Normat 58:2, 63–75 (2010) 63
Smittsamma sjukdomars matematik
Tom Britton
Matematiska institutionen
Stockholms universitet
tom.britton@math.su.se
Jag ska nu beskriva dels lite om matematiska modeller för smittsamma sjukdomar
men också hur dessa modeller används av hälsomyndigheter och beslutsfattare i
konkreta situationer. Problemområdet har varit extra aktuellt senaste året i sam-
band med den nya influensan (H1N1) pandemin. Som forskare i området känner
jag mig dock inte orolig för att det här ska vara sista gången som liknande model-
ler kommer till användning. De senaste 20 åren har ett flertal sjukdomar varit lika
aktuella: HIV, mul- och klövsjuka, hotet från bio-terrorism (t.ex. smittkoppor) och
SARS för att nämna några.
Först beskriver jag ett par enkla modeller för smittspridning och därefter nämner
jag olika generaliseringar som gör modellerna mer verklighetstrogna.
T enkla modeller r smittspridning
Vi vill konstruera en modell för sjukdomar som sprids från människa till människa
via någon form av kontakt inte sjukdomar som sprids indirekt t.ex. via mat eller
vatten.
Innan man smittats av sjukdomen ifråga är man mottaglig. En mottaglig person
kan förr eller senare smittas, och om detta händer blir han/hon smittsam. Som
smittsam kan man smitta andra individider, och efter att ha varit smittsam en
viss tid tillfrisknar man och blir immun, åtminstone ett tag. Många sjukdomar har
förstås också viss dödlighet, jag kommer här bortse från detta det matematiskt
viktiga är att man upphör att sprida sjukdomen vidare. engelska brukar de
tre kursiverade tillstånden ovan betecknas susceptible-infectious-recovered, varför
motsvarande klass av epidemimodeller brukar kallas SIR-modeller.
Nästa fråga vi måste ställa oss är huruvida vi vill modellera smittspridning kort
eller lång sikt, alternativt om vi intresserar oss för en ej ännu, eller nyligen, anländ
sjukdom, eller om vi vill modellera en sjukdom som funnits länge i befolkningen,
dvs som är endemisk (t.ex. vattkoppor). Det förra kallar vi för en epidemimodell
och det senare för en endemisk modell. Epidemimodeller är enklare eftersom vi
där har ett kort tidsperspektiv och därför kan anta att vi har en fix och given
population vi bortser alltså från dslar, dödsfall, immigration och emigration.
64 Tom Britton Normat 2/2010
En enkel epidemimodell
I den enklaste deterministiska epidemimodellen antar vi en fix och given population
i vilken alla individer träffar alla lika ofta. Risken för en mottaglig individ att
smittas är därför proportionell mot andelen smittsamma i population, och varje
smittsam individ tillfrisknar och blir immun med konstant intensitet. Vi får således
följande differentialekvationer för andelen mottagliga, smittsamma och tillfrisknade
(s(t), i(t), r(t)):
s
0
(t) = λs(t)i(t),
i
0
(t) = λs(t)i(t) γi(t), (1)
r
0
(t) = γi(t),
med startvärden (s(0), i(0), r(0)) = (s
0
, i
0
, r
0
), där vi antar att i
0
> 0; annars är
alla derivater 0. Parametern λ är med andra ord intensiteten (i given tidsintensitet)
med vilken smittsamma individer träffar andra individer och γ är intensiteten med
vilket individer tillfrisknar och blir immuna (i samma tidsenhet); 1 är således
genomsnittlig tid man är smittsam. Eftersom alla individer är antingen mottag-
liga, smittsamma eller tillfrisknade gäller för alla t att s(t) + i(t) + r(t) = 1;
differentialekvationssystemet är endast två-dimensionellt. Om man betraktar dif-
ferentialekvationerna ser man att andelen mottagliga s(t) avtar hela tiden. Detta
är inte förvånande eftersom vi har en fix population och när folk smittas minskar
antalat mottagliga. Vad gäller andelen smittsamma i(t) kan differentialekvationen
skrivas i
0
(t) = i(t) (λs(t) γ). Det betyder att derivatan är proportionell mot an-
delen smittsamma medan andra faktorn avtar eftersom s(t) avtar. Tolkningen, och
orsaken, till detta är att i takt med att andelen mottagliga avtar ”ödslas” allt fler
potentiellt smittsamma kontakter redan smittade personer endast kontakter
med mottagliga resulterar i att nya individer smittas. Tids nog blir andra faktorn
negativ och andelen smittsamma börjar avta.
