A Calibration Framework for Bridging Household-Structured Microscopic and Macroscopic Epidemic Models

संक्रामक रोग के प्रसार को ट्रैक करना मौसम की भविष्यवाणी करने जैसा है। वैज्ञानिक लंबे समय से तूफान को देखने के दो अलग-अलग तरीकों पर भरोसा करते आए हैं। पहला दृष्टिकोण जनसंख्या को लोगों के एक एकल, विशाल बादल के रूप में मानता है, यह मानकर कि सभी लोग बेतरतीब ढंग से आपस में मिलते हैं, ठीक वैसे ही जैसे कमरे में गैस के अणु। यह तरीका तेज़ और गणना करने में आसान है, जिससे अधिकारियों को इस बारे में त्वरित उत्तर मिल जाते हैं कि कोई प्रकोप कैसे बढ़ सकता है। हालाँकि, यह मानव जीवन की वास्तविकता को छोड़ देता है: हम बेतरतीब ढंग से नहीं मिलते। हम परिवारों में रहते हैं, हमारे पास नौकरियां हैं, और हमारी विशिष्ट दिनचर्या है। दूसरा दृष्टिकोण प्रत्येक व्यक्ति और उनके अद्वितीय संबंधों को ट्रैक करने का प्रयास करता है, जिससे एक विस्तृत मानचित्र तैयार होता है कि कौन किससे मिलता है। हालाँकि यह इस जटिल सच्चाई को पकड़ता है कि बीमारियाँ एक घर से दूसरे घर में कैसे कूदती हैं, लेकिन यह गणनात्मक रूप से इतना भारी है कि बड़ी आबादी के लिए इसे चलाना या कई अलग-अलग परिदृश्यों का तेजी से परीक्षण करना असंभव हो जाता है।

गति और सटीकता के बीच का यह तनाव पेन्सिलवेनिया विश्वविद्यालय और अमृता विश्व विद्यापीठ के शोधकर्ताओं द्वारा किए गए एक नए अध्ययन के केंद्र में है। उन्होंने इन दोनों दुनियाओं के बीच के अंतर को पाटने का लक्ष्य रखा। उनका उद्देश्य एक ऐसा गणितीय ढांचा बनाना था जो सरल, बड़े पैमाने के मॉडलों की गति को बनाए रखते हुए व्यक्तिगत-आधारित मॉडलों में पाए जाने वाले पारिवारिक जीवन के महत्वपूर्ण विवरणों को भी पकड़ सके। विशेष रूप से, उन्होंने इस बात पर ध्यान केंद्रित किया कि बीमारियाँ घरों के भीतर कैसे फैलती हैं, जहाँ लोग निरंतर, घनिष्ठ संपर्क में होते हैं, बनाम वे कैसे व्यापक समुदाय में फैलती हैं। शोधकर्ताओं ने पाया कि केवल परिवारों की संरचना को अनदेखा करने से भविष्यवाणियां पूरी तरह से गलत हो जाती हैं, लेकिन उन्होंने एक ऐसा तरीका भी खोजा जिससे वे सरल मॉडलों को इतनी सटीकता से सुधार सकें कि वे जटिल मॉडellen की नकल कर सकें, और वह भी बिना किसी भारी गणनात्मक लागत के।

