The public health value of wastewater surveillance for viruses with pandemic potential: a modelling study

जब कोई नया वायरस जानवरों से मनुष्यों में कूदता है, तो प्रकोप के शुरुआती संकेत अक्सर उन डॉक्टरों और अस्पतालों के लिए अदृश्य होते हैं जो आमतौर पर बीमारियों पर नज़र रखते हैं। क्लिनिकल सर्विलांस (नैदानिक निगरानी), यानी बीमार रोगियों पर नज़र रखने की प्रणाली, अक्सर वायरल प्रसार के शुरुआती क्षणों को पकड़ने में चूक जाती है क्योंकि पहले कुछ संक्रमित व्यक्ति शायद मदद लेने के लिए पर्याप्त अस्वस्थ महसूस नहीं करते, या उनके लक्षणों को किसी सामान्य चीज़ समझ लिया जाता है। एक शांत स्पिलओवर (वायरस के प्रसार) और एक पूर्ण महामारी के बीच के स्थान में, सार्वजनिक स्वास्थ्य अधिकारियों को यह जानने के तरीके की आवश्यकता होती है कि अस्पताल के बिस्तर भरने से पहले क्या हो रहा है। एक आशाजनक विधि में हमारे शहरों से बहने वाले अपशिष्ट (वेस्ट) को देखना शामिल है। क्योंकि मनुष्य अपने मल और मूत्र के माध्यम से वायरस उत्सर्जित करते हैं, इसलिए सीवेज सिस्टम समुदाय के स्वास्थ्य के एक विशाल, स्वचालित नमूना संग्रहकर्ता (सैंपलर) के रूप में कार्य करता है। यह दृष्टिकोण, जिसे अपशिष्ट जल निगरानी (वेस्टवॉटर सर्विलांस) कहा जाता है, प्रत्येक व्यक्ति का परीक्षण किए बिना रोगजनकों का पता लगाने का एक कम लागत वाला तरीका प्रदान करता है, लेकिन वैज्ञानिक लंबे समय से यह जानना चाहते थे कि अगली अज्ञात वायरस के लिए, जो महामारी का कारण बन सकती है, यह वास्तव में कितना उपयोगी होगा।

शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए एक कंप्यूटर मॉडल बनाकर काम शुरू किया, जिसने शरीर से वायरस निकलने के वास्तविक डेटा और आबादी में बीमारियों के फैलने के सिमुलेशन (अनुकरण) को जोड़ा। वे एक नए वायरस के प्रकट होने का इंतज़ार नहीं कर रहे थे; इसके बजाय, उन्होंने एक ढांचा तैयार किया ताकि यह परीक्षण किया जा सके कि विभिन्न प्रकार के उभरते खतरों के लिए अपशिष्ट जल निगरानी कितनी अच्छी तरह काम करेगी। वैज्ञानिकों ने अपने मॉडल में इस जानकारी को डाला कि एक व्यक्ति कितना वायरस उत्सर्जित करता है, उस व्यक्ति में लक्षण दिखने की कितनी संभावना है, और वायरस एक व्यक्ति से दूसरे व्यक्ति तक कितनी तेज़ी से फैलता है। इन हजारों सिम्युलेटेड प्रकोपों को चलाकर, वे देख सकते थे कि किन परिस्थितियों में सीवेज सिस्टम पारंपरिक रोगी निगरानी प्रणाली की तुलना में अधिक तेज़ी से या अधिक विश्वसनीय रूप से अलार्म बजाएगा।

इन सिमुलेशन के परिणामों से पता चला कि अपशिष्ट जल निगरानी हर वायरस के लिए कोई जादुई समाधान (मैजिक बुलेट) नहीं है, लेकिन यह तब अविश्वसनीय रूप से मूल्यवान हो जाती है जब विशिष्ट स्थितियाँ पूरी होती हैं। मॉडल ने दिखाया कि यह प्रणाली प्रकोप को जल्दी खोजने की संभावनाओं में सुधार करती है, या पहचान की गति को बढ़ाती है, मुख्य रूप से उन वायरसों के लिए जो बड़ी मात्रा में उत्सर्जित होते हैं। विशेष रूप से, यह विधि उन वायरसों के लिए सबसे प्रभावी रही जो एक व्यक्ति द्वारा COVID-19 पैदा करने वाले वायरस की तुलना में एक सौवें से लेकर दस गुना अधिक मात्रा में छोड़े जाते हैं। इस प्रारंभिक चेतावनी का मूल्य इस बात पर भी बहुत अधिक निर्भर था कि वायरस आबादी में कैसे व्यवहार करता है। यह प्रणाली तब सबसे अच्छा काम करती है जब संक्रमण तंग, केंद्रित विस्फोटों (बर्स्ट्स) में होता है, जिससे किसी दिए गए दिन में वायरस उत्सर्जित करने वाले लोगों की संख्या में अचानक उछाल आता है। इन परिदृश्यों में, सीवेज सिस्टम एक संवेदनशील जाल की तरह कार्य करता है, जो वायरल सामग्री के उस उछाल को पकड़ लेता है जिसे क्लिनिकल सिस्टम शायद बहुत देर होने तक नहीं पकड़ पाते।

शोधकर्ताओं ने अपने ढांचे को कई वास्तविक दुनिया के वायरसों पर लागू किया ताकि यह देखा जा सके कि वे कैसे प्रदर्शन करते हैं। SARS-CoV-2, Mpox, इन्फ्लुएंजा ए, लासा और ज़ैरे इबोला जैसे वायरसों की विशेषताएं उन्हें इस प्रकार की निगरानी के लिए अच्छे उम्मीदवार बनाती हैं, क्योंकि वे कचरे में पता लगाने योग्य पर्याप्त सामग्री उत्सर्जित करते हैं। इसके विपरीत, मॉडल ने सुझाव दिया कि चिकुनगुनिया जैसे अन्य वायरस इस तरह से ट्रैक करना उतना आसान नहीं होगा क्योंकि वे उसी उच्च मात्रा या पैटर्न में उत्सर्जित नहीं होते हैं। अध्ययन निष्कर्ष निकालता है कि हालांकि अपशिष्ट जल निगरानी एक शक्तिशाली उपकरण है, इसकी सफलता स्वयं वायरस के जैविक गुणों पर निर्भर करती है। इन लक्षणों को पहले से समझकर, सार्वजनिक स्वास्थ्य अधिकारी इस साक्ष्य-आधारित ढांचे का उपयोग यह तय करने के लिए कर सकते हैं कि वे अपने संसाधनों को कहाँ निवेश करें, यह सुनिश्चित करते हुए कि यह कम लागत वाली पहचान पद्धति उन खतरों के विरुद्ध तैनात की जाए जहाँ यह वास्तव में अंतर ला सकती है।