Differentialekvationerna är ickelinjära. Likväl kan man förvissa sig om att lösningen
konvergerar mot (s
, 0, r
) = (1 r
, 0, r
) t , där r
löser ekvationen
1 r
s
0
= e
λ
γ
(rr
0
)
. (2)
Denna ekvation kan lätt tolkas: andelen av de initialt mottagliga som inte smittas
under epidemin (vänster sida) måste klara smittrycket från dem som är smittsamma
under epidemin (höger sida).
Om i
0
> 0 (som vi antagit) finns en entydig lösning r
> r
0
till denna ekvation.
Ett numeriskt exempel är λ = 1.5, γ = 1 (som anses stämma ganska väl med den
nya influensan med veckor som tidsenhet) och (s
0
, i
0
, r
0
) = (0.999, 0.001, 0), dvs en
mycket liten andel initialt smittade och resten mottagliga. Lösningen till (2) blir i
detta fall r
0.583. Det betyder alltså att ca 58% av befolkningen kommer att
smittas av epidemin. Som parentes kan nämnas att man bedömer att väsentligt fär-
re kommer att smittas av den pågående nya influensan av flera orsaker: dels antas
en viss andel av befolkningen vara immuna, dels förväntas vi minska smittsprid-
ningen med olika åtgärder som t.ex. bättre hygien, och slutligen kommer många
Normat 2/2010 Tom Britton 65
att vaccineras. I Figur 1 är differentialekvationssystemet löst numeriskt för dessa
värden och vi ser hur andelen mottagliga, smittsamma och tillfrisknade varierar
över tiden för att asymptotiskt slutstadiet (s
, i
, r
) (0.417, 0, 0.583)
0 5 10 15 20 25
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
t
s(t), i(t), r(t)
Figur 1 : Numerisk lösning till ekvationssystem (1) för fallet λ = 1.5, γ = 1 och
startvärde (s
0
, i
0
, r
0
) = (0.999, 0.001, 0). s(t) prickad, i(t) heldragen och r(t) strec-
kad.
Av speciellt intresse är fallet när r
0
= 0 (dvs inga initialt immuna) och en väldigt
liten andel initialt smittade. Det visar sig att lösningen satisfierar r
0 om
R
0
:= λ/γ 1, medan lösningen r
är nedåt begränsad (hur liten i
0
än är) i fallet
R
0
> 1. Således är fallet R
0
= 1 är ett tröskelvärde.
Parametern R
0
= λ/γ kallas inom infektionsepidemiologin för det fundamentala
reproduktionstalet (eng. basic reproduction number). Tolkningen av R
0
är att det
är lika med antalet individer en smittsam person smittar i en helt mottaglig popula-
tion: man smittar andra med intensitet λ (när alla är mottagliga) och i genomsnitt
är man smittsam 1 tidsenheter. Kvoten R
0
= λ/γ avgör med andra ord hur
många som kommer att smittas och denna parameter är oberoende av tidsskala.
De enskilda parametrarnas storhet verkar bara hastigheten med vilken sjukdo-
men sprids. Reproduktionstalet beror förstås hur smittsam själva sjukdomen är
(hur mycket virus en smittsam person utsöndrar) men också vilken population
som betraktas: ju mer och tätare vi umgås ju mer risk för smittspridning. I c-
ker om infektionssjukdomar finns reproduktionstal angivna för många sjukdomar i
specificerade regioner och tidsperioder.
66 Tom Britton Normat 2/2010
Eftersom R
0
= λ
1
γ
anger genomsnittligt antal personer som en smittsam person
smittar (i en helt mottaglig befolkning) under sin smittoperiod är det inte för-
vånande att R
0
= 1 är ett tröskelvärde: om man i genomsnitt smittar mer än en
individ (i början av epidemin) kommer epidemin ta fart, medan om man i ge-
nomsnitt smittar mindre än en individid finns inga jligheter för ett större
utbrott.
