Disease spread in compartmental spaces: Markov and semi-Markov population models

In der Erforschung von Infektionskrankheiten verlassen sich Wissenschaftler seit langem auf mathematische Modelle, um vorherzusagen, wie sich eine Krankheit durch eine Bevölkerung ausbreitet. Traditionelle Ansätze gehen oft davon aus, dass sich Menschen zufällig vermischen, wie Tintentropfen, die in einem Glas Wasser wirbeln, wobei jedes Individuum die gleiche Chance hat, auf jede andere Person zu treffen. Die reale Welt ist jedoch weitaus strukturierter. Menschen bewegen sich durch spezifische Umgebungen – Büros, Schulen, Krankenhäuser und Einkaufszentren – und verbringen dabei unterschiedliche Zeitspannen in verschiedenen Räumen sowie Interaktionen nur mit einem Teil der Menschen, die sich um sie herum befinden. Diese räumliche Organisation, kombiniert mit der Tatsache, dass Menschen diese Räume ständig betreten und verlassen, schafft ein komplexes Netz von Kontakten, das einfache Modelle oft übersehen. Das Verständnis darüber, wie sich Krankheiten in diesen geschlossenen, kompartimentierten Räumen ausbreiten, ist entscheidend für die Gestaltung effektiver Maßnahmen der öffentlichen Gesundheit, insbesondere wenn Belüftung und gemeinsame Luft eine bedeutende Rolle bei der Übertragung spielen.

Ein Forscherteam aus Mexiko hat einen neuen Weg entwickelt, um diese Komplexität zu modellieren, indem es über die Annahme der zufälligen Vermischung hinausgeht und ein Rahmenwerk schafft, das die spezifische Anordnung eines Gebäudes und die Bewegung der Menschen darin berücksichtigt. Ihre Arbeit, die in einem Forschungsartikel veröffentlicht wurde, führt zwei komplementäre mathematische Ansätze ein, um zu verfolgen, wie sich eine Infektion durch ein Netzwerk verbundener Räume ausbreitet. Der erste Ansatz betrachtet die Umgebung als ein geschlossenes System, in dem eine feste Anzahl von Menschen zwischen den Räumen hin- und herwechselt, aber niemand das System betritt oder verlässt. Der zweite, flexiblere Ansatz betrachtet die Umgebung als ein offenes System, das es ermöglicht, dass Menschen von außen kommen und jederzeit das System verlassen, während er gleichzeitig berücksichtigt, dass Menschen nicht in jedem Raum die gleiche Zeit verbringen. Durch die Kombination dieser Bewegungsmuster mit einem spezifischen Mechanismus für die Art und Weise, wie die Krankheit erworilt wird, konnten die Forscher die erwartete Anzahl an gesunden Menschen, Trägern und infizierten Personen zu jedem gegebenen Zeitpunkt berechnen.

Die Forscher unterteilten die Bevölkerung in drei verschiedene Gruppen, um den Fluss der Infektion besser zu verstehen. Die erste Gruppe besteht aus empfänglichen Individuen, die gesund sind, aber die Krankheit bekommen können. Die zweite Gruppe umfasst Träger, die den Erreger bereits in sich tragen und ihn an andere weitergeben können. Die dritte Gruppe umfasst diejenigen, die während ihres Aufenthalts im System infiziert wurden. Ein Schlüsselmerkmal dieses Modells ist, dass es zwischen Trägern und neu infizierten Personen unterscheidet. Die Fors 아닌 Forscher gingen davon aus, dass eine Person, sobald sie innerhalb des Systems infiziert wird, nicht sofort selbst ansteckend wird; stattds bleibt sie in der Kategorie „infiziert“, ohne die Krankheit während der Beobachtungszeit weiter zu verbreiten. Diese Unterscheidung ermöglicht es dem Modell, sich speziell auf den Moment der Übertragung von einem Träger auf eine empfängliche Person zu konzentrieren, anstatt auf eine Kettenreaktion sekundärer Infektionen.

Um die Bewegung der Menschen zu simulieren, verwendeten die Forscher zwei verschiedene mathematische Werkzeuge. Im ersten Szenario modellierten sie ein geschlossenes Gebäude, in dem die Gesamtzahl der Menschen konstant bleibt. Menschen bewegen sich basierend auf festen Wahrscheinlichkeiten von Raum zu Raum, ähnlich wie ein Spieler in einem Spiel, der würfelt, um zu entscheiden, in welchen Raum er als Nächstes tritt. In diesem geschlossenen System fanden die Forscher heraus, dass sie die durchschnittliche Anzahl der Menschen in jedem Raum und die Art und Weise, wie sich die Infektion über die Zeit ausbreitet, genau vorhersagen konnten. Sie überprüften diese Vorhersagen durch Computersimulationen mit tausenden virtuellen Menschen. Die Ergebnisse zeigten, dass mit zunehmender Anzahl der Menschen in der Simulation die tatsächlichen Ergebnisse fast perfekt mit den mathematischen Vorhersagen übereinstimmten, was bestätigte, dass ihre Formeln für das durchschnittliche Verhalten der Population korrekt waren.

