📊 epidemiology

Using an evolutionary epidemiological model of pandemics to estimate the infection fatality ratio for humans infected with avian influenza viruses

यह शोध पत्र एक विकासवादी महामारी विज्ञान मॉडल का उपयोग करके यह अनुमान लगाता है कि प्रतिवर्ष हजारों अज्ञात मानव एवियन इन्फ्लुएंजा संक्रमण होते हैं जिनका संक्रमण मृत्यु दर अनुपात लगभग 0.32% है, जो गंभीर व्यक्तिगत परिणामों को कम करने और भविष्य की महामारियों में देरी करने के लिए पशु-से-मानव स्पिलओवर को रोकने की महत्वपूर्ण आवश्यकता पर प्रकाश डालता है।

मूल लेखक: Mack, J., Li, M., Hurford, A.

प्रकाशित 2026-04-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mack, J., Li, M., Hurford, A.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी तस्वीर: अदृश्य को गिनना

कल्पना कीजिए कि दुनिया भर में बर्ड फ्लू वायरस का एक विशाल, अदृश्य तूफान घूम रहा है। अधिकांश समय, यह तूफान इंसानों से टकराता है लेकिन उन पर असर नहीं करता; यह एक हल्की बारिश की तरह है जो आपकी शर्ट को गीला तो करती है लेकिन उसे पूरी तरह भिगोती नहीं। हालाँकि, कभी-कभी, बारिश की एक बूंद किसी व्यक्ति से टकराती है, और वह व्यक्ति बीमार हो जाता है। इससे भी दुर्लभ मामला तब होता है जब वह व्यक्ति दूसरों को वायरस का एक "सुपर-चार्ज्ड" संस्करण दे देता है, जिससे संभावित रूप से वैश्विक महामारी शुरू हो सकती है।

समस्या यह है कि हम केवल उन्हीं लोगों को देख सकते हैं जो बहुत बीमार होते हैं और अस्पताल जाते हैं। हम उन हजारों लोगों को नहीं देख सकते जिन्होंने शायद बर्ड फ्लू पकड़ा हो, जिन्हें हल्की सी छींक आई हो, या जिनमें कोई लक्षण ही न दिखे, और फिर वे अपने काम पर चले गए।

यह शोध पत्र अदृश्य बारिश की बूंदों को गिनने की कोशिश करने वाले एक जासूस की तरह है। लेखकों ने यह पता लगाने के लिए एक गणितीय मॉडल का उपयोग किया कि:

वास्तव में हर साल कितने लोग बर्ड फ्लू से संक्रमित हो रहे हैं (भले ही उन्हें इसका पता न हो)?
यदि किसी इंसान को यह संक्रमण होता है, तो यह वास्तव में कितना खतरनाक है?
यदि हम इन संक्रमणों में से कुछ को रोक देते हैं, तो हम अगली वैश्विक महामारी से पहले कितना समय खरीद सकते हैं?

1. संक्रमणों का "छिपा हुआ हिमशैल" (Hidden Iceberg)

लेखकों ने पिछले 245 वर्षों के फ्लू महामारी के इतिहास का अध्ययन किया। वे जानते हैं कि महामारियाँ होती हैं, लेकिन वे यह नहीं जानते कि एक सफल महामारी होने से पहले कितनी बार "अभ्यास सत्र" (ऐसे संक्रमण जो महामारी नहीं बने) होते हैं।

उपमा (Analogy): कल्पना कीजिए कि यह एक लॉटरी है। हर बार जब बर्ड फ्लू एक मुर्गी से इंसान में कूदता है, तो यह लॉटरी टिकट खरीदने जैसा होता है। अधिकांश टिकट हारने वाले होते हैं (वायरस खत्म हो जाता है)। लेकिन कभी-कभी, एक टिकट जीत जाता है (वायरस अनुकूलित हो जाता है और इंसानों के बीच फैलने लगता है, जिससे महामारी फैलती है)।

लेखकों ने पूछा: "यदि हम जानते हैं कि जैकपॉट (महामारी) कितनी बार हिट होता है, तो वहां तक पहुँचने के लिए कितने टिकट बेचे जाने चाहिए (संक्रमण)?"