Som parentes kan nämnas att denna modell, eller snarlika varianter, även används
för modeller av ryktesspridning och informationsförmedling. Smitta svarar mot
att sprida ryktet/informationen och tillfrisknande mot att man tids nog slutar att
sprida ryktet/informationen. Samma modeller kan även användas för spridning av
datorvirus där har även terminologin från infektionssjukdomar tagits i bruk.
En enkel modell för endemiskt tillstånd
Modellen ovan var för ett kort tidsförlopp; vi antog att inga nya (mottagliga)
individer fördes in i populationen. är epidemin dömd att upphöra eftersom
andelen mottagliga hela tiden minskar.
Om vi i stället vill modellera vad som händer under en längre tid är denna ap-
proximation inte längre rimlig. Ett enkelt sätt att i en modell ”tillföra” mottagliga
individer och låta individer är att anta att nya (mottagliga) individer föds med
en konstant intensitet µ, och att individer dör med samma intensitet µ (vare sig de
är mottagliga, smittsamma eller tillfrisknade). Ekvationssystemet ovan modifieras
till följande:
s
0
(t) = µ λs(t)i(t) µs(t),
i
0
(t) = λs(t)i(t) γi(t) µi(t), (3)
r
0
(t) = γi(t) µr(t),
med startvärden (s(0), i(0), r(0)) = (s
0
, i
0
, r
0
), där vi liksom tidigare antar att
i
0
> 0. Det fundamentala reproduktionstalet R
0
ändras aningen i denna modell:
man kan ju nu lämna smittstadiet av två orsaker: att man tillfrisknar eller att
man råkar dö. Av denna anledning får man R
0
= λ/(γ + µ). Detta differential-
ekvationssystem visar sig också ha olika karaktär beroende om R
0
är större
än 1 eller inte: Om R
0
1 har ekvationerna endast ett (stabilt) jämviktsläge:
(s(t), i(t), r(t)) = (1, 0, 0), dvs att sjukdomen kommer försvinna ur befolkningen.
Om däremot R
0
> 1 finns två jämviktslägen: (s(t), i(t), r(t)) = (1, 0, 0) som inte
längre är stabilt, samt ett stabilt jämviktsläge
(s(t), i(t), r(t)) = (ˆs,
ˆ
i, ˆr) = (
1
R
0
,
R
0
1
R
0
, 1
1 + R
0
1
R
0
), (4)
där δ = µ/(γ + µ) är den (lilla) genomsnittliga andelen av livet som man är smitt-
sam. Detta jämviktsläge kallas den endemiska nivån.
Som ett numeriskt exempel kan vi ta vattkoppor som är en endemisk sjukdom i
Sverige (dvs det finns hela tiden smittbärare). För vattkoppor brukar R
0
antas vara
ungefär 15, och tiden man är smittsam är ca 1 vecka, andelen av ens liv man är
Normat 2/2010 Tom Britton 67
smittsam (nästintill alla smittas!) är ca (1/52)/80 0.00024 om vi lever 80 år i ge-
nomsnitt. Det kan även vara värt att nämna att andelen mottagliga, vilket samman-
faller med den relativa åldern som man smittas, ges av ˆs = 1/R
0
0.067. fort en
endemisk sjukdom har stort R
0
kommer alltså individer typiskt smittas i en tidig
ålder. Detta förklarar benämningen ”barnsjukdomar”. Dessa förklaras alltså huvud-
sakligen av att de har stort R
0
snarare än av barn skulle var extra mottagliga. Den
s.k. endemiska nivån blir hur som helst i detta fall (ˆs,
ˆ
i, ˆr) (0.067, 0.00022, 0.933).
Vid första anblicken kan det vara förvånansvärt många tillfrisknade (=immuna),
men, en typisk individ smittas vid ungefär 5 års ålder, är sedan smittsam en vec-
ka och sedan tillfrisknad (och immun) resten av livet. I själva verket kan denna
kunskap (om genomsnittlig ålder man smittas) användas för att skatta R
0
. Om
vi vet att individer smittas vid ca 5 års ålder och lever ca 80 år är ju andelen
mottagliga i befolkningen ca 5/80, 5/80 1/R
0
, dvs R
0
80/5 = 16.
Prevention
Vi har nu visat hur man kan modellera ett epidemiutbrott respektive ett endemiskt
tillstånd, förvisso under det förenklande antagandet att hela populationen är ho-
mogen och blandar sig likformigt. Dessa förenklingar har dock inte visat sig avvika
från verkligheten alltför mycket för sjukdomar som just influensa, förkylning och
barnsjukdomar. För t.ex. sexuellt överförbara sjukdomar duger däremot inte des-
sa modeller som approximation av verkligheten (se avsnittet om nätverksmodeller
nedan).
