کُشندگی کرونا چگونه ۲برابر می شود؟

کُشندگی کرونا چگونه ۲برابر می شود

این روز ها گمانه زنی های مختلفی از میزان مبتلایان و جان باختگان کرونا در کشور های مختلف و تا تاریخ های متفاوت اعلام می شود, اما کمتر درباره شیوه دست یافتن به این اعداد و جزئیات روش و روند بررسی توضیحی ارائه می شود

این روز ها گمانه زنی های مختلفی از میزان مبتلایان و جان باختگان کرونا در کشور های مختلف و تا تاریخ های متفاوت اعلام می شود، اما کمتر درباره شیوه دست یافتن به این اعداد و جزئیات روش و روند بررسی توضیحی ارائه می شود. برای مثلا در روز های گذشته اخباری مبنی بر احتمال جان باختن هفت هزار تا ۲۰۰ هزار نفر در ایران تا پایان تیر و بر اثر کرونا منتشر شد که البته ریشه در همین بحث دارد.

شبیه سازی یا مدل سازی، کاری است که کارشناسان حوزه اپیدمی لوژی (همه گیرشناسی) انجام می دهند و بر اساس اطلاعات موثق به بررسی سناریو های مختلف درباره آینده می پردازند که شبیه سازی «هری استیونز» در روزنامه «واشنگتن پست» درباره ویروس کرونا یکی از معروف ترین و پربیننده ترین کار های انجام شده در این زمینه است. در آن شبیه سازی، اما معمولا روند کار و جزئیات مورد بررسی چندان برای مخاطب توضیح داده نمی شود و به همین دلیل ممکن است فهم روشنی از چنین شبیه سازی هایی رخ ندهد.

مقاله پیش رو ترجمه ای است از مطلبی که به قلم «کوین زیملر» به این موضوع می پردازد و شبیه سازی های قابل اجرای شیوع بیماری را به طور ملموس توضیح می دهد؛ آن هم به گونه ای که شما پارامتر های مختلف را در آن می توانید تغییر دهید (مثلا میزان انتقال و میزان کُشندگی بیماری). آنچه در ادامه می آید، ترجمه ای خلاصه شده از این مقاله است که به ما می گوید اپیدمی ها به طورکلی چطور پدیدار می شوند. برای تماشای مطلب اصلی که به زبان انگلیسی است، روی لینک انتهایی مطلب کلیک کنید و حالت های مختلف موضوع را بررسی کنید. این مقاله خلاصه شده ای از این مطلب است که صرفا اصل موضوع در آن توضیح داده شده است. ترجمه این مقاله را نیما فاتح و دامون افضلی برای «شرق» انجام داده اند.

شبیه سازی های قابل اجرای شیوع بیماری

عبارت «قابل اجرا» به این معنی ا ست که شما پارامتر های مختلف را تغییر می دهید (مثلا میزان انتقال و میزان کُشندگی یک بیماری) و می توانید مشاهده کنید که اپیدمی چطور پدیدار می شود.

البته لازم است ابتدا یک هشدار مهم هم داده شود؛ اینکه فراموش نکنید این تلاشی برای مدل سازی کووید-۱۹ نیست.

آنچه در ادامه می آید، توضیح مدل ساده شده ای از روند این بیماری است. هدف این است که یاد بگیریم اپیدمی ها به طورکلی چطور پدیدار می شوند (با این توضیح از «شرق» که برای مشاهده دقیق باید اصل مقاله را در سایت مرجع ببینید و ما فقط کلیتی از آن را اینجا به لحاظ تئوریک شرح داده ایم).

مردم: اولین چیزی که یک بیماری به آن احتیاج دارد، جمعیت یا مردم است؛ یعنی مجموعه افرادی که بالقوه می توانند به این بیماری مبتلا شوند. در این مدل، مردم در ردیف ها و ستون های مرتب و منظمی زندگی می کنند؛ چیزی مثل یک شبکه ۹ * ۹ یی؛ و هر مربع نشانگر فردی واحد است و یک فرد در مرکز شبکه قرار داده شده که به عنوان نمونه فردی است که به بیماری مبتلا شده. در این بین، بقیه همگی افراد مستعد مبتلاشدن اند.

زمان: عنصر دیگری که در این مدل ضروری است زمان است. با تغییر هرکدام از پارامتر ها در زمان و محل حرکت فرد مبتلا نتیجه این است که افراد نزدیک به فرد مبتلا به ویروس آلوده می شوند.

بهبود: اما مردم برای همیشه که مریض نمی مانند. پس از آنکه دو مرحله (یعنی دو روز) بعد بهتر شدند، این اتفاق می افتد که از فرد مبتلا [یا آلوده]به فرد بهبودیافته گذر کنند.

