نویسنده مهمان: فرید فرخی

یکی از عظیم‌ترین و کشنده‌ترین اپیدمی‌های قرن بیستم شاید یکی از گمنام‌ترین و فراموش‌شده‌ترین این وقایع هم باشد. در سال‌های ۱۹۱۸-۱۹۱۹ شیوع آنفلونزای اسپانیایی باعث یکی از بزرگترین تلفات انسانی در طول قرن بیستم شد. طبق برآوردها این آنفلونزا ۵۰۰ میلیون نفر یا نزدیک به یک‌سوم جمعیت دنیا را مبتلا کرده است و فقط در آمریکا باعث مرگ ۶۷۵ هزار نفر شده است. (۱) در سراسر دنیا طبق برآوردها حداقل ۲۰ میلیون و شاید تا ۱۰۰ میلیون نفر از این بیماری تلف شدند، نرخی بین ۱ تا ۵ درصد مردم دنیا. (۲)  

ایران یکی از شدیدترین آمار مرگ و میر از این بیماری را در بین کشورهای دنیا تجربه کرده است. طبق یکی از معتبرترین تخمین‌ها، نرخ کشندگی این آنفلونزا، یا در ‌اصطلاح مردم زکام فرنگی، در بخش روستایی ایران بین ۱۰ تا ۲۵ درصد و در بخش شهری بین ۱ تا ۱۰ درصد بوده است. از جمعیت ۱۱ میلیونی ایران احتمالا چیزی بین ۹۰۰هزار نفر تا ۲ میلیون و ۴۰۰هزار نفر از بین رفته‌اند، یعنی نرخی بین ۸ درصد تا ۲۱ درصد جمعیت کشور. (۳) طبق یک نقل تاریخی دیگر در این سال از جمعیت ۹ میلیونی ایران حداقل ۱ میلیون نفر از بین رفته‌اند، یعنی ۱۱ درصد جمعیت کشور. (۴) ورود سربازان روس و انگلیسی در پایان جنگ جهانی اول احتمالا به ورود و شیوع این آنفلونزا کمک کرده است. علاوه بر این، بروز قحطی، شیوع دیگر بیماریها مثل مالاریا، اعتیاد گسترده به تریاک و عدم امکانات پزشکی و بهداشتی در شدت گرفتن مرگ و میر موثر بوده است. (۳ و ۴)

مقابله جمعی با شیوع بیماری‌های واگیردار مسلما به یک نگاه چند جانبه نیاز دارد از طرف متخصصان در حیطه‌های پزشکی، مدلهای آماری و ریاضی، و شیوه‌های مدیریتی. در کنار اینها، تاریخ نیز درسهای مهمی برای ما دارد.

یک) علیرغم فراموشی جمعی درباره آنفلونزای ۱۹۱۸-۱۹۱۹، شایسته است به یاد بیاوریم که این بیماری در همین قرن بیستم‌ حداقل یک درصد از مردم دنیا را از بین برده و در ایران حتی اثر شدیدتری داشته است. حتی یک درصد جمعیت امروزی ایران معادل ۸۰۰ هزار نفر است. ریشه این تفکر که «این بیماری‌ها قابلیت شیوع گسترده ندارند و امکان ندارد جمعیت زیادی مبتلا بشوند یا بمیرند» جهل درباره تاریخ گذشتگان ما است. 

دو) آنفلونزای ۱۹۱۸-۱۹۱۹ در سه موج وارد ایران شده و همچنین در سه موج وارد آمریکا شده است. در آمریکا موج اول در ابتدای بهار ۱۹۱۸ آمده که اثر محدودی داشته و در واقع این موج دوم در پاییز ۱۹۱۸ است که باعث مرگ و میر بسیار زیادی شده است. درسی که از این مشاهده می‌توان گرفت این است که شاید شیوع ویروس کرونا بعد از یک مدت به دلایل فصلی یا محدودیت موقت فعالیتها به‌نظر متوقف شود، اما تاریخ به ما نشان می‌دهد که ممکن است موج اول در نهایت محدود باشد ولی موج دومی شکل بگیرد که به مراتب گسترده‌تر و کشنده‌تر است.

