2014年12月、ギニアの農村部で2歳の男児がエボラ出血熱で亡くなりました。その後2年間で、西アフリカでは約3万人がエボラウイルスに感染しました。
過去17回のエボラ出血熱の流行とは異なり、なぜ今回はこれほど大規模に、急速に拡大したのでしょうか。将来の流行を防ぐために、何かできることはあるのでしょうか。こうした問いをはじめとする数々の疑問は、まだ新しい科学分野である感染症流行予測の核心にあります。そして、その重要性は極めて高いものです。1月、世界経済フォーラムは、パンデミックを企業活動と人命に対する最大級のリスクの一つに挙げました。
ここ数世紀、科学者は惑星の軌道、潮の満ち引き、ハリケーンの進路など、世界のさまざまな事象をますます正確に予測できるようになってきました。自然や物理のシステムを十分に理解し、正確な予測を行う能力は、人類の偉大な業績の一つと言えるでしょう。
予測におけるこうした成功の多くは、周囲の自然現象を支配する、変わることのない普遍的な法則が存在するという、アイザック・ニュートンの根本的な洞察に始まります。大規模な計算を迅速に実行できるようになったことで、十分なデータと計算能力があれば、ほとんどの複雑な現象を予測できるというニュートン的な見方が広まりました。
しかし、限界はあります。こうした 予測システムを 研究する科学者として、感染症の流行で次に何が起こるかを正確に予測するのは不可能だと考えています。最も重要な変数が、流行ごとに大きく変わり得るからです。
そのため、天気予報と同じように、リアルタイムデータの収集は、感染症流行を予測する科学界の能力を高めるうえで不可欠と考えられます。
気まぐれな感染症流行
科学者が感染症流行をモデル化できるという考えは、それぞれの流行の経過は、その内在する不変の特性によって予測できるという見方に基づいています。
ある感染症が、感染力のある病原体によって引き起こされるとしましょう。その感染力は「基本再生産数」、すなわちR0と呼ばれる数値で表すことができます。これは、特定の集団内で病原体がどれほど広がる可能性があるかを示す数値です。
疫学者が病原体のR0について十分に把握できれば、次の流行の一部を予測し、小規模な流行が大規模なエピデミックに発展するのを防げるかもしれません。R0が特に高い地域に資源を動員する方法が考えられます。あるいは、感染者と、子どもや高齢者など、社会の中で特に感染しやすい人々との接触を制限することもできるでしょう。
このように、R0は不変の数値と解釈されています。しかし、近年の研究はそうではないことを示しています。
たとえば、ジカウイルスの流行を考えてみましょう。この感染症では、R0は0.5から6.3の範囲にありました。これは驚くほど幅広い範囲で、自然に収束する感染症から、長期的なエピデミックを引き起こす感染症までを含みます。
ジカ熱のR0にこれほど幅があるのは統計上の不確実性によるもので、科学者がさらにデータを集めれば解決すると思うかもしれません。しかし、それはほとんどの場合、正しくありません。ジカ熱では、無数の要因が影響します。気候や蚊、デング熱のような関連ウイルスの存在、さらには性的接触による感染の役割など、さまざまな条件が、環境ごとに異なるR0につながります。
実際、病原体の感染力や伝播速度、ワクチンの入手可能性など、エピデミックの特徴は一度の流行の最中にも急速に変化するため、科学者が動態を予測できるのは、その流行の期間中に限られます。つまり、2014年4月のエボラウイルス病の流行を研究すれば、翌月に同じ地域で起きたエボラ出血熱の流行を理解する手がかりになるかもしれません。しかし、2018年5月に起きたものなど、将来のエボラ出血熱の流行の動態を理解するうえでは、役立つ度合いがはるかに低いことがよくあります。
感染症流行は、整然とひとまとまりになった現象ではないことがよくあります。多くの変数が重要な役割を果たし、その役割も変化する、雑音の多い出来事です。病気の根底にある不変の真実が存在するのではなく、病気が広がるにつれて変わり、しばしば絡み合う不安定な詳細の集まりがあるだけです。
より良い予測
科学者が、疫学システムを十分に理解して関連するシステムの挙動を予測できるという確信を持てないのなら、なぜ研究するのでしょうか。
答えは、私たちが予測の「ソフト・フィジックス」と呼ぶ考え方にあるかもしれません。科学者は、どの流行も同じ規則に従うという前提をやめるべきです。流行同士を比較するときは、背景にある状況の違いをすべて念頭に置く必要があります。
たとえば、生物学者はインフルエンザ感染について多くの詳細を明らかにしてきました。ウイルスが宿主細胞に結合する仕組みや、複製の仕方、抗ウイルス薬への耐性を獲得する過程を知っています。しかし、あるエピデミックは、ある月の特定の日に大勢の人が公共交通機関を利用したことをきっかけに始まったかもしれません。一方、別のエピデミックは、宗教行事に集まった人々を起点に始まった可能性があります。どちらの流行も同じ感染病原体に端を発していますが、こうした点をはじめとする数多くの違いがあるため、それぞれがどのように進行するかをモデル化する方法を、科学者は見直す必要があるかもしれません。
こうした個別の事情をよりよく理解するには、科学者はリアルタイムデータに大規模な投資を行う必要があります。米国国立気象局は、データ収集と予測に年間10億米ドル超を費やしています。一方、米国疾病予防管理センター（CDC）が公衆衛生統計に費やす額はその4分の1にすぎず、予測専用の予算はありません。
感染症サーベイランスは、科学の中でも依然として極めて重大な分野の一つです。流行の背景にある固有の事情を慎重に考慮し、より責任あるデータ収集を行えば、何千人もの命を救える可能性があります。
