Райх и его коллеги строят графики людей с различными состояниями инфекции и тому подобного среди людей, чтобы смоделировать, как распространяется COVID-19. Подпись к статье: «Отслеживание контактов. Некоторая доля соседей узла с положительным тестом отслеживается и тестируется самостоятельно. "
Райх и др. 2020
Новая работа ученых Google предполагает, что массовое тестирование популяций для болезни COVID-19 не является подходящим способом, учитывая, что инфекционные события могут быть сильно взвешенный по отношению к так называемым суперраспредителям, людям в популяции, у которых число контактов превышает среднее и которые, как правило, заражают больше людей.
Ученые Офир Райх и Гай Шалев из Google, а также Том Калвари из Тель-Авивского университета создали симуляцию распространения COVID-19, используя предположения о людских сетях взаимоотношений. Они предлагают два основных выноса. Один из них заключается в том, что для того, чтобы разблокировать общество, необходимо тщательное тестирование на наличие инфекции. Во-вторых, простая попытка протестировать всех игнорирует структуру, по которой распространяется инфекция, структуру, которая требует более избирательных видов тестирования.
Статья "Моделирование COVID-19 в сети: суперраспределители, тестирование и локализация" была размещена во вторник на сервере предварительной печати medRxiv. Документ не был рецензирован, что следует учитывать при рассмотрении его выводов.
Райх и его коллеги выходят за рамки типичных моделей инфекционных заболеваний, которые обычно используются для COVID-19. Эти модели основаны на так называемой «восприимчивой, заразной, выздоровевшей» модели распространения заболевания. Модель SIR — это «механистическая» модель, основанная на очень общем понимании механизма распространения всех инфекционных заболеваний. Впервые он был представлен в 1927 году учеными Уильямом Огилви Кермаком и Андерсоном Греем МакКендриком.
Проблема, согласно Reich & Co., заключается в том, что SIR сильно сфокусирован на одном числе над всеми остальными, «R-ноль», теоретической скорости передачи, сколько людей в среднем заражено, каждый человек может заразить Это было доминирующим направлением моделей COVID-19 в течение нескольких месяцев.
Также: Теория графов предполагает, что COVID-19 все-таки может быть «маленьким миром»
Вместо этого Рейч и команда подчеркивают не среднестатистические, а необычные случаи в обществе людей, которые имеют гораздо больше контактов, чем большинство людей, и поэтому могут заразить необычайно большое количество людей. Суперразбрасыватели изучались в течение многих лет в отношении многочисленных эпидемий. В 2014-2015 гг. Вспышка коронавируса респираторного синдрома на Ближнем Востоке, или "MERS", была выявлена у одного южнокорейского человека, который распространил заболевание среди множества людей, двое из которых распространили заболевание на большие группы. Аналогичные паттерны «индексных» пациентов наблюдались при лихорадке Эбола и при вспышке атипичной пневмонии в 2002–2003 годах.
Ученые не знают точно, почему некоторые люди «проливают» вирус, то есть распространяют его, больше, чем другие. Это может быть связано с ослабленным иммунитетом у этих людей, но есть и другие гипотезы. (Ученый Гэри Вонг и его коллеги из Китайской академии наук несколько лет назад дали прекрасное объяснение феномену суперразбрасывателя, и их работа цитируется Reich & Co.)
Райх, который является специалистом по данным в Google, не имеет объяснения, почему происходит суперраспространение. Скорее, он и его коллеги принимают факт сверхраспространения как данность, чтобы создать предсказания того, что суперраспространение делает в пандемии.
Чтобы смоделировать эффект сверхраспространения, они опираются на то, что называется теорией графов, где каждый человек рассматривается как «узел», связанный с другими людьми — друзьями, семьей, коллегами — ссылки. Это понятие социальной сети: каждый человек в популяции имеет связи с друзьями, семьей и коллегами, каждый в большей или меньшей степени «связан» с другими.
Существует среднее число отношений для любого человека в этой сети, а затем есть люди, которые необычайно связаны друг с другом, суперраспредители.
Также: Работа ученых из Лос-Аламоса предполагает, что COVID-19 может снова стать действительно плохим намного быстрее, чем стало лучше
Здесь Рейх и его коллеги отходят от модели SIR, поскольку она обычно используется. Модели SIR «неявно предполагают, что каждый инфекционный узел вызывает одинаковое количество инфекций, и что каждый восприимчивый узел в равной степени подвержен заражению», пишут они.
Это предположение означает, что расчеты таких моделей «систематически неверны», утверждают Райх и его коллеги. Такие модели не имеют структуры, то есть они не отражают то, как люди вступают в контакт в реальном мире.
«Структура графа, то есть сеть тех, кто может кого-то заразить, оказывает решающее влияние на рост эпидемий», — пишут Райх и команда. В частности, суперструктуры «имеют большое значение» в этой структуре, пишут они.
«Очень важно смоделировать структуру графика, чтобы сделать правильные выводы о распространении эпидемии».
