数理的な疾病モデリングは水晶玉ではない。しかし、有用なツールだ。
モデルは時間の経過とともに、より多くのデータが得られるほど精度が高まる傾向にあるが、常に考慮できるとは限らない要因もある。
意思決定者と一般の人々との信頼を築くには、モデリングの透明性を確保し、一般の人々による検証を可能にする必要がある。これはパンデミック対応の重要な要素だ。
ケープタウン大学の上級講師であるシータル・シラル博士は、感染症の拡大や、公衆衛生政策によって感染症を最も効果的に抑制する方法を理解するため、数理モデルの開発と活用にキャリアを費やしてきた。
そのため、南アフリカ政府が新型コロナウイルス感染症のパンデミックへの対応に専門家の支援を求めると決めた際、シラル博士が最初に相談した専門家の一人だったのは驚くことではない。
今年3月以降、シラル博士と南アフリカ新型コロナウイルス感染症モデリング・コンソーシアムの同僚たちは、利用可能なあらゆる手段を用いて、国内でこの疾病がどのように進行する可能性があるか、また多様なシナリオがそれぞれ国民の健康にどのような影響を及ぼすかを調べてきた。
私たちは最近、感染症のモデリングという仕事や、予測を正しく解釈し伝えるために必要な配慮、そして新型コロナウイルス感染症への対応と管理の改善に、この分野が今後もどう貢献できるかについての期待を聞くため、シラル博士に話を伺った。
シラル博士、お時間をいただきありがとうございます。まず、感染症モデルの構築について基本から伺います。どのようなデータソースが必要ですか。
モデルに何を盛り込むかを決める基礎となるのは、学際的なアプローチです。最初の段階では必ず、臨床医、集中治療医、経済学者、生物学者、疫学者、公衆衛生の専門家など、幅広い人々に相談します。さまざまな分野の専門家に相談することで、疾病の振る舞いや治療の実態をより包括的に捉えられます。私にとって、これは数理モデリングの大きな利点です。私たちは情報を統合する役割を担っていると考えています。
具体的に言うと、利用する情報には、ウイルスとそれが引き起こす疾病に関するデータ、つまり感染力、回復までの期間、死亡率などがあります。また、人々の行動、つまり身体的距離の確保やロックダウン措置をどの程度厳格に守っているか、あるいは守ることができるかに関する情報も必要です。さらに、集中治療室（ICU）がいくつあるか、看護師が何人いるかといった医療制度の対応能力も含まれます。これらのデータを組み合わせ、ウイルスがどのように広がる可能性があるか、それが医療インフラにどのような影響を及ぼすか、介入策がどのような効果をもたらし得るかを示します。
モデルの予測が実世界のデータによって裏付けられたり、モデルの基盤となる科学的証拠が蓄積され強化されたりすると、モデルの妥当性への確信が高まります。そうなれば、国の地域や下位地域による違い、HIVや結核のような既存の健康課題の影響など、より詳細な要素を加えられます。また、まだ十分に理解されていない考えについて仮説を検証し、モデリングの結果から、さらに調査する価値があるかどうかを確かめることもできます。
新しい疾病である新型コロナウイルス感染症では、十分なデータを得るのが難しいのでしょうか。
鍵となったのは、新しい情報が得られた際に、モデルをすばやく更新して取り込めるよう設計することでした。例えば、ICUの病床数など、パンデミック以前からよく分かっていた情報もありました。しかし、まったく新しい疾病と前例のないロックダウン政策を前に、未知のことが非常に多く、それが課題でした。ここ数か月で多くを学びましたが、データが増えるのに応じてモデルのパラメーターを調整できるよう、引き続き備えています。
データを統合してモデルに適用した後、相談した専門家チームに戻り、結果を示して「これは妥当でしょうか。何を修正すべきでしょうか」と尋ねることができます。このように、双方に利点のある反復的なプロセスです。例えば、症状が現れる前に感染者が他者へうつす「発症前感染」の確認には、モデリングも使われました。ウイルスが症状のある人を介してのみ感染すると仮定した場合、モデルでは確認症例数を説明できなかったためです。
南アフリカで新型コロナウイルス感染症が広く拡大し始める前から、すでに深刻な被害を受けていた国が数多くありました。他国のデータは、どの程度モデルに役立ちますか。
