Uncovering identifiability of epidemiological models: basic reproduction number and complementary data streams

तकनीकी सारांश: महामारी संबंधी मॉडलों की पहचान क्षमता (Identifiability) का अनावरण

समस्या विवरण
संक्रामक रोग की गतिशीलता के गणितीय मॉडलों का उपयोग महामारी संबंधी मापदंडों (parameters) का अनुमान लगाने और सार्वजनिक स्वास्थ्य निर्णयों को सूचित करने के लिए निगरानी डेटा (surveillance data) के साथ नियमित रूप से किया जाता है। हालाँकि, एक मौलिक चुनौती मौजूद है: अवलोकन योग्य डेटा अक्सर महामारी प्रक्रिया का केवल एक आंशिक दृश्य ही कैप्चर करता है। आदर्श स्थितियों (पूर्ण, शोर-मुक्त, निरंतर अवलोकन) के तहत भी, मॉडल की संरचना और उपलब्ध माप सभी मापदंडों को विशिष्ट रूप से निर्धारित करने के लिए पर्याप्त जानकारी नहीं रख सकते हैं। यह सीमा औपचारिक रूप से संरचनात्मक पहचान क्षमता (structural identifiability) द्वारा अभिलक्षित है। एक मॉडल जो इस परीक्षण में विफल रहता है, वह डेटा की गुणवत्ता या मात्रा के बावजूद अद्वितीय मापदंड अनुमान प्रदान नहीं कर सकता है।

जबकि संरचनात्मक पहचान क्षमता विश्वसनीय अनुमान के लिए एक आवश्यक पूर्व शर्त है, वर्तमान महामारी संबंधी अभ्यास अक्सर दो महत्वपूर्ण बारीकियों की अनदेखी करता है:

1. मिश्रित मात्राएँ (Composite Quantities): एक मॉडल व्यक्तिगत मापदंडों के संबंध में संरचनात्मक रूप से गैर-पहचान योग्य (nonidentifiable) हो सकता है, फिर भी वह कुछ पहचान योग्य मिश्रित मात्राओं (जैसे, मूल प्रजनन संख्या, $R_0$) या अवलोकन योग्य अवस्था चरों (state variables) को प्राप्त कर सकता है जो निर्णय लेने के लिए महत्वपूर्ण हैं।
2. न्यूनतम पूरक डेटा (Minimal Complementary Data): संरचनात्मक गैर-पहचान क्षमता को हल करने के लिए पूरक धाराओं से आवश्यक अतिरिक्त डेटा की न्यूनतम मात्रा के संबंध में व्यवस्थित समझ का अभाव है।

कार्यप्रणाली
लेखक विभिन्न वर्गों के कम्पार्टमेंटल महामारी मॉडलों में संरचनात्मक पहचान क्षमता की जांच करने के लिए विभेदक बीजगणित (differential algebra), संख्यात्मक अनुकूलन (numerical optimization) और सैद्धांतिक प्रमाणों को संयोजित करने वाले एक व्यवस्थित दृष्टिकोण का उपयोग करते हैं।

• विभेदक बीजगणित दृष्टिकोण: प्राथमिक विश्लेषणात्मक उपकरण विभेदक बीजगणित दृष्टिकोण है, जिसे StructuralIdentifiability.jl सॉफ्टवेयर पैकेज के माध्यम से लागू किया गया है। इस पद्धति में शामिल है:

  1. अवस्था चरों (state variables) को हटाकर केवल अवलोकनों और मापदंडों वाले इनपुट-आउटपुट समीकरणों को व्युत्पन्न करना।
  2. यह जांचना कि क्या इन समीकरणों के गुणांक पहचान योग्य मापदंड संयोजनों का एक पूर्ण सेट बनाते हैं।
  3. यह निर्धारित करना कि क्या व्यक्तिगत मापदंडों या अवस्था चरों को इन संयोजनों के पदों में व्यक्त किया जा सकता है।
  4. अवस्था चरों की पहचान क्षमता का आकलन करने के लिए ली डेरिवेटिव्स (Lie derivatives) का उपयोग करना।
     नोट: लेखक स्वीकार करते हैं कि हालांकि सॉफ्टवेयर के कुछ चरण यादृच्छिक (randomized) हैं, वे जहाँ आवश्यक हो वहाँ कठोर गणितीय प्रमाण प्रदान करते हैं या सत्यापन के लिए नियतात्मक उपकरणों (जैसे DAISY) का उपयोग करते हैं।

