Indvirkningen af ​​menneskelig mobilitet på sygdomsspredning

På grund af løbende forbedringer inden for transportteknologi, folk rejser mere end nogensinde før. Selvom denne styrkede forbindelse mellem fjerne lande kommer med mange fordele, det udgør også en alvorlig trussel mod sygdomsbekæmpelse og forebyggelse. Når inficerede mennesker rejser til områder, der er fri for deres særlige smitte, de kan utilsigtet overføre deres infektioner til lokale beboere og forårsage sygdomsudbrud. Denne proces er sket gentagne gange gennem historien; nogle nylige eksempler omfatter SARS-udbruddet i 2003, H1N1-influenzapandemien i 2009, og - især - den igangværende COVID-19-pandemi.

Importerede tilfælde udfordrer ikke-endemiske landes - lande, hvor den pågældende sygdom ikke optræder regelmæssigt - til helt at eliminere smitten. Når det kombineres med yderligere faktorer såsom genetisk mutation i patogener, dette problem gør den globale udryddelse af mange sygdomme yderst vanskelig, hvis ikke umuligt. Derfor, at reducere antallet af infektioner er generelt et mere gennemførligt mål. Men for at opnå kontrol over en sygdom, sundhedsagenturer skal forstå, hvordan rejser mellem separate regioner påvirker dets spredning.

I en papirudgivelse tirsdag i SIAM Journal of Applied Mathematics , Daozhou Gao fra Shanghai Normal University undersøgte den måde, hvorpå menneskelig spredning påvirker sygdomskontrol og det samlede omfang af en infektions spredning. Få tidligere undersøgelser har undersøgt indvirkningen af ​​menneskelig bevægelse på infektionsstørrelse eller sygdomsprævalens - defineret som andelen af ​​individer i en befolkning, der er inficeret med et specifikt patogen - i forskellige regioner. Dette forskningsområde er særligt relevant under alvorlige sygdomsudbrud, når regeringsledere dramatisk kan reducere menneskelig mobilitet ved at lukke grænser og begrænse rejser. I disse tider, det er vigtigt at forstå, hvordan begrænsende menneskers bevægelser påvirker spredningen af ​​sygdomme.

At undersøge spredningen af ​​sygdomme i en befolkning, forskere bruger ofte matematiske modeller, der sorterer individer i flere forskellige grupper, eller "rum". I sit studie, Gao brugte en særlig type kompartmentmodel kaldet den følsomme-inficerede-følsomme (SIS) patch-model. Han opdelte befolkningen i hver patch - en gruppe mennesker såsom et samfund, by, eller land – i to afdelinger:inficerede mennesker, der i øjeblikket har den udpegede sygdom, og folk, der er modtagelige for at fange det. Menneskelig migration forbinder derefter plastrene. Gao antog, at de modtagelige og inficerede underpopulationer spredte sig i samme hastighed, hvilket generelt gælder for sygdomme som almindelig forkølelse, der ofte kun i ringe grad påvirker mobiliteten.

Hvert plaster i Gaos SIS-model har en vis infektionsrisiko, der er repræsenteret ved dets grundlæggende reproduktionsnummer (R ₀ ) - den mængde, der forudsiger, hvor mange tilfælde der vil være forårsaget af tilstedeværelsen af ​​en enkelt smitsom person i en modtagelig befolkning. "Jo større reproduktionstallet er, jo højere infektionsrisiko, " sagde Gao. "Så patch-reproduktionstallet for et plaster med højere risiko antages at være højere end for et plaster med lavere risiko." dette tal måler kun det indledende transmissionspotentiale; det kan sjældent forudsige det sande omfang af infektion.

Gao brugte først sin model til at undersøge virkningen af ​​menneskelig bevægelse på sygdomskontrol ved at sammenligne de samlede infektionsstørrelser, der resulterede, når individer spredte sig hurtigt versus langsomt. Han fandt ud af, at hvis alle patches genoprettes med samme hastighed, stor spredning resulterer i flere infektioner end lille spredning. Overraskende nok, en stigning i mængden, som folk spreder sig med, kan faktisk reducere R ₀ samtidig med at den samlede mængde af infektioner øges.

SIS-plastermodellen kan også hjælpe med at belyse, hvordan spredning påvirker fordelingen af ​​infektioner og forekomsten af ​​sygdommen inden for hvert plaster. Uden diffusion mellem plastrene, et plaster med højere risiko vil altid have en højere forekomst af sygdom, men Gao spekulerede på, om det samme var tilfældet, når folk kan rejse til og fra det højrisikoområde. Modellen afslørede, at diffusion kan mindske infektionsstørrelsen i det højrisikoplaster, da det eksporterer flere infektioner, end det importerer, men dette øger følgelig infektioner i plasteret med den laveste risiko. Imidlertid, det er aldrig muligt for det plaster med høj risiko at have den laveste sygdomsprævalens.

Ved at bruge en numerisk simulering baseret på almindelig forkølelse - hvis egenskaber er velundersøgte - dykkede Gao dybere ned i menneskelig migrations indvirkning på den samlede størrelse af en infektion. Da Gao kun inkorporerede to patches, hans model udviste en bred vifte af adfærd under forskellige miljøforhold. For eksempel, spredningen af ​​mennesker førte ofte til en større total infektionsstørrelse end ingen spredning, men hurtig menneskelig spredning i ét scenarie reducerede faktisk infektionsstørrelsen. Under forskellige forhold, lille spredning var skadelig, men stor spredning viste sig i sidste ende gavnlig for sygdomshåndtering. Gao klassificerer fuldstændigt kombinationerne af matematiske parametre, for hvilke spredning forårsager flere infektioner sammenlignet med mangel på spredning i et to-patch-miljø. Imidlertid, situationen bliver mere kompleks, hvis modellen inkorporerer mere end to patches.

Yderligere undersøgelser af Gaos SIS patch-modelleringstilgang kunne afsløre mere nuanceret information om kompleksiteten af ​​rejserestriktioners indvirkning på sygdomsspredning, som er relevant for situationer i den virkelige verden - såsom grænselukninger under COVID-19-pandemien. "Mig bekendt, dette er muligvis det første teoretiske arbejde om indflydelsen af ​​menneskelig bevægelse på det samlede antal infektioner og deres fordeling, " sagde Gao. "Der er adskillige retningslinjer for at forbedre og udvide det nuværende arbejde." F.eks. fremtidigt arbejde kunne undersøge resultatet af et forbud mod kun nogle rejseruter, som da USA forbød rejser fra Kina for at forhindre spredningen af ​​COVID-19, men undlod at blokere indkommende sager fra Europa. Fortsat forskning i disse komplicerede virkninger kan hjælpe sundhedsagenturer og regeringer med at udvikle informerede foranstaltninger til at kontrollere farlige sygdomme.