コロナウイルスのパンデミックをモデル化する際の困難な教訓

昨年の数ヶ月間、ナイジェルゴールデンフェルド & セルゲイ・マスロフ、イリノイ大学アーバナシャンペーン校の物理学者のペアは、州のCOVID-19パンデミック対応において、つまりすべてがうまくいかないまで、有名人である可能性はほとんどありませんでした。

彼らの典型的な研究分野には、疫学や公衆衛生ではなく、物性物理学、ウイルスの進化、個体群動態のモデルの構築が含まれます。しかし、さまざまな分野の多くの科学者と同様に、彼らは19月にCOVID-XNUMXモデリングの取り組みに参加しました。このとき、米国での対応は、実際の国内の方向性や確立されたテストプロトコルがないため、「オールハンズオンデッキ」活動の旋風でした。国の指導者から地方公務員に至るまで、誰もがパンデミックの発生に対処するのに役立つモデルを求めていました。パンデミックがどれほど悪化するか、どれだけ早く、そして彼らが立ち向かうために何をすべきかを正確に伝えることができる何かを望んでいました。災害。

2020年の初めの数か月間、ゴールデンフェルドとマスロフは、COVID-19モデリング作業について積極的な報道を浴びせられました。彼らのモデルは、大学が春にキャンパスを迅速に閉鎖し、オンラインのみの教育に移行するよう促すのに役立ちました。その後まもなく、彼らはイリノイ州知事の事務所に結果を報告するために採用されたいくつかのモデリンググループのXNUMXつでした。

そのため、ゴールデンフェルド、マスロフ、およびその他の研究チームが、大学の再開プロセスを導くための新しいモデルを構築したとき、その信頼性は高まりました。彼らは、さまざまな場所で生徒が交流するさまざまな方法（勉強、食事、リラックス、パーティーなど）を説明していました。彼らは、キャンパス内のテストおよび隔離サービスがどれほどうまく機能するかを推定していました。彼らは、ウイルスを広めている間、学生の体の何パーセントが決して症状を示さないかもしれないかを考えました。これらすべての要因およびそれ以上の要因について、彼らはさまざまな潜在的な不確実性と架空のシナリオを緩和しました。彼らは、エアロゾルの広がりの物理学を表すことによって、ほとんどの学校再開モデルにはなかった追加の詳細層を組み込んでいました：教室でマスクを通して話しているとき、または上で飲んで叫んでいるときに学生が放出する可能性のあるウイルス粒子の数混雑したバーでの音楽。

モデルのガイダンスに従って、イリノイ大学は計画を策定しました。週にXNUMX回、すべての学生のコロナウイルスをテストし、マスクの使用を要求し、効果的なコンタクトトレーシングシステムや接触通知電話アプリなど、その他のロジスティック上の考慮事項と制御を実装します。数学は、このポリシーの組み合わせは、ウイルスの指数関数的な広がりに触れることなく、直接の指導を再開するのに十分であることを示唆しました。

しかし、秋学期のちょうど3週間後の800月XNUMX日、大学は厳しい現実に直面しました。その学生のほぼXNUMX人がコロナウイルスに対して陽性であるとテストしました—モデルが感謝祭によって予測したより多く。管理者は、キャンパス全体で重要でない活動を直ちに停止する必要がありました。

何が悪かったのですか？科学者たちは、間違いの余地が非常に多く、学生の行動に多くの不測の事態が発生したようです。「私たちが予期していなかったことは、彼らが法律に違反することでした」とゴールデンフェルドは言いました—陽性をテストし、検疫するように言われた後でも、とにかくパーティーに出席する学生もいます。これは重要であることが判明しました。COVID-19がどのように広がるかを考えると、たとえ少数の学生だけが規則に違反したとしても、感染率は爆発する可能性があります。

批評家たちはすぐにゴールデンフェルドとマスロフを攻撃し、傲慢で彼らの車線に留まらなかったと非難しました。。

一方、イリノイ大学は決してユニークではありませんでした。全国の多くの大学は、彼ら自身のモデルが起こるかもしれないと言ったことと実際に起こったこととの間の同様の相違を考慮することを余儀なくされました—相違は後に広範囲のさまざまな理由に起因しました。

このような出来事は、厳しい現実を浮き彫りにしました。疫学モデルと同様に非常に有用で重要なものですが、それらは不完全なツールであり、使用するデータとその基礎となる仮定に敏感です。そして、その感度のために、彼らの意図された目的と使用法はしばしば誤解されます。

これらのモデルを開発する研究者は、計り知れないほど困難な地形をナビゲートし、多くの場合存在しない場所で、保証できない確実性を持って答えを提供する必要があります。彼らは、完全には理解されていないウイルスの生物学についてだけでなく、さらに滑りやすく、とらえどころのない人間の行動についても仮定しなければなりません。そして、精度を犠牲にすることなく、ワープ速度ですべてを実行し、数週間または数か月分の分析を数日で詰め込む必要があります。その間ずっと、彼らは長い時間、眠れない夜、そして科学者、コミュニケーター、擁護者、そして顧問として一丸となって行動するという個人的な犠牲に苦しんでいます。（彼らの通常の責任は言うまでもなく、危機によって何倍にも拡大されました。これらの科学者の多くとの電話では、乳児の泣き声、犬の吠え声、または他の活動の不協和音がバックグラウンドで聞こえる可能性があります。）

「今、私は本当に疲れています」と言いましたダニエル・ラーレモア、コロラド大学ボルダー校の計算生物学者であり、そのモデリングの取り組みには、大学のキャンパス再開のシナリオの計画が含まれていました。「明確な最善の解決策はなく、人々は病気になりそうです。そして、同僚のXNUMX人が本当に病気になったとき、または誰かが死んだとき、それはどのように[感じる]のだろうかと思います。」彼と同じ立場にある他の人々がTwitterでその疲労を告白した後、誰かがこれらの利害関係は国家安全保障と防衛の分野で働く人々にとって目新しいものではないと反論したことを覚えていますが、それは厳しい選択に直面する緊張を助けません。それらの中で最も耐え難いものを探す必要があります。

「あなたは手渡されたものでできる限り最善を尽くしますが、私にはわかりません」と彼は言いました。「私は毎日入ってくる数字を見て、…何が欠けているのか疑問に思います。」

COVID-19によって引き起こされた世界的な健康危機において、疫学モデリングは、科学者、意思決定者、そして一般の人々にとって、前例のない役割を果たしてきました。 XNUMX年以上前、「再生産数」や「シリアル間隔」などの用語は、平均的な人にとって一般的なフレーズではありませんでした。科学界においてさえ、感染症のモデリングは「かなりニッチな研究分野」でした。サミュエル・スカルピーノ、ノースイースタン大学のネットワーク科学者および疫学者。

過去XNUMX年間で、モデルは新しいコロナウイルスの内部の仕組みとそれがどのように広がるかについての窓を開きました。彼らは、無数の設定で与えられた瞬間に病気の影響を示す焦点を絞ったスナップショットを提供し、それらの状況が今後どのように変化するかを示唆しました。彼らは、社会の一部を閉鎖し、それらを開放するための決定と政策を導きました。

同時に、科学者はツールとしてのモデルの限界を考慮しなければなりませんでした—そしてパンデミックがモデルの有用性を限界点に押し上げることができるという認識で。社会における病気の被害は、偏りのない一貫した患者データの取得に伴う頭痛を強め、モデルが反映する必要のある人間の行動の気まぐれさと非合理性を増幅します。おそらく、すべての最大の課題は、意思決定者がモデルが何であるか、何を言っていないか、そして彼らの答えがどれほど不確実であるかを完全に理解することを確認することです。

しかし、これらの課題も大きな改善を推進しています。疫学モデリングの世界では、「多くの新しい考え方、新しい方法」が見られました。ローレン・アンセル・マイヤーズ、テキサス大学オースティン校の数理生物学者。「私は、過去10年間と同じくらい、過去[XNUMX]か月でおそらく進歩したと思います。」

パンデミックの診断

感染症の専門家が2019年2020月下旬とXNUMX年XNUMX月上旬に中国で肺炎のような病気の集団が発生したと聞き始めたとき、彼らは即座に用心深くなりました。「私たちの分野では」と言ったアダムクチャルスキロンドンスクールオブハイジーンアンドトロピカルメディシンの疫学者である、「パンデミックは常に脅威として注目されています。」実際、H1N1インフルエンザ、SARS、MERS、エボラのXNUMXつの流行が、過去XNUMX年間だけで急増し、新しい感染性病原体は絶えず進化しています。

しかし、中国でコロナウイルスが発生した初期の頃は、多くの病気がそうであるように、それが脅威に発展するのか、すぐに消えていくのかを予測するのに十分な知識はありませんでした。ウイルスは人から人へと伝染したのでしょうか、それとも武漢のXNUMXつの市場で同じ動物の発生源からすべての感染が発生したのでしょうか。国境を閉鎖することで感染が封じ込められるのでしょうか、それとも世界的に広がるのでしょうか。

