W mediach społecznościowych krąży opracowany przez chińskich naukowców diagram oparty na modelu matematycznym. Obrazuje on wpływ popularności masek w społeczeństwie oraz ich skuteczności na tzw. współczynnik reprodukcji wirusa R.

Współczynnik R (stosuje się też pisownię R0) wskazuje średnią liczbę ludzi, które zaraża jedna osoba w okresie przechodzenia choroby. Jeśli współczynnik jest większy niż 1, oznacza to, że jedna chora osoba zaraża więcej niż jedną osobę, z którą ma kontakt. Jeśli współczynnik spadnie poniżej 1, można stwierdzić, że epidemia przestaje się rozprzestrzeniać.

Zmodyfikowaną wersję diagramu, odnoszącą się do oryginalnej wersji, zamieściła na Twitterze prof. Alice Roberts, antropolożka z Uniwersytetu w Birmingham. "Maski dla wszystkich? Nauka jest na tak" - napisała.

"Zgadzam się, że maski są ważnym czynnikiem. Jednakże stwierdzenie, że same maski obniżą R0 poniżej 1,0 jest wysoce spekulatywne. Nie wiemy wystarczająco dużo o transmisjach choroby" - napisał jeden z komentujących jej wpis.

Więcej masek to mniej zachorowań?

Twórcami modelu opartego na podstawie diagramu są członkowie zespołu COVID-19 Modelling Group z Hong Kong Baptist University pracujący pod kierownictwem prof. Lei-Han Tanga. Ich praca została opublikowana 16 marca jako preprint. Oznacza to, że nie została jeszcze zrecenzowana i nie może być podstawą do formułowania pewnych ocen czy zaleceń dla władz.

Naukowcy przekonują, że współczynnik R maleje w zależności od dwóch czynników: powszechności użycia masek i ich jakości. Oznacza to, że im więcej ludzi używa masek lepszej jakości, tym niższy współczynnik reprodukcji epidemii.

Autorzy opracowania podają następujący przykład. Aby zredukować wartość współczynnika reprodukcji epidemii z 3,68 do 1, maski powinno nosić 96 proc. populacji. W wersji diagramu udostępnionej na Twitterze przez prof. Alice Roberts wprowadzono założenie o pierwotnej wartości współczynnika reprodukcji równej 2,4R. Z diagramu wynika, że przy stosowaniu masek o średniej skuteczności przez 50 proc. populacji wartość współczynnika zmniejszy się do ok. 1,3R.

Model "ma niewiele wspólnego z rzeczywistością"

Zapytany o ocenę modelu dr inż. Mariusz Bodzioch z Wydziału Matematyki i Informatyki Uniwersytetu Warmińsko-Mazurskiego, stwierdza, że ma "mieszane uczucia". - Artykuł mimo wszystko jest ciekawy, wnioski raczej oczywiste i przewidywalne - podkreśla. - Moje wątpliwości budzi wiarygodność danych, na podstawie których model był konstruowany - dodaje.

Według niego nie należy traktować chińskich danych, a w szczególności z prowincji Hubei, za wiarygodne. Jednocześnie porównywanie danych z innych krajów z danymi z Chin również wydaje się być niewłaściwe. - Autorzy nie do końca tłumaczą się z przyjętych parametrów - podkreśla dr Bodzioch. Dodaje, że z pewną dozą nieufności należy patrzeć na opisywaną skuteczność maseczek. - Ich teoretyczna skuteczność ma niewiele wspólnego z rzeczywistością, gdyż zakłada ich właściwe stosowanie - tłumaczy. Ekspert UWM wskazuje też na różne właściwości różnych rodzajów masek.

Model chińskiego zespołu dr Bodzioch nazywa teoretycznym. - Niewiele ma wspólnego z rzeczywistością - ocenia. Zdaniem matematyka postulowany przez chińskich naukowców wpływ noszenia maseczek na spadek współczynnika odnowienia wydaje się być przeszacowany. Dr Bodzioch wskazuje, że w miarę rozwoju epidemii noszenie maseczek nabiera sensu w związku z większym prawdopodobieństwem spotkania osoby chorej bezobjawowo. - Pytanie, czy niewłaściwe stosowanie maseczek może w niektórych przypadkach prowadzić do efektu przeciwnego? - zaznacza.

Epidemie a matematyka

Czy modele matematyczne są dobrym narzędziem do badania rozwoju epidemii i prognozowania? Przekonana o tym jest prof. Anna Gambin z Wydziału Matematyki, Informatyki i Mechaniki Uniwersytetu Warszawskiego. Jest zaangażowana w tworzenie modeli dotyczących epidemii COVID-19 w ramach interdyscyplinarnego zespołu specjalistów. - Z samych danych o epidemii nie można stworzyć prognoz dotyczących jej dynamiki. Żeby stworzyć prognozę, musimy wykorzystać model - wyjaśnia prof. Gambin.

Wskazuje na przydatność modeli w analizowaniu epidemii grypy. - Gdy modelujemy grypę, dysponujemy danymi o poprzedniej skali zachorowań. Mamy zebrane statystyki, parametry modelu - wyjaśnia prof. Gambin. Jednak w przypadku nowych wirusów matematycy i informatycy stoją przed większym wyzwaniem z powodu ograniczonej dostępności danych.

- Przy SARS-CoV-2 dopiero zbieramy dane: mamy parametry z Wuhan, które niezupełnie stosują się do Europy - tłumaczy prof. Gambin. - Zbieramy na bieżąco dane z krajów europejskich i Stanów Zjednoczonych. Dane są często niekompletne i obarczone błędami - opowiada. Zwraca uwagę na restrykcje wprowadzone w czasie epidemii COVID-19. - Odpowiednie uwzględnienie takich restrykcji w modelu jest dużym wyzwaniem - stwierdza.