यह समझने के लिए कि यह क्यों महत्वपूर्ण है, व्यक्ति को पहले यह देखना होगा कि बीमारियाँ वास्तव में एक समुदाय के माध्यम से कैसे चलती हैं। वास्तविक दुनिया में, एक संक्रमित माता-पिता द्वारा अपने ही बच्चे को वायरस पास करने की संभावना किसी अजनबी के बच्चे को पास करने की तुलना में बहुत अधिक होती है। इसी तरह, भाई-बहन एक-दूसरे के साथ अन्य परिवारों के बच्चों की तुलना में बहुत अधिक बार बातचीत करते हैं। यह संक्रमण के ऐसे क्लस्टर (समूह) बनाता है जो व्यापक दुनिया में कूदने से पहले घरों के भीतर तेजी से फैलते हैं। पारंपरिक, तेज़ मॉडल अक्सर इसे देख पाने में विफल रहते हैं। वे मानते हैं कि यदि जनसंख्या का एक निश्चित प्रतिशत बीमार है, तो वह बीमारी सभी में समान रूप से फैली हुई है। जब शोधकर्ताओं ने इन मानक मॉडलों का परीक्षण एक विस्तृत सिमुलेशन के विरुद्ध किया जो प्रत्येक व्यक्ति और प्रत्येक घर को ट्रैक करता था, तो परिणाम बिल्कुल अलग थे। मानक मॉडलों ने भविष्यवाणी की कि प्रकोप का शिखर बहुत पहले होगा और यह वास्तव में घटित होने वाली स्थिति की तुलना में बहुत अधिक गंभीर होगा। वे मूल रूप से इस तथ्य को मिस कर गए कि वायरस परिवारों के भीतर "अटक" जाता है और तेजी से खत्म हो जाता है, जो महामारी के समय और आकार को बदल देता है।

शोधकर्ताओं को एहसास हुआ कि समस्या यह नहीं थी कि तेज़ मॉडल बेकार थे, बल्कि यह थी कि उनमें एक विशिष्ट समायोजन की कमी थी। उन्होंने एक नया तरीका प्रस्तावित किया जिसमें एक एकल, समायोज्य संख्या पेश की गई जो एक सुधार कारक (correction factor) के रूप में कार्य करती है। हर एक घर का मानचित्र बनाने के बजाय, उन्होंने लोगों को व्यापक श्रेणियों में विभाजित किया: माता-पिता, बच्चे, और बिना बच्चों वाले वयस्क। फिर उन्होंने एक सरल प्रश्न पूछा: यदि हम मॉडल की बुनियादी गति को बनाए रखते हैं लेकिन माता-पिता और बच्चों के बीच बातचीत की दर में बदलाव करते हैं, तो क्या हम तेज़ मॉडल को धीमे, विस्तृत मॉडल के समान बना सकते हैं? उन्होंने कंप्यूटर पर हजारों सिमुलेशन चलाए, विभिन्न परिदृश्यों का परीक्षण किया जहाँ वायरस परिवारों के भीतर समुदाय की तुलना में अधिक या कम तीव्रता से फैलता है। प्रत्येक परिदृश्य के लिए, उन्होंने अपने सुधार कारक को तब तक समायोजित किया जब तक कि तेज़ मॉडल का वक्र (curve) धीमे मॉडल के वक्र के ऊपर पूरी तरह से न बैठ गया।

परिणाम उल्लेखनीय रूप से सुसंगत थे। इस सुधार कारक के सही मान को खोजकर, तेज़ मॉडल लगभग हर परीक्षण किए गए मामले में दो प्रतिशत से कम की त्रुटि के साथ रोग के जटिल, घरेलू-संचालित प्रसार को पुनरुत्पादित कर सकता था। कई मामलों में, त्रुटि एक प्रतिशत से भी कम थी। इसका अर्थ है कि सरल मॉडल, जिसे एक सेकंड के अंश में हल किया जा सकता है, घंटों या दिनों तक चलने वाले विस्तृत सिमुलेशन के समान ही सटीक रूप से महामारी के मार्ग की भविष्यवाणी कर सकता है। शोधकर्ताओं ने यह भी दिखाया कि एक बार जब उन्होंने कुछ विशिष्ट स्थितियों के लिए सही सुधार कारक ढूंढ लिया, तो वे नए स्थितियों के लिए बिना दोबारा धीमे सिमुलेशन चलाए, सरल सांख्यिकीय तकनीकों का उपयोग करके सही कारक का अनुमान लगा सकते हैं। यह सार्वजनिक स्वास्थ्य अधिकारियों को एक ही समय में सैकड़ों "क्या-होगा" (what-if) परिदृश्यों को चलाने की अनुमति देता है, जिसे करने में पहले घंटों लगते थे।