खोज: उन्होंने पाया कि प्रत्येक एक व्यक्ति के लिए जो रिपोर्ट किए जाने लायक बीमार होता है, वास्तव में हजारों लोग ऐसे होंगे जो संक्रमित तो हुए लेकिन कभी रडार पर नहीं आए। उनका अनुमान है कि दुनिया भर में हर साल लगभग 6,400 लोग बर्ड फ्लू से संक्रमित होते हैं, भले ही हम आधिकारिक तौर पर उस संख्या के एक बहुत छोटे हिस्से की ही रिपोर्ट करते हैं।

2. "अदृश्य" वायरस कितना घातक है?

आमतौर पर, जब हम बर्ड फ्लू के बारे में सुनते हैं, तो हमें एक डरावना आंकड़ा सुनाई देता है: "रिपोर्ट किए गए मामलों में से 48% की मृत्यु हो जाती है।" यह डरावना लगता है। लेकिन यह संख्या भ्रामक है क्योंकि यह केवल उन लोगों को गिनती है जो इतने बीमार थे कि उनका परीक्षण किया जा सके।

उपमा: एक वीडियो गेम की कल्पना करें जहाँ आप केवल उन खिलाड़ियों को गिनते हैं जो अपने सभी जीवन (lives) हार जाते हैं। यदि आप केवल "मृत" खिलाड़ियों को देखते हैं, तो गेम असंभव लगता है। लेकिन यदि आप खेलने वाले सभी लोगों को देखते हैं, जिनमें वे भी शामिल हैं जिन्होंने केवल कुछ अंक खोए और खेलते रहे, तो गेम वास्तव में बहुत आसान है।

लेखकों ने इन्फेक्शन फेटालिटी रेशियो (IFR) की गणना की। यह वास्तविक जोखिम है: यदि आपको यह वायरस होता है, तो आपके मरने की क्या संभावना है?

परिणाम:

रिपोर्ट किए गए मामले: 48% मृत्यु दर की तरह दिखते हैं (बहुत डरावना)।
वास्तविक जोखिम (IFR): लगभग 0.32% है (प्रत्येक 10,000 संक्रमणों में 32 मौतें)।

क्या 0.32% सुरक्षित है? नहीं।

यह हर साल आने वाले मौसमी फ्लू की तुलना में लगभग 5 से 10 गुना अधिक घातक है।
यह मूल SARS-CoV-2 वायरस (जो महामारी के शुरुआती दिनों में था) की तुलना में लगभग दोगुना घातक है।

इसलिए, हालांकि यह 50/50 का सिक्का उछालने जैसा नहीं है, फिर भी बर्ड फ्लू पकड़ना एक बहुत ही खतरनाक जुआ है।

3. "टाइम बम" और इसे कैसे डिफ्यूज करें

यह शोध पत्र यह भी पूछता है: "क्या होगा यदि हम लोगों को जानवरों से बर्ड फ्लू पकड़ने से रोक दें?"

उपमा: एक विशाल घड़ी की कल्पना करें जो महामारी विस्फोट तक उलटी गिनती (countdown) कर रही है। हर बार जब बर्ड फ्लू एक गाय या बत्तख से इंसान में कूदता है, तो घड़ी थोड़ा आगे बढ़ जाती है। जितने अधिक जंप (कूद) होंगे, घड़ी उतनी ही तेजी से शून्य तक पहुँचेगी।

लेखकों ने सिम्युलेशन किया कि क्या होगा यदि हम इन जंप्स को रोक दें:

