Disease spread in compartmental spaces: Markov and semi-Markov population models

In het onderzoek naar infectieziekten vertrouwen wetenschappers al lang op wiskundige modellen om te voorspellen hoe een ziekte zich door een populatie beweegt. Traditionele benaderingen gaan er vaak van uit dat mensen willekeurig mengen, zoals druppels inkt die rondwervelen in een glas water, waarbij elk individu een gelijke kans heeft om elke andere persoon te ontmoeten. De echte wereld is echter veel gestructureerder. Mensen bewegen zich door specifieke omgevingen—kantoren, scholen, ziekenhuizen en winkelcentra—en brengen verschillende hoeveelheden tijd door in verschillende kamers en hebben interactie met slechts een deel van de mensen om hen heen. Deze ruimtelijke organisatie, gecombineerd met het feit dat mensen voortdurend deze ruimtes binnenkomen en verlaten, creëert een complex web van contact dat eenvoudige modellen vaak missen. Het begrijpen van hoe ziekten zich verspreiden in deze besloten, gecompartimenteerde ruimtes is cruciaal voor het ontwerpen van effectieve volksgezondheidsstrategieën, vooral wanneer ventilatie en gedeelde lucht een belangrijke rol spelen bij de transmissie.

Een team onderzoekers uit Mexico heeft een nieuwe manier ontwikkeld om deze complexiteit te modelleren, waarbij ze verder gaan dan de aanname van willekeurige menging om een kader te creëren dat rekening houdt met de specifieke lay-out van een gebouw en de beweging van mensen binnen dat gebouw. Hun werk, gepubliceerd in een wetenschappelijk artikel, introduceert twee complementaire wiskundige benaderingen om te volgen hoe een infectie zich door een netwerk van verbonden kamers verspreidt. De eerste benadering behandelt de omgeving als een gesloten systeem, waarbij een vast aantal mensen tussen kamers beweegt maar niemand binnenkomt of het systeem verlaat. De tweede, flexibelere benadering behandelt de omgeving als een open systeem, waarbij mensen op elk gewenst moment kunnen arriveren van buitenaf en kunnen vertrekken, terwijl ook rekening wordt gehouden met het feit dat mensen niet evenveel tijd in elke kamer doorbrengen. Door deze bewegingspatronen te combineren met een specifiek mechanisme voor hoe de ziekte wordt opgelopen, waren de onderzoekers in staat om het verwachte aantal gezonde mensen, dragers en geïnfecteerden op elk gegeven moment te berekenen.

De onderzoekers deelden de populatie in drie afzonderlijke groepen in om de stroom van infectie beter te begrijpen. De eerste groep bestaat uit vatbare individuen, die gezond zijn maar de ziekte kunnen oplopen. De tweede groep bestaat uit dragers, die de infectieuze ziekteverwekker al in zich hebben en deze aan anderen kunnen doorgeven. De derde groep omvat degenen die tijdens hun tijd in het systeem geïnfecteerd zijn geraakt. Een belangrijk kenmerk van dit model is dat het onderscheid maakt tussen dragers en nieuw geïnfecteerde personen. De onderzoekers gingen ervan uit dat zodra een persoon binnen het systeem geïnfecteerd raakt, deze persoon niet onmiddellijk zelf besmettelijk wordt; in plaats daarvan blijven zij in de categorie "geïnfecteerd" zonder de ziekte verder te verspreiden tijdens de tijd dat zij worden geobserveerd. Dit onderscheid stelt het model in staat om zich specifiek te concentreren op het moment van transmissie van een drager naar een vatbaar persoon, in plaats van op een kettingreactie van secundaire infecties.

Om te simuleren hoe mensen bewegen, gebruikten de onderzoekers twee verschillende wiskundige instrumenten. In het eerste scenario modelleerden zij een gesloten gebouw waar het totale aantal mensen constant blijft. Mensen bewegen van kamer naar kamer op basis van vaste kansen, vergelijkbaar met een spel waarbij een speler een dobbelsteen werpt om te beslissen in welke kamer hij de volgende kamer ingaat. In dit gesloten systeem ontdekten de onderzoekers dat zij het gemiddelde aantal mensen in elke kamer en hoe de infectie zich in de loop van de tijd verspreidt, nauwkeurig konden voorspellen. Zij verifieerden deze voorspellingen door computersimulaties uit te voeren met duizenden virtuele mensen. De resultaten toonden aan dat naarmate het aantal mensen in de simulatie toenam, de werkelijke uitkomsten bijna perfect overeenkwamen met de wiskundige voorspellingen, wat bevestigde dat hun formules voor het gemiddelde gedrag van de populatie correct waren.

