Wastewater Surveillance as an Event Detection System: Outbreak and Peak Detection of SARS-CoV-2 Across 281 U.S. Counties

तकनीकी सारांश: घटना पहचान प्रणाली के रूप में अपशिष्ट जल निगरानी (Wastewater Surveillance)

समस्या विवरण
यद्यपि संक्रामक रोग की गतिशीलता की निगरानी के लिए अपशिष्ट जल आधारित निगरानी (WBS) का उपयोग तेजी से बढ़ रहा है, मौजूदा मूल्यांकन मुख्य रूप से सहसंबंध विश्लेषण (correlation analyses) या नैदानिक परिणामों के पूर्वानुमान पर केंद्रित हैं। लेखक तर्क देते हैं कि ये दृष्टिकोण यह सीधे आकलन करने में विफल रहते हैं कि क्या WBS उन विशिष्ट महामारी संबंधी घटनाओं की पहचान कर सकता है जो सार्वजनिक स्वास्थ्य निर्णय लेने के लिए सबसे महत्वपूर्ण हैं: जैसे कि प्रकोप (outbreak) की शुरुआत और महामारी के शिखर (epidemic peak) का समय। इसके अलावा, पारंपरिक पूर्वानुमान मॉडल अक्सर वास्तविक समय के परिचालन परिवेशों में संघर्ष करते हैं, विशेष रूप से रोग गतिविधि में तीव्र वृद्धि की भविष्यवाणी करने के मामले में। एक व्यवस्थित ढांचे की कमी है जो समय की अनिश्चितता, डेटा सेंसरिंग (data censoring), और नैदानिक संदर्भ परिणामों (clinical reference outcomes) की अपूर्णताओं को ध्यान में रखते हुए एक 'इवेंट-डिटेक्शन सिस्टम' के रूप में WBS का मूल्यांकन कर सके।

कार्यप्रणाली
यह अध्ययन WBS को एक घटना-पहचान प्रणाली के रूप में मूल्यांकन करने के लिए एक वर्गीकरण-आधारित ढांचे (classification-based framework) को पेश करता है, जिसे 281 अमेरिकी काउंटियों (Biobot, 2021–2024) के साप्ताहिक SARS-CoV-2 अपशिष्ट जल डेटा और संबंधित नैदानिक डेटा (मामले, अस्पताल में भर्ती, मृत्यु) पर लागू किया गया है।

1. घटना पहचान दृष्टिकोण (Event Detection Approaches):

   • प्रकोप (शुरुआत) का पता लगाना: लेखक एक बेयसियन एक्सपोनेंशियल ग्रोथ मॉडल (Bayesian exponential growth model) का उपयोग करते हैं। प्रत्येक स्थान और समय अंतराल के लिए, मॉडल डेटा (अपशिष्ट जल या नैदानिक) पर एक एक्सपोनेंशियल ग्रोथ कर्व फिट करता है, जिसमें नेगेटिव बाइनोमियल वितरण (Negative Binomial distribution) माना जाता है। प्रकोपों को पोस्टीरियर ग्रोथ रेट ($\eta$) के अनुमानों द्वारा परिभाषित किया गया है: एक प्रकोप तब शुरू होता है जब पोस्टीरियर ग्रोथ रेट का 5वां पर्सेंटाइल सकारात्मक ($\eta_{0.05} > 0$) होता है, और तब समाप्त होता है जब मीडियन ग्रोथ रेट नकारात्मक ($\eta_{0.5} < 0$) हो जाता है। इस दृष्टिकोण का बेंचमार्किंग एक मानक प्रजनन संख्या ($R_t$)-आधारित विधि के विरुद्ध किया जाता है।
   • शिखर (Peak) का पता लगाना: एक नियम-आधारित एल्गोरिदम टाइम सीरीज़ में स्थानीय मैक्सिमा (local maxima) की पहचान करता है। एक शिखर तब पहचाना जाता है यदि समय $t_p$ पर सिग्नल का मान एक बाएं विंडो ($w_L$) के मानों से अधिक हो, और एक दाएं विंडो ($w_R$) के मानों के बराबर या उससे अधिक हो, जिसमें एक न्यूनतम परिमाण सीमा (magnitude threshold) शामिल हो।