سه) گزارشها مبتلایان را به دو دسته تقسیم می‌کنند، درصدی که می‌میرند و آنهایی که نهایتا خوب می‌شوند. اما آنهایی که خوب می‌شوند آیا به‌اندازه کسانیکه این بیماری را نگرفته‌اند خوب می‌شوند؟ ما هنوز جواب این سوال را درباره ویروس کرونا نمی‌دانیم ولی جوابش را درباره آنفلونزای اسپانیایی تا حدودی می‌دانیم. نتایج یک تحقیق معتبر درباره آنفلونزای اسپانیایی نشان می‌دهد که کسانیکه در آمریکا در سالهای ۱۹۱۸-۱۹ به این بیماری مبتلا شدند در دهه‌های بعد سالهای تحصیل پایین‌تری داشتند، با نرخ بزرگتری دچار ناتوانی‌های جسمی شدند و به طور میانگین درآمد کمتری داشتند. (۵) در نتیجه باید این احتمال را داد که ابتلا به این نوع بیماری‌ها برای بازماندگان اثرات منفی بلندمدتی داشته باشد. این اثرات بلندمدت جنبه‌ای از هزینه‌های انسانی است که در تحلیلها معمولا نادیده گرفته می‌شود.

چهار) هیچ بعید نیست که اگر ما در کتاب‌های درسی و در روزنامه‌ها و مجلات و صدا و سیما یا از طریق مطالعه ادبیات و تاریخ از اثر شدید آنفلونزای اسپانیایی مطلع بودیم واکنش‌مان در هفته‌های اول خبر شیوع ویروس کرونا واکنشی جدی‌تر بود. با توجه به وضعیت بسیار اسف‌‌بار رسانه‌های رسمی در کشور ما سالهاست که از آنها انتظاری نمی‌توان داشت. عموم روشنفکران ایرانی نیز متاسفانه سواد و یا توجه لازم به این دوره تاریخی را نداشته‌اند. در بین بسیاری از مردم نیز، مطالعه تاریخ و ادبیات چیزی از جنس سرگرمی محسوب می‌شود. در این مورد ما حداقل مثالی داریم که نشان می‌دهد بها دادن به تاریخ و ادبیات می‌تواند راهی باشد برای جلوگیری از فراموشی جمعی و کمک به نوعی هشیاری برای اینکه آمادگی ذهنی مناسب‌تری در برابر وقایعی همچون شیوع بیماری داشته باشیم.

* از پویا خداپرست برای کمک به تهیه این متن تشکر میکنم.

منابع:

(1) 1918 Pandemic. Centers for Disease Control and Prevention. 

(2) The Spanish flu (1918-20): The global impact of the largest influenza pandemic in history, Max Roser, 2020. Our World in Data. Note: See references in this article for different estimates of global casualties.  

(3) Compromised constitutions: the Iranian experience with the 1918 influenza pandemic, Amir Afkhami, 2003. Bulletin of the history of medicine, 77 (2)

(4) Iran: A Modern History, Abbas Amanat, 2019. Yale University Press. Note: See pp 411-415

(5) Is the 1918 Influenza Pandemic Over? Long‐Term Effects of In Utero Influenza Exposure in the Post‐1940 U.S. Population, Douglas Almond, 2006. Journal of Political Economy. Volume 114, Number 4.