事実上手元にデータがなく、ウイルスが何をしているのか、それがどのように機能するのかについての実際の概念はまだないので、研究者は答えを求めてモデルを探しました。

数学的疾患モデラージョセフ・ウー香港大学の感染症および公衆衛生チームのメンバーである、は、武漢とその周辺で報告されている症例の数を注意深く調べていました。人から人への感染は非常に可能性が高いように思われ始めました。少数の症例が中国の国境を越えて、最初はタイで、次に日本で発生しました。報告された広がりと中国から他の国への旅行量に基づいて、彼と彼の同僚は、「武漢での感染症例の数は、当時発表されたものよりはるかに多いに違いない」と考えました。発生サイズが大幅に大きいということは、人々がウイルスを他の人に感染させていたことを意味します。

これらの結論に達したのはウーと彼のチームだけではありませんでした。 10年2020月XNUMX日、世界保健機関は、同様の分析を行っている世界中の専門家チームを対象とした電話会議を主催し、独自の疾患モデルをまとめ、同じ懸念を表明しました。

それでも、香港グループは状況をよりよく把握するために、より多くのデータを望んでいました。 23年2020月XNUMX日、ウーと彼の同僚は北京への飛行機に乗り込み、中国疾病管理予防センターのメンバーと会う予定でした。

彼らは危機が頭に浮かんだのと同じようにそれを成し遂げました：彼らが空中にいる間、武漢は公式の封鎖に入りました。（彼らは飛行機が着陸した後にのみニュースを学びました。）過去XNUMX週間データを収集していた中国CDCの研究者と数日間の忙しい共同作業の後、香港の代表団は武漢での発生はその時点で公式に報告された数千件ではなく、数万件の症例。「データを見る前から彼らが街を封鎖していたことを考えると、私たちはすでに知っていた」とウー氏は語った。

さらに懸念されるのは、これらの数とその後の分析は、ウイルスが急速に広がる可能性があるだけでなく、症例の大部分が検出されず、亀裂をすり抜けて他の場所で流行を引き起こしていることを示唆しています。感染の多くは、人々が症状を示し始める前から起こっていました。これがパンデミックであると電話をかける時が来ました—それは迅速であるだけでなく、少なくとも部分的に沈黙していました。

「ほとんどが武漢だったXNUMX月末に巻き戻すことを想像してみてください」とウーは言いました。「私たちがその発言をするとき、いくつかのプレッシャーがあります。私たちが間違っていたらどうしますか？」彼らは不必要に世界的なパニックを引き起こしている可能性があります。さらに悪いことに、それらは疫学的モデルが将来どのように受け取られるかを損ない、今後数年間でより多くの公衆衛生危機を引き起こす可能性があります。結局、彼らはリスクが十分に大きいと判断し、「予測に不確実性があることを知っていても、前進して世界に警告する必要がある」と述べた。

「もちろん、研究者として貢献したいと思っています」と彼は付け加えました。「しかし同時に、私はそのような責任を取ることに慣れていません。」

取得できない番号

世界中で、他の疫学モデラーもこれらの新しい責任に苦しんでいました。無症候性の広がりのレベルは、受け入れてモデル化するのが特に困難でした。通常、呼吸器感染症はくしゃみや咳、つまり感染症の症状を通ります。 SARS-CoV-2はより密かに移動しました。「私は実際に、無症候性の伝達率が非常に高い他の例を見つけるのに苦労しています」と述べています。ニコラス・ジュエル、カリフォルニア大学バークレー校の医療統計学者。

最初は、COVID-19を説明するためのパラメーターがどうあるべきかについての知識がほとんどないため、研究者はモデルに次善の策であるSARS（コロナウイルスによって引き起こされる別の流行病）の数値を入力しました。しかし、SARSの特性を使用して、新しいコロナウイルスの感染動態を表すと、このXNUMXつは非常に異なっていることがわかりました。

マイヤーズはこれを試みた科学者の一人です。彼女のチームのモデルでは、中国からの最初の数字でさえ、「当時は驚異的なXNUMXつの重要なことを指摘していました」と彼女は言いました。 XNUMXつは、ウーのチームが見たように、この病気はSARSの約XNUMX倍の速さで広がっていたということです。その広がりのかなりの部分は、人々が症状を発症する前にも明らかに起こっていました。また、症状を最初に感じてからXNUMX週間は感染し続ける可能性があるようで、病気の人や感染していると思われる人は長期間隔離する必要があります。

マイヤーズがXNUMX月にこの発見について米国疾病予防管理センターなどにメールを送信したとき、「彼らは わぁぁぁぁ」と彼女は思い出しました—特に前症候性および無症候性伝達の潜在的なレベルについて。「誰もが基本的に「ああ、あなたは間違っているに違いない」と言った。しかし、その後—数日以内に言いたいのですが—突然、私たちがそうだった中国からこのすべてのデータがクラッシュしました。「ああ、これは本当に本当に悪いことです。これには、私たちが制御できないパンデミックの原因があります。」

その間、他の専門家はさらなる挑戦の前兆を見ていました。

サムアボットロンドンスクールオブハイジーンアンドトロピカルメディシンの感染症モデラーであるは、2019年の秋に博士号を取得し、6年2020月19日に新しい研究の仕事を始めたばかりで、リアルタイムの発生分析のための統計的手法を開発しました。彼の最初のプロジェクトは、イエメンでのコレラの発生に焦点を当てる予定でしたが、わずかXNUMX日後、彼はCOVID-XNUMXに取り組んでいることに気づきました。

アボットは、特定の統計手法を使用して、病気の伝染を支配する要因を推定することに慣れていました。しかし、彼と彼の同僚は次第に厄介なことに気づきました。COVID-19の無症候性および前症候性感染の証拠が蓄積されているため、これらの技術が常に機能するとは限りません。たとえば、病気の有効な再生産数は、発生中の特定の時間にXNUMXつの症例に感染した個人の平均数です（時間の経過とともに、この数は変化する可能性があります）。しかし、感染のケースの多くが事実上目に見えない場合、研究者は、再生産数の推測が信頼できなくなった.

「それは非常に微妙な問題です」とアボットは言ったので、問題はすぐに科学者に飛び出しませんでした。「それについて考えるだけで、人々がお互いにグラフを送信するのに少し時間がかかりました。」しかし、この発見の意味するところは、少なくともいくつかの状況では、研究者は必要な変数を計算し、有用なモデルを構築するためにまったく新しいアプローチを必要とするということでした。

それでも、不完全なモデルと不完全なデータがあっても、SARS-CoV-2が急速に国境を越え、広がりが制御不能になっていることは明らかでした。 XNUMX月にワシントン州のナーシングホームで病気が蔓延し、米国の危機が始まったとき、「それは、私たちがしていることをすべてやめなければならないことを私たちが知った瞬間でした」と述べました。ケイトリン・ゴスティック、シカゴ大学の生態学のポスドク研究員で、疫学的問題を研究しています。旅行者のスクリーニングは、突然どこにでもあるように見えたこのウイルスに対して完全に効果がないことが証明され、科学者は「私たちの目の前で火を消そうとしている」と語った。

19年2020月にCOVID-XNUMXがパンデミックであると公式に宣言するのは、WHOの責任でした。モデリング作業は、最初の重要な役割のXNUMXつでした。脅威があったことを確認し、今、どこでも、その性質について詳しく説明します。脅威。

そして、それが起こると、潜在的に数百万の命がバランスを取りながら、政策立案者と一般市民は、これらのモデルからより多くの回答を要求し始めました—次に何が起こるか、いつ、どのように社会が対応すべきかについての回答—モデルはしばしばないという回答少なくとも人々が切実に望んでいた形ではなく、提供する立場。

水晶玉ではありません

疫学モデルは未来について述べているので、天気予報に例えたくなりますが、それもまた非常に間違っています。モデルを扱う科学者はすぐに強調するので、このXNUMXつは決して比較できません。しかし、彼らが同様の種類の予測を行うことができるという誤った信念は、モデリングの「失敗」に対する国民の緊張の中心にあることがよくあります。

天気予報の質は、千の気象の不確実性にもかかわらず、明日嵐が発生するかどうか（そしてそれがどのくらい続くか、どれだけ雨が降るか）をどれだけ正確かつ確実に予測するかにかかっています。しかし、気象学者がハリケーンの進路を予測した場合、地域の人々が避難するかそのままにするかの決定は、ハリケーンがどこに行くか、またはハリケーンがどれほど強くなるかに影響しません。

対照的に、人々の行動は病気の伝染に直接影響を及ぼします。人々が脅威にどのように対応するかについての不確実性の追加レベルは、人間の行動、モデリングの結果、および発生のダイナミクスの間のフィードバックループを複雑にします。

そのため、疫学だけでなく、物理学、生態学、気候学、経済学、その他すべての分野の科学者は、未来の神託としてモデルを構築しません。彼らにとって、モデルは「私たちが興味を持っている特定のプロセスや特定の質問を理解するための単なる方法であり、私たちの仮定の論理的な意味を理解するための方法です」とKucharski氏は述べています。多くの疫学研究者は、病気とその伝染についての有用な洞察を得ることをモデリングの最も重要な目的であると考えています。

