نوید غفارزادگان و هژیر رحمانداد

نویسندگان این مطلب مدتی است که بر تحلیل آماری و شبیه‌سازی شیوع بیماری کرونا در کشورهای مختلف متمرکز بوده‌اند. جدیداً برخی از نتایج این مطالعات، با تمرکز بر موردکاوی ایران، در مقاله‌ای جمع آوری شده است. در این نوشتار، خلاصه‌ای به زبان فارسی از مقاله اصلی ارائه می‌شود. علاقه‌مندان به مباحث تخصصی را به مطلب کامل‌تر ارجاع می‌دهیم.

Ghaffarzadegan, N., Rahmandad, H., 2020. Simulation-based Estimation of the Spread of COVID-19 in Iran, pre-print medrXiv.

خلاصه فارسی مقاله

ابعاد شیوعِ بیماریِ ناشی از ویروس کرونا از مرزهای جغرافیایی فراتر رفته است و هم‌اکنون بسیاری از کشورها با چالش‌های ناشی از آن روبرو هستند. برای توسعه سیاست‌های موثر در برابر گسترش ویروس، نیاز به داده‌های قابل اطمینان در مورد بیماری و روند رشد آن وجود دارد، اما داده های رسمی در بسیاری از کشورها تخمینی پایین دستی از واقعیت ارائه می‌کند. در این شرایط، سیاستگذاران و عموم جامعه نیاز به مدل‌هایی دارند که با ترکیب داده‌های مختلف رسمی و غیررسمی تصویری جامع‌تر از ابعاد همه‌گیری فراهم کنند. در این مطالعه، نمونه‌ای از این رویکرد با تمرکز بر موردکاوی ایران ارائه شده است.

این مطالعه به توسعه و تخمین مدلی دینامیکی از گسترش بیماری و تطبیق آن با داده‌های رسمی و غیررسمی از میزان بیماری و مرگ و میر می‌پردازد. تفاوت این مدل با مدل‌های رایج در این است که متغیرهای درصد تست و سطح تعاملات اجتماعی، درون‌زا بوده و از گسترش بیماری بازخورد می‌گیرند. در این مدل، آمار رسمی، آمار غیررسمی و آمار واقعی، متغیرهای جدا و در عین حال وابسته هستند. کالیبراسیونِ این مدل، با درنظر گرفتن آمار رسمی و غیررسمی، به  تخمینِ درصدِ تست و درصد پوشش آمار غیررسمی می‌انجامد، و به این ترتیب تعداد واقعی بیماران به صورت مجزا تخمین زده می‌شود.

مدل ارائه شده، با تخمین نسبت‌های مربوط به تست، در حد مطلوبی قادر به بازسازی داد‌ه‌های رسمی و غیررسمی موجود است. تصویر الف و ب در شکل 1 کیفیت همخوانی خروجی مدل با داده‌های موجود را نشان می‌دهد. نتایج، حاکی از آن است که درصد کمی (حدود 2.5% ) از کل بیماران تست شده‌اند و در میان متوفیان نیز تست پس از مرگ در حدود 26% است. دلایل مختلف، اعم از کم‌عارضه بودن بیماری در اکثریت مبتلایان، ظرفیت‌های محدود آزمایشگاهی و کیتهای تست، و تاخیر در فرآیند تست می‌تواند کم‌بودن درصد تست را توضیح دهد. در چنین شرایطی، شبیه سازی این مدل، ما را به تخمینِ 493 هزار موردِ فعلی بیماری (بازه اطمینان 90 درصد: 271 هزار تا 810 هزار) در تاریخ اول فروردین 99 می‌رساند. تخمین این مدل، برای موارد انباشته بیماری، از ابتدا تا همان تاریخ، بالغ بر 916 هزار (بازه اطمینان 90 درصد: 508 هزار تا 1.5 میلیون) و میزان مرگ و میر، بالغ بر 15485 (بازه اطمینان 90 درصد: 8400 تا 25800) مورد است. با توجه به محدودیت‌های مدل، و طبیعت پیچیده مسئله، در بررسی این تخمین‌ها، باید توجه ویژه به بازه اطمینان 90 درصد نیز نمود که نشان از میزان عدم قطعیت در تخمین‌هاست. با این حال اعداد تخمینی نشان از عمق پخش بیماری در سطح جامعه، عدم تست کافی برای تشخیص موارد با وجود رشد در تعداد تستها، و نیاز به سیاستگذاری موثر هم در بهبود تست و هم در کاهش تعاملات اجتماعی دارد. با توجه به تخمینهای این شبیه سازی به نظر می‌رسد کاهش تعاملات اجتماعی تا پیش از نوروز 1399 تا حدودی در آهسته کردن رشد بیماری موثر بوده (تصویر پ)، اما روند طولانی مدت در درجه اول به عملکرد شهروندان در پایین نگه داشتن تعاملات فیزیکی باز می گردد. برای مثال در صورتی که طبق مفروضات مدل مردم با کاهش مرگ و میر ناشی از بیماری نسبتا سریع به حضور فعال در جامعه بازگردند, می‌توان منتظر یک اوج دیگر در پخش بیماری بود. به علاوه روندها وابسته به سیاست‌های مسوولین و تاثیر شرایط جوی است. بر اساس تخمین‌های این مدل، ممکن است تا اوایل تیرماه، در بهترین سناریوها (کاهش سریع بیماری با توجه جدی سیاستگذار بر کاهش تعاملات و تاثیر مثبت شرایط جوی)، یک میلیون و ششصدهزار نفر به بیماری مبتلا بشوند و تعداد مرگ و میر بالغ بر پنجاه و هشت هزار نفر باشد، هرچند که باید به بازه بزرگ عدم قطعیت در این تخمینها توجه جدی کرد (تصویر ت). در سناریوهای بدتر، میزان مرگ و میر ممکن است به 103 هزار مورد برسد. برای جلوگیری از وقوع سناریوهای بدتر تمرکز همه‌جانبه سیاستگذاران برای پایین نگه‌داشتن تماس‌های اجتماعی الزامی است. در نهایت، اعلام زودهنگام پیروزی، ممکن است به بازگشت دوباره بیماری بیانجامد و از این رو سیاستگذاران قبل از کاستن از تمهیدات باید اطمینان ویژه از پایان شیوع بیماری پیدا کنند.

هرچند مشکلات مربوط به گسترش ویروسِ کرونا معطوف به ایران نبوده و هم‌اکنون بسیاری از نقاط دنیا به آن مبتلا هستند، دامنه گسترش آن در ایران شدید بوده است. با این حال، تخمین‌های موجود در این مطالعه را نباید با آمار رسمی ابتلا و مرگ و میر در کشورهای دیگر مقایسه کرد، چرا که احتمالاً آمار رسمی برخی کشورهای دیگر نیز، به دلایل مشابه، تخمینی پایین‌دستی از تعداد واقعیِ بیماران و متوفیان‌شان است. امید است نکات موجود در این مطالعه نه تنها برای ایران که برای بسیاری از کشورها که شرایط مشابهی را دنبال می‌کنند، قابل استفاده باشد.‎

مقاله قبلیمقاله بعدی
دانشیار مهندسی صنایع
Virginia Tech

This post has 1 Comment

1

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

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.