Τα μαθηματικά μοντέλα συμβάλουν στην αντιμετώπιση μεταδιδόμενων ασθενειών.
Μία καμπύλη γραμμή σε ένα διάγραμμα μπορεί να αφηγηθεί διάφορες ιστορίες. Όπως για παράδειγμα τις ιστορίες ασθενών. Ο μαθηματικός και βιολόγος Μάρτιν Άιχνερ ανέλαβε το 2017 να αποκωδικοποιήσει τις πληροφορίες που κρύβονται πίσω από την λεπτή γαλάζια γραμμή ενός διαγράμματος. Είναι ερευνητής και καθηγητής στο πανεπιστήμιο της Τυβίγγης, με αντικείμενο τη μαθηματική απεικόνιση της εξέλιξης των ασθενειών.
Η γαλάζια γραμμή βοηθά τους επιστήμονες να προβλέψουν την εξέλιξη κάποιας ασθένειας, όπως είναι η γρίπη και τώρα ο κορωνοϊός. Το βλέπουμε άλλωστε να συμβαίνει σήμερα.
Τέτοια μαθηματικά μοντέλα όπως αυτό του Άιχνερ ενημερώνονται με ποικίλες πληροφορίες. Σε ένα μοντέλο για τη επιδημία για παράδειγμα, απεικονίζεται σε ποιο βαθμό η ασθένεια είναι κολλητική, για πόσο καιρό μετά την ανάρρωση ένας ασθενής μπορεί να μεταδώσει την ασθένεια, για πόσο καιρό κάποιος που έχει εμβολιαστεί διαθέτει ανοσία και πόσο συχνά οι άνθρωποι έρχονται σε επαφή μεταξύ τους ανάλογα με την ηλικιακή ομάδα στην οποία ανήκουν.
Όταν όμως λείπουν οι σχετικές πληροφορίες, ο Άιχνερ πρέπει να προχωρήσει σε υποθέσεις.
«Σε κάποια σημεία απλώς δεν έχουμε τις απαραίτητες πληροφορίες» λέει. Ωστόσο τα μαθηματικά μοντέλα που επεξεργάζεται δεν προβλέπουν το μέλλον. Στόχος είναι να απαντήσουν στο ερώτημα «τι θα γίνει, εάν…». Ένα παράδειγμα: «Πώς συμπεριφέρεται μία ασθένεια, όταν έχει εμβολιαστεί το 20% του πληθυσμού; Και τι συμβαίνει όταν εμβολιάζεται ο μισός πληθυσμός; Με αυτά τα μοντέλα μπορούμε να επεξεργαστούμε διαφορετικά δεδομένα», τονίζει Άιχνερ.
Εφαρμοσμένη επιστήμη
Τα αποτελέσματα της έρευνας είναι χρήσιμα στις φαρμακοβιομηχανίες, οι οποίες θέλουν να γνωρίζουν πώς επιδρούν οι εμβολιασμοί στη διάδοση της γρίπης. Μέσω ενός τέτοιου μοντέλου θα μπορούσε επίσης μία επιχείρηση να «διασπείρει» εικονικά ένα κύμα γρίπης στους εργαζομένους της, ώστε να διαπιστώσει πόσο καλά είναι προετοιμασμένη για ένα τέτοιο ενδεχόμενο.
Επίσης τα μαθηματικά μοντέλα θα μπορούσαν να συμβάλουν αποτελεσματικά στην πρόληψη κάποιων ασθενειών, δείχνοντας για παράδειγμα, με ποιο τρόπο διαδίδεται ένας ιός. Ποικίλα δεδομένα είναι χρήσιμα στην ανάπτυξη τέτοιων μοντέλων, όπως για παράδειγμα η μεταφορά ασθενειών από χώρα σε χώρα μέσω των αεροπορικών ταξιδιών.
Έτσι οι επιστήμονες μπορούν να περάσουν σε πρακτικές λύσεις για την αντιμετώπιση μιας επιδημίας, απαντώντας σε ερωτήματα όπως: Ποιο τμήμα του πληθυσμού θα πρέπει να εμβολιαστεί πρώτο; Ο ενεργός επαγγελματικά πληθυσμός; Ή οι ευπαθείς ομάδες; Σε αυτή την περίπτωση η μαθηματική ανάλυση θα μπορούσε να είναι πολύ χρήσιμη στην απάντηση του ερωτήματος: «Εάν επέλεγε κανείς μια συγκεκριμένη λύση, τι θα έπρεπε να περιμένει;»