Das zweite Szenario befasste sich mit der Realität, dass die meisten Gebäude keine geschlossenen Systeme sind. Menschen kommen durch Türen herein und verlassen das Gebäude durch Ausgänge, und die Zeit, die sie in einem Raum verbringen, variiert stark. Um dies zu erfassen, verwendeten die Forscher ein Semi-Markov-Modell, das realistischere Bewegungsmuster ermöglicht. In diesem Rahmen ist die Zeit, die eine Person in einem Raum verbringt, nicht auf einen Standarddurchschnitt festgelegt; stattdessen kann sie jeder beliebigen Verteilung folgen, was widerspiegelt, dass jemand vielleicht eine Stunde in einem Wartezimmer verweilt, aber in Sekunden durch einen Flur eilt. Dieses Modell beinhaltet auch „absorbierende Zustände“, welche die Außenwelt repräsentieren. Sob Lov eine Person einen absorbierenden Zustand erreicht, hat sie das System verlassen und wird nicht zurückkehren. Dieser Aufbau ermöglichte es den Forschern, nicht nur zu berechnen, wie viele Menschen sich im Inneren befinden, sondern auch, wie lange sie bleiben und wie viele das System verlassen, während sie gesund, ein Virus tragend oder bereits infiziert sind.

Die Forscher wandten ihr offenes Modell auf ein spezifisches Beispiel an, das eine Einrichtung mit zwei Räumen sowie zwei Eingängen und Ausgängen umfasst. Sie simulierten das Eintreffen von gesunden Menschen und Trägern unter Verwendung einer Standardstatistikverteilung für zufällige Ankünfte. Durch die Durchführung dieser Simulationen waren sie in der Lage, die stationären Zahlen der Personen zu bestimmen, die das Gebäude in jeder Gesundheitskategorie verlassen. Ihre Ergebnisse zeigten eine klare Beziehung zwischen dem Personenfluss und der Ausbreitung der Krankheit. Mit steigender Anzahl der eintretenden Träger sank die Anzahl der gesunden Menschen, die das System verlassen, was darauf hindeutet, dass im Inneren mehr Infektionen stattfinden. Umgekehrt stieg die Zahl der Personen, die mit der Infektion das Gebäude verlassen, wenn die Rate der infizierten Einträge zunahm.

Eine besonders interessante Erkenntnis ergab sich, als die Forscher eine Einrichtung mit einem einzigen Eingang und Ausgang mit einer Einrichtung mit mehreren Eingängen und Ausgängen verglichen. Sie fanden heraus, dass die Konfiguration des Gebäudes das Ergebnis signifikant beeinflusste. In dem Modell mit einem einzigen Ein- und Ausgang war die Anzahl der gesunden Menschen, die das System verließen, niedriger und die Anzahl der infizierten Menschen, die das System verließen, höher, verglichen mit dem Modell mit mehreren Ein- und Ausgangspunkten. Dies deutet darauf hin, dass das Vorhandensein von mehr Wegen, einen Raum zu betreten und zu verlassen, was kontraintuitiv erscheinen mag, die Gesamtzahl der Infektionen tatsächlich reduzieren könnte, indem es die Bewegungsmuster verändert und die Zeit, die Menschen in engem Kontakt mit Trägern verbringen, verringert.

Die Studie kommt zu dem Schluss, dass durch die Integration der physischen Struktur eines Raumes mit der Bewegung der Menschen und der Mechanik der Krankheitsübertragung ein wesentlich genaueres Bild davon erstellt werden kann, wie sich ein Ausbruch entwickelt. Die von den Forschern abgeleiteten mathematischen Ausdrücke bieten eine Möglichkeit, die erwartete Anzahl an empfänglichen, tragenden und infizierten Individuen zu jedem beliebigen Zeitpunkt zu berechnen. Diese Werkzeuge können der öffentlichen Gesundheit und politischen Entscheidungsträgern helfen zu verstehen, welche Teile eines Gebäudes oder welche Bewegungsmuster das größte Risiko bergen. Während die aktuelle Arbeit sich auf den theoretischen Rahmen und Simulationen konzentriert, legen die Autoren nahe, dass diese Modelle schließlich auf reale Umgebungen angewendet werden könnten, wobei tatsächliche Daten über die Bewegungen von Menschen genutzt werden kann, um bessere Interventionen zu entwerfen und die Ausbreitung von Infektionskrankheiten in komplexen, strukturierten Räumen zu reduzieren.