📊 epidemiology

A formula for the basic reproduction number of an infectious disease in a heterogeneous population with structured mixing

यह शोध पत्र एक सामान्यीकृत गणितीय मॉडल प्रस्तुत करता है जो बुनियादी प्रजनन संख्या (बेसिक रिप्रोडक्शन नंबर) के लिए अधिक सटीक सूत्र प्राप्त करने हेतु जनसांख्यिकीय संपर्क मैट्रिक्स और व्यक्तिगत संपर्क परिवर्तनशीलता को संयोजित करता है, जो बेल्जियम के कोविड-19 संपर्क डेटा पर लागू होने पर मौजूदा दृष्टिकोणों की तुलना में उच्च अनुमान प्रदान करता है और संचरण क्षमता में बड़े उतार-चढ़ाव को प्रकट करता है।

मूल लेखक: Colman, E., Chatzilena, A., Prasse, B., Danon, L., Brooks Pollock, E.

प्रकाशित 2026-03-30

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Colman, E., Chatzilena, A., Prasse, B., Danon, L., Brooks Pollock, E.

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

कल्पना कीजिए कि भीड़ में फैलती हुई एक बीमारी "टेलीफोन" गेम की तरह है जहाँ संदेश एक संक्रमण (infection) है। बेसिक रिप्रोडक्शन नंबर ( $R_0$ ) बस एक स्कोर है जो हमें बताता है: औसतन, एक बीमार व्यक्ति कितने नए लोगों को संक्रमित करेगा?

यदि स्कोर 1 से ऊपर है, तो खेल तेजी से फैलता है (एक महामारी)। यदि यह 1 से नीचे है, तो खेल धीरे-धीरे खत्म हो जाता है।

लंबे समय तक, वैज्ञानिकों के पास इस स्कोर की गणना करने के दो अलग-अलग तरीके थे, लेकिन वे ऐसे थे जैसे भीड़ को दो अलग-अलग, थोड़े टूटे हुए लेंसों से देख रहे हों। यह शोध पत्र एक नया, 'ऑल-इन-वन' लेंस पेश करता है जो तस्वीर को ठीक करता है।

यहाँ सरल उपमाओं (analogies) का उपयोग करके इसका विवरण दिया गया है:

1. दो पुराने लेंस (समस्या)

वैज्ञानिक पहले संक्रमण के स्कोर की गणना दो अलग-अलग तरीकों से करते थे, लेकिन उनमें से कोई भी अपने आप में पूर्ण नहीं था:

लेंस A: "ग्रुप चैट" विधि (स्ट्रक्चर्ड मिक्सिंग)
- विचार: यह तरीका देखता है कि विभिन्न समूहों के लोग आपस में कैसे मिलते-जुलते हैं। यह जानता है कि बच्चे बच्चों के साथ रहते हैं, और ऑफिस वर्कर ऑफिस वर्कर्स के साथ रहते हैं।
- दोष: यह मान लेता है कि समूह के भीतर हर व्यक्ति बिल्कुल एक जैसा है। यह सोचता है कि हर 10 साल के बच्चे के दोस्तों की संख्या बिल्कुल समान है। यह इस तथ्य को नजरअंदाज कर देता है कि कुछ बच्चे बहुत सामाजिक "पार्टी एनिमल्स" होते हैं जबकि अन्य शर्मीले और अकेले रहने वाले होते हैं।
लेंस B: "सोशल बटरफ्लाई" विधि (हेटरोजीनियस रेट्स)
- विचार: यह तरीका देखता है कि व्यक्तिगत स्तर पर भिन्नता क्या है। यह जानता है कि कुछ लोग "सुपरस्प्रेडर्स" होते हैं जो 100 लोगों से मिलते हैं, जबकि अन्य केवल 2 लोगों से मिलते हैं।
- दोष: यह मानता है कि सभी लोग बेतरतीब ढंग से (randomly) मिलते हैं। यह सोचता है कि एक शर्मीला ऑफिस वर्कर एक उछल-कूद करने वाले किशोर से मिलने की उतनी ही संभावना रखता है जितनी कि वह अपने ही जैसे किसी अन्य ऑफिस वर्कर से मिलने की। यह इस तथ्य को नजरअंदाज कर देता है कि लोग ज्यादातर अपने ही दायरे में रहते हैं।

