Az algoritmus figyeli a közegészségügyi adatokat a várható kitörésekhez kapcsolódó statisztikai minták felderítésére - írja a PLoS Biology szaklap. Bár a Tobias Brett és Pejman Rohani kutatók vezérelte csoport metódusa nem ismeri fel az új vírusokat (mint amilyen a COVID-19), mindazonáltal fontos közegészségügyi vonatkozásai lehetnek a jövő járványidőszakaiban. Rohani, a Regents és az UGA Atlétikai Szövetség fertőző betegségekkel foglalkozó professzora szerint az Egészségügyi Világszervezet régóta igyekszik felhívni a figyelmet a vakcinák lefedettségének csökkenésére mindazon betegségeknél, amelyeket már ismerünk és amikre léteznek oltások, például a kanyaró, a szamárköhögés vagy a mumpsz. Hozzátette: ez

az algoritmus valóban hasznos lehet azon víruspopulációk azonosításához, amelyek újraszerveződhetnek az oltásokkal megelőzhető fertőzésekben.

A módszer azon elméleten alapul, miszerint vannak bizonyos árulkodó minták, amik rendszeresen felbukkannak az egészségügyi jelentésekben, és amik egyúttal előrevetítik a járványkitörést. A változás mögöttes okai között lehet az oltás hatékonyságának és az oltási arány csökkenése, de a kutatók ideveszik a külső környezeti tényezőket is, mint amilyen a változó éghajlat. Ugyanakkor a háttérben meghúzódó okoktól függetlenül az esettanulmányok azonos statisztikai mintákat is kirajzolnak. Brett és Rohani mindezek kapcsán fejlesztette ki az algoritmust, amely évekig figyelemmel kíséri az esetekről készült jelentéseket, megkeresi a jellemző mintákat, és kiszámolja a betegség újbóli megjelenésének kockázatát. Mivel az algoritmusnak számos betegségre alkalmazhatónak kellett lennie, Brett és Rohani az elmúlt tíz év tízezer szimulált esettanulmánykészlet felhasználásával 'képezte ki' a közelgő járványkitörést jellemző minták felismerésére. A szimulált adatok paraméterkombinációk széles skáláját és különböző újjáéledési mechanizmusokat tartalmaztak. A vizsgált idősorok adatsorainak fele egy kialakuló járványveszélyt vetített előre, míg a másik fele nem. A kutatók ezzel a két részre osztással megtanították az algoritmusnak, hogy

melyek azok a statisztikai jellemzők és azok kombinációi, amelyek sikeresen megjósolják, hogy egy adott víruspopuláció kitörés előtt áll-e vagy sem.

Miután az algoritmus képes volt beazonosítani a betegség kialakulására utaló általános mintákat, Brett és Rohani idősoros adatokon tesztelték azokat az eseteket, amelyek négy történelmi jelentőségű járvány kitöréséhez vezettek. Az egyik ilyen volt a 2004-2005-ös, Angliában kitört mumpsz, nagyjából tizenöt évvel a csecsemőoltás bevezetését követően. Az angliai Public Health 1990-től 2005-ig terjedő esettanulmányait elemezve

az algoritmus négy évvel a kirobbanása előtt azonosította a közelgő járvány kitörését jelző mintát.

Majdnem tökéletes a rendszer

A szamárköhögés terjedését szintén sikerült visszaszorítani az oltási programoknak köszönhetően, ennek ellenére az Egyesült Államokban (az 1970-es évek óta) elvétve ugyan, de különböző időpontokban rendszeresen újra felbukkan. Ebben az esetben Brett és Rohani azt szerette volna tudni, hogy az algoritmus képes-e előre azonosítani, hogy mely államokban várható járványkitörés. Az állami közegészségügyi hivatalok 1980 és 2000 közötti időszakra vonatkozó adatai alapján

az algoritmus közel száz százalékban helyesen azonosította be az adatokat.

Noha a mumpsz és a szamárköhögés közvetlenül terjed, számos fertőző betegséget bolhák, szúnyogok vagy kullancsok terjesztenek. Annak megállapítására, hogy vajon az algoritmus ezen betegségeknél is működik-e,
Brett és Rohani letesztelték a madagaszkári bubópestis 2017. évi kitörésének és Puerto Ricóban 1995 és 2009 között megjelent dengue-láz adataival.

Az algoritmus mindkét esetben kitörésük előtt jelezte a járványok megjelenését.

A harangot továbbra is a szakembereknek kell megkongatni

Brett és Rohani hangsúlyozzák, hogy bár az algoritmus kikalkulálja a betegségek újbóli felbukkanását, a kockázatelemzést, illetve a végső döntés a járványhelyzet megállapításáról, valamint a szükséges megelőzési protokoll felállításáról továbbra is a közegészségügyi tisztviselők kezében van, akik az adatok mellett figyelembe veszik a szélesebb gazdasági-társadalmi kontextust is. A kutatók az algoritmust ezért elsősorban a közegészségügyi eszköztár lehetséges tartozékának tekintik.

"Arról, hogy mikor kell riasztani és mikor nem, a tudósok nem dönthetnek egyedül "- mondta Brett.

Hozzátette: minden döntésnek annak tudatában kellene megszületni, hogy a szakértők számításba veszik a hibázás lehetőségét, mint például, hogy tévesen, vagy túl későn hirdetnek járványhelyzetet. Jelenleg pedig a közegészségügyi hatóságok a legalkalmasabbak erre.

(Fotó: Unsplash/NationalCancerInstitute)