2. मूल्यांकन ढांचा (Evaluation Framework):

   • संदर्भ परिणाम (Reference Outcomes): अध्ययन एल्गोरिदम द्वारा परिभाषित घटनाओं और "क्यूरेटेड" (curated) घटनाओं दोनों का उपयोग करता है। क्यूरेटेड प्रकोपों और शिखरों को केस टाइम सीरीज़ के विशेषज्ञ विजुअल निरीक्षण के माध्यम से तैयार किया गया था ताकि अवास्तविक पहचानों को हटाया जा सके या खंडित घटनाओं को जोड़ा जा सके, जो एक अधिक कठोर संदर्भ मानक के रूप में कार्य करता है।
   • पहचान अंतराल (Detection Intervals): समय की अनिश्चितता को ध्यान में रखते हुए, प्रत्येक संदर्भ घटना के आसपास एक डिटेक्शन इंटरवल (पहचान अंतराल) परिभाषित किया गया है। एक अपशिष्ट जल घटना एक 'ट्रू पॉजिटिव' (TP) है यदि वह इस अंतराल (जैसे, मामलों के लिए $[-3, 3]$ सप्ताह; मौतों के लिए $[-6, 0]$ सप्ताह) के भीतर आती है।
   • डेटा गुणवत्ता नियंत्रण: ढांचा डेटा पूर्णता (उन वर्गीकरणों को बाहर करना जहाँ प्रासंगिक विंडो के एक-तिहाई से अधिक अपशिष्ट जल डेटा गायब है) और सेंसरिंग (उन घटनाओं को बाहर करना जो टाइम सीरीज़ की शुरुआत या अंत के पास हैं जहाँ डिटेक्शन विंडो अधूरी है) के मानदंडों को शामिल करता है।
   • मेट्रिक्स: प्रदर्शन को सेंसिटिविटी (Sensitivity - मामलों की पहचान किए गए घटनाओं का अनुपात) और पॉजिटिव प्रेडिक्टिव वैल्यू (PPV - पहचान किए गए अपशिष्ट जल संकेतों में से वास्तविक अलार्म का अनुपात) का उपयोग करके मापा जाता है।

3. स्थानिक एकत्रीकरण (Spatial Aggregation): विश्लेषण यह आकलन करने के लिए काउंटी स्तर, कांटी-एकत्रित स्तर (नमूना लिए गए काउंटियों का जनसंख्या-भारित औसत), और राज्य स्तर पर प्रदर्शन की तुलना करता है कि स्थानिक स्मूथिंग (spatial smoothing) का पहचान सटीकता पर क्या प्रभाव पड़ता है।