Något som också kan vara intressant att modellera (och som förstås infektions-
epidemiologer är primärt intresserade av!) är hur man minskar smittspridningen
och allra helst stoppar den. Grovt sett kan smittspridningen minskas två sätt.
Det ena sättet är att reducera R
0
vilket kan göras många olika sätt. T.ex. ombeds
vi nu i nya influensans tider att tvätta händerna ofta, att nysa i armvecket m.m.,
och för allvarligare sjukdomar som SARS genom isolering. Det andra sättet är att
minska andelen mottagliga, typiskt genom att vaccinera och sätt föra över
individer från att vara mottagliga till att bli immuna (vilket innefattas i tillståndet
tillfrisknad).
Om man ska försöka reducera R
0
handlar det om att sträva mot att ner det under
1. Vilka åtgärder som är mest (kostnads-)effektiva beror förstås vilken sjukdom
som betraktas. Om man ska vaccinera kan man använda lite mer matematik. Antag
för enkelhets skull att vaccinet är perfekt, dvs att man blir helt immun, och låt
v beteckna andelen som vaccineras innan epidemin anländer. Detta betyder att
andelen immuna, r
0
, ändras från att vara 0 till att bli v. Tröskelvärdet i Ekvation (2)
ändras från R
0
= 1 till R
0
(1v) = 1 (nu är ju endast andelen 1v) mottagliga).
För givet R
0
betyder detta att om v 1 1/R
0
är vi under tröskelvärdet och
en försumbar andel kommer att smittas av epidemin. Gränsvärdet
v
c
= 1 1/R
0
kallas för den kritiska vaccinationsgraden. För exemplet med influensa betyder
detta att v
c
1 1/1.5 0.33; om man vaccinerar mer än 33% av befolkningen
68 Tom Britton Normat 2/2010
med ett perfekt vaccin (innan sjukdomen har anlänt) kommer hela befolkningen
att vara skyddad, ett tillstånd som engelska brukar kallas “herd immunity”.
Således skyddar man fler än sig själv genom att vaccinera sig (nämligen dem man
hade smittat om man inte vaccinerats och dem som dessa i sin tur hade smittat
osv.).
För endemiska sjukdomar hjälper det inte att massvaccinera vid ett enstaka till-
fälle. I stället måste man i detta fall kontinuerligt vaccinera en viss andel för att
sjukdomen skall försvinna ur befolkningen. Om man vaccinerar andelen v kontinu-
erligt påverkar det (3) genom att första termen för s
0
(t) ändras till µ(1 v) och
termen µv tillkommer i uttrycket för r
0
(t). Det nya tröskelvärdet kan visas bli
R
0
(1 v) precis som i epidemimodellen, och om detta är mindre än 1 finns bara
ett (stabilt) jämviktstillstånd, nämligen (ˆs,
ˆ
i, ˆr) (1 v, 0, v), dvs sjukdomen har
försvunnit och populationsandelen mottagliga (=ej vaccinerade) är 1 v och res-
ten är immuna (=vaccinerade). Den kritiska vaccinationsgraden blir som tidigare
v
c
= 11/R
0
. Som exempel kan vi ta mässling som också brukar antas ha R
0
15.
Den kritiska vaccinationsgraden är således v
c
1 1/15 93%. I Sverige har vi
för tillfället en vaccinationsgrad mer än 95%, och vaccinet är nästintill perfekt,
varför vi heller inte har några mässlingsfall att prata om (utom i enstaka delpopu-
lationer som av en eller annan anledning inte vaccinerar sig). Om man vaccinerar
nyfödda kontinuerligt men inte kommer upp i den kritiska vaccinationsgraden v
c
kommer effekten bli att de som inte har vaccinerats typiskt kommer att smittas
senare i livet. För vissa sjukdomar är symptomen väsentligt allvarligare när man
är äldre, varför detta måste beaktas när nya vaccinationsprogram initieras.
Stokastiska modeller
Jag har hittills inte nämnt stokastiska modeller (mitt eget forskningsområde) ef-
tersom deterministiska modeller är enklare och många viktiga insikter kan hämtas
från dessa. I vissa sammanhang är dock stokastiska modeller att föredra, några av
dessa ska jag nu försöka beskriva kortfattat.