• संख्यात्मक दृश्यीकरण (Numerical Visualization): सैद्धांतिक विश्लेषण के पूरक के रूप में, लेखक MATLAB में मल्टी-स्टार्ट लोकल ऑप्टिमाइजेशन का उपयोग करते हैं। वे कई प्रारंभिक मापदंड अनुमानों से सिम्युलेटेड, शोर-मुक्त पूर्ण प्रकोप डेटा पर मॉडलों को फिट करते हैं। अनुकूलन परिदृश्य (optimization landscape) में गैर-विशिष्टता (multiple distinct parameter sets yielding equivalent fits) गैर-पहचान क्षमता का एक दृश्य संकेतक है।

• मॉडल वर्ग: अध्ययन में निम्नलिखित सहित व्यापक स्पेक्ट्रम के महामारी संबंधी मॉडल शामिल हैं:

  • मानक प्रवृत्तियों वाले मानक SIR मॉडल।
  • गामा-वितरित विलंब (SEnIR) और संक्रामकता (SInR) अवधियों वाले मॉडल।
  • भिन्नात्मक (fractional) और योगात्मक (additive) मृत्यु दर वाले मॉडल (SIRD)।
  • कई संचरण मार्गों वाले मॉडल (हैजा: मानव-से-मानव और जलजनित)।
  • एकत्रित अवलोकनों वाले स्तरीकृत जनसंख्या मॉडल।
  • होस्ट-वेक्टर डायनेमिक्स (Ross-Macdonald मॉडल)।
  • गैर-रेखीय प्रवृत्तियों (nonlinear incidence) वाले व्यवहार संबंधी प्रतिक्रिया मॉडल।

मुख्य योगदान और परिणाम

1. गैर-पहचान योग्य मापदंडों के बावजूद मिश्रित मात्राओं ($R_0$) की पहचान क्षमता
अध्ययन यह प्रदर्शित करता है कि मॉडल की संरचनात्मक गैर-पहचान क्षमता, पहचान योग्य मिश्रित मात्राओं (जैसे $R_0$) की पहचान क्षमता को बाधित नहीं करती है।

• SIR मॉडल: जबकि ट्रांसमिशन रेट ($\beta$) और जनसंख्या आकार ($N$) गैर-पहचान योग्य हैं (केवल उनका अनुपात $\beta/N$ पहचान योग्य है), मूल प्रजनन संख्या $R_0$ और प्रभावी प्रजनन संख्या $R_e(t)$ वैश्विक रूप से पहचान योग्य हैं।
• SIRD मॉडल: संक्रमण मृत्यु अनुपात वाले मॉडलों में, ट्रांसमिशन रेट और मृत्यु अनुपात जैसे व्यक्तिगत मापदंड गैर-पहचान योग्य हैं, लेकिन $R_0$ वैश्विक रूप से पहचान योग्य बना रहता है।
• हैजा और होस्ट-वेक्टर मॉडल: जटिल संचरण मार्गों और गैर-पहचान योग्य व्यक्तिगत मापदंडों (जैसे विशिष्ट ट्रांसमिशन दरें या जनसंख्या आकार) के बावजूद, $R_0$ को वैश्विक रूप से संरचनात्मक रूप से पहचान योग्य दिखाया गया है क्योंकि यह पहचान योग्य संयोजनों के गुणनफल और भागफल में विघटित होता है।
• अपवाद: लेखक संतृप्त प्रवृत्तियों (saturating incidence function, $k=1$) वाले व्यवहार संबंधी प्रतिक्रिया मॉडलों में एक प्रति-उदाहरण की पहचान करते हैं। इस विशिष्ट मामले में, $R_0$ केवल स्थानीय रूप से पहचान योग्य है, न कि वैश्विक रूप से, जो इस धारणा को चुनौती देता है कि $R_0$ हमेशा पहचान योग्य होता है।

2. वैश्विक पहचान क्षमता के लिए न्यूनतम पूरक डेटा
यह शोध सिद्ध करता है कि न्यूनतम पूरक डेटा को शामिल करने से संरचनात्मक गैर-पहचान क्षमता को हल किया जा सकता है, जिसमें अक्सर एक अतिरिक्त अवस्था चर से केवल एक एकल समय-बिंदु माप की आवश्यकता होती है।