मुख्य परिणाम

• प्रकोप का पता लगाना: बेयसियन एक्सपेंशियल ग्रोथ दृष्टिकोण ने $R_t$-आधारित बेसलाइन की तुलना में काफी बेहतर प्रदर्शन किया। कांटी स्तर पर, एक्सपोनेंशियल मॉडल ने केस-परिभाषित प्रकोपों के लिए 0.82 की सेंसिटिविटी और 0.64 की PPV प्राप्त की, जबकि सर्वश्रेष्ठ $R_t$ वेरिएंट की सेंसिटिविटी 0.58 और PPV 0.19 थी। क्यूरेटेड केस प्रकोपों के विरुद्ध, सेंसिटिविटी बढ़कर 0.92 हो गई।
• शिखर का पता लगाना: नियम-आधारित पीक डिटेक्शन एल्गोरिदम ने मजबूत निरंतरता प्रदर्शित की, जिसने एल्गोरिदम आधारित केस शिखरों के विरुद्ध कांटी स्तर पर 0.84 की सेंसिटिविटी और 0.70 की PPV प्राप्त की।
• स्थानिक एकत्रीकरण: प्रकोप का पता लगाने के लिए एकत्रीकरण से मामूली, सांख्यिकीय रूप से गैर-महत्वपूर्ण सुधार हुआ। हालांकि, क्यूरेटेड संदर्भ मानक के विरुद्ध पीक डिटेक्शन के लिए, एकत्रीकरण के साथ PPV में महत्वपूर्ण सुधार हुआ (कांटी स्तर पर 0.40 से बढ़कर राज्य स्तर पर 0.52, $p < 0.001$), जो यह सुझाव देता है कि एकत्रीकरण संदर्भ डेटा में शोर (noise) से सार्थक शिखरों को अलग करने में मदद करता है।
• लीड टाइम (Lead Times): अपशिष्ट जल संकेतों ने केस-परिभाषित प्रकोपों से लगभग 4-6 दिन (0.6-0.8 सप्ताह) पहले संकेत दिया। इसके विपरीत, अपशिष्ट जल संकेतों ने केस शिखरों के सापेक्ष न्यूनतम लीड टाइम दिखाया (शून्य के करीब), जो इस तथ्य के अनुरूप है कि अपशिष्ट जल प्रसार (accumulated shedding) को दर्शाता है न कि घटना (incidence/नए संक्रमण) को। अस्पताल में भर्ती होने और मृत्यु के लिए लीड टाइम अधिक था, जो संक्रमण-से-परिणाम पथ में जैविक देरी के अनुरूप है।
• नैदानिक परिणाम: प्रदर्शन विभिन्न नैदानिक परिणामों (मामले, अस्पताल में भर्ती, मृत्यु) में मजबूत बना रहा, जिसमें राज्य-स्तरीय एकत्रीकरण ने मृत्यु जैसे शोर वाले परिणामों में प्रकोपों और शिखरों का पता लगाने के लिए विशेष लाभ दिखाया।

महत्व और दावे
यह शोध तीन प्राथमिक योगदानों का दावा करता है:

1. पद्धतिगत बदलाव (Methodological Shift): यह WBS मूल्यांकन को सहसंबंध/पूर्वानुमान से बदलकर एक 'इवेंट-डिटेक्शन समस्या' के रूप में पुनर्गठित करता है, जो एक पुन: प्रयोज्य वर्गीकरण ढांचा प्रदान करता है जो स्पष्ट रूप से समय की अनिश्चितता, सेंसरिंग और अपूर्ण संदर्भ मानकों को संभालता है। यह दृष्टिकोण COVID-19 और अपशिष्ट जल से परे किसी भी निगरानी संकेत के लिए सामान्य होने के लिए डिज़ाइन किया गया है।
2. अनुभवजन्य सत्यापन (Empirical Validation): यह प्रदर्शित करता है कि अपशिष्ट जल संकेत विभिन्न स्थानिक पैमानों और नैदानिक परिणामों के विरुद्ध प्रकोप की शुरुआत और महामारी के शिखर को विश्वसनीय रूप से पहचान सकते हैं। अध्ययन यह उजागर करता है कि पहचान के उद्देश्य के साथ मेल खाने पर, जटिल बेसलाइन ($R_t$) की तुलना में सरल, संक्षिप्त मॉडल (एक्सपोनेंशियल ग्रोथ, नियम-आधारित पीक) बेहतर प्रदर्शन कर सकते हैं।
3. परिचालन प्रासंगिकता (Operational Relevance): निष्कर्ष सार्वजनिक स्वास्थ्य निर्णय लेने के लिए एक व्यावहारिक उपकरण के रूप में WBS के उपयोग का समर्थन करते हैं। अध्ययन का तर्क है कि निरंतर प्रक्षेपवक्र (continuous trajectories) का पूर्वानुमान लगाने के बजाय विशिष्ट घटनाओं (शुरुआत/शिखर) की पहचान करना अक्सर एक अधिक सुलभ और कार्रवाई योग्य उद्देश्य होता है, विशेष रूप से शोर भरे वास्तविक दुनिया के वातावरण में।

लेखक निष्कर्ष निकालते हैं कि हालांकि प्रदर्शन स्थान और पैमाने के अनुसार भिन्न होता है, अपशिष्ट जल निगरानी महामारी की गतिशीलता की निगरानी के लिए एक व्यवहार्य, पूरक उपकरण है, जो महामारी विज्ञान के सिद्धांत (घटना बनाम प्रसार) के अनुरूप प्रकोप की शुरुआत और शिखर के समय के लिए समय पर संकेत देने में सक्षम है।