疫学的モデルの変数は通常、一般大衆にはあまり知られていませんが、本物の映画スターの瞬間がありました。映画「コンテイジョン」でケイト・ウィンスレットが演じた科学者は、「私たちが決定する必要があるのはこれです」と述べています。 . 「病気になる一人当たり、何人が他の人に感染する可能性がありますか?」彼女はホワイトボードに、いくつかのよく知られた病気の答えを書き留めます。季節性インフルエンザは約 1、天然痘は 3 以上、ポリオは 4 から 6 です。
その値が基本再生産数 R0 です (「R ノート」と発音します) — 完全に感染しやすい集団で 1 つのケースが生成する感染の平均数。伝染病が発生すると、これは誰もがすぐに推測しようとするものです。なぜなら、それは、新しい病原体がどれほど積極的に広がる可能性があるか、緩和されないままにしておくと発生がどのくらい大きくなる可能性があるか、集団免疫が到達する可能性のあるしきい値を示す可能性があるためです。病気をコントロールするのがどれほど難しいか、そしてどうやってコントロールするかを判断するのに役立ちます。
しかし、病気の感染パラメータを評価することは非常に困難であり、専門家でさえ常に予測しているとは限らない落とし穴にさらされる可能性があります。 は、2 未満から 6 から 7 の間と、広範囲に及んでいます。
そのため、過去 1 年間のモデリング作業の多くは、COVID-19 に関する世界で最も緊急かつ実際的な問題に対処することに重点を置いてきましたが、一部の研究チームは代わりに、根底にある理論上の懸念をより深く掘り下げました。彼らは、R0 などのパラメーターについて、新しい基本的な洞察を得ようとしました。 — それらの変数が実際に意味するもの、それらを推定する方法、およびそれらを使用する必要がある場合と使用しない場合。
これらの科学者は、避けられない次のパンデミックの重要な基礎を築くことを目指しています。カナダのマクマスター大学の理論生物学者であるジョナサン・ダショフは、「理解する価値があると思います。希望は、「次の流行が来るまでに、このような心配事が 1 つ減るように、より確実なツールを手に入れることです。」
伝染病の速度と強さ
基本的なハードルは R0 直接測定することはできません。疫学者がすべてを見渡せば、R0 を知ることができます 各感染者が引き起こす症例数を数え、平均を取ることによって。しかし実際には、それらの感染イベントを観察することはできず、R0 を推定する必要があります。 観測データに基づく統計モデルから。
観測可能なもの — 流行が拡大または縮小する速度、または Dushoff がその「速度」と呼ぶもの — と望ましい値 R0 との間のギャップを埋めるため 、または「強さ」、別の重要な量が必要です。それが世代間隔です。ある人が感染してから次の人に感染するまでの時間です。 (この値は大きく変動する可能性があるため、研究者は世代間隔を平均などの単一の数値または分布として表す場合があります。)
ジョージア工科大学の生物学者 Joshua Weitz 氏は、「成長率が高いということは、R0 が高いことを意味するに違いない」と考えて、「混同されることがよくあります」と述べています。 」しかし、その成長率は、世代間のレンズを通して見る必要があり、1 つの感染が別の感染につながる速さです。
ある病気の最初の症例が 1 例続き、3 週間後に 8 例の新しい症例が出現した状況を考えてみましょう。この疾患の世代間隔が 1 週間である場合、最初のケースは、最初の 1 週間後に 2 つの新しいケースにつながり、次の週には 4 つ、次に 8 つの新しいケースにつながります。 R0 の場合、感染ごとに別の 2 つの感染が発生します。 しかし、もし病気が3週間の世代間隔を持っているなら、最初のケースはR0のために8つの新しいものを直接生み出しました。
「観察したことと知りたいことの間に、1 対 1 の関係はありません」と Weitz 氏は言います。 R0 の非常に異なる値によって、観察された同じ症例数を説明できること は「この分野ではまだあまり評価されていない」課題です。
Weitz と Dushoff は、2014 年から 2016 年にかけて西アフリカでエボラ出血熱が流行した際に、その事実に直面しました。彼らは、葬儀中の故人の取り扱いからの死後の感染が新しいエボラ感染の主な原因である場合、ほとんどの専門家はおそらく、この病気の世代間隔が短すぎると想定していることに気づきました.つまり公開された R0 値はおそらく過小評価されており、医療当局はアウトブレイクを阻止するために誤った優先順位を採用している可能性があります.実際、研究者は後に、エボラの蔓延における死後感染の重要性を確認しました。
推定R0 COVID-19 について
その経験を念頭に置いて、Dushoff と Weitz は、Princeton 大学の生態学と進化生物学の大学院生である Sang Woo Park とともに、発散する R0 を理解するために昨年着手しました。 COVID-19 の推定。 Weitz 氏は、これらの推定値がどの程度異なっているかを確認するとすぐに、「彼らが実際に行っていたのは、世代間隔について異なる仮定を行っているように感じました」と述べました。
彼、Dushoff、および Park がさまざまなグループの計算をくまなく調べたところ、まさに彼らが見つけたものでした。彼らはまた、研究者が症状のある個人の感染力学のみを考慮した場合、R0 を誤って計算する可能性が高いことも示しました。 .いくつかの研究では、無症候性の個人は、ウイルス排出期間が長くなる可能性があることと、検出を回避して病気を感染させ続ける可能性が高いため、ウイルスをより長く拡散させることがわかっています.