В серии графиков авторы иллюстрируют, как их моделирование суперразбрасывателей показывает, что заболевание может распространяться быстрее, когда средняя скорость передачи остается неизменной, просто потому, что имеется больше суперраспределителей.
Рейх и его команда утверждают, что их модель дает гораздо лучший прогноз того, что было замечено в реальном мире с COVID-19, «гораздо лучшим предиктором скорости роста», как они выразились, чем типичная скорость передачи модели SIR.
Райх и его коллеги разместили код на GitHub для запуска симуляции.
Райх и его коллеги показывают, что даже при одной и той же "R" "скорости передачи в среднем инфекции могут возрастать быстрее при более высокой" гамме "- мере того, как много «степеней» контактов у человека в обществе — суперраспредителей.
Райх и др. 2020
Выводы, сделанные в документе, в том, что касается политики, заключаются в том, что тестирование должно проводиться, но выборочно.
Тестирование имеет решающее значение, утверждают они, потому что в противном случае ослабление изоляции и карантина в обществе может привести к возрождению болезней, включая COVID-19.
«Выход из блокировок без критических уровней распространения возможен, если доступны возможности тестирования и трассировки», — пишут они. «Без этих мер, приводящих к тому, что R ниже 1, выход из режима блокировки приведет к повторному возникновению эпидемии», ссылаясь на теоретическую скорость передачи.
Важность тестирования, чтобы избежать возрождения, является точкой, которую недавно сделали другие исследователи. Рейх с коллегами настаивают на том, что пытаться протестировать как можно больше людей — это неправильный путь. «Тестирование населения в целом (массовое тестирование) в основном бесполезно для сдерживания», потому что «оно должно проводиться с такой высокой скоростью, что [it] требуются неосуществимые ресурсы».
Также: Исследования Карнеги-Меллона показывают, что наше представление о COVID-19 изменится с «цифровым наблюдением»
] Было бы лучше, утверждают они, сосредоточить эти усилия на тех людях, у которых уже есть симптомы, но которые сами по себе не будут содержать пандемию, потому что требуется время, чтобы найти и изолировать этих людей, и это дает им время заразить другие.
И, конечно же, учитывая то, что кажется большим количеством бессимптомных или «предсимптомных» людей, будет много людей, которые больны и остаются незамеченными и не проходят тестирование. Например, более 79% людей, у которых в январе в провинции Хунань в Китае был COVID-19, как полагают, не проявили никаких симптомов, по крайней мере, одно исследование обнаружило.
«Требуется нечто большее», напишите Reich & Co.
Что-то еще может быть отслеживание контактов, отслеживание людей, которым заразился сам инфекционный человек, и которые могут, следовательно, быть зараженным. «Для тех, кто дал положительный результат, некоторая часть их соседей прослеживается и проверяется». Отслеживание контактов может раскрыть способы, которыми люди заражают других в «кластерах», полагают они, и это означает, что оно может раскрыть множество других инфекционных событий.
Google анонсировала технологию смартфона для автоматического отслеживания контактов вместе с Apple. Однако статья Райха и др. Не является официальной работой Google.
Наконец, все это тестирование может сочетаться с некоторой степенью социального дистанцирования, «чтобы замедлить базовую скорость распространения».
«Наше моделирование предполагает некоторое социальное дистанцирование (за исключением блокировки), тестирование симптоматики и отслеживание контактов — вот путь».
Существуют многочисленные ограничения в работе, которые авторы обсуждают подробно. Есть много деталей реальных сетей человеческого взаимодействия, к которым у них нет доступа, что потребовало бы большего количества реальных данных. Они явно не смоделировали эффект бессимптомных представителей населения, которые могут стать важной областью дальнейшего исследования, отмечают они. Они также не включили феномен «событий» суперразбрасывателя, массовых собраний, которые могли привести к значительным одноразовым вспышкам инфекции COVID-19.
Работа Райха и его коллег ни в коем случае не первая, которая использует графики для моделирования распространения заболеваний. Есть богатая литература. Совсем недавно исследования, проведенные в конце февраля учеными Анной Зифф и Робертом Зиффом, выдвинули гипотезу о том, что COVID-19 может отразить сеть «маленького мира», в которой несколько человек, путешествующих по всему миру на международных рейсах, могут вызвать заболевание у местного сообщества.
Графический подход спорен даже среди тех, кто посвятил ему свою карьеру. Гарвардский ученый Джоэл Миллер, который является соавтором книги о сетях взаимоотношений в связи с болезнями, на этой неделе отправился в Twitter, чтобы призвать к осторожности при применении графиков к COVID-19.
Учитывая, как много еще известно об этой болезни, писал Миллер, суперраспределители — это лишь одна из многих вещей, которые следует учитывать. «Есть и другие вопросы, которые одинаково важны».
Дорогие все (особенно люди, читающие блог @ tylercowen) и обнаружившие тот факт, что эпидемии можно смоделировать как распространяющиеся по сетям.
Мы знаем об этом факте. Мы также знаем, что это влияет на некоторые прогнозы.
— Джоэл Миллер (@joel_c_miller) 5 мая 2020 г.