مقاله قبلیمقاله بعدی

تاثیر شرایط جوی بر گسترش بیماری کوید نوزده: تخمین‌ها و پیش‌بینی‌ها

رن شو (دانشگاه کانتیکِت)، هژیر رحمانداد (اِم‌آی‌تی)، ماریچی گوپتا (بیمارستانِ MGH)، کترین دی‌جِنارو (بیمارستانِ MGH)، نوید غفارزادگان (ویرجینا تِک)، حسن امینی (دانشگاه کُپِنهاگ) و محمد جلالی (دانشگاه هاروارد و بیمارستانِ MGH)

تماس: محمد جلالی msjalali@mgh.harvard.edu

خلاصه

مقدمه: تحلیل و پیش‌بینیِ روند گسترش بیماری کوید نوزده، نیاز به تخمینِ میزانِ تاثیر شرایط آب و هوایی بر گسترش بیماری دارد. مطالعات گذشته محققین در این زمینه با تناقضاتی در نتایج همراه بوده‌است. در این مقاله، نویسندگان، ضمنِ جمع‌آوری یکی از گسترده‌ترین مجموعه داده‌های موجود از نقاط مختلف دنیا، به تخمین تاثیر شرایط جوی و پیش بینی ریسک گسترشِ بیماری، در ماه‌های آتی، و در نقاط مختلف دنیا می‌پردازند.

رویکرد: این مقاله مبتنی بر استفاده از روش‌های مختلف تحقیق اعم از مدل‌های آماری و شبیه‌سازی و استفاده از کلان‌داده است. داده‌های جمع‌آوری شده،  شامل تعدادِ بیماران بر مبنای گزارش‌های رسمی در 3739 منطقه دنیا، از تاریخ 12 دسامبر تا 22 آوریل سال 2020، و متغیرهای متعدد جوی و منطقه‌ای است. در این مقاله، ابتدا با استفاده از مدل‌های شبیه‌سازی، چالش‌های پیش‌رو در تخمین تاثیر شرایط آب و هوایی بر گسترش بیماری بررسی شده است و نشان داده می‌شود که، از نظر متدولوژیک، دست‌ِکم گرفتن اهمیتِ توزیع آماریِ بازه زمانی میان آغاز بیماری، شناسایی بیماری، و گزارش آن، می‌تواند به تخمین‌های نادرست بیانجامد. این مشکل از آنجا ناشی می‌شود که برای بررسی تاثیر دما باید دمای روزانه با تعداد مبتلایان همان روز مقایسه شود، حال آنکه زمان نسبتا طولانی و متغیر میان آغاز ابتلا و شناسایی موارد ابتلا وجود دارد. از این رو تخمین تاثیر شرایط آب و هوایی بر بیماری نیز مشکل می‌شود. در این مطالعه، ابتدا الگوریتمی ارائه شده است که زمان آغاز بیماری با استفاده از گزارش‌های رسمی تخمین زده شود. سپس مدلِ آماری این مطالعه، در محیطِ شبیه‌سازی، طراحی و آزمایش شده است. پس از سنجش اعتبارِ مدل، از داده‌های اصلی برای بررسی همبستگی متغیرهای جوی و متغیر بازتولید کننده استفاده شده است. مدل آماری نهایی، علاوه بر متغیرهای جوی، شامل متغیرهای مختلف محیطی، اعم از چگالی شهری، و روند تغییرات در هر منطقه است. نهایتا، از تخمین‌های بدست آمده برای بررسیِ (کاهشِ) ریسکِ ناشی از تغییرات دما بر گسترش بیماری در مناطق مختلف، استفاده شده است.

نتایج: تغییرات آب و هوایی می‌تواند تا حدودی بر (کاهشِ) گسترش بیماری تاثیر‌گذار باشد. میزان تاثیر شرایط جوی قابل ملاحظه است، اما، به خودیِ خود، کافی نیست. به طور مشخص، پس از دمای بیست و پنج درجه سانتیگراد، به ازای هر درجه افزایشِ دما، قدرت بازتولید کنندگی ویروس، تقریبا سه و یک‌دهم درصد کم می‌شود (بازه اطمینان 95 درصد: بین یک و نیم درصد، تا چهار و هشت‌دهم درصد). یعنی ده درجه افزایش دما از 25 تا 35 درجه سانتیگراد، با فرض ثابت بودن سایر عوامل همچون رطوبت هوا، منجر به کاهش سی و یک درصدی عدد بازتولید کننده می‌شود. در مناطق مرطوب‌تر، تاثیر بازدارندگی گرمایش، به مراتب بیشتر خواهد بود. علاوه بر این متغیرها، تاثیر وزش باد، میزان آفتاب، برف و بارندگی نیز بررسی شده است. در کل، به نظر می‌رسد که تفاوت شرایط آب و هوایی، تا 43 درصد، قادر به توضیح تفاوت میزانِ شیوع بیماری در نقاط مختلف دنیاست. شکل 1، تخمین ریسک ناشی از تغییرات جوی بر گسترش بیماری را در برخی از شهرهای ایران نشان می‌دهد.