ゴールデンフェルドは、イリノイ大学のための彼のグループの再開作業で投げつけられた軽蔑のいくつかのモデルに対する一般の誤解を非難します。「私たちのモデルの目的は、[特定の介入]が機能するかどうかを確認することでした。 17年2020月234日に予測されたのではなく、XNUMX件の症例が発生するでしょう」と彼は述べた。「重要なのは、トレンドとは何か、これから得られる定性的な持ち帰りメッセージとは何かを理解することです。それがあなたが合理的に期待できる唯一のことです。」

しかし、特にモデルの出力が一見正確に聞こえる数値である場合、その区別は簡単に失われる可能性があります。

基本的に、すべてのモデルはシステムの単純化された（必ずしも単純ではありませんが）表現です。この場合、集団全体へのウイルスの拡散です。それらは、そのシステムの特定の測定可能な機能を入力として受け取ります。ウイルスの潜伏期間の長さ、人々が感染し続ける時間、すべてのケースで発生する死亡数などです。モデルのアルゴリズムは、これらの入力を相互に関連付けたり、他の要因に関連付けたり、適切に操作したり、システムの結果として生じる動作を表す出力を提供します。これは、症例数、入院、死亡、またはその他の指標に反映されるウイルスの拡散です。。

パンデミックやその他の病気の発生を理解するために、科学者は定量的な疫学モデリングへのXNUMXつの確立されたアプローチに目を向けます。それぞれのアプローチには用途と制限があり、それぞれがさまざまな種類のデータを使用してさまざまな規模でより適切に機能します。今日、疫学者は通常、両方をさまざまな程度で使用しているため、モデルはXNUMXつの間のスペクトルに分類されます。

スペクトルの一端には、感染しやすいか、感染しているか、回復しているか（S、I、またはR）に基づいて母集団を「コンパートメント」に分割し、微分方程式のシステムを使用して、人々が19つのコンパートメントから別の。 COVID-XNUMXの潜伏期間は非常に長いため（誰かがウイルスに数日間感染してから他の人に感染する可能性がある）、そのモデルには「露出した」コンパートメント（E）も含める必要があります。これらのSEIRモデルは、一般に、人口がかなり均一であり、人々が比較的均等に混合し、誰もがウイルスに等しく感染しやすいことを前提としています。

しかしもちろん、それは実際には真実ではありません。誰かの年齢、職業、病歴、場所、その他の特性はすべて、ウイルスの影響とそれを感染させる可能性に影響を与える可能性があります。したがって、最も必要最低限のSEIRモデルは、限られた一連の動作のみを表すことができます。病気の検査やコンタクトトレーシングなどのプロセスのマッピングが必要な大学の再開計画や、学生、教職員のグループ間の相互作用の詳細なパターンなど、より複雑または特殊な状況をモデル化するには、研究者は単純な平均から離れる必要があります。。

それを達成するために、彼らは病気がどのように広がるかにより多くの構造を追加することによって彼らのSEIRモデルを装飾することができます。たとえば、マイヤーズのグループは、大規模なモデルを構築しました、相互接続されたSEIRモデルで構成され、米国の217の最大都市のそれぞれにおける数十の亜集団内のウイルス感染動態を表しています。彼らはそれらの都市間の人々の動きさえ説明しました。

研究者がこれらの詳細の層を追加すると、疫学的モデリングのスペクトルのもう一方の端に移動します。エージェントベースのモデルは、人々のグループ全体で平均化されるのではなく、相互作用、日常の活動、ウイルスの方法など、個人をシミュレートします。彼らが感染した場合、それ自体が彼らに影響を与える可能性があります。（ゴールデンフェルドとマスロフがイリノイ大学のために開発したモデルはエージェントベースでした。）この粒度により、モデルは、最も単純なSEIRモデルで抽象化される固有の不確実性とランダム性の一部をキャプチャできますが、コストがかかります。より多くのデータを収集し、より多くの仮定を行い、モデルのはるかに高いレベルの不確実性を管理します。その負担のために、彼らは通常、彼らの研究の質問が絶対にそれを必要としない限り、そのレベルの詳細を熱望しません。

これらの種類のモデルは、再生産数、潜伏期間、無症候性の広がりの程度などのパラメーターを推測することにより、病気について多くのことを明らかにすることができます。しかし、彼らはさらに多くのことを行うことができます。 COVID-19の場合、そのようなモデルは、無症候性または軽度の症状を持つ人々は、より明らかな病気の約半分の伝染性であるが、責任があることを示唆しています。文書化された感染症の約80％。同様に、彼らは、幼児がCOVID-19の誰かにさらされた場合、成人の約半分に感染する可能性があることを示しましたが、この感受性は10歳以上の子供で急速に増加します。例のリストは続きます。

これらの値が手元にあれば、モデルはwhat-ifのポートフォリオを予測することもできます。都市がレストランではなく店舗の封鎖措置を解除した場合、ケース数はどうなるでしょうか。学校を再開できるようにするため、または地元の病院システムが圧倒されないようにするために、コンタクトトレーシングプログラムはどの程度効果的である必要がありますか？モデルは、より実用的で即時の意思決定支援にも役立ちます。病気の伝染が特定の方法である場合、病院はどのくらいの個人用保護具を購入し、ワクチンの普及をどのように優先する必要がありますか。

しかし、それらは予測であり、予測ではありません。それらは一夜で変化する可能性のある仮定に依存しており、その結果、不確実性に満ちています。

確かに、これらの予測される先物は、依然として信じられないほど有用な洞察につながる可能性があります。たとえば、COVID-19がどのように広がるかのモデルから、Kucharskiと彼のチームは、コンタクトトレーシングだけでは病気を封じ込めるのに十分ではないことを学びました。追加の対策がそれをサポートする必要があります。他の研究では、エピデミックの範囲を測定するためだけでなく、実際の緩和策として、テストがいかに重要であるかが示されました。さらに他のモデリング作業は、病院に必要な追加のスタッフとベッドの数を決定するのに役立ちました。

それでも、人々が答えを切望していると、予測と予測の区別が失われがちです。研究者は、これがほぼすべてのパンデミックで発生することを確認しており、このパンデミック中に発生することを確認しています。

最悪の場合の反応

19月中旬、インペリアルカレッジロンドンの研究チームが、エージェントベースのモデルが、流行の過程で英国でCOVID-2.2による最大XNUMX万人の死亡、米国でXNUMX万人の死亡を予測したと発表したとき、それは、社会がそうしたら起こり得る死者数の見積もりでした文字通り何も応答しません。それは、起こり得ることの地形をマッピングし始めることができる、架空の、意識的に非現実的な投影でした。それは決して予測ではありませんでした。

では、なぜインペリアルカレッジがそれを出版したのでしょうか。介入がどれだけうまく機能しているかを評価するためのベースラインを確立するのに役立ったことも一因です。しかし、それが世界中で行動を促したためでもあります。それは、国々を封鎖し、他の抜本的な対策を検討させるのに役立ったモデルのXNUMXつでした。「それはモデルの有効な使用法です」と言いましたマシューフェラーリ、ペンシルバニア州立大学の定量的疫学者は、「警告を発し、州の封鎖や国家の仮面の義務など、その未来が実現するのを妨げる可能性のある行動を開始する」と述べています。

しかし、その亜鉛メッキ効果には誤解のリスクが伴います。ジャスティンレスラージョンズホプキンス大学の疫学者は、パンデミックのシナリオモデルについて専門家以外の人と話し合うとき、答えはXNUMX桁以内でしか正しくないことが多いことを強調しようとしていると述べています。「私は常に人々と非常に明確です」と彼は言いました。「それは常に適切な予測として解釈されます。しかし、少なくともあなたはそれを言います。」

そのため、春先に、英国の死亡率統計がインペリアルカレッジのモデルの数値よりも厳しくないように見えたとき、その不一致は扇情主義の告発と一部の国民の不信につながりました。

「人々は…あなたが調査したシナリオが起こったことではないので、モデルが間違っていると言いました」と言いましたジェームズ・マッコー、オーストラリアのメルボルン大学の数理生物学者および疫学者。「それはシナリオが私たちを怖がらせたので、私たちはそれを避けるために対応しました。モデルが間違っているということではなく、私たちが対応したということです。」

この種の誤解は疫学にとって目新しいものではありません。西アフリカでの2014年のエボラ出血熱の流行中に、米国のCDCモデラーは、発生の規模の予測の上限を発表しました。彼らは、約1万人が死亡する可能性があることを示唆しましたが、最終的な集計では、12,000人未満が死亡しました。それらの推定値を報告したグループは、おそらく発生をセンセーショナルにしたことに対する激しい批判を乗り越えなければなりませんでした。しかし、批評は、これが最悪のシナリオにすぎないという事実を無視しました。それは、最悪の現実を未然に防ぐ応答を促すのに十分なほど人々を怖がらせたシナリオです。