興味深い質問です。私たちもよく考えてきました。他国のデータが役立つかどうかの鍵は、国同士がどれほど似ているか、あるいは異なっているかです。小さな違いが大きく異なる結果につながることも少なくありません。疾病に関する例と医療制度に関する例を挙げましょう。
新型コロナウイルス感染症について言えば、年齢は病状の重症度や感染伝播に影響します。多くのアフリカ諸国では、欧州諸国より人口がはるかに若年です。したがって、年齢を考慮せずに、感染の拡大や重症度、致死率を欧州のデータからアフリカの状況にそのまま当てはめるべきではありません。
もう一つの例は検査です。国によって、異なる理由から異なる検査戦略が採用されています。大規模検査を実施するだけの資源がある国では、ウイルスの存在や、その地理的な分布の違いを信頼性高く把握できます。資源が限られた国では、高齢者、重症者、陽性者との接触者だけを優先して検査する場合があります。こうした方法の違いがあるため、「欧州諸国で感染者数が一定の増加傾向をたどったのだから、自国でも同じことが起きるはずだ」と言うのは非常に難しいのです。数字がそれぞれ異なる意味を持つからです。
したがって、他国で起きていることを調べるのは有益ですが、状況の違いを精査せずに、ある国の流行の傾向を別の国にそのまま当てはめることはできません。
私に反対するテクノロジー企業があるのは知っていますが、人間の感情や行動を方程式に正確に取り込めるとは思いません。現在のパンデミックのような前例のない状況では、なおさらです。
シータル・シラル博士
データを正しく解釈するため、モデリング専門家として特に注意を払う必要がある例をほかに挙げていただけますか。
モデルに取り込むすべてのデータソースに当てはまることだと思いますが、なかには特に扱いが難しいものがあります。おおまかに、二種類の「盲点」に分けられます。現在存在していても、今後データが増えれば修正できるものと、ほとんど考慮できないものです。
前者の例として、集団における自然免疫をめぐる現在の疑問があります。他のコロナウイルスによる交差免疫や、別のメカニズムが、一部の国で感染率が低いことに寄与しているのでしょうか。今のところ、こうした考えを仮説として、特定のシナリオ検証を通じてモデルに組み込めます。例えば、人口のXパーセントに自然免疫があるとしたら、ウイルスの拡大や病院への負荷はどう変わるでしょうか。ただし、こうしたシナリオ検証は、政策決定に役立てるためというより、起こり得る将来の幅をより包括的に把握するために行う点を強調したいと思います。政策決定は、明確なデータがある情報に、はるかに大きく基づく必要があります。
もう一方の盲点の例は、人間の行動です。私に反対するテクノロジー企業があるのは知っていますが、人間の感情や行動を方程式に正確に取り込めるとは思いません。現在のパンデミックのような前例のない状況では、なおさらです。その理由はいくつかあります。流行初期の不確実性があります。例えば、スーパースプレッダー事象は偶然に左右されることがよくあります。また、人々がロックダウン措置を守る度合いにも差が見られます。こうした点を考慮するために複数のシナリオを実行しますが、依然として最大級の未知要因の一つです。
ロックダウンへの人々の反応に違いがあるように見える点について、もう少し説明していただけますか。
もちろんです。状況は今も変化していますが、ウイルスが人口に十分広がった後でロックダウンに踏み切った国では、外出を控えるよう求める政府の指針が、より忠実に守られたようです。そうした国では、友人や家族が病気になったり亡くなったりする可能性が高かったことへの感情的な反応だと考えられます。ウイルスへの恐怖が、家にとどまる強い動機になったのかもしれません。
一方、感染拡大をできる限り封じ込めることを重視して早期にロックダウンを始めた場合、ウイルスの影響が十分に目に見えていなかったため、人々は措置をそれほど深刻に受け止めなかった可能性があります。これは「備えのパラドックス」として広く議論されています。先手を打つ唯一の方法は、その時点でも、後から振り返っても、過剰反応に見えるような決断を下すことだという考え方です。
必要なデータをすべて集め、モデルを構築した後、政府の対応に役立てるためにどのように活用するのでしょうか。
