Вы здесь

Какая стратегия эффективна против распространения COVID-19?

Исследователи выясняют, как конкретные меры социального дистанцирования замедляют распространение COVID-19 в разных странах, чтобы определить наиболее эффективные способы предосторожности. Сведение воедино данных со всего мира позволит сравнить опыт разных стран и оценить эффективность той или иной стратегии.

Cудя по всему, отличный урок, как обуздать эпидемию COVID-19, миру преподал Гонконг. В стране с населением в 7,5 миллионов человек зарегистрировано лишь 4 смертельных исхода. Изучая гонконгский подход, исследователи уже констатировали, что интенсивность передачи коронавируса, — то есть сколько людей в среднем заражает каждый пациент, — снижают такие меры как отслеживание контактов, карантин, социальное дистанцирование, использование лицевых масок и закрытие школ. В Гонконге этот показатель удалось свести к критическому уровню — 1. Однако четко разграничить эффективность различных мер и поведенческих моделей, которые используются одновременно, в научной статье, опубликованной в этом месяце, не удалось.

На данном этапе одна из актуальнейших задач, стоящих перед ученым сообществом, — определить результативность беспрецедентных мер, принятых во всем мире для ограничения эпидемии. В конце концов исследователи рассчитывают предсказать, как те или иные меры контроля и их сочетание влияют на скорость передачи и количество заражений. Эти сведения особенно пригодятся правительствам при разработке стратегий, как поскорее вернуться к нормальной жизни, сохранив при этом низкий уровень передачи и предотвратив повторные волны инфекции. «Речь идет не о следующей эпидемии, а о том, что предстоит сделать прямо сейчас», — объясняет специалист по математическому моделированию Лондонской школы гигиены и тропической медицины Розалинда Эгго (Rosalind Eggo).

Ученые уже изучают модели разных стран, чтобы определить наиболее эффективные меры предосторожности. Модели, основанные на реальных данных, достовернее тех, которые использовались в начале вспышки и предсказывали будущий эффект со значительными допущениями. Сведение воедино данных со всего мира позволит сравнить отклики разных стран между собой. И в отличие от метода, где страны рассматриваются по отдельности, это позволит разработать модели, которые дадут более точные прогнозы о новых фазах пандемии.

Но определить, что здесь причина, а что следствие — задача не из легких. Отчасти потому, что ситуация в каждой стране отличается, и есть некоторая неопределенность насчет того, насколько соблюдаются те или иные меры, предостерегает Эгго. «Это действительно сложно, но это вовсе не значит, что не надо и пытаться», — добавляет она.

Свести все воедино

Усилия в этом направлении в ближайшие недели поддержит база данных, куда заводятся сведения о сотнях различных мер со всего мира. Платформа, которую подготовила для Всемирной организации здравоохранения (ВОЗ) рабочая группа из Лондонской школы гигиены и тропической медицины, собирает данные десяти других рабочих групп — в том числе из Оксфордского университета, Научного центра сложных систем в Вене и некоммерческих организаций вроде «Проекта по оценке потенциала» (ACAPS), которые анализируют гуманитарные кризисы.

Как объяснил ученый Лондонской школы гигиены и тропической медицины Крис Гранди (Chris Grundy), база данных будет систематизировать поступающую от различных групп информацию и таким образом станет всеобъемлющей. Меры контроля при вспышках инфекций отслеживают организации типа ВОЗ, но в случае с COVID-19 картина осложняется скоростью распространения пандемии и ее масштабами, говорит Гранди. Для обработки и учета информации Лондонская школа гигиены и тропической медицины привлекла внушительный корпус из 1 100 добровольцев. По словам Гранди, собранные данные станут доступны для дальнейшего использования и будут постепенно уточняться. Сейчас ключевое значение имеет скорость, говорит он. «На счету буквально каждый день», — говорит он.

Команды ученых изучают широкий спектр методов из разных стран. Венская команда задокументировала 170 типов мер в 52 странах — от щадящих вроде наклеек на полу, которыми отмечено безопасное двухметровое расстояние, до серьезных ограничений вроде закрытия школ. Кроме того, они отслеживают недавние попытки некоторых стран наладить нормальную жизнь и текущие меры, — например, распоряжение носить медицинские маски. Оксфордский проект «Отслеживание правительственных откликов на COVID-19» (Government Response Tracker) следит за 13 типами мер более чем в 100 странах. 7 из 13 сведены в единый индекс «строгости», — он ранжирует предпринятые шаги по степени серьезности и позволяет сравнивать между собой страны, которые пошли разными путями. Методы расчета индекса пересматриваются по мере добавления новых мер.