マッコーは、彼のチームと同僚がオーストラリアのCOVID-19で自分たちの状況をモデル化するために最悪のシナリオの推定値を使用したとき、「そこから出てきた非常に恐ろしい数字のいくつか」を見始め、モデルは国境を閉鎖するという国の決定の大部分。実際、オーストラリアは早い段階でその呼びかけを行い、厳格な物理的距離測定を迅速に実施し、人々が本質的な活動の世話をする以外は家を出ないように義務付けました。

後から考えると、オーストラリアはその賢明な選択から大きな恩恵を受けました。オーストラリアでは、行動に時間がかかった他の多くの国で発生したものよりも大幅に小さく、制御が容易な発生が見られました。台湾、韓国、シンガポール、ニュージーランド、その他の地域、特にSARSとMERSの流行中に学んだ教訓を応用して、迅速かつ効果的な対応を行った地域も同様でした。しかし当時、「世界中のさまざまな場所がオーストラリアを批判した」とマッコー氏は語った。その後、他の場所での荒廃が明らかになったとき、批判の一部は消え去りました。

「5件のために100万人の国を封鎖している」と言われるため、モデルを本当に信頼していない人が出てきます。これは表面的にはばかげているようです」と述べています。ケビン・ロス、ニュージーランドの健康部門と学術部門の間の共同作業を指揮しています。「しかし、それは100のケースのためではなく、100,000のケースを回避するためです。」

彼らが信じたかった物語

残念ながら、予測と予測の混同は最悪のシナリオに限定されておらず、誤解は世論に限定されていませんでした。他のモデリングの見積もりも間違った方法で行われ、意思決定力のある人々によって行われました。

疫学のはるか遠くにある研究者からのモデルの過剰増殖があったことはおそらく助けにはなりませんでした：複雑なモデリングで独自の豊富な経験を持ち、パンデミックを終わらせたいと思った物理学者、経済学者、統計学者などからのプレプリントの爆発。「スプレッドシートを持っていて、「S」、「I」、「R」という言葉を聞いたことがある人なら誰でも、モデルを作るべきだと感じたと思います」とレスラー氏は言います。「どれも良い仕事をしなかったとは言いたくありませんが、ほとんどの場合、それは数学や技術的なことではありません。それは、仮定のどこで間違っている可能性があるかを理解することです。」

スカルピーノは同意した。「これまでに発生したすべてのパンデミックと発生に対して、なんとかしてこれを行うことができました」と彼は疫学モデリングの分野に参入する善意の科学者について述べました。それは役立つ可能性がありますが、「ただ再発明する」というリスクも伴います。壊れた車輪。」

ホワイトハウスの耳を捉えた最初のモデルのXNUMXつは、ワシントン大学の保健指標評価研究所（IHME）によって公開された統計モデルでした。 IHMEの主な専門知識は、医療システムと介入の有効性の分析にありますが、組織は、疫学予測や感染症モデリングなどの経験は特にありませんでした。

その結果、彼らのモデルは技術的に疫学として認定されましたが、ウイルスの感染メカニズムやその他の流行の重要な特徴は考慮されていませんでした。代わりに、いくつかの基本的な前提に基づいて、米国の死亡率データに曲線を当てはめます。曲線は、感染率がすでに低下している中国やイタリアと同じ一般的な形をとるでしょう。人々は一般的に政府レベルの政策と義務を遵守するだろうと。そして、その社会的距離や他の介入は中国と同じ影響を与えるでしょう。

ただし、重要な注意点は、IHMEのモデルがこれらの仮定に完全に依存していることでした。これらの条件のいずれかが変更された場合、またはそもそも完全に正しくなかった場合、モデルの出力は関連性がなくなります。

そして、モデルの仮定の多くはすでに成り立っていませんでした。人々の行動は、実施された政策と結びついていませんでした。知事が外出禁止令を発表するずっと前に、彼らは怖くなり、社会的距離を置き始めました。しかし、米国の基準による「外出禁止令」と「社会的距離」も、中国で施行されていたものとはまったく似ていませんでした。中国での流行は単純な上昇と下降の進行をたどったが、米国は最初のピークが終わる前にXNUMX番目のピークに達し、「ダブルS」の形を形成していた。根底にある生物学的メカニズムに導かれず、モデルにはその変化するダイナミクスを説明する方法がありませんでした。その結果、その見積もりは圧倒的に現実を下回りました。

「IHMEグループからの当初の予測のいくつかは、おそらく私が生まれる前に徹底的に暴かれた方法を使用していました」とスカルピーノは言いました。

モデルが適切に使用されていれば、長期的にはそれは問題ではなかったかもしれません。通常、疫学者は、アンサンブル予測と呼ばれるものの一部として、IHMEのような統計モデルを使用します。（その名前にもかかわらず、アンサンブル予測は実際には他のモデルから構築されたモデルに似ており、予測ではなく予測のみを提供します。）IHMEモデルの結果は平均化され、他の数十の疫学モデルの出力と数学的に重み付けされます。「群衆の叡智」に相当するモデリングを実現するには、独自の欠点があります。アンサンブル内のXNUMXつのモデルは、起こりそうもないイベントの処理に優れている場合があり、別のモデルは、ケースロードが高い場合の送信の表現に優れている場合があります。統計的なモデルもあれば、さまざまな方法で母集団を階層化するSEIRタイプのモデルもあれば、エージェントベースのモデルもあります。

「コンセンサスは必ずしもあなたが求めているものではありません。集団思考はしたくない」とマッコーは言った。科学とデータには非常に多くの不確実性があるため、「異なる視点で複数のモデルを用意するのは良いことです」。

複数のモデル間の比較は、ピアレビューを通じて品質を検証するためのある程度の代用にもなります。「エピデミックを助けるのに十分な速さでピアレビューを行うことはできません」とゴールデンフェルドは言いました。「したがって、ピアレビューを順番に行うのではなく、並行して行う必要があります。」

残念ながら、レスラー氏は、これらのアンサンブルを米国で稼働させるのに「必要以上に時間がかかった」と述べました。調整された全国的な対応の欠如が遅延の根本的な原因であった可能性があります。科学者たちは、日常業務からCOVID-19が必要とするXNUMX時間の献身に簡単にピボットするために必要なリソースがなく、自分のデバイスに任せられました。多くの場合、彼らは基本的に適切な資金なしで時間と労力を自発的に提供しなければならず、仕事をしながらコミュニケーションとコラボレーションのネットワークを確立しなければなりませんでした。ホワイトハウスのパンデミック対策グループ、専門家のモデリングチームを他の研究者や職員と接続するための集中型のトップダウン組織の取り組み、そしてもちろん中核的な資金提供など、役立つ可能性のあるインフラストラクチャの多くは完全に欠如していました。

アンサンブルがなければ、多くの意思決定者が利用できる最も魅力的な戦略的リソースとして、単一の視点やその他の問題を抱えたIHMEモデルが残りました。

「COVIDが出現したとき、IHMEモデルはどこからともなく出てきたようで、本当に大きな注目を集めました」とマイヤーズは言いました。「それはトランプとホワイトハウスコロナウイルスタスクフォースによって引用されていました、そして彼らは世間の注目を集めた本当に素晴らしく、視覚的に直感的なウェブページを持っていました。ですから、一般の人々の想像力の中で予測を実際にレーダーに載せることは、本当に最も注目され、最も初期の予測モデルのXNUMXつだったと思います。」

疫学者は、XNUMX月とXNUMX月にホワイトハウスなどがIHMEの予測を使用して、米国が発生のピークを過ぎ、症例数と死亡者数は減少し続けると述べたとき、警戒を強めました。そのような主張は、米国が封鎖されたままであった場合にのみ当てはまります。

しかし、「人々はそれらのモデル[およびその他]を使用して都市を再開し、多くの外出禁止令を緩和することを正当化した」と述べた。エリー・グレイデン、ジョージタウン大学グローバルヘルスサイエンスアンドセキュリティセンターの研究者であり、複雑な分析を意思決定に変換することを専門とする会社の創設者です。「それは、イベントの早い段階で懸念を和らげたと私が思うある程度の楽観主義を示唆しました。」

Graedenは、これにより、一般市民や意思決定者がより現実的なシナリオに注意を向けることがはるかに困難になったと考えています。「IHMEが唯一のモデルだったわけではありません」と彼女は言いました。「それは人々に彼らが信じたいと思った物語を見せていたモデルでした。」

その後、IHMEはモデルを繰り返し改訂し、マイヤーズグループを含む他の研究チームは、疫学的経験を利用して、コアマシンのいくつかを構築し、予測を改善しました。（これらのチームは、独自の新しいモデルをゼロから開発しました。）IHMEモデルの現在のバージョンは、CDCが実行している進行中のアンサンブル予測作業で使用されている多くのモデルのXNUMXつです。そして、IHMEはその後、その仮定と方法についてより透明になりました。これらの仮定と方法の不確実性がどのモデルにも伝播する可能性があることを考えると、これは非常に重要です。

