다음 에볼라는 예측하기가 어렵지만 "예측 결과"는 도움이 될 수 있습니다.

농촌 기니에 사는 2 살 소년이 2014 년 12 월 에볼라로 사망했습니다. 향후 2 년 동안 서 아프리카의 거의 3 만 명이 에볼라 바이러스에 감염 될 것입니다.

왜, 이전의 17 건의 에볼라 발생과 달리이 질병이 너무 빨리 커 졌나요? 미래의 발병을 막기 위해 무엇을 할 수 있습니까? 이러한 질문은 많은 다른 사람들과 함께 발발 예측의 초기 과학 분야의 핵심입니다. 그리고 그 지분은 더 높을 수 없습니다. 1 월 세계 경제 포럼 (World Economic Forum)은 전염병 (pandemics)을 비즈니스와 인간의 삶에 가장 큰 위험 중 하나라고 불렀습니다.

지난 수세기 동안 과학자들은 행성의 궤도, 썰물의 흐름과 허리케인의 경로 등 세계의 여러 측면을 예측하는 데있어 한층 더 개선되었습니다. 정확한 예측을하기에 자연 및 물리적 시스템을 충분히 이해할 수있는 능력은 아마도 인류의 가장 위대한 업적 중 하나 일 것입니다.

예측에서의 성공의 상당 부분은 우리 주변의 자연 현상을 지배하는 보편적 인 법칙이 변함이 없다는 Isaac Newton의 근본적인 통찰력으로 시작됩니다. 대규모 계산을 신속하게 수행 할 수있는 능력은 충분한 데이터와 컴퓨팅 성능이 주어지면 가장 복잡한 현상을 예측할 수 있다는 Newton의 관점을 조장했습니다.

그러나 한계가 있습니다. 이러한 종류의 예측 시스템을 연구하는 과학자로서, 가장 중요한 변수가 한 곳에서 다른 곳으로 많이 바뀔 수 있으므로 질병 발발에서 다음에 어떤 일이 발생하는지 정확히 예측할 수 있을지는 의문입니다.

이것이 기상 예측과 마찬가지로 실시간 데이터를 수집하는 것이 과학계의 전염을 예측하는 능력을 향상시키는 데 필수적 일 수 있습니다.

변덕스러운 전염병

과학자들이 전염병을 모델링 할 수 있다는 생각은 각 발발의 궤도가 본질적이고 변함없는 특성 때문에 예측 가능하다는 개념에 근거합니다.

질병이 전염 될 수있는 병원균에 의해 발생한다고 가정 해보십시오. 이 질병의 전염성은 기본 번식률 (basic reproductive ratio) 또는 R0이라는 숫자로 캡슐화 할 수 있습니다.이 숫자는 병원균이 주어진 개체군에서 얼마나 널리 퍼질지를 설명합니다.

역학자가 병원체의 R0에 대해 충분히 알고 있다면 희망은 다음 발병의 양상을 예측할 수 있으며 소규모 발병이 대규모 전염병이되지 않도록 할 수 있기를 바랍니다. 그들은 병원균이 특히 높은 R0 값을 갖는 지역에 자원을 동원하여이를 수행 할 수 있습니다. 또는 질병 보균자와 특정 사회의 가장 취약한 구성원 (종종 어린이와 노인) 간의 상호 작용을 제한 할 수 있습니다.

이런 식으로 R0는 변경 불가능한 숫자로 해석됩니다. 그러나 현대의 연구 결과에 따르면 그렇지 않습니다.

예를 들어 Zika 바이러스 전염병을 생각해보십시오. 이 질환의 경우, R0는 0.5에서 6.3 사이의 범위였다. 이것은 오랜 기간 유행병을 일으킬 질병에서부터 자체 질병으로 확산되는 질병에 이르는 놀라운 범위입니다.

Zika에 대한 R0 값의 범위가 통계적으로 불확실하다는 것을 알 수 있습니다. 아마도 과학자들은 더 많은 데이터를 필요로 할 것입니다. 그러나 그것은 대부분 부정확 할 것입니다. Zika에게는 기후와 모기에서부터 뎅기열과 같은 다른 관련 바이러스의 존재 및 성행위의 역할에 이르기까지 다양한 요인들이 서로 다른 환경에서 서로 다른 R0 값을 갖게합니다.

병원균의 전염성, 전염 속도, 백신 사용 가능성 등의 전염병의 특징이 단일 발병 과정에서 급속히 변하여 과학자들은 발병 과정에서 역 동성을 예측할 수 있음이 밝혀졌습니다. 즉, 2014 년 4 월의 에볼라 바이러스 질병 발생을 연구하면 과학자들이 다음 달 같은 환경에서 에볼라 발생을 이해하는 데 도움이 될 수 있지만, 실제로 발생한 에볼라 전염병의 역학을 이해하는 데 도움이되지는 않습니다 2018 년 5 월

전염병은 종종 깔끔하고 번들 현상이 아닙니다. 그것들은 많은 변수가 필수적이지만 시프 팅, 역할을하는 소란스러운 사건입니다. 질병의 근원적 인 진실은 없습니다. 질병이 퍼지면서 변화하는 세부 사항의 불안정한 수집만으로 종종 엉망이됩니다.

더 나은 예측

과학자들이 역학적 시스템을 이해하여 자신들의 행동을 예측할 수 있다고 확신하지 못한다면 왜 그들을 연구해야 하는가?

대답은 예측의 "연성 물리학 (soft physics)"이라고 부르는 것에 상주 할 수 있습니다. 과학자들은 모든 발병이 동일한 규칙을 따른다고 가정해야합니다. 한 발병과 다른 발발을 비교할 때, 한 발병은 모든 발병 상황을 염두에 두어야합니다.

예를 들어, 생물 학자들은 인플루엔자 감염에 대한 많은 세부 사항을 밝혀 냈습니다. 그들은 바이러스가 숙주 세포에 어떻게 결합하는지, 어떻게 복제하는지, 어떻게 항 바이러스제에 내성을 갖게되는지를 알고 있습니다. 그러나 많은 인구가 한 달 중 특정 날에 대중 교통을 이용했을 때 한 가지 전염병이 시작되었을 수도 있고, 다른 한 개는 종교 봉사에서 회중에 의해 시작되었을 수도 있습니다. 두 가지 발병 모두 동일한 병원균에 뿌리를두고 있지만, 이들 및 다른 세부 사항의 차이점은 과학자들이 어떻게 진행되는지 모델링하는 방법을 재구성해야한다는 것을 의미합니다.

이러한 세부 사항을 더 잘 이해하기 위해 과학자는 실시간 데이터에 상당한 투자를해야합니다. 국립 기상청 (National Weather Service)이 연간 10 억 달러 이상의 데이터를 수집하고 예측을한다는 것을 고려하십시오. CDC는 공중 보건 통계에 단지 1/4을 소비하며 예측을위한 전용 예산이 없습니다.

질병 감시는 과학 분야에서 가장 중요한 분야 중 하나입니다. 바이러스의 확산 및보다 책임있는 데이터 수집의 근본적인 상황에 대한 신중한 고려는 수천 명의 생명을 구할 수 있습니다.

이 기사는 C. Brandon Ogbunu, Randall Harp 및 Samuel V. Scarpino의 The Conversation에 처음 게시되었습니다. 여기에 원본 기사를 읽으십시오.