کار در بر می‌گیرد. یک عامل بیماری‌زا که وارد یک کلان‌شهر پرجمعیت می‌شود، ذاتاً نرخ تماس میانگین بالاتری نسبت به همان ویروسی خواهد داشت که در یک جامعه کشاورزی روستایی و کم‌تراکم در حال گسترش است.[5]

متغیر سوم و نهایی، d، مدت زمان عفونی بودن را اندازه‌گیری می‌کند—کل بازه زمانی که طی آن یک میزبان آلوده به طور فعال عامل بیماری‌زا را دفع می‌کند و قادر به انتقال آن به دیگران باقی می‌ماند. ویروسی که میزبان را به مدت ۱۴ روز مسری و متحرک نگه می‌دارد، ردپای ریاضی بسیار متفاوتی نسبت به عامل بیماری‌زایی دارد که علائم سریع و ناتوان‌کننده ایجاد می‌کند و پنجره دفع را به تنها ۴۸ ساعت قبل از ایزوله شدن بیمار محدود می‌کند.[1]

از آنجایی که دو مورد از این سه متغیر اصلی به شدت به ویژگی‌های خاص جمعیت میزبان بستگی دارند، معیار حاصل ذاتاً وابسته به بافتار است. یک بررسی در سال ۲۰۱۹ که در مجله Emerging Infectious Diseases منتشر شد، اشاره کرد که محققان و رسانه‌ها اغلب با حذف این بافتار، معیار را به اشتباه تفسیر می‌کنند. نویسندگان صراحتاً در مورد این ساده‌سازی هشدار دادند و نوشتند: «R۰ یک ثابت زیستی برای یک عامل بیماری‌زا نیست.»[1]

این وابستگی عمیق به بافتار توضیح می‌دهد که چرا تخمین‌های تاریخی برای یک بیماری کاملاً یکسان می‌توانند در دوران‌ها و مناطق جغرافیایی مختلف تا این حد متفاوت باشند. به عنوان مثال، سرخک اغلب در متون پزشکی با R۰ بین ۱۲ تا ۱۸ ذکر می‌شود، که آن را به یکی از مسری‌ترین ویروس‌های شناخته شده برای علم تبدیل می‌کند. با این حال، این دامنه عظیم، تفاوت بین انتقال در یک مدرسه شبانه‌روزی شلوغ در قرن نوزدهم در مقابل یک محله حومه شهری مدرن و دارای تهویه مناسب را منعکس می‌کند.[3]

علاوه بر این، تخمین‌های آماری منتشر شده در مجله Statistics in Medicine نشان می‌دهد که محاسبه این اعداد از داده‌های خام شیوع، نیازمند مدل‌های محفظه‌ای بسیار پیچیده است، که مهم‌ترین آن‌ها چارچوب مستعد-عفونی-بهبودیافته (SIR) است. محققان نمی‌توانند به سادگی یک ویروس را مشاهده کرده و عدد بازتولید آن را اندازه‌گیری کنند؛ بلکه باید با وارد کردن تعداد موارد اولیه و داده‌های جمعیتی به معادلات دیفرانسیل که تلاش می‌کنند رفتار کل جمعیت را شبیه‌سازی کنند، آن را استنباط نمایند.[4]

یک محدودیت عمده این مدل‌های اولیه این است که آن‌ها اغلب بر فرض «اختلاط همگن» (homogeneous mixing) تکیه می‌کنند—ایده‌آل‌سازی ریاضی که هر فرد در یک جمعیت شانس تصادفی و برابری برای تماس با هر فرد دیگری دارد. در واقعیت، شبکه‌های اجتماعی انسان به شدت در خانواده‌ها، مدارس و محل‌های کار خوشه‌بندی شده‌اند، به این معنی که انتقال اغلب به صورت انفجارهای متمرکز رخ می‌دهد تا گسترش یکنواخت و صاف در سراسر شهر.[4][5]