まずお伝えしたいのは、数理的な疾病モデリングは水晶玉ではないということです。未来を告げるものではなく、一定の仮定のもとで、起こり得る将来の幅を理解するためのツールです。私たちの目的は、政策決定に役立つ形で政府に情報を提供することです。
特に南アフリカのような低・中所得国（LMIC）の状況では、政策決定を純粋に健康面だけ、あるいはモデルだけに基づいて行うことはできないと、私ははっきり考えています。経済的、社会的な要因も統合しなければなりません。
医療予算に上限のない政府はありません。特にLMICでは、新型コロナウイルス感染症対策に使った資金は、他の価値ある目的には使えなくなることを考慮する必要があります。政府はこれらすべてのバランスを取る難しい判断を迫られます。私たちモデリング専門家は、その判断にあたって健康面の情報が十分に考慮されるよう、最善を尽くしています。
健康に焦点を当てたモデリングに、社会的・経済的影響を直接取り入れることについては、どう考えますか。
可能です。他のよく知られた疾病ではそうしていますし、新型コロナウイルス感染症についても世界各地のグループが取り組んでいると思います。しかし皮肉なことに、ロックダウンのような保健政策による社会経済的影響が最も重要になり得る国、つまりLMICでは、その影響を有効に取り込むためのデータがまったくないか、不十分なことがよくあります。新型コロナウイルス感染症についてまだ多くを学ぶ必要があることも踏まえると、疾病に焦点を当て、費用対効果やマクロ経済分析では経済学者と、調査や面接など従来型の情報収集では社会科学者と協力して、健康に焦点を当てたモデルを補完し、社会経済的影響を考慮するのがよいと思います。
あなたの仕事に対する一般の人々の反応をどう評価していますか。モデリングの役割は十分に理解され、伝えられているでしょうか。
報告書を一般公開してからここ3週間ほど、結果や使用した手法に大きな関心が寄せられています。これまでウイルスへの対応に成功している国々には、政府の透明性という共通点があることは明らかです。ですから、私たちの仕事を公開し、検証してもらうことが公共の利益にかなうという点に、私は全面的に賛成です。
一方、誰もが疾病モデリングの専門家ではありません。感染者数の予測や病院への負荷を文脈から切り離して提示すると、今多くの人が感じているストレスを強めるおそれがあります。この分野に大きな一般の関心が寄せられるのは初めてなので、モデルの解釈の仕方を伝えるため、特に力を尽くす責任が私たちにはあると考えています。それぞれの予測には既知の不確実性や留意点があること、データが明らかになるたびにほぼ絶え間なく見直される反復的なプロセスであること、そしてモデルを理解するには新聞の見出しが許す以上の細やかな見方が必要であることです。今のところ順調に進んでいると感じており、私たちのモデリングに関する報道で慎重な姿勢を取っている多くのメディアに感謝しています。
今後を見据えて、新型コロナウイルス感染症への対応を通じた経験は、感染症モデリングの分野をどのように変えていますか。
すぐに生まれた動きの一つは、多くの新しい国際協力やネットワークの形成です。こうした動きは歓迎すべきものであり、パンデミックを克服した後も続いてほしいと思います。情報や技術の共有に役立つからです。別の流行が起きた場合にも、将来より効果的に対応する助けとなるでしょう。また、世間の注目を集めたことで、一般の人々と関わる責任について深く考える機会も増えました。この分野で始まった取り組みも続くことを願っています。
疾病モデリングの仕事そのものについて言えば、この分野は100年以上にわたって発展してきました。新型コロナウイルス感染症がほぼあらゆる制度に衝撃を与えたにもかかわらず、私たちの仕事を支える科学は変わっていません。新たな知見は確実に生まれるでしょうが、それは分野の革命ではなく進化となるでしょう。
パンデミックがもたらした好ましい結果の一つは、数理的な疾病モデリングへの関心が再び高まり、人気が上昇したことです。アフリカ大陸を旅する中で、非常に優秀な数学者や数学を学ぶ学生がいることを知りました。ここ数か月、この分野の大学院で学びたいという問い合わせを数多く受けています。この人材を活かし、資金提供や研究プロジェクトを通じて育てる必要があります。そうすることで、アフリカ大陸の政府が人々に甚大な被害をもたらし続ける疾病を抑え、将来の流行にも地域に根差した効果的な対応ができるよう支援できます。