در این طرح افراد شامل این موقعیت ها هستند

فرد مستعد به ابتلا

فرد مبتلاشده

فرد بهبودیافته

برای تحقق اهداف شبیه سازی در این مدل وقتی شخصی بهبود می یابد، دوباره مبتلا نمی شود. این امیدواری هست که این فرض (احتمالا) برای کووید-۱۹ هم درست باشد، ولی هنوز قطعی نیست.

دوره نهفتگی: شاید درباره کووید-۱۹ شنیده باشید که می گویند این بیماری دوره نهفتگی طولانی مدتی دارد. این دوره همان فاصله بین زمان ابتلای فرد به بیماری تا شروع بروز نخستین علائم آن است. در کووید-۱۹ به نظر می رسد بیماران در دوره نهفتگی هم بیماری را سرایت می دهند. حتی ممکن است آن ها متوجه نشوند که بیمارند، ولی می توانند دیگران را آلوده کنند. در مدل سازی انجام گرفته این ویژگی را همتاسازی می کنیم (ولی باید تأکید کرد که این طرح به دنبال مدل سازی دقیق کووید-۱۹ نبوده!).

دوره نهفتگی شبیه چنین چیزی است:

در این شیوه ای که برای مدل سازی این بیماری انتخاب شده هیچ تمایز مهمی بین وضعیت های مبتلا و مستعد به ابتلا وجود ندارد. تا جایی که به این ویروس ربط دارد، هر دو وضعیت رفتاری یکسانی دارند.

باوجود این باید دوره نهفتگی را مانند نوعی یادآوری از حاملان کووید-۱۹ که در بین ما مخفی اند، بگنجانیم؛ افرادی که از چشم آمار های رسمی پنهان اند و خودشان هم هیچ نمی دانند که مبتلا شده اند. غافل از اینکه بیماری را به دیگران منتقل می کنند…

حتی شمایی که حالا دارید این مطلب را می خوانید، ممکن است جزء این افراد باشید. براساس این می توان افراد را این طور تقسیم بندی کرد:

فرد مستعد به ابتلا

فرد مبتلا (دوره نهفتگی، بدون هیچ علائمی)

فرد مبتلا (با علائم)

فرد بهبودیافته

ابتلای مبتنی بر احتمال

بیماری های واقعی با احتمال صد درصدی گسترش نمی یابند. آن ها بر مبنای احتمالاتی گسترش می یابند.

پس در این مدل سازی پارامتر جدیدی را معرفی می کنیم؛ میزان انتقال. این پارامتر احتمال انتقال آلودگی را از شخصی به شخصی دیگر کنترل می کند.

در این بین دو سؤال مطرح است

آیا می توانید مقداری برای میزان انتقال پیدا کنید که مانع از گسترش بیماری به کل جمعیت می شود؟ بیشترین میزان انتقال در جایی که به نظر نمی رسد بیماری قادر به گسترشی همیشگی باشد (مثلا رسیدن به هر چهار رأس شبکه) چقدر است؟

در آزمایش های انجام شده به نظر می رسد این رقم چیزی در حدود ۰.۳۵ و شاید هم ۰.۳۴، باشد. پایین تر از آن، طبق مشاهدات، آلودگی و ابتلا همیشه یک جایی تمام می شود و بالاتر از آن، عموما بیشتر شبکه را آلوده می کند.

در این مدل سازی تعیین شده است که هر فردی در هر روز به تعداد مشخصی با افراد اطراف خود برخورد دارد. یعنی براساس این مدل سازی ما تا حالا به مردم اجازه داده ایم که فقط با همسایگان نزدیکشان، روزی چهار بار، ارتباط داشته باشند. این پیش فرض ها را در ادامه تغییر خواهیم داد.

در طول هر برخورد، این میزان انتقال است که احتمال این را که فرد آلوده ای موجب آلودگی فرد دیگری شود، تعیین می کند. هرچه میزان انتقال بیشتر باشد، احتمال آلودگی و ابتلا به بیماری بیشتر خواهد بود.

در واقعیت، انواع مختلفی از برخورد وجود دارد. ممکن است شما بی اعتنا از کنار شخصی در پیاده رو رد شوید یا در اتوبوس کنارش بنشینید. شاید شما از یک خوردنی مشترک استفاده کنید. در هر یک از این برخورد ها احتمال انتقال عفونت متفاوت خواهد بود. اما در مدل سازی ما، برای سادگی کار، همه برخورد ها سرعت انتقال یکسانی دارند.