結局のところ、最高のモデルでさえ、常に認識、理解、または認識しやすいとは限らない不確実性に悩まされています。

不確実性を伴う手直し

固定された仮定に依存するモデルだけが、注意してナビゲートする必要があるモデルではありません。変化する条件を説明するためのメカニズムが組み込まれた複雑な疫学モデルでさえ、慎重に取り扱い、伝達しなければならない不確実性に対処します。

スペインで彼女の周りに流行が発生したとき、スザンナ・マンルビアマドリッドのスペイン国立バイオテクノロジーセンターのシステム生物学者である、は、さまざまなモデルの結果がどのように公表されているかについてますます懸念するようになりました。「私たちの政府は、「金曜日までに伝播のピークに達するだろう」と主張し、それから「いいえ、おそらく来週半ば」と彼女は言った。「そして、私たちが予想したように、それらはすべて体系的に間違っていました」。なぜなら、予測の不確実性に誰も注意を払っていなかったため、データが更新されるたびに大きな変化が生じたからです。

「それは私たちにとって明らかでした。これはあなたが不注意に言うことができるものではなかった」とマンルビアは言いました。そこで彼女は、誰もがモデル化しようとしていた本質的に予測不可能なシステムに根ざした不確実性を特徴付け、その不確実性がモデリングプロセス全体でどのようにエスカレートしたかを判断することに着手しました。

Manrubiaと彼女のチームは、モデルを過去のデータに非常によく適合させ、スペイン全土でのCOVID-19の感染動態を正確に説明することができました。しかし、彼らが次に何が起こるかを予測しようとしたとき、彼らの見積もりはかなり異なっていた、時には完全に矛盾した方法で。

マンルビアのグループは憂鬱な現実を発見していました。流行のピークは、それが起こるまで推定できませんでした。エピデミックの終焉についても同じことが言えました。他の研究室での研究でも同様に、流行曲線のプラトーを長期にわたって予測しようとすることは、同じように無益であることが示されています。ある研究が見つかりました。研究者は、感染の数がそこまでのXNUMX分のXNUMXになるまで、曲線のピークやその他のランドマークを推定しようとさえすべきではありません。

「人々は言う、『私は過去を再現することができます。したがって、私は将来を予測することができます」とマンルビアは言いました。しかし、「これらのモデルは、根底にあるダイナミクスを非常によく表しています…予測力はありません。」

それらのピークの予測不可能性の結果が感じられました。 COVID-19の数が減少しているように見えたことに後押しされて、多くの地域、都市、学校が早すぎて再開しました。

たとえば、ペンシルベニア州立大学のフェラーリと彼の同僚は、学生をキャンパスに戻すためのより詳細な計画モデルを知らせるために、XNUMX月にXNUMX月の様子を予測し始めたときに、その可能性に立ち向かわなければなりませんでした。当時、感染の最初の波はピークを過ぎて夏までに減少するように見えたので、フェラーリと他のモデリングチームは、次の場合にXNUMX番目の波を回避するためのポリシーの実装に焦点を当てるべきだと考えました。学生たちは秋に戻った。

「そして現実は、私たちが近づくにつれて、突然私たちはXNUMX月になり、XNUMX月になり、私たちは皆、「ねえ、最初の波は終わらないだろう」と叫んでいます。フェラーリは言った。しかし、再開計画はすでに動いていました。学生は、リスクが予想よりもはるかに大きい可能性があるキャンパスに戻ってきました。そのため、チームは適切な対応を見つけるためにスクランブルをかけました。

データの追跡

COVID-19が多くの研究者に家に帰った不幸な初期の教訓は、彼らのモデリングツールとデータリソースがパンデミックをその場で処理するために常に準備されていなかったということでした。モデルの機能に対する最大の制限は、多くの場合、その数学的フレームワークではなく、使用するデータの品質にあります。「最良のモデルでは、疫学や生物学についての知識が不足していることを説明できませんでした」とウー氏は述べています。良いデータだけがそれを行うことができます。

しかし、パンデミックが発生したときにデータを収集することは困難です。「これはまったく別の球戯であり、リアルタイムで見積もりを作成しようとしています」とゴスティック氏は言います。「私が平時のシナリオとして説明することを調査するのとは対照的です。」

「それは戦争だ」とマッコーは同意した。混沌、不正確さ、矛盾、完全にそして完全に圧倒されることに対して賭けた。「正しい情報を得るのは本当に難しいです。」

たとえば、疫学モデラーがデータを収集するときに知りたい重要な数値は、感染の総数です。しかし、それは観察できない量です。多くの場合、軽度の症状があるか、まったく症状がないために、医師の診察を受けない人もいます。他の人は、感染を確認するためにテストを受けたいと思っていますが、テストが利用できないか、テストインフラストラクチャが不足しているためにできません。そして、テストを受けた人たちの間でさえ、考慮すべき誤検知と誤検知があります。報告された症例の数を調べることは次善の選択肢ですが、それは氷山の一角にすぎません。

COVID-19のためにタイムリーにそのデータを収集することさえ、多くの場合、早い段階でほとんど不可能でした。「私は情報化時代に育ったので、このパンデミックの開始時に、州の公衆衛生部門には何らかのボタンがあり、そのボタンを押すだけで州内の病院からのデータが得られると素朴に思っていたと思います。自動的に何らかのデータベースにルーティングされるだけです」とGostic氏は述べています。「しかし、そのボタンは存在しないことが判明しました。」

すぐに有用なモデルの構築を開始することを望んでいた科学者は、代わりにXNUMX月とXNUMX月のほとんどをデータへのアクセスを試みることに費やしました。彼らは何週間もかけて、病院、公衆衛生部門、政府の他の支部、およびコンサルティング会社に電話をかけたり、電子メールを送信したりしました。研究者は、そのデータがどこから来ているのか、そしてそれがどれほど正確であるのかを心配しながら、テキスト、ファックス、外国語の症例報告など、手に入るあらゆるものを整理しなければなりませんでした。

それは「本当に失望と驚き」でした、と言いましたジョンドレイクジョージア大学の生態学者である、「国として、または世界的に、私たちはこの流行に関するデータを収集するのに非常に貧弱な仕事をしました。 …私は、効果的で調整された政府の対応があるだろうと心から思っていましたが、私たちはそれを持っていませんでした。」

「私たちの誰も、一貫性のないデータ収集の準備ができていなかったと思います」と彼は付け加えました。

流行の初期の頃、米国および他の地域の症例データは非常に信頼性が低く、代表的ではなかったため、しばしば使用できなくなっていました。症例数には、無症候性および軽度の症候性の感染症が多数見られませんでした。テストと報告は非常に少なく、一貫性がなかったため、研究者が取得した数値が歪められました。これらの数字をリアルタイムで特定することは、人が感染してから報告された症例データに現れるまでの時間差によってさらに複雑になりました。でも COVID-19の「ケース」の定義そのもの時間の経過とともに変化：最初は、人が武漢に旅行し、特定の症状を示し、その後陽性と判定された場合にのみ、感染は公式の症例と見なされました（検査も当時は異なっていました）。しかし、数週間、そして数ヶ月が経過するにつれて、病気の新しい知識を反映するために基準が拡大し続けました。

一部の研究者にとって、これらの問題は、COVID-19による入院と死亡に関するデータに目を向けることを意味していました。これらの番号の記録には独自の欠点がありましたが、いくつかの点でより信頼性がありました。それでも、そのデータは、パンデミックの全体像をまだ捉えていません。

「モデルはデータの代わりにはなりません」とKucharski氏は述べています。

より包括的なテスト（およびケースデータのより信頼性の高いパイプライン）が確立されてから、XNUMX月下旬またはXNUMX月になって初めて、一部の科学者はそれを快適に使用できるようになりました。他の人々は、さまざまな統計手法を適用してこれらの数値をより現実を表すものに変換することにより、ケースデータの問題を説明しようとしました。いつものように、正しい答えはなく、明白な最善の道もありませんでした。

これらの複雑さのために、COVID-19を説明するいくつかの主要な変数の適切な推定値を特定するのに数ヶ月かかりました。たとえば、その間、無症候性の症例の割合の推定値は20％から50％に跳ね上がり、その後30％に戻りました。

モデリンググループはまた、感染死亡率の多様な推定値を発表しました。これは、感染するすべての人の死亡者数であり、潜在的な死亡者数を推定するための重要なパラメータです。その数字の計算のあらゆる側面には、数自体が時間の経過とともに変化する可能性があることや、人口の人口統計に基づいて異なることなど、大きな不確実性と変動性がありました。

残念ながら、感染死亡率も「モデルの乱用」を示す方法で厳しく政治化された数値です、とLarremoreは言いました。たとえば、早期の再開を推進する派閥は、関連する疫学的考慮事項を無視しながら、より低い推定値を強調しました。「人々は彼らの結論を先験的に設定し、次に可能なモデルのメニューがあり、彼らは彼らの結論を支持するものを見ることができます。」