Разделение на группы

Ученые обеих групп уже приступили к анализу данных, изучая различия в подходе разных стран. В поиске закономерностей венская команда разбивает страны на группы по разным критериям, — например, на каком этапе эпидемии началось вмешательство, сколько ограничений принято и каких. Так, в Европе алгоритм сгруппировал вместе Швецию, Великобританию и Нидерланды, — эти страны отреагировали относительно медленно. На ранней стадии эпидемии все они рассчитывали на стратегию коллективного (или «стадного») иммунитета. Все три страны поначалу полагались на добровольное соблюдение предложенных мер, однако Великобритания и Нидерланды впоследствии перешли на шаги более решительные — вплоть до карантина, говорит Амели Девар-Ларрив (Amélie Desvars-Larrive), эпидемиолог из Научного центра сложных систем и Венского ветеринарного университета.

Германия и Австрия, напротив, отличились тем, что приняли решительные меры уже на раннем этапе — в отличие от Италии, Франции и Испании, которые предприняли те же шаги, но гораздо позже. И на сегодняшний день смертность от коронавирусной инфекции в Германии и Австрии составила лишь малую долю от итальянской, французской и испанской.

Ранние находки оксфордской команды позволяют предположить, что бедные страны склонны вводить меры строже, чем богатые. Так, карибская страна Гаити ввела строгий карантин после первого же подтвержденного случая, в то время как США прождали после первой смерти более двух недель — и только потом велели гражданам оставаться дома. Возможно, разгадка кроется в том, что в странах с низкими доходами медицина развита хуже, — и им приходится действовать осторожнее, размышляет исследователь общественной политики Оксфордского университета Анна Петерик (Anna Petherick). Не исключено и то, что у них уже была возможность учиться у других, поскольку вирус добрался до этих стран позже.

Закономерности и прогнозы

В конечном счете исследователи надеются благодаря собранным данным выйти за рамки сравнения отдельных нюансов и оценить, насколько эффективно сработала та или иная стратегия в целом. «Надо оценивать принимаемые меры в динамике, чтобы каждый мог выработать реальные меры, — говорит Эгго. В создании базы данных она не участвовала, но рассчитывает ею воспользоваться. — Если мы не знаем, что именно работает и насколько результативно, то решить, что делать дальше, будет трудно». Эгго и коллеги воспользуются собранными данными для проверки точности своих математических моделей. В них используются уравнения для описания скорости передачи и ее механизмов при различных мерах вмешательства на разных стадиях.

В идеале исследователи смогут предсказать, как включение и отмена тех или иных мер скажется на количестве заболевших с течением времени. Политики смогут воспользоваться этими прогнозами и данными о возможностях интенсивной терапии при принятии решений, — например, когда открывать школы, говорит физик-математик из Научного центра сложных систем и Венского медицинского университета Нильс Хауг (Nils Haug).

Команда Хауга из 15 человек решает, какой статистический подход предпочтительнее. Они определяют не конкретный эффект от того или иного вмешательства, а какие меры позволяют точнее всего спрогнозировать дальнейший уровень заражения. В одном из подходов используется метод машинного обучения. Он называется нейронная сеть с обратными связями и применяется для изучения закономерностей и прогнозирования. Определить эффективность того или иного вмешательства исследователи смогут, посмотрев, как изменятся прогнозы, если удалить его из сети.

Другой метод включает в себя регрессионный анализ, — он оценивает взаимосвязь между отдельно взятой мерой (например, закрытием школ) и отдельно взятым показателем (например, интенсивностью передачи). Используя регрессионный анализ, — например, метод Лассо — исследователи определят, какие меры снижают интенсивность передачи.

Но у каждого метода есть свои ограничения, считает Хауг. Так, метод Лассо предполагает, что выбранная мера с течением времени одинаково снижает интенсивность передачи — независимо от страны. И в этом величайшая сложность при изучении опыта разных стран. Исследователям нужна возможность учитывать национальные особенности, — например, как на распространение инфекции влияет совместное проживание представителей разных поколений. Венская команда в конечном счете попытается интегрировать в свои модели все эти показатели. На данный момент они будут учитывать их все как одну переменную, которая изменяет интенсивность передачи для отдельно взятой страны.

Пока нет вакцины или эффективного лечения, единственной защитой от COVID-19 остается прекращение передачи. По словам Петерик, решающее значение при выборе эффективной тактики имеет точное осознание ее последствий. «Если мы будем точно себе представлять, что именно нам предстоит сделать и какие методы помогут остановить распространение и сохранить больше жизней, это будет огромный вклад», — заключает она.

Элизабет Гибни (Elizabeth Gibney), Nature