यदि हम 5% जंप को रोकते हैं, तो हम महामारी को लगभग 2 साल टाल देते हैं।
यदि हम 20% जंप को रोकते हैं, तो हम इसे 9.4 साल टाल देते हैं।
यदि हम 50% जंप को रोकते हैं, तो हम इसे 37.5 साल टाल देते हैं।

मुख्य बात (Takeaway): हर बार जब हम किसी किसान, पशु चिकित्सक या शिकारी को जानवर से वायरस पकड़ने से बचाते हैं, तो हम प्रभावी रूप से महामारी की घड़ी पर "पॉज" (रोकने वाला) बटन दबा रहे होते हैं। यह दुनिया को तैयारी करने, टीके विकसित करने और अपनी सुरक्षा में सुधार करने के लिए दशकों का समय देता है।

4. किसे सुनने की जरूरत है?

यह केवल लैब में काम करने वाले वैज्ञानिकों की समस्या नहीं है। यह शोध पत्र बताता है कि जो लोग जानवरों के साथ निकटता से काम करते हैं, वे सबसे अधिक जोखिम में हैं।

किसान, पोल्ट्री कार्यकर्ता, शिकारी, जाल बिछाने वाले और पशु चिकित्सक इस अदृश्य युद्ध के "फ्रंटलाइन सैनिक" हैं।
चूंकि वायरस बिना लक्षणों के भी पकड़ा जा सकता है, इसलिए ये कार्यकर्ता बिना जाने इसे फैला सकते हैं।

सलाह:

बीमार या मृत पक्षियों/जानवरों को न छुएं।
यदि आपको उन्हें संभालना ही है, तो दस्ताने और एक अच्छा मास्क पहनें।
बीमार जानवरों की तुरंत सूचना दें।

सारांश

यह शोध पत्र गणित का उपयोग करके बर्ड फ्लू के पर्दे के पीछे की सच्चाई दिखाता है। यह हमें बताता है कि:

संक्रमण हमारी सोच से कहीं अधिक हैं।
यह वायरस खतरनाक है (मौसमी फ्लू से बहुत बदतर), भले ही यह हर किसी को नहीं मारता।
जानवरों से मानव में होने वाले संक्रमण को रोकना सबसे अच्छा बचाव है। यह व्यक्तिगत जीवन बचाता है और दुनिया को अगली महामारी आने से पहले दशकों की सुरक्षा प्रदान करता है।

इसे एक चेतावनी प्रणाली के रूप में देखें: वायरस पहले से ही कमरे में है, और हम यह खेल खेल रहे हैं कि "हम इसे कितनी बार पकड़ सकते हैं इससे पहले कि यह बाहर निकलने के लिए विकसित हो जाए?" हम इसे जितना जल्दी पकड़ते हैं और रोकते हैं, दरवाजा उतना ही लंबे समय तक बंद रहता है।

यहाँ शोध पत्र "Using an evolutionary epidemiological model of pandemics to estimate the infection fatality ratio for humans infected with avian influenza viruses" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

हौथली पैथोजेनिक एवियन इन्फ्लुएंजा (HPAI) वायरस से मनुष्यों को होने वाले जोखिम को मापना कठिन है क्योंकि निगरानी में महत्वपूर्ण अंतराल हैं। अधिकांश मानव संक्रमण अनपेक्षित रह जाते हैं क्योंकि वे या तो लक्षणहीन हो सकते हैं, या लक्षण होने के बावजूद परीक्षण नहीं किए गए होते, या मानव-से-मानव संचरण की दुर्लभता के कारण उन्हें ट्रैक करना कठिन होता है। फलस्वरूप, केस फेटैलिटी रेश्यो (CFR)—जो रिपोर्ट किए गए मामलों (जैसे, H5N1 के लिए ~48%) से निकाला जाता है—संभवतः वास्तविक जोखिम को बढ़ाकर दिखाता है क्योंकि यह अनपेक्षित संक्रमणों के "डार्क फिगर" (अदृश्य संख्या) की अनदेखी करता है।