परिणाम: यदि आप लेंस A का उपयोग करते, तो आप सुपर-सोशल लोगों के खतरे को मिस कर सकते थे। यदि आप लेंस B का उपयोग करते, तो आप इस तथ्य को मिस कर सकते थे कि स्कूल "हॉट ज़ोन" हैं जहाँ बच्चे एक-दूसरे को तेजी से संक्रमित करते हैं। कभी-कभी, ये दोनों लेंस एक ही डेटा के लिए पूरी तरह से अलग उत्तर देते थे, जिससे नीति निर्माता भ्रमित हो जाते थे।

2. नया लेंस: "ग्रैंड यूनिफाइड थ्योरी"

इस शोध पत्र के लेखकों ने एक सुपर-लेंस बनाया जो इन दोनों विचारों को जोड़ता है।

एक विशाल डांस फ्लोर की कल्पना करें।

समूह: फ्लोर को अलग-अलग सेक्शन में बांटा गया है (बच्चे, किशोर, वयस्क, बुजुर्ग)।
व्यक्ति: प्रत्येक सेक्शन के भीतर, कुछ लोग पागलों की तरह नाच रहे हैं (उच्च संपर्क), और कुछ किनारे पर बैठे हैं (कम संपर्क)।

नया फॉर्मूला संक्रमण के जोखिम की गणना दो सवाल एक साथ पूछकर करता है:

कौन किसके साथ नाच रहा है? (समूह की संरचना)।
नाचने का अंदाज कितना जबरदस्त है? (व्यक्तिगत भिन्नता)।

इन दोनों को जोड़कर, फॉर्मूला एक "मॉडिफाइड नेक्स्ट जनरेशन मैट्रिक्स" बनाता है। इसे एक सुपर-सटीक मौसम पूर्वानुमान की तरह समझें। यह केवल यह नहीं कहता कि "बारिश हो सकती है"; यह कहता है, "पार्क में भारी बारिश होगी (क्योंकि वहां विशिष्ट समूह हैं) और प्लेग्राउंड के पास और भी तेज बारिश होगी (क्योंकि वहां सक्रिय बच्चे हैं)।"

3. "आउटलायर" की समस्या (जोर से चिल्लाने वाले लोग)

जब शोधकर्ताओं ने वास्तविक डेटा (जो बेल्जियम से महामारी के दौरान एकत्र किया गया था) का उपयोग करके अपने नए फॉर्मूले का परीक्षण किया, तो उन्हें एक अजीब बात पता चली।

डेटा में, कुछ ही लोगों ने प्रतिदिन सैकड़ों संपर्कों की सूचना दी थी। पुराने मॉडलों में, ये कुछ लोग एक लाइब्रेरी में जोर से चिल्लाने वालों की तरह काम करते थे। उनकी अत्यधिक संख्या पूरे कैलकुलेशन को बिगाड़ देती थी, जिससे वायरस औसत व्यक्ति के लिए जितना खतरनाक वास्तव में था, उससे कहीं अधिक खतरनाक दिखने लगता था।

शोधकर्ताओं ने महसूस किया कि उन्हें चिल्लाने वालों को चुप (mute) करने की आवश्यकता है। उन्होंने इन अत्यधिक आउटलायर्स (ऐसे लोग जिन्होंने शायद सर्वे को गलत समझा या जो केवल एक बहुत ही असामान्य दिन की रिपोर्ट कर रहे थे) की पहचान करने और उन्हें गणना से हटाने के लिए एक नियम विकसित किया।