彼らが得ている価値に対する研究者の信頼を築いたものの一部は、彼らがすべての混乱の中で実験的対照のようなものとして使用できる特別なデータセットの出現でした。たとえば、中国以外で19月に発生した最大のCOVID-700の発生は、XNUMX人以上が感染した日本沖の検疫所に停泊しているダイヤモンドプリンセスクルーズ船で発生しました。時が経つにつれて、科学者たちは、誰がいつ、誰によって感染したかについて、実際に実況を再構築しました。それは、彼らが得る可能性があったのと同じくらい発生の事例研究に近かった。ダイヤモンドプリンセスイベントは、人口の監視が病気の広がりを非常に詳細に捉えた同様の状況とともに、感染死亡率の推定値の不確実性を減らすために知っておくべきことを研究者に伝えました。その結果、予想される総死亡者数に関するモデルの予測が改善されました。

最も包括的なデータのいくつかは、テストがより普及するにつれて、そして研究者が抗体について特定の集団の人々をテストするために血清学研究を設計するにつれて、夏の数ヶ月以降に来ました。これらの取り組みにより、感染の総数と、感染が他の要因にどのように関連しているかについて、より明確なスナップショットが得られました。

しかし、これらのパラメータは常に変化するターゲットです。たとえば米国では、病院が病気の治療法を改善し、人口の行動パターンが変化することで、感染の可能性が高い若者の感染率が高くなるにつれて、感染死亡率の低下が観察されました。回復。研究者がこれらの変化に追いつくのを助けることができるのは、高品質のデータによる絶え間ない更新だけです。

COVID-19で良好なデータを取得することは引き続き問題ですが、データ収集プロセスの欠点だけでなく、データに影響を与えるウイルスの固有の特性のためです。再現数でさえ、予想よりも推定が難しいことがわかっています。COVID-19は、ほとんどの場合、ランダムでまれなスーパースプレッダーイベントを通じて拡散するため、送信速度の単純な平均値はそれほど有用ではありません。さらに、過去の流行の間、モデラーは症状の発症に関するデータから時間の経過に伴う再生産数の変化を推定することができました。しかし、非常に多くのCOVID-19感染が無症候性または前症候性に発生するため、症状の発症曲線は誤解を招く可能性があります。代わりに、モデラーは感染データに基づく曲線を必要とします—COVID-19の場合のみ推測できます。この混乱は、どの介入が病気に対して最も効果的であったかを振り返って分析すること、または明らかな相関関係について他の結論を引き出すことを困難にします。

最大の問題は私たちです

しかし、COVID-19モデルの不確実性の最大の原因は、ウイルスの動作ではなく、人々の動作です。人々の行動がどれだけ病気の伝染を促進するかを考えると、そのXファクターを少なくともある程度正しくすることは非常に重要です。しかし、人々は気まぐれで理解するのが難しいです。彼らは常に合理的に行動するとは限りません—そして確かに予測可能ではありません。

「人間のモデリングは本当に難しいです」とGraedenは言いました。「人間の行動は特異体質です。それは文化に固有のものです」と、国や人口統計だけでなく、近隣地域にも違いが見られます。 Scarpinoはその考えを繰り返しました：「あなたは通りを横切って歩きます、そしてそれはほとんど異なる伝達ダイナミックです」と彼は言いました。

フェラーリと彼の同僚は、ペンシルベニア州立大学でそれを見てきました。秋以降、大学生とキャンパス近郊に住み、働く人々の両方に対して抗体検査を繰り返し行ってきました。彼らは、発生が20人の学生の30％-35,000％に感染したにもかかわらず、周囲のコミュニティはCOVID-19への曝露がほとんどないことを発見しました。フェラーリは、彼らの近さにもかかわらず、学生と町民は「まったく異なる流行の状況を実際に経験しました」と述べました。

これらの違いは、行動や文化的慣習に限定されるものではなく、在宅勤務やリソースやケアへのアクセスなど、体系的な考慮事項にまで及びました。「機会があれば、ほとんどの人が良い個人的な行動を示すと思います」とフェラーリは言いました。「しかし、多くの人はそうすることができません。なぜなら、そうするためのインフラストラクチャが最初に必要だからです。そして、それらは私たちが理解しようとゆっくりと進んでいる種類の洞察だと思います。」

さらに厄介なのは、人間の行動に関する過去の社会学的研究がもはや当てはまらないことです。パンデミックの間、人々は単に通常のように行動することはありません。

マイヤーズ氏は、「人間の接触パターンと人間の移動パターンについて私たちが想定していたすべてのものが、都市を封鎖して避難したときに基本的に窓から投げ出されたことに気付いたときの、大きな種類の「オーノー」の瞬間のXNUMXつでした。所定の位置に。データがありませんでした。私たちが住んでいたこの新しい現実を捉えた、事前に焼き付けられたモデルはありませんでした。」

残念ながら、トップダウン規制は、人々の実際の行動の代用として使用することはできません。携帯電話やGPSベースのサービスからの人々の動きに関する匿名化されたデータは、地域で封鎖が行われていたかどうかに関係なく、人々はパンデミックの初期に動き回ることをほとんど止めたことを示しています。人々は怖がっていたので、家にいました。一方、マスクの義務や屋内での食事の禁止などの介入が開始されましたが、常に実施されているわけではなく、XNUMX日あたりの死亡者数が前例のない高さに達したとしても、月が経つにつれて人々は徐々に動き回り、交流を深めました。

そのような行動非常に複雑になる可能性があります流行曲線の形。しかし、それらの行動の知識はまた、研究者が観察したものと彼らが期待したものとの間の逸脱を明らかにすることができます。たとえば、介護施設や介護施設を通じたCOVID-19の蔓延のモデリングは、最初は観測されたデータと一致しませんでした。最終的に、科学者たちは、施設間のスタッフの移動も考慮に入れる必要があることに気づきました。しかし、そのような特定の動きは通常、より単純なモデルで抽象化されるため、その行動要因を特定するのに時間がかかりました。

「行動と伝達の関係に立ち向かうことは難しい」と述べた。ジョシュア・ワイツジョージア工科大学の生物学者である、「しかし、予測、シナリオ評価を改善し、最終的には拡散をより効果的に緩和および制御するキャンペーンを設計するために優先順位を付ける必要があります。」

この認識により、研究者は携帯電話やその他のソースからのデータを追求し、家庭内外の相互作用やその他の活動に関する包括的な調査を設計し、その情報を大規模な疫学モデルに統合するようになりました。「私たちは実際にそれを行うための技術を[以前に]開発していませんでした」とマイヤーズは言いました。COVID-19の前にそのデータの緊急の要求（またはデータへのアクセス）がなかったからです。データの品質と代表性を評価するための新しい方法とともに、新しい方法論が必要でした。これは、他の疫学データソースと同じ精査の対象ではない民間企業によって提供されることがよくありました。「私たちが過去数か月で開発したものすべて」と彼女は言いました。

不確実なコミュニケーション

これらのさまざまなタイプの不確実性が合算され、結果をもたらします。小さな不確実性は指数関数的に大きな影響を与える可能性があるため、「それはカオスに少し似ています」とゴールデンフェルドは言いました。しかし、その不確実性を依然として有用で効果的な方法で意思決定者に伝えることは、特に困難な作業であることが証明されています。

「意思決定者は答えを求めています」とGraedenは言いましたが、「モデルは答えを生み出すことができません。そして、そうすべきではありません。近づくことができます。示唆に富む可能性があります。」彼女にとって、パンデミックは長年のコミュニケーションの課題を浮き彫りにしただけです。「実際、ここには文化の衝突があります。科学者は答えを出さないように訓練されており、意思決定者の唯一の仕事は答えを提供することであるため、基本的にコミュニケーションは常に途絶えます。」

アボットは、モデリング作業の一部に不確実性が多すぎることについて、意思決定者からフィードバックを得たことを思い出します。「幸せなバランスが何であるかはわかりません」と彼は言いました。「今後の見積もりによって実際にカプセル化されるものが必要です。そうでなければ、人々は自信を失います。しかし、同様に、あなたがあまりにも不確かであるならば、人々はあなたの見積もりからどんな決定もすることができません。」不確実性を減らすことについてのフィードバックを得てから彼が何をしたかを尋ねられたとき、「私は誤ってもっと追加しました」と彼は少しひそかに言った。

研究者や意思決定者がその文化のギャップを埋めようとしたXNUMXつの方法は、特定の定量的な結果ではなく、すべてのモデルから生じる定性的な物語に焦点を当てることです。ある時点で流行が拡大しているか縮小しているかという単純なことを知ることは、たとえ異なるモデルがそれを反映するために非常に異なる数を吐き出したとしても、非常に役立ちます。この傾向を使用して、さまざまな状況でどの介入が最も効果的であったかを分析し、どの介入の組み合わせが今後試すのに最適であるかを示唆することができます。

「トレンドは正確な数値よりも堅牢であり、応答を計画するために使用できます」とゴールデンフェルド氏は述べています。「言う代わりに、『必要な病院用ベッドの数を予測できますか？』予測できるのは、「次のXNUMX週間で、この地域の病院の収容能力を超える可能性はどのくらいですか…そしてどれだけですか？」