البته فراموش نکنید که میزان انتقال، تا حدی، تابعی از خود بیماری است (اینکه فرد چقدر طبیعی مبتلا شده است)، ولی تابعی از محیطی که این بیماری در آن زندگی می کند هم هست. این شامل هم محیط فیزیکی (مانند درجه حرارت و رطوبت هوا) و هم محیط اجتماعی (مثلا رفتار های مردم) است.

مثلا هنگامی که افراد دست شان را می شویند و برای مهار سرفه هایشان ماسک می پوشند، میزان انتقال در هر برخوردی کاهش می یابد، حتی اگر خود ویروس تغییر نکند.

حالا، برای هر فرایند رشد ویروسی می توان حداقل میزان انتقال را پیدا کرد؛ حداقلی که گسترش بیماری را کاملا متوقف می کند. این را «آستانه حیاتی» می نامند.

اما کووید-۱۹ بسیار مسری است و پایین آوردن آن به زیر میزان انتقال حیاتی دشوار است. تنها کاری که می توانیم بکنیم، این است که در طول روز دست هایمان را مرتب بشوییم. حتی ماسک زدن در بیرون از خانه، برای پایین آوردن میزان انتقال تا آن آستانه حیاتی کافی نخواهد بود (ولی هرچقدر هم از میزان انتقال بکاهیم مفید است).

مسافرت رفتن: در ادامه این مدل سازی یک فرض غیرواقعی دیگر هم ساخته ایم: اینکه وقتی به مردم اجازه دهیم تا هر کجا که دل شان می خواهد دور شوند، چه اتفاقی می افتد؟

توجه داشته باشید که در مدل ما، برخلاف زندگی واقعی، هر یک روز موجب به وجودآمدن مجموعه جدید (و تصادفی) از برخورد ها می شود؛ و البته نتایج نشان می دهد که اگر سفر را از ابتدا محدود کنید، می توانید موارد ابتلا را بسیار کاهش دهید.

اما اگر با مسافرت نامحدود شروع شود، اگر اجازه دهید عفونت تقریبا در همه جا گسترش یابد و اگر مسافرت رفتن را فقط بعدا محدود کنید، چه اتفاقی می افتد؟ به عبارت دیگر، در اوایل منحنی ابتلا، باید چقدر مسافرت ها محدود را کرد تا بتوان شیوع بیماری را به طور معنی داری کُند کرد؟

بخشی از نتایج مدل سازی به این شکل است که با شعاع سفر ۲۵ کیلومتر شروع کردیم. وقتی حدود ۱۰ درصد از شبکه مبتلا شد، دست نگه داشتیم. سپس شعاع مسافرت را به دو کیلومتر کاهش دادیم و شبیه سازی کردیم. به نظرتان چه اتفاقی می افتد؟

نتیجه اینکه محدودیت های مسافرتی وقتی زود اعمال شود، دست کم برای صاف کردن منحنی، بسیار مفید است. به غیر از آن محدودیت های مسافرتی، حتی در مراحل بعدی شیوع، دست کم به دو دلیل می تواند به ما کمک کند:

۱. اتوبوس ها، قطار ها و فرودگاه ها مکان هایی هستند که افراد در آنجا، در قالب اجتماعات شلوغ گرد هم می آیند. وقتی استفاده افراد از این شیوه های حمل ونقل متوقف می شود، تعداد برخورد هایی که با افراد بالقوه آلوده دارند، کاهش می یابد.

۲. کاهش مسافرت توأم با تمهیدات کنترلی منطقه ای بسیار حیاتی است. اگر منطقه ای شیوع بیماری را کنترل کند، اما مناطق همسایه هنوز در معرض آن باشند، باید از منطقه کنترل شده محافظت کرد.

تعداد برخوردها: در این مدل شبیه سازی همچنین می توانید برخورد ها در هر روز را تغییر دهید. ما از ۲۰ شروع کردیم. پرسش این است که حداقل مقدار لازم برای مهار شیوع بیماری چیست؟

نتایج این طور بود که کاهش برخورد ها در هر روز تأثیر چشمگیری بر شیوع بیماری دارد. این کار شیب منحنی را به سادگی صاف می کند و حتی این ظرفیت را دارد که (وقتی بسیار جدی گرفته شود) شیوع را کاملا فروبنشاند.

این همان تأثیری است که با اعمال «فاصله اجتماعی» می شود به رسیدن به آن امیدوار بود. به همین دلیل است که بسیاری از مردم از مسئولان شان می خواهند اجتماعات و مدارس را تعطیل کنند و به همین دلیل است که باید از کافه ها و کافی شاپ ها و رستوران ها دوری کنیم و حتی الامکان در خانه کار کنیم.

همین شواهد نشان می دهد که این کار ها فعلا مهم ترین اهرمی است که برای مبارزه با این ویروس داریم.