लेखक तीन विशिष्ट उद्देश्यों को संबोधित करने का लक्ष्य रखते हैं:

मानव AIV संक्रमणों (अनपेक्षित मामलों सहित) की वास्तविक वार्षिक संख्या का अनुमान लगाना।
केवल रिपोर्ट किए गए मामलों (CFR) के बजाय इन्फेक्शन फेटैलिटी रेश्यो (IFR) (कुल संक्रमण प्रति मृत्यु) की गणना करना।
यह निर्धारित करना कि ज़ूनोटिक स्पिलओवर (पशु-से-मानव संचरण) को रोकने से भविष्य के इन्फ्लुएंजा महामारी के समय पर क्या प्रभाव पड़ता है।

2. कार्यप्रणाली (Methodology)

यह अध्ययन एक मल्टीटाइप ब्रांचिंग प्रोसेस पर आधारित एक स्टोकेस्टिक इवोल्यूशनरी एपिडेमियोलॉजिकल मॉडल का उपयोग करता है, जो डे एट अल. (2006) के ढांचे को अपनाता है, लेकिन यहाँ ध्यान केवल न्यूनतम संक्रमणों के बजाय संक्रमणों की औसत संख्या पर केंद्रित है।

मॉडल फॉर्मूलेशन (Model Formulation)

ब्रांचिंग प्रोसेस (Branching Process): मॉडल विभिन्न AIV जीनोटाइप्स ( $i$ ) के साथ पशु आबादी में प्रसारित होने वाले मानव संक्रमणों का अनुकरण करता है।
ज़ूनोटिक स्पिलओवर ( $N_z$ ): वार्षिक स्पिलओवर को एक रैंडम वेरिएबल के रूप में मॉडल किया गया है जिसका माध्य $\bar{n}_z$ है।
बेसिक रिप्रोडक्शन नंबर ( $R_{0,i}$ ): यह मनुष्यों में गैर-अनुकूलित (non-adapted) AIV स्ट्रेन की संक्रामकता को दर्शाता है। इसे अनुकूलन (adaptation) से पहले $<1$ तक सीमित रखा गया है (अर्थात कोई निरंतर मानव-से-मानव संचरण नहीं)।
कुल संक्रमण ( $\bar{n}_h$ ): औसत वार्षिक मानव संक्रमणों को प्रारंभिक स्पिलओवर और उसके बाद होने वाले सीमित मानव-से-मानव श्रृंखलाओं के योग से प्राप्त किया जाता है, इससे पहले कि वायरस समाप्त हो जाए।
$\bar{n}_h = \bar{n}_z \times \bar{m}$
जहाँ $\bar{m}$ सभी जीनोटाइप्स में प्रति स्पिलओवर उत्पन्न होने वाले माध्यमिक संक्रमणों की औसत संख्या है।
महामारी की संभावना ( $\Lambda$ ): मॉडल इस संभावना की गणना करता है कि कम से कम एक स्पिलओवर इवेंट एक महामारी-सक्षम स्ट्रेन (उत्परिवर्तन या पुनर्संयोजन के माध्यम से) को जन्म देता है। इसे ऐतिहासिक महामारी की आवृत्ति के बराबर माना गया है।
$\bar{\Lambda} = 1 - \sum P(N_z = n_z) (1 - \bar{\pi})^{n_z}$
जहाँ $\bar{\pi}$ एक एकल संक्रमण द्वारा महामारी शुरू करने की संभावना है, जो उत्परिवर्तन की संभावना ( $a_i$ ) और अनुकूलित स्ट्रेन के प्रजनन संख्या ( $R^*_i$ ) पर निर्भर करती है।

पैरामीट्राइजेशन और डेटा (Parameterization and Data)