Het tweede scenario richtte zich op de realiteit dat de meeste gebouwen geen gesloten systemen zijn. Mensen lopen door deuren naar binnen en verlaten het gebouw via uitgangen, en de tijd die zij in een kamer doorbrengen varieert sterk. Om dit te vangen, gebruikten de onderzoekers een semi-Markov-model, dat realistischere bewegingspatronen mogelijk maakt. In dit kader is de tijd die een persoon in een kamer doorbrengt niet vastgelegd op een standaardgemiddelde; in plaats daarvan kan deze elke verdeling volgen, wat weerspiegelt dat iemand bijvoorbeeld een uur in een wachtkamer kan verblijven maar in enkele seconden door een gang kan haasten. Dit model bevat ook "absorberende toestanden", die de buitenwereld vertegenwoordigen. Zodra een persoon een absorberende toestand bereikt, heeft deze het systeem verlaten en zal deze niet terugkeren. Deze opzet stelde de onderzoekers in staat om niet alleen te berekenen hoeveel mensen er binnen zijn, maar ook hoe lang zij blijven en hoeveel mensen het systeem verlaten terwijl ze gezond zijn, de ziekte dragen of al geïnfecteerd zijn.

De onderzoekers pasten hun open model toe op een specifiek voorbeeld van een faciliteit met twee kamers en twee ingangen en uitgangen. Zij simuleerden de aankomst van gezonde mensen en dragers met behulp van een standaard statistische verdeling voor willekeurige aankomsten. Door deze simulaties uit te voeren, waren zij in staat om de steady-state aantallen mensen te bepalen die het gebouw verlaten in elke gezondheidscategorie. Hun bevindingen toonden een duidelijk verband aan tussen de doorstroom van mensen en de verspreiding van de ziekte. Naarmate het aantal dragers dat het systeem binnenkomt toenam, nam het aantal gezonde mensen dat het systeem verlaat af, wat aangeeft dat er meer infecties plaatsvonden binnen de ruimte. Omgekeerd nam het aantal mensen dat met de infectie het systeem verlaat toe naarmate de snelheid van de binnenkomende geïnfecteerden steeg.

Een bijzonder interessante bevinding kwam naar voren toen de onderzoekers een faciliteit met één ingang en uitgang vergeleken met een faciliteit met meerdere ingangen en uitgangen. Zij ontdekten dat de configuratie van het gebouw de uitkomst aanzienlijk beïnvloedde. In het model met een enkele ingang en uitgang was het aantal gezonde mensen dat het systeem verlaat lager, en het aantal geïnfecteerde mensen dat het systeem verlaat hoger, vergeleken met het model met meerdere in- en uitgangspunten. Dit suggereert dat het hebben van meer manieren om een ruimte binnen te gaan en te verlaten, wat misschien contra-intuïtief lijkt, het totale aantal infecties zou kunnen verminderen door de bewegingspatronen te veranderen en de tijd die mensen in nauw contact met dragers doorbrengen te beperken.

De studie concludeert dat door de fysieke structuur van een ruimte te integreren met de beweging van mensen en de mechanica van ziekteoverdracht, het mogelijk is om een veel nauwkeuriger beeld te krijgen van hoe een uitbraak zich ontwikkelt. De door de onderzoekers afgeleide wiskundige expressies bieden een manier om het verwachte aantal vatbare, dragers en geïnfecteerde individuen op elk gewenst moment te berekenen. Deze instrumenten kunnen volksgezondheidsfunctionarissen en beleidsmakers helpen begrijpen welke delen van een gebouw of welke bewegingspatronen het grootste risico vormen. Hoewel het huidige werk zich richt op het theoretische kader en simulaties, suggereren de auteurs dat deze modellen uiteindelijk toegepast kunnen worden op echte omgevingen, waarbij gebruik wordt gemaakt van werkelijke gegevens over hoe mensen bewegen om betere interventies te ontwerpen en de verspreiding van infectieziekten in complexe, gestructureerde ruimtes te verminderen.