Låt mig först beskriva den allra enklaste stokastiska modellen och illustrera att
den blir krånglig att räkna med även i små populationer. Förenklingen ligger i att
vi antar att alla som smittas blir lika smittsamma och att man smittar varje annan
individ oberoende av varandra och med samma sannolikhet det finns förstås även
modeller som släpper dessa antaganden, men de blir än mer komplicerade. Antag
följande modell som kallas Reed-Frost-modellen efter dem som kom den. En
individ som blir smittad smittar andra mottagliga individer, oberoende av andra,
med sannolikhet p (samma p för alla individer). Efter detta tillfrisknar individen och
blir immun för resten av studieperioden. De som smittas smittar i sin tur andra
mottagliga med sannolikhet p osv. Antag att det inledningsvis finns 1 smittsam
person (indexfallet) och n mottagliga.
Hur många av de initialt mottagliga kommer smittas innan epidemin dör ut? Ef-
tersom det är en stokastisk modell kan vi inte veta exakt. Det enda vi säkert vet
är att antalet initialt mottagliga som smittas under utbrottet, Z
n
, ligger mellan 0
och n. Låt oss räkna ut sannolikheten för de olika jliga utfallen när n är litet. Vi
Normat 2/2010 Tom Britton 69
börjar med det enklaste fallet n = 1. Vi har inledningsvis 1 smittsam och 1 mot-
taglig. Sannolikheten att den mottaglige smittas blir ju p, dvs P (Z
1
= 1) = p,
och sannolikheten att han/hon inte smittas blir 1 p, dvs P (Z
1
= 0) = 1 p
(indexet ”1” syftar att n = 1). För n = 2 blir det aningen krångligare. För
att ingen skall smittas får indexfallet inte smitta någon av de två mottagliga,
P (Z
2
= 0) = (1 p)
2
. För att exakt en skall smittas måste indexfallet smitta
en av de två mottagliga (sannolikhet
2
1
p(1 p)) men dessutom får inte den
smittade smitta den kvarvarande. Sannolikheten att exakt en skall smittas blir
således P (Z
2
= 1) = 2p(1 p)
2
. Sannolikheten att bägge smittas kan beräknas
två sätt: antingen som ett minus övriga sannolikheter, eller också genom att
”räkna” ut sannolikheten. Det kan ske genom att indexfallet smittar en och den
smittar den sista, eller att indexfallet smittar bägge. Den totala sannolikheten blir
P (Z
2
= 2) = 2p
2
(1 p) + p
2
. Redan när n = 2 krävs således viss tankeförmåga.
När vi låter n bli större blir beräkningarna snabbt oöverskådliga. Det går inte att
några enkla slutna uttryck för dessa sannolikheter. De kan visserligen beräknas
numeriskt för givna värden n och p, men dessa beräkningar är svåra att använda
för att dra kvalitativa slutsatser. Detta motiverar behovet av approximationer när
n är stort. I en stor population är det ofta mer naturligt att betrakta medelantalet
np en person smittar som konstant snarare än smittosannolikheten p med en en-
skild individ. Man brukar därför låta p = R
0
/n, medelantalet blir ju np = R
0
,
dvs det reproduktionstal som tidigare definierades för deterministiska modeller. Vi
ska nu kort beskriva hur approximationen ser ut. Vi använder enbart heuristiska
resonemang även om motsvarande gränsvärdessatser finns.
