The distribution of asymptomatic disease duration in transmission models for tuberculosis: implications for epidemic projections and the impact of active case finding

तपेदिक (टीबी) एक ऐसी बीमारी है जिसे लंबे समय से एक जीवाणु और मानव मेजबान के बीच एक युद्ध के रूप में समझा जाता रहा है, लेकिन उस युद्ध का एक महत्वपूर्ण हिस्सा परछाइयों में होता है। दशकों से, सार्वजनिक स्वास्थ्य प्रयासों ने उन लोगों को खोजने पर ध्यान केंद्रित किया है जो स्पष्ट रूप से बीमार दिख रहे हैं: जिनमें लगातार खांसी, बुखार या वजन कम होने जैसे लक्षण हैं। ये व्यक्ति मदद मांगते हैं, उनका निदान किया जाता है, और उनका उपचार किया जाता है, जिससे वे संक्रमण फैलाने से रुक जाते हैं। हालांकि, बढ़ते साक्ष्यों से पता चलता है कि एक बड़ी संख्या में लोग बिना बीमार महसूस किए सक्रिय जीवाणु को अपने भीतर लेकर घूम रहे हैं। ये व्यक्ति, जिन्हें शोधकर्ता 'एसिम्प्टोमैटिक ट्यूबरकुलोसिस' (लक्षणहीन तपेदिक) कहते हैं, यह नहीं जानते कि वे बीमार हैं, इसलिए वे डॉक्टर के पास नहीं जाते। वे अपना जीवन जीते रहते हैं, और ऐसा करते हुए, वे अनजाने में बीमारी दूसरों तक पहुँचा सकते हैं। चूंकि ये लोग ठीक महसूस करते हैं, इसलिए बीमारी को नियंत्रित करने का मानक तरीका—लक्षण प्रकट होने तक प्रतीक्षा करना—उनके खिलाफ काफी हद तक अप्रभावी है। इस प्रसार को रोकने के लिए, स्वास्थ्य अधिकारियों को इन छिपे हुए मामलों को खोजना होगा, एक रणनीति जिसे 'सक्रिय केस फाइंडिंग' (active case finding) कहा जाता है, जिसमें लोगों को बीमार महसूस होने की प्रतीक्षा किए बिना समुदायों में जाकर उनकी जांच करना शामिल है।

इन सक्रिय केस फाइंडिंग अभियानों के कितने सफल होने की भविष्यवाणी करने के लिए जटिल कंप्यूटर मॉडल की आवश्यकता होती है जो यह सिम्युलेट (अनुकरण) करते हैं कि बीमारी आबादी में कैसे फैलती है। वर्षों तक, इन मॉडलों को बनाने का सबसे आम तरीका एक सरल धारणा पर निर्भर रहा है: कि एक व्यक्ति इस छिपी हुई, लक्षणहीन अवस्था में कितना समय बिताता है, यह यादृच्छिक (random) और अप्रत्याशित है, जैसे कि पासा फेंकना जहाँ परिणाम किसी भी क्षण हो सकता है। यह गणितीय शॉर्टकट, जिसे 'एक्सपोनेंशियल डिस्ट्रीब्यूशन' (exponential distribution) कहा जाता है, यह दर्शाता है कि किसी व्यक्ति में कल लक्षण विकसित होने की संभावना उतनी ही है जितनी कि पांच साल बाद। लेकिन वास्तविक दुनिया में, जैविक प्रक्रियाएं शायद ही कभी इतनी पूर्ण यादृच्छिकता के साथ व्यवहार करती हैं। बीमारी के बढ़ने में लगने वाला समय अक्सर एक अधिक अनुमानित पैटर्न का पालन करता है, जो एक विशिष्ट औसत अवधि के इर्द-गिर्द केंद्रित होता है। यह नया शोध एक महत्वपूर्ण प्रश्न पूछता है: क्या इस छिपे हुए प्रतीक्षा समय को हम गणितीय रूप से जिस तरह से वर्णित करते हैं, वह तपेदिक के भविष्य और इसे खोजने के हमारे प्रयासों की सफलता के बारे में हमारी भविष्यवाणियों को बदल देता है?