複数のモデルに依存することで、研究者や意思決定者は、さまざまな仮定やアプローチに取り組み、到達した結論に対する信頼を高めることができます。 Kucharskiは、XNUMXつの完全に異なるモデルの両方が、あるレベルのコンタクトトレーシングではアウトブレイクを制御するのに十分ではないと結論付けた場合、「構造の違いと正確な推定値の違いは、両方が同じになるという事実よりも関連性が低いと説明しました。その質問に答えてください。」

不確実性自体でさえ有益である可能性があります。 2020月、フェラーリと彼のチームを含むペンシルベニア州立大学の職員は、最初は15月中旬にキャンパスを再開することに決めました。しかし、XNUMX年が終わりに近づいたとき、彼らはその計画をXNUMXか月遅らせることにしました。学生はXNUMX月XNUMX日にキャンパスに戻る予定です。周辺の郡での送信レベルの上昇などの要因により、「学生を呼び戻すために必要なレベルで運営を維持することができないのではないかと懸念している」とフェラーリは述べた。

しかし、この決定は、フェラーリと彼の同僚がガイダンスを求めていたモデルの予測の不確実性にも基づいていました。これは、数十の個々のモデルの結果を集約したCDCのアンサンブル予測です。 XNUMX月には、不確実性の限界が非常に広かったため、「XNUMX月がどのようになるかはよくわかりませんでした」と彼は言いました。

彼と彼のチームはまた、アンサンブル内の個々のモデルの多くが、発生するケースの数を過小予測していることに気づきました。「その決定が下される前のXNUMX〜XNUMX週間、モデルが予測していたよりも実際には悪い結果が見られました」とフェラーリは言いました。「それで私たちは一時停止し、本当に、今後XNUMX〜XNUMX週間は、その信頼限界の悲観的な側面にある可能性が高いと考えさせられました。そして、私たちは本当にそれを受け入れることができませんでした。」

ポリシーを設定する際の考慮事項は、モデルの信頼性だけではありません。マッコーによれば、それはまた、政府関係者や他の政策立案者との関係を育むのに役立ちます。彼と彼のチームのメンバーは、主にインフルエンザの流行に対応する最善の方法についての議論を通じて、オーストラリアでこれを15年間行ってきました。「私たちは今、何百もの会議を行ってきました」と彼は言いました。「私たちはお互いのスタイルを学び、お互いの癖を学び、そして私たちは多くの信頼を持っています。」これらの長期的な関係は、彼が対話している人に意味をなすだけでなく、他の政策リーダーにそれを説明することを可能にする方法で彼の仕事を説明する方法を理解するのに役立ちました。

その目標に沿って、過去XNUMX年以上にわたって、McCawと彼の同僚は、モデリングを視覚化して伝達するための最善の方法を見つけるためのワークショップとプログラムを実施してきました。（数値の表は驚くほどうまく機能します。「少し圧倒されて忙しいと感じるかもしれませんが」、マッコーによれば、「それらは何かを高次元で視覚化したものなので、実際には非常に強力です。」ヒートマップはあまり成功していません。地理データ以外の場合。グラフには用途がありますが、特定のポリシーの質問に向ける必要があります。）最も重要なことは、オーストラリアのチームが「不確実性を回避することは災害である」ことを学んだことです。「それで私たちはそれを受け入れました。」

他の研究者は、代わりにソーシャルメディアに直接アクセスし、プレプリントとモデルをTwitterに投稿して、一般の人々に直接通知し、あまり正式ではないチャネルを通じて学者や政府関係者にアクセスできるようにしています。

これらの形式のコミュニケーションは依然として困難で時間がかかり、パンデミックが進行するにつれて多くの研究者がその場でそれらについて学ぶ必要がありました。「STEM教育でコミュニケーションのレッスンがもっとあったことを本当に願っています」と述べています。ケイト・ブバー、コロラド大学ボルダー校のラーレモアの研究室の大学院生で、COVID-19危機の際に博士号を取得し始めました。

政策立案者との交流は、意思決定プロセスを明らかにすることによって科学者にも利益をもたらします。意思決定プロセスは、モデルの数学を超えて他の要因を検討すると不透明に見える可能性があります。

ペンシルベニア州立大学の症例数が再開後に急増したとき、フェラーリと他の人々は最初に大学関係者にキャンパスをすぐに再び閉鎖するように促しました。しかし、その後、彼は回想します、大学の住宅の長は彼に言った、「マット、あなたはそれをすべてシャットダウンし、彼らをすべて家に送る」とはどういう意味か理解していますか？彼は、学校の40,000人の生徒が突然解散することはないと指摘しました。そのうち30,000万人は、借りていたアパートに滞在する可能性があります。さらに、全員をキャンパスから追い出すためのロジスティクスは非常に困難であり、COVID-19を広めるリスクをさらに悪化させる可能性がありました。

「そして、私たち一人一人がそのような事件を経験したと思います」とフェラーリは言いました。「私たちは本当に熱烈な議論の終わりに到達し、「OK、あなたが知っている、私は今、私があなたの視点から事件を見ることができます、私は私が見過ごしていたすべてのことを認識しています。」

モデルが次に役立つ方法

疫学モデルは、特に研究者がワクチンの普及に優先順位を付ける方法など、次の大きな問題を検討する際に、パンデミックの最終段階になることを誰もが望んでいることにおいて引き続き重要です。たとえば、インフルエンザに対してこれを行う一般的な方法は、子供を対象にワクチンを接種することです。これは、子供がインフルエンザ感染のネットワークの主要なノードであるため、残りの人口を間接的に保護します（ただし、COVIDではないようです） -19）。

LarremoreとBubarは、COVID-19でどのように見えるかをモデル化するための継続的な取り組みの一部です。ワクチンが利用可能になるずっと前に、彼らは不確実性の広範なリストを検討しました：病気のダイナミクス、ワクチンが病気の伝染を阻止するかどうか、免疫がどれくらい続くか、そして他の要因について。大きな問題は、ワクチンがどれほど効果的である必要があるか、そしてその効果がどのように現れるかでした。ワクチンが50％効果的だった場合、それは完全に機能したが、5人中10人でしか機能しなかったことを意味しますか、感染の半分？

彼らはすぐに、COVID-19ワクチン接種戦略を設定する際に、目標から選択する死を減らし、感染を減らすことです。彼らが死亡率を最小限に抑えたいのであれば、ワクチンの有効性やその他の仮定に関係なく、高齢者への直接ワクチン接種が道のりでした。しかし、代わりに感染を減らすことが目標である場合（たとえば、封鎖状態にとどまることができなかった多数の不可欠な労働者がいる場所で）、代わりに20〜50歳の成人に最初に予防接種を行う必要があります。それらはさらに広がるためのハブのようなものです。ただし、その場合、さまざまなワクチンの有効性、人口統計、および接触パターンに基づいて、割り当てにわずかな違いもあります。「ブラジル、ベルギー、ジンバブエ、米国で異なる結果が得られました」とLarremore氏は述べています。

現在、世界中のさまざまな国で複数のワクチンが承認されているため、研究者はそれらのモデルを改良することができました。しかし、彼らはまた、優先順位を再び変えている新しいイベントを説明するために彼らの仕事を拡大しなければなりませんでした。 2つは、多くの地域で感染率を高めた新しいSARS-CoV-XNUMX変異の出現です。もうXNUMXつは、ワクチンの展開が予想よりもはるかにゆっくりと行われていることです。

それでも、ラレモアにとって、基本的な微積分は同じままです。「それはレースだ」と彼は言った。「人から人へと飛び交うウイルス自体と競争しています。」したがって、「ワクチンの展開がますます遅くなるにつれて、使用する戦略が変わります。」

ウイルス感染に比べて展開が非常に遅い国では、モデルは、直接的なアプローチを取り、リスクの高い高齢者やその他の人々に最初に予防接種を行うことによって死亡率を減らすことが、前進するための最良の方法であることを示しています。しかし、「韓国、台湾、ニュージーランドの場合」、または送信がより適切に制御されている他の場所では、ウイルスとの競争が非常に異なるため、Larremore氏は「まったく異なる選択肢があります」と述べました。彼とBubarは、戦略の同様の変化が、異なる再生数や全体的な伝送速度などの他の要因に依存する可能性があることを示しました。

しかし今、予防接種をめぐる議論は、どの人に予防接種をするかだけでなく、いつどのように予防接種をするかにも関係しています。米国で承認された95つのワクチンは、XNUMX％の有効性を完全に発揮するために、それぞれXNUMX回の接種が必要です。しかし、これらのワクチンの配布がどれほど遅いかを考えると、研究者は他のシナリオのモデル化を開始しました。できるだけ多くの人にワクチンの初回投与を行う、利用可能な用量の半分を確保するのではなく、最初の用量を受け取った人がスケジュールどおりにXNUMX番目の用量を受け取ることを絶対に保証します。