उन्हें हटाए बिना: वायरस डरावना और अप्रत्याशित लग रहा था।
उन्हें हटाने के बाद: तस्वीर स्पष्ट हो गई। नए फॉर्मूले ने दिखाया कि जब प्रतिबंध हटाए गए, तो जोखिम केवल थोड़ा सा नहीं बढ़ा; यह तेजी से बढ़ गया (कुछ मामलों में लगभग 300%), क्योंकि केवल औसत संपर्क नहीं, बल्कि मिक्सिंग (मेल-जोल) का स्वरूप बदल गया था।

4. यह क्यों महत्वपूर्ण है (मुख्य निष्कर्ष)

महामारी के दौरान, सरकारों को यह तय करना था कि स्कूल कब खोलें या रेस्तरां कब बंद करें। वे इन नंबरों पर भरोसा करते थे ताकि जीवन-मरण के निर्णय ले सकें।

पुराना तरीका: यह कह सकता था, "औसत संपर्क 10% बढ़ गए हैं, इसलिए हम थोड़ा खुल सकते हैं।"
नया तरीका: कहता है, "रुको! भले ही औसत थोड़ा ही बढ़ा हो, लेकिन संरचना बदल गई है। सुपर-सोशल लोग अब स्कूल समूहों के साथ मिल रहे हैं। जोखिम वास्तव में तीन गुना हो गया है!"

सरल शब्दों में:
यह शोध पत्र हमें सिखाता है कि बीमारी कैसे फैलती है, इसे समझने के लिए आप केवल औसत हैंडशेक (हाथ मिलाने) की गिनती नहीं कर सकते। आपको यह समझना होगा कि कौन किसके साथ हाथ मिला रहा है और सबसे अधिक ऊर्जावान हाथ मिलाने वाला व्यक्ति कौन है।

लेखक मूल रूप से कह रहे हैं: "टूटे हुए लेंसों के साथ अनुमान लगाना बंद करें। वास्तविक तस्वीर पाने के लिए हमारे नए, संयुक्त फॉर्मूले का उपयोग करें, ताकि हम सभी को सुरक्षित रखने के लिए बेहतर निर्णय ले सकें।"

1. समस्या विवरण (Problem Statement)

बेसिक रिप्रोडक्शन नंबर ( $R_0$ ) एक संक्रामक रोग के लिए एक महत्वपूर्ण मीट्रिक है, जिसे पूरी तरह से सुग्राही (susceptible) जनसंख्या में एक विशिष्ट संक्रमित व्यक्ति द्वारा उत्पन्न होने वाले माध्यमिक मामलों (secondary cases) की अपेक्षित संख्या के रूप में परिभाषित किया गया है। प्रकोप की क्षमता और गैर-फार्मास्युटिकल हस्तक्षेपों (NPIs) की प्रभावकारिता का मूल्यांकन करने के लिए $R_0$ की सटीक गणना आवश्यक है।

हालाँकि, $R_0$ की गणना करने वाली मौजूदा विधियाँ सरल मान्यताओं पर निर्भर करती हैं जो अक्सर वास्तविक दुनिया के संपर्क पैटर्न की जटिलता को पकड़ने में विफल रहती हैं:

समूह-निर्भर मिश्रण (ग्रुप-डिपेंडेंट मिक्सिंग - स्ट्रैटिफाइड मॉडल): यह मानता है कि जनसंख्या को विशिष्ट समूहों (जैसे आयु बैंड) में विभाजित किया गया है और विशिष्ट संपर्क मैट्रिक्स के साथ, लेकिन यह मानता है कि प्रत्येक समूह के भीतर संपर्क दर समान (homogeneous) है (प्रत्येक व्यक्ति के संपर्कों की संख्या समान होती है)।
विषम संपर्क दरें (हेटरोजीनियस कॉन्टैक्ट रेट्स - वेरिएबिलिटी मॉडल): यह संपर्कों की संख्या में व्यक्तिगत भिन्नता (जैसे, कुछ लोग "सुपरस्प्रेडर" होते हैं) को ध्यान में रखता है, लेकिन यह मानता है कि जनसंख्या वेल-मिक्सड (well-mixed) है (संपर्क पूरे जनसंख्या में यादृच्छिक रूप से होते हैं, समूह संरचना को अनदेखा करते हैं)।