症候性感染と無症候性感染の「世代間隔が異なる場合、推定値が根本的に変化し、現在のリスクと [将来の] シナリオに対する理解が変わる」と Weitz 氏は述べています。
Weitz 氏は、これらの調査結果は、無症候性の感染拡大の確固たる定義を確立し、その割合が経時的に変化するかどうか、または異なる集団で変化するかどうかを判断することの重要性を強調していると付け加えました。 「これらのことは、非常に異なる種類の結果につながります」と彼は言いました (COVID-19 の迅速な大量検査の優先順位付けなど)。
もう 1 つの考慮事項は、COVID-19 の生成間隔がおそらく時間の経過とともに減少したことです。研究者が最初に R0 を計算し始めたときでさえ 、ロックダウンやテスト-トレース-分離の取り組みなどの介入により、すでに人々の接触が減少し、感染期間が短縮されていました.しかし、R0 の見積もり 緩和されていない流行に基づく必要があるため、これらの変化のいくつかが発生した後に世代間隔が推測される場合、科学者は再び R0 を過小評価するリスクがあります .
この研究により、ワイツらは病気の伝播のいくつかの側面を再解釈するようになりました。たとえば、この夏、「若い人たちに感染が広がり、彼らの[無責任な]行動がその広がりを助長しているという話がありました」とワイツは言いました。しかし、行動要因だけが原因ではない可能性があります。無症候性の伝染は世代間隔が長いという理由だけで、若年層が無症候性でウイルスを伝染させる可能性が生物学的により高い場合、彼らは拡散率に非常に大きな影響を与えた可能性があります. Weitz 氏は、結果はまだ暫定的で不完全であると述べていますが、彼はそれらが「興味深い」ものであり、適切ではない場合に「この責任の概念から離れ始める」のに役立つかもしれないと考えています.
正しく理解するために
COVID-19 の世代間隔の確認を非常に複雑にしている理由の一部は、R0 のように 感染のタイミングは不明なことが多いため、直接観察することはできません。研究者は代わりにプロキシに頼る必要があります — 連続間隔、つまり、誰かが最初に症状を発症してから感染するまでに経過する平均時間.
しかし、一連の間隔の値は通常、慎重な接触者追跡と関連する疫学研究から得られますが、どちらも流行の初期には入手できません。これにより、さまざまな仮定が生じ、間隔がどうなるかについて多くの不確実性が生じます。
また、世代間隔とシリアル間隔は概念的には似ていますが、根本的に異なります。たとえば、生成間隔は常に正の値です。しかし、COVID-19 のような無症候性感染が大量に発生する疾患では、患者は感染者よりも先に症状を発症することがあるため、連続間隔はマイナスになる可能性があります。 (そして、無症候性感染の場合、連続間隔は定義できません。) Park は、SARS-CoV-2 ウイルスが原因で、感染力学の複雑さを「捉えるためのより良いフレームワークを開発する必要がある」ことに気付いたと言います.
さらに、研究者はさらに別の統計上の問題を発見しました。それは、個人がどのようにグループ化され、感染間隔がどのように測定されるかが非常に重要であるということです。接触者追跡データからの一連の間隔の推定は、通常、感染した個人のスターター グループからそれらを感染させた人々まで、逆方向に働きます。しかし、そのアプローチは、スターターグループから感染者までの一連の間隔を測定するよりも、統計的バイアスに対して脆弱であることが判明しました.これに対処するために、Dushoff、Park、Weitz、および彼らの同僚は、適切な基準点を使用して R0 のより正確な推定値を取得する方法をより深く掘り下げています。 .
「私たちはまだ終わっていません」とDushoffは言いました。これは、彼らと彼らの分野の残りの部分が取り組む必要があるものです.しかし、彼らは問題を 1 つずつ解きほぐし始めています。伝染の個々の時間スケールと、伝染が見られる視点を調べて、病気のダイナミクスを理解するためにそれらがどれほど重要であるかを突き止めています。
Rt にシフト
R0 の適切な見積もりですが、 流行の初期には高い需要がありますが、数か月が経過するにつれて、その即時の有用性は低下します。伝染を抑制するための介入、回復した人々の免疫力の上昇、およびその他の要因により、時間の経過とともに病気の再生産数が変化します。流行が進行するにつれて、研究者は徐々に R0 から注意を移します Rt として知られるそのリアルタイム値に .
R0のように 、Rt 多くの場合、一連の間隔と推定された世代間隔から導出されます。これらの間隔も流行全体で進化するため、関連する課題が適用されます。でもRt 流行の指数関数的成長が比較的高いとき (多くの場合、R0 より関連性が高い)。その結果、R0 に影響を与えるいくつかの不確実性 Rt で問題を減らし始めます .