شکل 1 – ریسک ناشی از تغییرات جویِ گسترش کرونا در شهرهای مختلف ایران – برای درک بهتر شکل باید به تغییرات نسبی هر نمودار توجه شود. مثلا در نمودار تهران، ریسک گسترش بیماری در ماههای تابستان حدودا 30 درصد کمتر از ماههای میانیِ زمستان است (تفاوتِ هفت دهم، و نود و پنج صدم). برای بسیاری دیگر از مناطق ایران و جهان به این سایت مراجعه کنید: https://projects.iq.harvard.edu/covid19

میزان تاثیرات قابل ملاحظه است. هر چند تخمین‌های موجود در این مطالعه با احتیاط همراه بوده و احتمالا تخمین پایین‌دستی است، اما باز هم به نظر نمی‌رسد که تغییرات آب و هواییِ فصلی، به تنهایی، قادر به کنترل بیماری باشد و برای کنترل بیماری به ادامه برخی از سیاستها در سطح کشور نیاز است. برای بررسی بسیاری دیگر از شهرها و مناطق دنیا می توانید به سایت این پژوهش مراجعه کنید. علاقه‌مندان به مباحث تخصصی را به مطلب اصلی ارجاع می‌دهیم.

سایت پژوهش: https://projects.iq.harvard.edu/covid19

مقاله اصلی:

Xu, R., Rahmandad, H., Gupta, M., DiGennaro, C., Ghaffarzadegan, H., Amini, N., Jalali, M., Weather Conditions and COVID-19 Transmission: Estimates and Projections. Available at https://www.medrxiv.org/content/10.1101/2020.05.05.20092627v1  

اخبار نگران کننده؛ «احتیاط» هنوز اولویت اول

نوید غفارزادگان

در ادامه مطالب قبلی (+و ++) به داده های رسمی جدید بیماری در ایران نگاه می کنیم:

یکی از پارامترهای مهم در بررسی روند شیوع بیماری، متغییر بازتولید کننده Reproduction number است. این متغیر نشان می دهد که هر بیمار در زمان بیماری چند نفر جدید را بیمار می کند. می دانیم که اگر این متغیر بالاتر از یک باشد، روند رشد، فزاینده خواهد بود. دسترسی به داده های واقعی به دلیل محدودیت های تست (اعم از میزان و دقت تست) میسر نیست. از طرف دیگر داده های تست عموما تاخیر ده روزه نسبت به زمان آغاز بیماری دارند. با تمام این محدودیت ها اگر فرض کنیم تعداد گزارشِ بیماران جدید، نسبت ثابتی از بیماران واقعی در ده روز گذشته است می توانیم متغییر بازتولید کننده را تخمین بزنیم. با همین روش به نمودار زیر می رسیم:

این نمودار نشان می دهد که متاسفانه این متغیر، حدودا سیزده روز پیش، عدد یک را پشت سرگذاشته است که روند بسیار نگران کننده ای است. در صورتی که این روند ناشی از نویز در گزارشها نباشد، بیانگر این است که موج دوم بیماری در راه است. امیدواریم این طور نباشد. ضمن این که چون ارقام اعلام شده، کشوری است، دقیقا معلوم نیست چه منطقه ای و چه استانی با این مشکل روبروست. به هر حال سیاستگذاران و مردم باید بسیار به‌هوش باشند، از بازگشایی مراکزی که به تجمع زیاد منجر می‌شود خودداری شود، و از بیرون رفتن های غیرضروری بکاهند.