ऐतिहासिक डेटा: मॉडल को पिछले 245 वर्षों (1781 से) के दौरान सात इन्फ्लुएंजा महामारियों के इंटर-पैंडेमिक अवधियों का उपयोग करके कैलिब्रेट किया गया है।
सैंपलिंग: लेखकों ने 1,000 जीनोटाइप परिदृश्यों को उत्पन्न करने के लिए लैटिन हाइपरक्यूब सैंपलिंग (LHS) का उपयोग किया, जिसमें $R_0$ , $R^*$ , और उत्परिवर्तन की संभावनाओं ( $a_i$ ) के वितरणों का नमूना लिया गया।
गामा वितरण (Gamma Distribution): महामारी के बीच के अंतराल के ऐतिहासिक अंतराल को अनुमान लगाने के लिए एक गामा वितरण को फिट किया गया था। दो परिदृश्य परीक्षण किए गए:
1. स्थिर इंटर-पैंडेमिक अवधि (कोई हालिया प्रभाव नहीं)।
2. घटती इंटर-पैंडेमिक अवधि (वनों की कटाई और शहरीकरण जैसे कारकों के कारण महामारियाँ अधिक बार होना)।
IFR गणना: IFR की गणना औसत वार्षिक रिपोर्ट किए गए मानव AIV मृत्यु (23 वर्षों में 473 मौतों के आधार पर 20.6 मौतें/वर्ष) को अनुमानित औसत वार्षिक संक्रमणों ( $\bar{n}_h$ ) से विभाजित करके की गई थी।

3. मुख्य परिणाम (Key Results)

अनुमानित वार्षिक संक्रमण

बेसलाइन परिदृश्य (कोई हालिया प्रभाव नहीं): मॉडल दुनिया भर में 6,441 वार्षिक मानव AIV संक्रमणों का अनुमान लगाता है (95% CI: 2,736 – 21,407)।
हालिया प्रभाव परिदृश्य (2026): यह मानते हुए कि महामारियाँ अधिक बार हो रही हैं (इंटर-पैंडेमिक अवधि घटकर ~18.5 वर्ष हो गई है), अनुमानित वार्षिक संक्रमण बढ़कर 13,136 (95% CI: 6,214 – 36,230) हो जाते हैं।
वितरण: अनुमानित संक्रमणों का वितरण अत्यधिक दाएँ-झुका हुआ (right-skewed) है, जो इंगित करता है कि जबकि माध्य ~6,000–13,000 है, बहुत अधिक संक्रमण संख्या की भी एक गैर-नगण्य संभावना है।

इन्फेक्शन फेटैलिटी रेश्यो (IFR)

बेसलाइन IFR: प्रति 10,000 संक्रमणों पर 32 मौतें (0.32%; 95% CI: 9.6–75)।
हालिया प्रभाव IFR (2026): प्रति 10,000 संक्रमणों पर 16 मौतें (0.16%; 95% CI: 5.6–33)।
तुलना:
- SARS-CoV-2 (2020-2023): ~16 मौतें प्रति 10,000 संक्रमण।
- सीजनल इन्फ्लुएंजा: ~2.9–6.5 मौतें प्रति 10,000 संक्रमण।
- रिपोर्ट किया गया CFR (H5N1): ~48% (10,000 प्रति 4,800)।
- निष्कर्ष: वास्तविक IFR रिपोर्ट किए गए CFR की तुलना में काफी कम है (अनदेखे हल्के मामलों के कारण), लेकिन फिर भी SARS-CoV-2 के तुलनीय और सीजनल फ्लू से काफी अधिक है।

स्पिलओवर रोकथाम का प्रभाव

अध्ययन ने मॉडल किया कि यदि ज़ूनोटिक स्पिलओवर को एक अंश $\chi$ से कम कर दिया जाए, तो महामारी के उद्भव में कितनी देरी होगी:

5% की कमी: महामारी को ~2 वर्ष की देरी होती है।
20% की कमी: महामारी को ~9.4 वर्ष की देरी होती है।
50% की कमी: महामारी को ~37.5 वर्ष की देरी होती है।