さらに良いことに、少なくとも原則として、 Rt 流行の拡大の可能性と、介入がどれだけうまく機能しているかのリアルタイムの指標として機能します。 Rt の場合 が 1 より大きい場合、流行は拡大しており、より多くの緩和策が必要になる可能性があります。 1 未満の場合、流行は縮小しており、政策立案者はいくつかの制限の解除を検討する可能性があります。
ただし、危険なのは Rt 正確な評価はまだ難しい。もし Rt が大幅に過小評価されているため、意思決定者は実際よりも介入を緩和する余裕があると考える可能性があります。
JAMA で論文を見つけたとき、シカゴ大学の生態学者である Sarah Cobey は、これらの懸念に大きく迫っていました。 Rt の変化を推定しようとした昨年 4 月 武漢での流行の初期の過程で、これらの見積もりをさまざまな政策のタイミングで重ね合わせます。この論文の分析の 1 つの示唆は、Rt 中国政府が集中検疫の実施を開始するまで、武漢では 1 を下回りませんでした。
しかし、Cobey は、ハーバード大学の疫学者 Marc Lipsitch と Keya Joshi とともに、Rt の使用について懸念を表明しました。 そんな主張をする。彼らは、さまざまな方法で Rt の値を推定できることを指摘しました 時間的にわずかにずれています。 「もし Rt わずか 4 ～ 5 日前に実際に 1 を下回っていたら、流行が縮小し始めるにはどのレベルの介入が必要かについて、まったく別のことを推測していたでしょう」と、コビーの研究室のポスドク研究員であるケイトリン ゴスティックは述べています。
Rt にする 時間的に正確な推定値を得るために、研究者は、症例、入院、または死亡が報告された時期に基づいて、感染がいつ発生したかを推測する必要があります。しかし、人々が COVID-19 に感染してから、症例として観察されるまで (または入院するか死亡するまで) に遅延があるため、それはほとんど法外に困難です。
Gostic らは、これらの遅延に対処するための確立された統計手法が、COVID-19 のパンデミックにはうまく機能していないことを発見しました。彼らは、Rt を推定するために公開されているさまざまな方法をテストしました。 シミュレートされたデータで、基になる Rt が何であるかを知っています 値とそのタイム スタンプが必要です。それでも、常に正しい答えが得られるとは限りませんでした。 Gostic 氏は次のように述べています。正しい答えを返すために」
後者であることが判明しました。 「パンデミックの前に準備していたツールは、重要であることに突然気づいた多くの詳細を見逃していました」と Gostic 氏は言いました。 「したがって、疫学者として、疫病の実際の変化の遅れている指標であることがわかっているこれらのノイズの多いデータ ストリームを取り戻すことができます。そして、それらを適切に調整する方法を見つけようとするのは私たち次第です。」
それを行うために、彼女と他の人々は、信号または画像処理でよく使用される方法に目を向けました。彼らはまた、1980 年代と 90 年代に HIV/AIDS の流行中に使用された統計的アプローチに基づいて構築しています.
研究者は、Rt を取り巻く不確実性が常に存在することを認めています。 見積り。それでも、Gostic は、彼女のチームの仕事やその他の取り組みが今後役立つことを望んでいます。今回は本当に。」
より完全な全体像
R0 の適切な見積もりを突き止めるための探求 そして Rt また、予想されるように、これらのパラメーターが流行の十分な理解を提供するのに十分または信頼できないことも示しています。 「今日の天気を考えると、気温という 1 つの数字だけで社会が満足しているとは思えません」と Weitz 氏は言いました。
したがって、科学者は流行を特徴づける他の数字を探しています。病気の伝染に関与する不均一性と分散を反映するパラメーターを優先する人もいます。コンピュータ科学者のザカリー・リプトンとカーネギーメロン大学の彼のチームのような他の人々は、「この怪物を別の角度から見るために」、症例、入院、死亡の数を超えた新しいデータ信号を開発していると彼は言った.これらの新しい信号には、COVID のような症状を持つ人を最近観察した人の割合、そのような症状のために医師の診察を受けた割合、およびその他の数十の指標が含まれます。
Weitz は、さまざまな場所でさまざまな規模のイベントに参加している 1 人または複数の人が COVID-19 に感染している可能性があるかどうかを判断するためのリスク計算機を作成しました。 「課題の 1 つは、Rt でも素人として何をするかということです。 ?」ワイツは言った。 「しかし、人々は、50 人のイベントに参加して、COVID-19 にさらされる可能性が 25% あると言われることについて考えることの意味を理解しています。」
アプリケーションは別として、Weitz は、彼と他の人が R0 について行っているより理論的な研究を検討しています。 そして Rt 決定的であること。 「基本的な作業を行う必要がある場合もあります」と彼は言いました。 「そうでなければ、一般化可能な発見をするための基礎研究ができません。」
Dushoff 氏もこれに同意し、「より詳細で現実的なモデルが絶対に必要です」と付け加えました。しかし、彼は、ウイルスがどのように拡散するかを直感的に理解することによってモデルが導かれると、おそらくより成功するだろうと考えています. 「そして、私たちは構築すべきより直感的な理解を持っていると思います」と彼は言いました.
