Порог R = 1 может неверно классифицировать устойчивость эпидемии

Почему стабильные числа случаев всё ещё могут быть предупреждающим сигналом

Специалисты по общественному здравоохранению во всём мире опираются на один сводный показатель — число воспроизводства R — чтобы решить, растёт ли вспышка или находится под контролем. Многие знают: если R ниже 1, эпидемия сокращается, а если выше 1 — расширяется. В этой работе показано, что простое правило может вводить в серьёзное заблуждение, когда оно основано на усреднении по множеству разных мест или групп. Даже если общий R кажется безопасно равным 1, в некоторых сообществах уже может идти новый быстрый рост, который остаётся скрытым, пока его не станет гораздо сложнее и дороже остановить.

Как привычное число R может скрывать проблемные очаги

Авторы начинают с рассмотрения того, как обычно вычисляют R по числам случаев. На практике власти часто объединяют данные из многих регионов в один большой временной ряд и затем оценивают единый R, отражающий среднюю передачу. Это удобно, но предполагает, что все группы ведут себя одинаково. Исследование математически показывает, что условие «R равно 1» может выполняться при огромном множестве внутренних ситуаций, в том числе при многих, где несколько групп уже имеют сильно растущие показатели заражений. Иными словами, даже если общая кривая выглядит плоской, некоторые подгруппы могут находиться в полной фазе возрождения, а обычное значение R всё равно уверенно будет указывать на стабильность.

Почему более детальные методы могут чрезмерно реагировать на шум

Одним из ответов на эту проблему стало использование более сложных моделей, учитывающих различия между группами. Популярное семейство методов строит своего рода сетку или матрицу, описывающую, как инфекции перетекают между типами людей или мест, и затем смотрит на наиболее «опасную» часть этой сети. Такой подход на основе максимума действительно не даёт усреднить вверх растущие подгруппы, но он склоняется в другую сторону. Поскольку он фокусируется на единственной наиболее активной группе, он резко реагирует на случайные всплески в небольших или шумных данных. Авторы показывают, что такие методы часто сигнализируют об опасности даже тогда, когда в целом заражённость не растёт существенно.

Средний путь: консервативное число воспроизводства

Чтобы найти лучшее равновесие, авторы помещают и обычный R, и меру на основе максимума на одну шкалу возможных усреднений по группам. На одном конце — стандартный R, сглаживающий все различия; на другом — строгий максимум, усиливающий каждое флуктуационное отклонение. Используя идеи из теории планирования экспериментов, они выделяют средний выбор, названный консервативным числом воспроизводства, обозначаемым E. Эта статистика придаёт больший вес группам с более высокой передачей, но не настолько, чтобы случайный шум заглушал сигнал. Авторы показывают на теории и численных экспериментах, что установка порога стабильности на E = 1 значительно сужает набор сценариев, которые могут выдать себя за безопасные, оставаясь при этом устойчивой к шумным подсчётам случаев.

Что новая мера показывает на реальных вспышках

Затем команда проверяет эти идеи на данных реальных эпидемий. В смоделированных вспышках, похожих на Эболу, разделённых на два региона, бывают периоды, когда суммарные числа случаев кажутся плоскими и обычный R очень близок к 1 с узкой неопределённостью, однако один регион явно находится в фазе возобновлённого роста. В эти же периоды консервативное число E превышает 1 и его неопределённость расширяется, корректно указывая на то, что картина более хрупка, чем подразумевает заголовок. Похожие шаблоны наблюдаются в данных по COVID-19 из итальянских провинций и американских округов. В моменты, когда общий R колеблется около 1, некоторые меньшие территории тихо наращивают случаи, и E фиксирует это, поднимаясь выше 1 и сигнализируя о более высокой вероятности скорого роста суммарных инфекций.

Что это значит для решений в здравоохранении и публичных сообщений

Для широкой публики эти выводы означают, что сообщённое R = 1 не всегда стоит читать как «безопасно и стабильно». Поскольку стандартные расчёты часто скрывают различия между местами и группами, они могут пропустить ранние предупреждающие признаки повторного распространения, пока многие люди не будут заражены. Предлагаемое консервативное число E даёт более осторожный и информативный порог: когда E равно 1, гораздо вероятнее, что большинство групп действительно стабильно; когда E выше 1, это указывает на локальные вспышки, требующие внимания, даже если общая кривая ещё не повернула вверх. Авторы предлагают, что там, где доступны подробные региональные данные, органы здравоохранения должны дополнять или заменять привычный R на E для принятия своевременных и более адресных мер.

Цитирование: Parag, K.V., Santillana, M., Cori, A. et al. The R = 1 threshold can misclassify epidemic stability. Commun Phys 9, 185 (2026). https://doi.org/10.1038/s42005-026-02631-6

Ключевые слова: устойчивость эпидемии, число репродукции, возрождение болезни, моделирование COVID-19, показатели общественного здравоохранения