लेखक तर्क देते हैं कि वास्तविक दुनिया की आबादी में दोनों (स्ट्रक्टर्ड मिक्सिंग और हेटरोजीनियस कॉन्टैक्ट रेट्स) मौजूद होते हैं। केवल एक स्थापित विधि का उपयोग करने से $R_0$ के गलत अनुमान लग सकते हैं और नीतिगत परिवर्तनों के प्रभाव के संबंध में विरोधाभासी निष्कर्ष निकल सकते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक एकीकृत गणितीय ढांचा तैयार करते हैं जो पिछले दोनों दृष्टिकोणों का सामान्यीकरण करता है।

A. नेटवर्क निर्माण (Network Construction)

वे जनसंख्या को एक नेटवर्क के रूप में मॉडल करते हैं जहाँ व्यक्तियों को निम्नलिखित द्वारा वर्गीकृत किया जाता है:

समूह ( $a$ ): $m$ विशिष्ट जनसांख्यिकीय समूह (जैसे, आयु बैंड)।
डिग्री ( $k$ ): एक व्यक्ति के संपर्कों की संख्या ( $k = 1, \dots, K$ )।

नेटवर्क को डिग्री-करेक्टेड स्टोकेस्टिक ब्लॉक मॉडल का उपयोग करके बनाया गया है। नोड $i$ (समूह $a$ में, $k$ संपर्कों के साथ) और नोड $j$ (समूह $b$ में, $l$ संपर्कों के साथ) के बीच लिंक की संभावना इस प्रकार परिभाषित है:
$A_{ij} = k \times \frac{c_{ab}}{c_a} \times \frac{l}{c_b}$
जहाँ $c_{ab}$ समूहों $a$ और $b$ के बीच कुल संपर्क है, और $c_a$ समूह $a$ के कुल संपर्क हैं। यह फॉर्मूलेशन सुनिश्चित करता है कि नेटवर्क समूह मिश्रण मैट्रिक्स और व्यक्तियों के विशिष्ट डिग्री वितरण दोनों का सम्मान करता है।

B. संशोधित नेक्स्ट-जेनरेशन मैट्रिक्स (NGM) का व्युत्पन्न

लेखक एक नेक्स्ट-जेनरेशन मैट्रिक्स ( $G$ ) को परिभाषित करते हैं, जहाँ $G_{pq}$ सेल $q$ में एक संक्रमित व्यक्ति द्वारा सेल $p$ में होने वाले अपेक्षित संक्रमणों को दर्शाता है।

वे एडजेसेंसी मैट्रिक्स के आयाम (dimensionality) को कम करने के लिए इक्विटेबल पार्टीशन (equitable partitions) के गुण का उपयोग करते हैं।
NGM के आइगेनवैल्यू (eigenvalues) का विश्लेषण करके, वे $m \times m$ आकार का एक संशोधित नेक्स्ट-जेनरेशन मैट्रिक्स ( $G^*$ ) व्युत्पन्न करते हैं (जहाँ $m$ समूहों की संख्या है)।

एंट्री $G^*_{ab}$ (समूह $b$ द्वारा समूह $a$ में संक्रमण) इस प्रकार दी गई है:
$G^*_{ab} = \lambda \frac{C_{ab}}{N_b} \left[ 1 + \left( \frac{\sigma_a}{\mu_a} \right)^2 \right]$
जहाँ:

$\lambda$ : प्रति संपर्क ट्रांसमिशन प्रोबेबिलिटी (संक्रमण की संभावना)।
$C_{ab}$ : समूह $a$ और समूह $b$ के बीच कुल संपर्क।
$N_b$ : समूह $b$ का जनसंख्या आकार।
$\mu_a$ : समूह $a$ के व्यक्तियों के लिए संपर्कों की औसत संख्या।
$\sigma_a$ : समूह $a$ के व्यक्तियों के लिए संपर्कों की संख्या का मानक विचलन (standard deviation)।