- Wpływ symulacji na prognozowanie skuteczności stosowania różnorakich strategii kontrolnych jest nie do przecenienia - mówi dr inż. Mariusz Bodzioch z UWM. - Dobrze sformułowany i nawet wstępnie skalibrowany model matematyczny może wskazać nam, w jakim kierunku podążać, aby doprowadzić do odpowiedniego spłaszczenia krzywej zachorowania - dodaje.

W konstrukcji modeli matematycznych istotna jest wiedza na temat samej choroby, tzn. sposobu jej przenoszenia, okresu utajenia, inkubacji, zarażania i prowadzenia do odporności. Drugim istotnym elementem jest kalibracja modelu, czyli dobór parametrów.

Modele matematyczne epidemii COVID-19

Do tworzenia prognoz zachorowań, zgonów i ozdrowień w związku z epidemią COVID-19 wykorzystuje się najczęściej tzw. modele SEIR. Właśnie takie modele, umożliwiające tworzenie prognoz krótko- i długoterminowych, stworzył zespół specjalistów z Wydziału Matematyki, Informatyki i Mechaniki UW oraz Narodowego Instytutu Zdrowia Publicznego – Państwowego Zakładu Higieny.

Modele SEIR zakładają istnienie czterech grup w populacji: S - grupy osób narażonych na zakażenie; E - grupy osób, które uległy zakażeniu, ale nie zarażają; I - grupy osób, które zarażają inne osoby w populacji; R - grupy osób, które przestały zarażać. Model w wersji bayesowskiej (metoda wnioskowania statystycznego) zakłada dodatkowo rozróżnienie ostatniej kategorii na osoby zdiagnozowane i niezdiagnozowane.

W modelu bayesowskim grupy populacji związane są z danymi o dziennych liczbach wykonanych testów, zdiagnozowanych przypadków i zgonów. Model oparty jest też o pięć parametrów: częstość, z jaką następuje zarażenie; okres, w jakim dochodzi do zarażenia; średni czas trwania zaraźliwości u osób niezdiagnozowanych; udział osób zakażonych, która będzie testowana w danej chwili; parametr śmiertelności.

Na dzień 4 czerwca w prognozie średnioterminowej dla Polski autorzy modelu przewidują 25 738 wykrytych przypadków z 95-proc. przedziałem ufności (24 694 - 26 857). Dostępna na stronie projektu krótkoterminowa prognoza na 11 maja przewiduje 16 876 wykrytych przypadków (stan na 7 maja: 15 047, dane ministerstwa zdrowia).

Wiarygodność prognoz a dane

Do jakiego stopnia wiarygodne są prognozy tworzone na podstawie modeli matematycznych? - Pozostaje zaufać takim modelom, które są oparte o dane i wykorzystują wszystkie dostępne dane - mówi prof. Anna Gambin. Warto zwrócić uwagę, czy autorzy modelu uwzględnili w nim nie tylko dane o zachorowaniach i zgonach, ale też np. dane o liczbie wykonywanych dziennie testów. - Jeżeli model nie wykorzystuje dostępnych danych, jego przewidywania nie są wiarygodne - mówi prof. Gambin.

Ekspertka Uniwersytetu Warszawskiego przekonuje, że warto korzystać z modeli tworzonych w odniesieniu do epidemii spowodowanej nieznanym czynnikiem. - Warto zaufać modelowi, tylko trzeba do niego krytycznie podejść. Sprawdzić, jakich parametrów ten model używa i jak zostały dobrane - mówi prof. Gambin. Istotne jest uwzględnienie specyfiki danego kraju i populacji.

Doktor Mariusz Bodzioch wskazuje na braki danych dotyczących pełnego przebiegu epidemii COVID-19 i wątpliwości związane z wiarygodnością tych dostępnych. - Stosując odpowiednie struktury matematyczne, częściowo można sobie jednak z tym poradzić - tłumaczy. Zwraca uwagę, że przy braku odpowiednich danych należy być ostrożnym przy wyciąganiu wniosków ilościowych, w szczególności gdy w analizowanej społeczności stosowane są restrykcje.

Jak długo potrwa epidemia?

- Im większe będą obostrzenia w kontaktach społecznych, tym epidemia potrwa dłużej - mówi dr Mariusz Bodzioch, mając na myśli modele rozwoju epidemii w zależności od zastosowanych w kraju restrykcji (tłumaczył to w TVN24 dr Tomasz Ozorowski). Doktor Bodzioch podkreśla, że w przypadku braku naturalnej odporności i dość wysokiej zaraźliwości są dwie możliwości zakończenia epidemii: skuteczna szczepionka lub odporność stadna. - O ile rzeczywiście jest ona możliwa - zaznacza. - Nawet najprostsze modele matematyczne pokazują, że zachorować może 60-80 procent populacji - mówi. Według niego obecny stan wiedzy na temat COVID-19 nie jest wystarczający, by formułować wnioski długoterminowe.

Profesor Anna Gambin ocenia, że obecnie COVID-19 w Polsce prawdopodobnie występuje w stanie endemicznym. Oznacza to, że jest stała w czasie liczba zachorowań, a współczynnik reprodukcji epidemii oscyluje wokół wartości 1. - Jeśli teraz rozluźnimy restrykcje, liczby zachorowań znów pójdą w górę - mówi. Prof. Gambin podkreśla również, że ważny jest zakres testowania. - Zmniejszenie liczby testów, które w tej chwili obserwujemy, spowoduje niestety wzrost epidemii - podkreśla.