Nästa Ebola är svårt att förutse, men "utbrott prognoser" kan hjälpa

En 2-årig pojke på landsbygden Guinea dog av Ebola i december 2014. Under de närmaste två åren skulle nästan 30 000 människor i Västafrika infekteras med Ebolaviruset.

Varför, till skillnad från de tidigare 17 Ebola-utbrotten, blev denna så stor, så snabbt? Vad, om något, kan göras för att förhindra framtida utbrott? Dessa frågor, tillsammans med många andra, ligger i hjärtat av det framväxande vetenskapliga området för utbrottsprognoser. Och insatserna kunde inte vara högre. I januari kallade världsekonomiska forumet pandemier en av de största riskerna för företag och människoliv.

Under de senaste århundradena har forskare blivit allt bättre för att förutsäga många aspekter av världen, däribland planetens bana, ebb och flöde av tidvatten och orkanernas vägar. Förmågan att förstå naturliga och fysiska system tillräckligt bra för att göra exakta prognoser är kanske en av mänsklighetens största prestationer.

Mycket av denna framgång vid prognos börjar med Isaac Newtons grundläggande insikt om att det finns oföränderliga universella lagar som styr de naturfenomen som finns runt oss. Möjligheten att snabbt utföra stora beräkningar har gett det newtonska perspektivet att, med tanke på tillräckligt med data och datakraft, kan de mest komplexa fenomenen förutsägas.

Det finns dock gränser. Som forskare som studerar dessa typer av prediktiva system tvivlar vi på att det kommer att vara möjligt att förutsäga exakt vad som kommer hända i ett sjukdomsutbrott, eftersom de viktigaste variablerna kan förändras så mycket från ett utbrott till ett annat.

Det är därför som med väderprognoser att samla realtidsdata sannolikt är avgörande för att utveckla det vetenskapliga samhällets förmåga att förutsäga utbrott.

Capricious Epidemics

Tanken att forskare kan modellera epidemier bygger på tanken att banan för varje utbrott är förutsägbart på grund av dess inneboende och oföränderliga egenskaper.

Säg att en sjukdom orsakas av en överförbar patogen. Infektionsförmågan hos den sjukdomen kan inkapslas i ett tal som kallas "grundförplantningsförhållandet" eller R0, ett tal som beskriver hur stor en patogen sannolikt kommer att sprida i en given population.

Om epidemiologer vet tillräckligt om en patogen R0, hoppas det att de kan förutsäga aspekter av nästa utbrott - och förhoppningsvis förhindra att småskaliga utbrott blir stora epidemier. De kan göra det genom att mobilisera resurser till områden där patogener har särskilt höga R0-värden. Eller de kan begränsa interaktioner mellan sjukdomsbärare och de mest mottagliga medlemmarna i ett givet samhälle, ofta barn och äldre.

På detta sätt tolkas R0 som ett oföränderligt tal. Men moderna studier visar att detta inte är fallet.

Tänk till exempel Zika-virusepidemin. För denna sjukdom varierade R0 från 0,5 till 6,3. Detta är ett anmärkningsvärt spann, allt från en sjukdom som kommer att släppas ut på egen hand till en som kommer att orsaka en långsiktig epidemi.

Man kan tro att detta breda räckvidd av R0-värden för Zika härrör från statistisk osäkerhet - det är kanske att forskare bara behöver mer data. Men det skulle för det mesta vara felaktigt. För Zika, leder allt från klimat och myggor till närvaron av andra relaterade virus som Dengue och sexuell överföring, allt till olika R0-värden i olika inställningar.

Det visar sig att funktionerna i en epidemi - patogenens smittsamhet, överföringshastighet, tillgång till vacciner och så vidare - förändras så snabbt under ett enda utbrott som forskare kun kan förutsäga dynamik under det här utbrottet. Med andra ord, att studera utbrottet av Ebola-viruset i april 2014 kan hjälpa forskare att förstå ett utbrott av Ebola i samma inställning nästa månad, men det är ofta mycket mindre användbart för att förstå dynamiken i framtida Ebola-epidemier, som det som hände i maj 2018.

Epidemier är ofta inte snygga och buntade fenomen. De är bullriga händelser där många variabler spelar väsentliga, men skiftande roller. Det finns ingen underliggande sanning av sjukdomen - bara en instabil samling av detaljer som varierar, ofta blir intrasslad, eftersom sjukdomen sprider sig.

Bättre förutsägelser

Om forskare inte är övertygade kan de förstå epidemiologiska system tillräckligt bra för att förutsäga beteende hos närstående, varför bry sig om att studera dem?

Svaret kan ligga i vad vi kallar en "mjuk fysik" av förutsägelse: Forskare bör sluta antar att varje utbrott följer samma regler. När man jämför ett utbrott med en annan, borde de komma ihåg alla kontextuella skillnaderna mellan dem.

Till exempel har biologer upptäckt många detaljer om influensainfektioner. De vet hur virusen binder till värdceller, hur de replikeras och hur de utvecklar motstånd mot antivirala droger. Men en epidemi kunde ha börjat när en stor befolkning använde kollektivtrafik på en viss dag i månaden, medan en annan kanske hade initierats av en församling vid en religiös tjänst. Även om båda utbrotten är rotade i samma smittämne betyder dessa och många andra skillnader i deras uppgifter att forskare kan behöva reframe hur de modellerar hur varje utvecklas.

För att bättre förstå dessa uppgifter behöver forskare betydande investeringar i realtidsdata. Tänk på att National Weather Service spenderar över 1 miljard dollar per år att samla in data och göra prognoser. CDC spenderar bara en fjärdedel så mycket på folkhälsostatistik och har ingen dedikerad budget för prognoser.

Sjukdomsövervakning är fortfarande en av de högsta insatsområdena inom vetenskapen. En noggrann övervägning av unika förhållanden som ligger bakom utbrott och mer ansvarsfull insamling av data kan spara tusentals liv.

Denna artikel publicerades ursprungligen på The Conversation av C. Brandon Ogbunu, Randall Harp och Samuel V. Scarpino. Läs den ursprungliga artikeln här.