• SIR मॉडल: रिकवर्ड जनसंख्या $R(t)$ के लिए एक एकल शोर-मुक्त डेटा बिंदु जोड़ने से पूरा मॉडल वैश्विक रूप से पहचान योग्य हो जाता है।
• SIRD मॉडल: $S(t)$, $I(t)$, या $R(t)$ का एक एकल अवलोकन, ट्रांसमिशन रेट और मृत्यु अनुपात के बीच सहसंबंध के कारण होने वाली गैर-पहचान क्षमता को हल कर देता है।
• हैजा मॉडल: डेटा की आवश्यकताएं अवलोकन के प्रकार पर निर्भर करती हैं। रोगजनक सांद्रता ($W$) को देखने के लिए वैश्विक पहचान क्षमता प्राप्त करने हेतु अलग-अलग कम्पार्टमेंट से दो पूरक डेटा बिंदुओं की आवश्यकता होती है, जबकि रोगजनक प्रवाह ($\alpha I$) को देखने के लिए केवल एक डेटा बिंदु की आवश्यकता होती है।
• व्यवहार संबंधी मॉडल: $S(t)$ या $R(t)$ का एक एकल अवलोकन स्थानीय रूप से पहचान योग्य व्यवहार मॉडल को वैश्विक रूप से पहचान योग्य मॉडल में बदल देता है।

3. अवस्था दृश्यता (State Observability) बनाम मापदंड पहचान क्षमता
अध्ययन इस बात पर प्रकाश डालता है कि मापदंडों की वैश्विक पहचान क्षमता, अवस्था चरों की वैश्विक पहचान क्षमता की गारंटी नहीं देती है। उदाहरण के लिए, एक स्तरीकृत SIR मॉडल में जहाँ दो उप-जनसंख्याएँ समान मापदंड साझा करती हैं, वहां कुल (aggregate) मापदंड पहचान योग्य होते हैं, लेकिन उप-जनसंख्याओं के व्यक्तिगत अवस्था चर पहचान योग्य नहीं होते हैं; केवल उनका योग ही पहचान योग्य होता है।

महत्व और दावे
लेखक अपने निष्कर्षों को महामारी संबंधी मॉडलिंग और निगरानी डिजाइन के लिए दृष्टिकोण में बदलाव के रूप में प्रस्तुत करते हैं:

• पहचान क्षमता के प्रश्न को नया रूप देना: केंद्रीय प्रश्न "क्या मॉडल पहचान योग्य है?" से बदलकर "क्या वे मात्राएँ जो निर्णय लेने के लिए महत्वपूर्ण हैं, पहचान योग्य हैं?" होना चाहिए। एक संरचनात्मक रूप से गैर-पहचान योग्य मॉडल अभी भी "उद्देश्य के लिए पर्याप्त" हो सकता है यदि सार्वजनिक स्वास्थ्य निर्णयों के लिए आवश्यक विशिष्ट मिश्रित मात्राएँ (जैसे $R_0$) पहचान योग्य हैं।
• निगरानी डिजाइन के निहितार्थ: कई डेटा धाराओं की बार-बार निगरानी करने के लिए सीमित संसाधनों को आवंटित करने या अनिश्चित बाहरी मापदंड अनुमानों पर भरोसा करने के बजाय, सार्वजनिक स्वास्थ्य प्रणालियाँ रणनीतिक रूप से उच्च-गुणवत्ता वाले, विरल (sparse) पूरक मापन एकत्र करने को प्राथमिकता दे सकती हैं। अध्ययन सुझाव देता है कि एक पूरक धारा (जैसे, एक स्नैपशॉट प्रदान करने वाला सेरोप्रीवेलेंस सर्वेक्षण) से एक एकल, शोर-मुक्त डेटा बिंदु भी वैश्विक पहचान क्षमता प्राप्त कर सकता है।
• सैद्धांतिक सीमाएं: शोध पत्र गैर-रेखीय मॉडलों के लिए सामान्य पहचान क्षमता परिणाम प्राप्त करने की कठिनाई को स्वीकार करता है। जबकि वे गामा-वितरित विलंब अवधि के लिए वैश्विक पहचान क्षमता स्थापित करते हैं, वे नोट करते हैं कि व्यवहार संबंधी प्रतिक्रिया मॉडलों के पैटर्न अभी भी मायावी हैं और संरचनात्मक विवरणों (जैसे, घातांक $k$) के प्रति संवेदनशील हैं।

निष्कर्षतः, यह अध्ययन इस बात का आकलन करने के लिए एक पद्धतिगत आधार प्रदान करता है कि महामारी संबंधी मॉडलों से क्या विश्वसनीय रूप से अनुमान लगाया जा सकता है, यह प्रदर्शित करते हुए कि पूर्ण मॉडल पहचान क्षमता अप्राप्य होने पर भी उपयोगी अनुमान संभव है, और न्यूनतम पूरक डेटा अक्सर पूर्ण पहचान क्षमता को बहाल कर सकता है।