هنگامی که یک عامل بیماری‌زای جدید برای اولین بار ظهور می‌کند، تخمین‌های اولیه عدد بازتولید به طور بدنامی ناپایدار هستند و در معرض بازنگری‌های گسترده قرار می‌گیرند. در طول هفته‌های اولیه و پر هرج و مرج شیوع، دانشمندان باید عدد پایه بازتولید را از نرخ رشد تصاعدی منحنی اپیدمی و «فاصله سریالی» (serial interval) استنباط کنند، که تأخیر زمانی مشاهده شده بین بروز علائم در یک مورد اولیه و بروز علائم در یک مورد ثانویه است.[2][6]

برای روشن شدن این سردرگمی، یک مقاله جامع در مجله Journal of Preventive Medicine and Public Health بر تمایز حیاتی و اغلب نادیده گرفته شده بین عدد پایه بازتولید نظری (R۰) و عدد بازتولید مؤثر در دنیای واقعی، که با Rt نشان داده می‌شود، تأکید می‌کند. یکی کردن این دو معیار یکی از رایع‌ترین اشتباهاتی است که در طول ارتباطات عمومی یک اپیدمی در حال وقوع صورت می‌گیرد.[6]

در حالی که R۰ جمعیتی کاملاً مستعد را فرض می‌کند که بدون هیچ گونه تغییر رفتاری یا مداخله پزشکی عمل می‌کنند، Rt نرخ انتقال واقعی و مشاهده شده را در یک نقطه زمانی خاص اندازه‌گیری می‌کند. این عدد مؤثر به طور مداوم در نوسان است، زیرا جمعیت شروع به ایجاد ایمنی طبیعی می‌کند، واکسن‌ها توزیع می‌شوند، یا شهروندان به طور داوطلبانه روال روزانه خود را در پاسخ به تهدید درک شده تغییر می‌دهند.[6]

اگر یک دولت شهری سیاست قرنطینه سختگیرانه‌ای را اجرا کند که با موفقیت میانگین نرخ تماس را تا ۵۰ درصد کاهش دهد، عدد بازتولید مؤثر به طور متناسب و فوری کاهش خواهد یافت. این کاهش چشمگیر در گسترش رخ می‌دهد، حتی اگر قابلیت انتقال زیستی ذاتی خود ویروس کاملاً بدون تغییر باقی بماند، که ثابت می‌کند مسیر یک شیوع صرفاً توسط زیست‌شناسی عامل بیماری‌زا دیکته نمی‌شود.[6]

این تعامل پویا بین زیست‌شناسی و رفتار دقیقاً دلیلی است که سازمان‌هایی مانند مؤسسه بهداشت جهانی هاروارد تأکید می‌کنند که عدد پایه بازتولید باید به عنوان نقطه شروعی برای مدل‌سازی اپیدمیولوژیک در نظر گرفته شود، نه یک سرنوشت ثابت. این عدد یک اندازه‌گیری پایه از آنچه یک ویروس قادر به دستیابی به آن در بدترین سناریو است، ارائه می‌دهد و به مقامات بهداشت عمومی اجازه می‌دهد تا واکنش خود را بر اساس آن تنظیم کنند.

عدم قطعیت ریاضی ذاتی در این محاسبات اولیه به این معنی است که مدل‌های اولیه همه‌گیری باید یک فاصله اطمینان گسترده را برای حفظ دقت علمی ارائه دهند. اگر تخمین زده شود که یک ویروس جدید دارای R۰ معادل ۲.۵ با فاصله اطمینان ۹۵ درصدی در محدوده ۱.۸ تا ۳.۲ است، پیش‌بینی‌های حاصل برای بستری شدن در بیمارستان و استفاده از منابع می‌تواند در یک دوره پیش‌بینی استاندارد ۹۰ روزه، میلیون‌ها مورد تفاوت داشته باشد.[4][5]

چالش اصلی برای اپیدمیولوژیست‌های مدرن، انتقال دقیق این عدم قطعیت ریاضی ذاتی بدون تضعیف اعتماد عمومی به فرآیند علمی است. معادلات یک چارچوب دقیق و حیاتی برای درک مکانیک سرایت فراهم می‌کنند، اما نتیجه نهایی هر شیوع کاملاً به این بستگی دارد که جوامع انسانی چقدر مؤثر می‌توانند متغیرها را دستکاری کنند تا عدد بازتولید مؤثر را به زیر آستانه بحرانی برسانند.[1][6][7]