4. मुख्य योगदान (Key Contributions)

अनदेखे संक्रमणों का परिमाण: यह अध्ययन "डार्क फिगर" का अनुमान लगाने के लिए एक गणितीय ढांचा प्रदान करता है, जिससे पता चलता है कि प्रतिवर्ष हजारों अनपेक्षित मानव संक्रमण होते हैं, जो पिछले दो दशकों के लगभग 986 रिपोर्ट किए गए मामलों से कहीं अधिक है।
जोखिम मेट्रिक्स का पुनर्मूल्यांकन: CFR के बजाय IFR पर ध्यान केंद्रित करके, यह शोध पत्र AIV जोखिम के प्रति धारणा को सुधारता है। हालांकि रिपोर्ट किए गए मामले के प्रति मृत्यु का जोखिम अत्यधिक है, लेकिन कुल संक्रमण के प्रति जोखिम कम है लेकिन फिर भी पर्याप्त है (SARS-CoV-2 के समान)।
विकासवादी-महामारी विज्ञान लिंक: मॉडल सफलतापूर्वक ऐतिहासिक महामारी दर को वर्तमान स्पिलओवर दरों से जोड़ता है, जो यह दर्शाता है कि स्पिलओवर को रोकना दोहरे लाभ प्रदान करता है: गंभीर बीमारी से सुरक्षा और महामारी के उद्भव में देरी।
न्यूनतम अनुमानों का सत्यापन: लेखकों के न्यूनतम स्पिलओवर के अनुमान पिछले अध्ययनों (Day et al., 2006) के अनुरूप हैं, लेकिन उनका औसत अनुमान संक्रमण के बहुत उच्च बोझ को प्रकट करता है।

5. महत्व और निहितार्थ (Significance and Implications)

सार्वजनिक स्वास्थ्य नीति: ये परिणाम उच्च जोखिम वाले समूहों (किसानों, पशु चिकित्सकों, वन्यजीव श्रमिकों) के लिए सख्त बायोसेक्युरिटी उपायों को उचित ठहराते हैं। भले ही IFR, CFR से कम हो, लेकिन गंभीर परिणामों का पूर्ण जोखिम इतना अधिक है कि निवारक उपाय (PPE, संक्रमित जानवरों की रिपोर्टिंग) आवश्यक हैं।
महामारी की तैयारी: यह निष्कर्ष कि केवल 20% स्पिलओवर को रोकने से महामारी में लगभग एक दशक की देरी हो सकती है, "वन हेल्थ" हस्तक्षेपों (पशु-से-मानव संचरण को रोकने) को प्राथमिक महामारी शमन रणनीति के रूप में महत्व देता है।
निगरानी अंतराल: रिपोर्ट किए गए मामलों और मॉडल अनुमानों के बीच का अंतर नैदानिक प्रणालियों में अदृश्य रहने वाले एसिम्प्टोमैटिक या हल्के AIV संक्रमणों का पता लगाने के लिए सीरोलॉजिकल निगरानी की महत्वपूर्ण आवश्यकता को रेखांकित करता है।

सीमाएं (Limitations)

लेखक स्वीकार करते हैं कि मॉडल ऐतिहासिक महामारी डेटा (7 घटनाओं का एक छोटा नमूना आकार) पर निर्भर करता है, और यह मानता है कि विकासवादी परिवर्तन की संभावनाएँ स्थिर हैं, जो वास्तविक दुनिया की परिवर्तनशीलता (जैसे, सह-संक्रमण दर) को प्रतिबिंबित नहीं कर सकती हैं। इसके अतिरिक्त, मॉडल मौसमी गतिशीलता या स्थानिक विषमता (spatial heterogeneity) को ध्यान में नहीं रखता है, बल्कि अनुमानों को वैश्विक औसत के रूप में मानता है।