बेसिक रिप्रोडक्शन नंबर इस मैट्रिक्स का स्पेक्ट्रल रेडियस (सबसे बड़ा आइगेनवैल्यू) है:
$R_0 = \rho(G^*)$

C. सत्यापन और अनुप्रयोग (Validation and Application)

सिमुलेशन सत्यापन: लेखकों ने विभिन्न स्तरों के ग्रुप मिक्सिंग ( $m$ $m$ ) और कॉन्टैक्ट हेटेरोजेनिटी ( $h$ $h$ ) के साथ सिंथेटिक कॉन्टैक्ट नेटवर्क बनाए। उन्होंने इन नेटवर्कों पर आउटब्रेक का अनुकरण (simulate) किया और सिमुलेटेड $R_0$ $R_{0}$ की तुलना चार विधियों के विश्लेषणात्मक परिणामों से की:
- वेल-मिक्सड + होमोजेनियस (Well-mixed + Homogeneous)
- वेल-मिक्सड + हेटेरोजेनियस (Well-mixed + Heterogeneous)
- ग्रुप-डिपेंडेंट + होमोजेनियस (Group-dependent + Homogeneous)
- ग्रुप-डिपेंडेंट + हेटेरोजेनियस (नया मॉडल)
वास्तविक दुनिया का अनुप्रयोग: उन्होंने बेल्जियम (अप्रैल 2020 – मार्च 2022) के CoMix कॉन्टैक्ट सर्वे डेटा पर इन चार विधियों को लागू किया।
- डेटा प्रोसेसिंग: इसमें आयु समूहों के लिए इम्प्यूटेशन (imputation), अनिश्चितता के लिए बूटस्ट्रैपिंग, और एक कठोर आउटलियर रिमूवल प्रक्रिया (लॉग-ट्रांसफॉर्म स्केल पर माध्य से 3.5 मानक विचलन से अधिक संपर्क वाले प्रतिभागियों को हटाना) शामिल थी ताकि $R_0$ अनुमानों को प्रभावित होने से बचाया जा सके।
- तुलना: उन्होंने "उच्च स्ट्रिंगेंसी" अवधि (वेव 20, सख्त NPIs) बनाम "कम स्ट्रिंगेंसी" अवधि (वेव 21, शिथिल NPIs) के दौरान $R_0$ अनुमानों की तुलना की।

3. मुख्य योगदान (Key Contributions)

एकीकृत सूत्र (Unified Formula): यह पेपर $R_0$ के लिए एक क्लोज्ड-फॉर्म सूत्र प्रदान करता है जो ग्रुप-डिपेंडेंट मिक्सिंग और व्यक्तिगत संपर्क हेटेरोजेनिटी दोनों को एक साथ समाहित करता है।
सामान्यीकरण (Generalization): व्युत्पन्न सूत्र गणितीय रूप से डिएकमैन एट अल (Diekmann et al.) के मॉडल (ग्रुप-डिपेंडेंट, होमोजेनियस) में बदल जाता है जब वेरिएंस शून्य हो, और एंडरसन एट अल (Anderson et al.) के मॉडल (वेल-मिक्सड, हेटेरोजेनियस) में बदल जाता है जब मिक्सिंग रैंडम हो।
आउटलियर संवेदनशीलता विश्लेषण: अध्ययन इस बात पर प्रकाश डालता है कि कॉन्टैक्ट सर्वे डेटा में $R_0$ अनुमान आउटलियर्स के प्रति अत्यधिक संवेदनशील होते हैं। वे प्रदर्शित करते हैं कि ट्रांसमिशन के सापेक्ष परिवर्तनों के स्थिर और सार्थक अनुमान प्राप्त करने के लिए चरम आउटलियर्स को हटाना (एक सांख्यिकीय थ्रेशोल्ड का उपयोग करके) आवश्यक है।

4. परिणाम (Results)