शोधकर्ताओं ने, भारत के डेटा के साथ काम करते हुए जहाँ तपेदिक का बोझ दुनिया में सबसे अधिक है, इस धारणा का परीक्षण करने का निर्णय लिया कि एक साधारण मॉडल बनाम एक जटिल मॉडल की तुलना कैसे की जाए। उन्होंने शुरुआत बैंगलोर, भारत के उन लोगों के वास्तविक दुनिया के डेटा को देखकर की, जो बैक्टीरिया से संक्रमित थे लेकिन उनमें कोई लक्षण नहीं थे। वे यह देखना चाहते थे कि क्या सरल, यादृच्छिक मॉडल यह सटीक रूप से वर्णन कर सकता है कि लोग लक्षण विकसित होने से पहले कितने समय तक बीमार रहते हैं, या क्या एक अधिक सूक्ष्म मॉडल, जो एक अधिक सुसंगत अवधि की अनुमति देता है, तथ्यों के साथ बेहतर मेल खाता है। उन्होंने मॉडलों की एक श्रृंखला बनाई जिसने लक्षणहीन चरण को कई छोटे, क्रमिक चरणों में विभाजित किया, जिससे एक ऐसा वितरण बना जहाँ इस अवस्था में बिताया गया समय औसत के करीब होने की अधिक संभावना थी और बहुत कम या बहुत लंबा होने की कम संभावना थी। जब उन्होंने इन मॉडलों की वास्तविक डेटा से तुलना की, तो उन्होंने पाया कि जटिल मॉडल सरल मॉडल की तरह ही उतना ही सटीक था, जिससे यह सिद्ध हुआ कि बीमारी की वास्तविक प्रगति आवश्यक रूप से उस सरल, यादृच्छिक पैटर्न का पालन नहीं करती है जिसका उपयोग दशकों से किया जा रहा है।

बीमारी के बढ़ने के इस नए बोध के साथ, टीम ने सिमुलेशन चलाकर देखा कि ये विभिन्न धारणाएं अगले दशक में भारत के तपेदिक महामारी के पूर्वानुमान को कैसे बदलेंगी। उन्होंने पहले यह देखा कि क्या होगा यदि कोई नया हस्तक्षेप पेश नहीं किया जाता है, और केवल वर्तमान प्रणाली—लोगों के बीमार होने की प्रतीक्षा करने—पर भरोसा किया जाता है। इस परिदृश्य में, दोनों मॉडलों ने नए मामलों की संख्या में धीमी गिरावट की भविष्यवाणी की, लेकिन अधिक जटिल मॉडल ने सुझाव दिया कि गिरावट थोड़ी धीमी होगी, जो भविष्य में मामलों की उच्च संख्या का अनुमान लगाता है। हालांकि यह अंतर छोटा था, लेकिन इसने संकेत दिया कि सरल मॉडल बीमारी की निरंतरता को कम आंक सकता है। वास्तविक विचलन तब आया जब उन्होंने 'सक्रिय केस फाइंडिंग' के प्रभाव का सिमुलेशन किया। उन्होंने तीन साल के अभियान का मॉडल बनाया जहाँ स्वास्थ्य कार्यकर्ता इन छिपे हुए मामलों की सक्रिय रूप से खोज और उपचार करते थे, एक ऐसी रणनीति जिसे सटीक रूप से मॉडल करना असंभव होगा यदि छिपे हुए मामले यादृच्छिक और तुरंत गायब हो जाते।