この戦略には、母集団のベースライン保護を強化するという利点があります。初回投与では約52％の保護しか得られません。これは通常のワクチン基準では不十分ですが、感染の拡大を遅らせて、より多くの症例や死亡を防ぐことができます。ロングラン。しかし、必要なときに十分なXNUMX回目の投与が可能になる可能性についても賭けています。意図したよりも遅れてXNUMX回目の投与を受けた人は、ワクチン免疫の完全な測定値を得ることができない可能性があり、完全な免疫の生成が大幅に遅れると、ウイルスがワクチンの制御を変異させて「逃れる」機会が増えるのではないかと懸念する研究者もいます。

SEIRモデルは、そのギャンブルを定量化するのに役立ちました。特定の用量効率、時間の経過に伴う用量間の有効性の低下、およびその他の要因を想定すると、モデルは、できるだけ多くの初回用量を展開しようとすると、設定よりも25週間で約19％多くのCOVID-XNUMX症例（場合によってはそれ以上）を回避できることを示しています利用可能な用量の半分は別としてできます。実際、研究者たちは、ワクチンの初回投与の有効性が非常に低く、ワクチンのサプライチェーンが崩壊した場合にのみ、最悪のシナリオでのみ、将来のために半分の投与量を確保することがより良い選択肢であることを発見しました。

フェラーリは、このトレードオフは目新しいものではないと指摘しています。彼は、はしかと髄膜炎の発生に関する彼自身の研究や、コレラ、黄熱病、ポリオ、その他の病気に関する同僚の研究でそれを見ています。数学的モデルは単純明快であり、発生の真っ只中には、ワクチン接種キャンペーンの有効性の一部を犠牲にすることを意味する場合でも、常にできるだけ多くの人々に迅速にワクチン接種することに重点を置くべきであることを示しています。

そのようなモデルは、英国、そして現在は米国がその計画を採用するように導くのに役立ちました。 Larremoreが言ったように、ウイルスが「ロケットブーツを履いただけ」でなかった場合、またはワクチンの展開がそもそもより効率的に行われた場合、おそらく彼らは持っていなかったでしょう。しかし、それがモデルが非常に多くの可能性と不確実性を考慮に入れなければならない理由です。（免疫がどのくらい続くか、COVID-19が一時的な危機になるのか、インフルエンザのような季節性の病気になるのかなど、他にも未解決の質問があります。これは、購入を継続するワクチンの数と方法に関する将来の決定に影響します。それらに優先順位を付けます。）

「数学は簡単です」とフェラーリは言いました。「数学が現実の世界と出会う場所は、複雑な問題が発生する場所です。」

今後も、人間の行動については疑問が残ります。障害、貧困、その他の障害のために、ワクチンの配布センターに行けない人や、ワクチンの接種にまったく躊躇している人もいます。ワクチンがCOVID-19に最も感染しやすい人々を保護するので、「春の到来と人々へのより多くの屋外の開放とともに、死亡率が低下するのを見るでしょう」とLarremoreは言いました。「私たちは、本当に物事を再開するように当局に多くの圧力がかかるのを目にするだろうと思います。」人々は関係なく異なった行動を取り始めるでしょう。最初の投与またはXNUMX回目の投与を受けた後、またはワクチンを接種する人が増えるのを見た後、彼らは注意を怠ったり、より多くのリスクを冒したりしますか？それは感染とその後のワクチン接種および介入戦略にどのように影響しますか？

COVID-19のパンデミックを特徴付ける多くの決定と同様に、XNUMXつの戦略が社会全体に大きな影響を与える可能性がある一方で、特定の個人、たとえば大幅に遅れる可能性のある個人には有益ではない可能性があることは事実です。 XNUMX回目の投与。それは、「患者を目の前に見ている医師の視点」と対立している。「そして、物事が非常に大規模にどのように変化しているかを見る公衆衛生モデラー」とラレモア氏は述べた。

これは、すべてのモデラーが遭遇したことです。「これらの数字を入力するか、予防接種を選択したグループがこの数の人が死亡する可能性があるという結果を確認できます」とBubar氏は述べています。「それをコーディングシミュレーションとして見るだけで、非常に非人格的だと感じます。しかし、それからニュースをオンにすると、毎日亡くなった実際の人々の数がわかります。それは明らかに非常に個人的で非常に衝撃的です。」

そのため、彼女とLarremoreは、特にウイルスの被害が最も大きかった地域で、ワクチンの展開措置と抗体検査の結果を組み合わせる戦略など、公平性と倫理に関する質問をワクチンの優先順位付けモデルに取り入れようとしました。

一方、パンデミックは、他の健康問題から注目を集めています。たとえば、多くの国では、他の病気の予防接種プログラムなど、主要な医療サービスの中断が原因です。フェラーリは、これらの混乱が今後数年間で世界中のはしかの発生にどのように影響するかを分析してきました。彼の仕事のいくつかは、エチオピアが計画されたはしかの予防接種プログラムや他の医療サービスを進めることを促すのにすでに役立っています。彼は現在、他の地域がそれらの慣行をいつどのように再開すべきかを決定するために、より多くのモデリング作業を行っています。

楽しみにして、振り返って

研究者たちは、COVID-19パンデミックの間に何が起こったのかを今後何年にもわたって分析することを期待しています。彼らは、生成された膨大な数のモデルをくまなく調べ、何が機能し、何が機能しなかったのか、そしてその理由を説明しようとします。しかし、避けられない次のパンデミックに備えて、彼らが経験からすでに取っている重要な教訓があります。

XNUMXつは、携帯電話やその他のソースからの新しい、潜在的に豊富なデータストリームを利用する必要があるということです。これにより、人々の実際の行動に関する詳細情報を提供できます。もうXNUMXつは、特定の種類の問題は、チーム間で分割することで最も簡単に克服でき、場合によっては複数の分野にまたがることもあります。

それを可能にするために、マンルビアと他の研究者は、疫学予測とパンデミック科学に特化した国内および世界的なプログラムを求めています。「私たちは、すべての国にある気象研究所と同様に、グローバルなプログラムに着手する必要があります」とマンルビアは言いました。「これは疫学的レベルでは存在しないものです。そして、それが世界規模で必要です。」

このようなプログラムは、データの収集と共有のための広範なシステムの開発、および迅速なテスト、コンタクトトレーシング、ワクチン製造のためのインフラストラクチャの開発を導く可能性があります。最適な結果を得るために、特定のタイプのモデルをいつどのように使用するかについて、より一貫性のある戦略を組み立てることができます。また、さまざまな分野の専門家が接続するのを支援するためのネットワークを確立し、専門分野を情報に基づいた意思決定プロセスに統合するためのプロトコルを提供することもできます。 COVID-19のパンデミックは、これらの機能を構築するための土台を築きました。

しかし、COVID-19の他の重要な教訓は、疫学者がモデルの適切な使用法と制限を意思決定者と一般の人々により効果的に伝える必要があるということです。これらのモデルの不確実性が何を意味するのかを理解するとともに。苛立たしい課題は、研究者がすでにこれらの説明を提供していることが多いことですが、一般市民とその代表者は、科学が提供できる以上の確実性を望んでいる傾向があります。そして、政府が研究者の最善の助言を無視し、代わりに疑わしいが人気のある政策に固執することを決定したとき、科学者がそれについて何ができるかは明らかではありません。

ドレイクは、米国の政策指導者が、封鎖のような措置がパンデミックへの全国的な対応を策定する時間をどのように作り出すことができるかを理解することを望んでいたと言います。「私たちはロックダウンすることで正しいことをしたと思いました。そして、私たちはそれを浪費しました。私たちは月に自分たちを購入しました」と彼は言いました。「しかし、その時は何もしませんでした。」

ジュエルはまた、彼が「シャンボリック」な米国の反応と呼んだものに憤慨している。「本当に国家戦略が必要です。このレベルのコミュニティ感染のある地域にいる場合、これはあなたの学校ができることです」と彼は言いました。代わりに、「計画はありません。戦略はありません。すべての人、つまりすべてのキャンパスとすべての学校システムは、それぞれ独自のものです。」

彼は「CDCの衝撃的なパフォーマンス」を非難している。彼はそこで個々の研究者を非難していませんが、「どういうわけか、政治的に、CDCは完全に危険にさらされています」と彼は言いました。「私たちはいつもCDCに目を向けていました： 'アドバイスをください！私たちは何をしますか？' 彼らは最高品質のデータを取得していました。」しかし、このパンデミックの間、それは起こりませんでした。「彼らはひどいアドバイスをしました。」

ドレイクは、「国へのコストと失われた命の数に関して、あなたが受け入れても構わないと思っているトレードオフについては、科学的な決定ではなく、政策上の決定です。何人の死を回避できたのか、私たちは何ですか？それらの代金を払っても構わないと思っています。」

「しかし、私の見地からすると、実際に見た死や病気の多くは予防できたはずです」と彼は続けた。モデルは来るべき死者について私たちに警告することができますが、私たちはそれらを聞く方法を進んで学ぶ必要があります。

出典：https：//www.quantamagazine.org/the-hard-lessons-of-modeling-the-coronavirus-pandemic-20210128/

生成的データインテリジェンス

コロナウイルスのパンデミックをモデル化するための難しい教訓