सिमुलेशन सटीकता: नए संयुक्त मॉडल ( $G^*$ $G^{*}$ ) ने सभी पैरामीटराइजेशन के तहत सिमुलेटेड आउटब्रेक डेटा के साथ उत्कृष्ट सहमति दिखाई। इसके विपरीत:
- होमोजेनियस मॉडल ने $R_0$ को कम आंका जब कॉन्टैक्ट हेटेरोजेनिटी मौजूद थी।
- वेल-मिक्सड हेटेरोजेनियस मॉडल ने $R_0$ को कम आंका जब ग्रुप मिक्सिंग संरचना मजबूत थी।
वास्तविक दुनिया का अनुप्रयोग (बेल्जियम CoMix डेटा):
- परिमाण (Magnitude): संयुक्त मॉडल ने अन्य तीन विधियों की तुलना में उच्च $R_0$ अनुमान दिए।
- सापेक्ष परिवर्तन (Relative Change): उच्च से निम्न स्ट्रिंगेंसी अवधि में जाने पर $R_0$ $R_{0}$ में अनुमानित वृद्धि विभिन्न विधियों द्वारा बहुत अलग थी:
  - वेल-मिक्सड होमोजेनियस: +50%
  - एज-डिपेंडेंट होमोजेनियस: अधिक वृद्धि
  - वेल-मिक्सड हेटेरोजेनियस: और भी अधिक वृद्धि
  - संयुक्त (ग्रुप-डिपेंडेंट + हेटेरोजेनियस): ~300% की वृद्धि।
- यह इंगित करता है कि हेटेरोजेनिटी या ग्रुप स्ट्रक्चर को अनदेखा करने से NPIs को शिथिल करने के प्रभाव का आकलन काफी कम हो जाता है।

5. महत्व और निहितार्थ (Significance and Implications)

नीति प्रासंगिकता: निष्कर्ष बताते हैं कि COVID-19 महामारी के दौरान उपयोग किए गए पिछले मॉडलों ने प्रतिबंधों को हटाने से जुड़े ट्रांसमिशन जोखिम को काफी कम करके आंका होगा। संपर्कों की औसत संख्या में एक छोटा सा बदलाव (जिसे अक्सर ट्रांसमिशन जोखिम के प्रॉक्सी के रूप में उपयोग किया जाता है) हेटेरोजेनिटी में एक बड़े उछाल को छिपा सकता है, जो $R_0$ में बहुत बड़ी वृद्धि को संचालित करता है।
कार्यप्रणाली संबंधी सिफारिश: लेखक अनुशंसा करते हैं कि भविष्य के महामारी विज्ञान मॉडलिंग (epidemiological modeling) में, जो कॉन्टैक्ट सर्वे डेटा का उपयोग करते हैं, विरोधाभासी परिणामों से बचने के लिए इस एकीकृत दृष्टिकोण को अपनाया जाना चाहिए।
डेटा की गुणवत्ता: अध्ययन बहुत उच्च संपर्क दर वाले व्यक्तियों (सुपरस्प्रेडर्स) के सटीक डेटा की महत्वपूर्ण आवश्यकता और सर्वे डेटा में आउटलियर्स के सुदृढ़ सांख्यिकीय प्रबंधन की आवश्यकता पर जोर देता है।
सीमाएं: मॉडल यह मानता है कि एक ही समूह और डिग्री क्लास के व्यक्ति अपने संपर्कों को समान रूप से वितरित करते हैं (उदाहरण के लिए, यह अंतर नहीं कर सकता कि एक व्यक्ति केवल अपने समूह के संपर्क रखता है या दूसरों के भी)। यह भी परिभाषित संरचना के अलावा इम्युनिटी (immunity) या डिग्री एसोर्टेटिविटी (degree assortativity) को ध्यान में नहीं रखता है।

निष्कर्षतः, यह पेपर $R_0$ की गणना के लिए एक कठोर गणितीय सामान्यीकरण प्रदान करता है जो मानव संपर्क नेटवर्क की जटिल वास्तविकता को बेहतर ढंग से दर्शाता है, जिससे बीमारी के प्रसार की भविष्यवाणी करने और सार्वजनिक स्वास्थ्य हस्तक्षेपों का मूल्यांकन करने के लिए एक अधिक विश्वसनीय उपकरण मिलता है।