مرگ: همه بیماران بهبود نمی یابند. کار بسیاری از آن ها به مرگ می انجامد. در شبیه سازی ما «میزان کُشندگی» یعنی میزان احتمالی که بر اساس آن بیمار مبتلا نهایتا به سبب این بیماری از دنیا برود، حتی با فرض اینکه از مراقبت های پزشکی طبیعی/کافی هم برخوردار باشد.

میزان کشندگی کووید-۱۹ چیزی بین ۱ تا ۶ درصد تخمین زده شده است. اگر تعداد زیادی مورد تشخیص داده نشده وجود داشته باشد، شاید این رقم از یک درصد هم کمتر باشد. مطمئنا وقتی ظرفیت نظام درمان اشباع شود، این رقم هم قطعا بیشتر است.

ما برای مدل بیماری مان با نرخ کشندگی سه درصد شروع می کنیم.

ظرفیت بیمارستانی: یکی دیگر از مؤلفه های به کاررفته در شبیه سازی که ارتباط مستقیمی با میزان بهبود یا مرگ بیماران دارد ظرفیت بیمارستانی است. ظرفیت بیمارستانی یعنی تعداد بیمارانی (که به صورت درصدی از جمعیت اعلام شده) که توسط نظام درمانی در هر زمان معالجه و معاینه می شوند.

چرا ظرفیت بیمارستانی مهم است؟

وقتی تعداد بیماران به نسبت تعدادی که نظام درمانی می تواند بپذیرد بیشتر باشد، آن بیماران از معالجه موردنیاز خود برخوردار نمی شوند و در نتیجه، با نتایج به مراتب بدتری مواجه می شوند. همان طور که در ایتالیا رخ داد، حتی ممکن است برخی از آن ها در راهرو های بیمارستان [بی اینکه معالجه شوند]بمیرند.

در مواردی شنیده ام که مردم از ظرفیت بیمارستانی به عنوان «تعداد تختخواب» یا «تعداد تخت های ICU» حرف می زنند. به نظر من ظرفیت بیمارستانی شامل «تختخواب های» بدون تجهیزاتی هم می شود که می توان آن ها را در صورت ضرورت در یک سالن ورزشی راه اندازی کرد. من فکر می کنم مضیقه واقعی ما تجهیزات پزشکی است، به خصوص دستگاه های تنفس مصنوعی و البته کادر پزشکی.

در واقعیت این مسئله اهمیت زیادی دارد. ما باید بفهمیم مضیقه اصلی مان چیست و تمام تلاش خود را برای کاهش فشار در آنجا انجام دهیم. اما در یک شبیه سازی فقط کافی است که دستمان را حرکت دهیم و فرض کنیم ظرفیت محدودی در جایی از نظام درمان وجود دارد. یادتان باشد که ما در پی مدل پردازی دقیق واقعیت نیستیم!

در مدل بیماری ما، در این نقطه است که نظام درمانی مان در هم می شکند: «وقتی تعداد مبتلایان از ظرفیت بیمارستانی بیشتر باشد، میزان کشندگی بیماری دو برابر می شود».

نتایج شبیه سازی نشان می دهد وقتی میزان کشندگی ورودی روی سه درصد و ظرفیت بیمارستان روی پنج درصد ثابت باشد، میزان واقعی مرگ شش درصد می شود.

با همین این توضیحات و جزئیات شبیه سازی، شواهد نشان می دهد ما حتی اگر به قدرکافی بتوانیم منحنی را صاف کنیم تا به طور معناداری بین پارامتر هایی که در اختیار داریم فاصله بیندازیم، هنوز هم ممکن است با ازدست رفتن زندگی میلیون ها نفر مواجه شویم.

البته شاید با بدترین سناریو و مرگ میلیون ها نفر مواجه نشویم؛ شاید جان بیماران در راهرو های بیمارستان ها از دست نرود. ولی مادامی که ویروس همچنان گسترش می یابد (که همه چیز از این حکایت دارد) در آینده با میزان تصورناپذیری از درد و رنج سروکار داریم. مگر اینکه همین امروز کار های درست را انجام دهیم: «مسافرت ها را متوقف کنیم. بیرون رفتن را متوقف کنیم. بازدید از والدین و دوستان مان را متوقف کنیم. غذاخوردن در رستوران ها را متوقف کنیم. هر کاری را، تا آنجا که ممکن است، متوقف کنیم. اگر مسئول چیزی هستیم، آن ها را لغو کنیم. همه چیز را تعطیل کنیم. چون کووید-۱۹ دارد به سوی ما می آید و با اقدامات نصفه نیمه متوقف نمی شود».

error: Content is protected !!