अध्ययन ने यह भी रेखांकित किया कि पुराने तरीके कहाँ विफल होते हैं। जब शोधकर्ताओं ने एक मानक मॉडल का उपयोग किया जिसमें पारिवारिक संरचनाओं के लिए कोई सुधार शामिल नहीं था, तो भविष्यवाणियां अक्सर महत्वपूर्ण अंतर से गलत थीं। बिना सुधारा गया मॉडल कुल बीमार होने वाले लोगों की संख्या को बढ़ा-चढ़ाकर बताता था और भविष्यवाणी करता था कि प्रकोप का शिखर बहुत जल्दी आएगा। ऐसा इसलिए होता है क्योंकि मानक मॉडल मानता है कि वायरस समान रूप से फैलता है, जबकि वास्तव में, यह परिवारों के भीतर तीव्र विस्फोटों में फैलता है। इन विस्फोटों को अनदेखा करके, मानक मॉडल महामारी के उतार-चढ़ाव को सुचारू (smooth) बना देता है, जिससे संकट का एक विकृत दृश्य सामने आता है। नया ढांचा इसे स्वीकार करके सुधार करता है कि वायरस सड़क पर होने की तुलना में घर के भीतर तेजी से चलता है, जिससे यह मॉडल संचरण की वास्तविक लय को प्रतिबिंबित करने के लिए कैलिब्रेट हो जाता है।

यह कार्य केवल एक सैद्धांतिक सुधार नहीं है; यह निर्णय लेने के लिए एक व्यावहारिक उपकरण प्रदान करता है। संकट के समय, समय सबसे मूल्यवान संसाधन होता है। स्वास्थ्य अधिकारियों को यह जानने की आवश्यकता होती है कि लॉकडाउन काम करेगा या नहीं, कितने अस्पताल के बिस्तरों की आवश्यकता हो सकती है, या प्रकोप का शिखर कब आएगा। एक धीमे, विस्तृत सिमुलेशन के पूरा होने का इंतजार करने का मतलब कार्रवाई करने का अवसर खो देना हो सकता है। इस नए ढांचे के साथ, अधिकारी सबसे विस्तृत सिमुलेशन जितने सटीक उत्तर प्राप्त कर सकते हैं, लेकिन उस समय सीमा में जो तत्काल कार्रवाई करने की अनुमति देता है। शोधकर्ताओं ने संयुक्त राज्य अमेरिका के जनसांख्यिकीय डेटा का उपयोग करके अपने तरीके का परीक्षण किया, जिसमें एकल-अभिभावक घरों से लेकर कई बच्चों वाले बड़े परिवारों तक, विभिन्न परिवार के आकार और संरचनाओं को ध्यान में रखा गया। उन्होंने पाया कि यह विधि सभी प्रकार के घरेलू प्रकारों में अच्छी तरह से काम करती है, जिससे पता चलता है कि इसे अन्य देशों और आबादी के लिए भी अनुकूलित किया जा सकता है।

अंततः, यह अध्ययन प्रदर्शित करता है कि हमें गति और सटीकता में से किसी एक को चुनने की आवश्यकता नहीं है। दशकों से, वैज्ञानिकों को एक को चुनना पड़ता था: एक तेज़ मॉडल जो विवरणों को छोड़ देता है, या एक विस्तृत मॉडल जो उपयोग करने के लिए बहुत धीमा है। यह नया दृष्टिकोण दिखाता है कि परिवारों के माध्यम से बीमारियों के चलने के विशिष्ट तरीके को समझकर, हम एक सरल मॉडल बना सकते हैं जो उस जटिलता के सार को पकड़ सके। यह एक अनुस्मारक है कि वायरस के अराजक प्रसार में भी, ऐसे पैटर्न होते हैं जिन्हें समझा और भविष्यवाणी किया जा सकता है, बशर्ते हम सही विवरणों पर नज़र रखें। शोधकर्ताओं ने दिखाया है कि थोड़े से अंशांकन (calibration) के साथ, सरल मॉडल पूरी कहानी बता सकते हैं, जो भविष्य के प्रकोपों के लिए तैयार होने और प्रतिक्रिया देने का एक शक्तिशाली नया तरीका प्रदान करता है।