सिमुलेशन के परिणाम चौंकाने वाले थे। जब शोधकर्ताओं ने सरल, यादृच्छिक मॉडल का उपयोग किया, तो सक्रिय केस फाइंडिंग अभियान ने तपेदिक के नए मामलों को लगभग 20 प्रतिशत तक कम कर दिया। लेकिन जब उन्होंने अधिक जटिल मॉडल का उपयोग किया, जो यह मानता है कि लोग एक अधिक सुसंगत, अनुमानित समय के लिए लक्षणहीन अवस्था में रहते हैं, तो वही अभियान मामलों को 30 प्रतिशत से अधिक कम करने में कहीं अधिक प्रभावी दिखाई दिया। जटिल मॉडल ने सुझाव दिया कि क्योंकि लोग एक अधिक विश्वसनीय अवधि तक लक्षणहीन अवस्था में रहते हैं, इसलिए उन्हें बीमार होने या बीमारी को आगे फैलाने से पहले खोजने और उपचार करने का अवसर अधिक होता है। सरल मॉडल में, यादृच्छिकता का अर्थ था कि कई लोग बहुत जल्दी लक्षण विकसित करके स्क्रीनिंग कार्यक्रम द्वारा पकड़े जाने से पहले ही निकल सकते हैं। अधिक यथार्थवादी मॉडल ने दिखाया कि कार्यक्रम छिपी हुई आबादी के एक बड़े हिस्से को पकड़ सकता है, जिससे कुल संक्रमणों में बहुत अधिक कमी आती है।

भविकीति में यह अंतर स्वास्थ्य अधिकारियों के लिए उनकी रणनीतियों की योजना बनाने के संबंध में गहरे निहितार्थ रखता है। अध्ययन बताता है कि वर्षों से उपयोग किए जाने वाले सरल मॉडल सक्रिय केस फाइंडिंग के मूल्य को व्यवस्थित रूप से कम आंक सकते हैं। यदि एक मॉडल यह मान लेता है कि छिपे हुए मामले यादृच्छिक रूप से गायब हो जाते हैं, तो वह भविष्यवाणी करता है कि उन्हें खोजने का प्रयास मामूली परिणाम देगा। लेकिन यदि वास्तविकता यह है कि ये मामले एक अधिक सुसंगत अवधि तक बने रहते हैं, तो उन्हें खोजने का प्रयास पहले से सोचे गए अनुमान से कहीं अधिक सफल होने की संभावना है। इसका अर्थ है कि इन अभियानों की लागत-प्रभावशीलता, जो उन्हें वित्तपोषित करने का निर्णय लेने में एक प्रमुख कारक है, वर्तमान अनुमानों की तुलना में बहुत अधिक हो सकती है। शोधकर्ताओं ने औपचारिक आर्थिक विश्लेषण नहीं किया था, लेकिन उनके निष्कर्ष संकेत देते हैं कि मॉडलों में निर्मित संरचनात्मक धारणाएं—कि हम रोग की अवस्था में समय के बीतने को गणितीय रूप से कैसे वर्णित करते हैं—बीमारी से लड़ने के सर्वोत्तम तरीके के बारे में हमारे निष्कर्षों को मौलिक रूप से बदल सकती हैं।

यह अध्ययन एक अनुस्मारक के रूप में कार्य करता है कि संक्रमण के प्राकृतिक इतिहास को मॉडल करने के विवरण गहराई से मायने रखते हैं। समय के अधिक यथार्थवादी प्रतिनिधित्व का उपयोग करके, शोधकर्ता यह दिखाने में सक्षम रहे कि छिपे हुए मामलों को खोजने की क्षमता मानक मॉडलों के सुझाव से अधिक है। इसका मतलब यह नहीं है कि सरल मॉडल पूरी तरह से गलत हैं, बल्कि यह कि वे वास्तविकता की एक महत्वपूर्ण परत को मिस कर सकते हैं जो दीर्घकालिक अनुमानों को प्रभावित करती है। यह कार्य इस बात पर जोर देता है कि इस बारे में बेहतर साक्ष्य की आवश्यकता है कि लोग वास्तव में इस लक्षणहीन अवस्था में कितने समय तक रहते हैं और वे कैसे आगे बढ़ते हैं, क्योंकि ये विवरण केवल शैक्षणिक अभ्यास नहीं हैं बल्कि उनके करोड़ों लोगों के जीवन पर प्रत्यक्ष परिणाम होते हैं। जैसे-जैसे तपेदिक के खिलाफ लड़ाई जारी है, बीमारी की प्रगति की वास्तविक लय को समझना उन लोगों को खोजने और उपचार करने के लिए अधिक प्रभावी रणनीतियों को अनलॉक करने की कुंजी हो सकता है जो मौन में पीड़ा सह रहे हैं।