Ett (potentiellt) epidemiutbrott inleds ofta med att ett fåtal individer smittats “ut-
ifrån” (i stycket ovan antog vi 1 indexfall). Det är ju inte säkert att ett utbrott
tar fart. Inledningsvis spelar därför stokastiken en viktig roll. Om populationen n
i betraktelse är stor (och individer blandar sig helt slumpmässigt) är det mycket
osannolikt att två smittokontakter skulle ske med samma individ. Från detta följer
att smittsamma individer (i början) smittar andra individer nästintill oberoende
av varandra. Epidemin kan därför inledningsvis approximeras av en s.k. förgre-
ningsprocess. Med hjälp av teori för förgreningsprocesser kan man därför beräkna
sannolikheten för att en epidemi tar fart, respektive sannolikheten för att endast
smittas. Man kan även införa lite mer realism i modellen genom att låta indivi-
der vara olika smittsamma (t.ex. genom att vara olika sociala, ha olika infektivitet
och/eller olika ha långa långa smittperioder). Detta kommer i hög grad verka
sannolikheten för ett stort utbrott, medan slutstorleken vid ett stort utbrott pri-
märt beror av motsvarande genomsnittsvärden. I fallet att det blir ett stort utbrott
kan man även visa en central gränsvärdessats som säger att slutandelen smittade
blir normalfördelad med väntevärde r
(lösningen till Ekvation 2 ovan) och med
en explicit standardavvikelse av storleksordning 1/
n. Även antalet smittade blir
normalfördelat om det blir ett stort utbrott, med väntevärde nr
och en standar-
davvikelse av storleksordning
n. Detta resultat illustreras i Figur 2 nedan. Där
har 10 000 epidemier simulerats, alla i en population bestående av 1000 individer
varav initialt 1 varit smittsam och övriga 999 mottagliga. Simuleringen är gjord
för R
0
= λ/γ = 1.5. Om man löser Ekvation (2) för detta R
0
(och med s
0
= 0.999
och r
0
= 0, dvs inga initialt immuna och andelen 0.999 initialt mottagliga) får man
lösningen r
0.583. Det betyder alltså att slutantalet smittade bör vara ungefär
70 Tom Britton Normat 2/2010
nr
583 vid ett stort utbrott. Detta stämmer ganska väl med simularingarna!
Histogrammet till vänster anger frekvensfördelningen av slutantalet smittade i epi-
demin. Som synes består denna frekvensfördelning tydligt av två olika delar: de
små utbrotten och de stora utbrotten. I figuren till höger tar vi en närmare titt
frekvensfördelningen för de stora utbrotten. Som synes är denna fördelning inte helt
olik normalfördelningen hade vi simulerat en större befolkning hade likheten varit
än större. Väntevärdet i normalfördelningen tycks mycket riktigt ligga ungefär vid
583 i alla fall strax under 600. Resultatet att slutandelen smittade vid en större
epidemi är normalfördelat, är även viktigt när man ska skatta parameterar (t.ex.
R
0
och den kritiska vaccinationsgraden v
c
) från tidigare utbrott. Man får inte
bara punktskattningar
ˆ
R
0
och ˆv
c
, utan även konfidensintervall skattningarna.
0 200 400 600 800 1000
0
0.1
0.2
0.3
0.4
0.5
0.6
Slutstorlek
Frekvens
400 500 600 700
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
Slutstorlek (stora utbrott)
Frekvens
Figur 2 : Histogram över slutstorleken från 10000 simuleringar av en stokastisk
smittomodell med R
0
= 1.5. Till vänster redovisas samtliga simuleringar och till
höger de simuleringar som resulterade i stora utbrott.
En annan situation stokastiska modeller är viktiga är om populationen inte
blandar sig homogent, utan där det i stället finns små “kluster” inom vilka smitt-
spridningen är väsentligt högre. är deterministiska modeller med “massverkan”
olämpliga approximationer av verkligheten. Huvudexemplet sådana kluster för
bl.a. influensa och förkylning är hushåll/familjer. Det är ju mycket större risk att
jag blir smittad av mina barn än att jag smittas av någon gatan. I sådana fall
bör man i modellen ta hänsyn till stokastiken inom hushållen medan man kan mo-
dellera smittspridningen mellan hushåll med en deterministisk modell. En annan
Normat 2/2010 Tom Britton 71
klass av sjukdomar där sociala strukturer spelar stor roll är sexuellt överförbara
sjukdomar. Vill man modellera sådana bör man studera smittspridning nät-
verk, där kanterna i nätverket representerar sexuella kontakter mellan människor
(se nedan).
Ett sista exempel jag vill nämna där stokastiken är viktig är vid utdöende ende-
miska sjukdomar. Vi såg ju i exemplet med mässling att den endemiska nivån var
(ˆs,
ˆ
i, ˆr) (0.067, 0.00022, 0.933). Det betyder alltså t.ex. att andelen smittsamma i
befolkningen en given tidpunkt bör vara ungefär
ˆ
i = 0.00022. I ett land som Island
med ca n = 250 000 individer (före vaccinet infördes 60-talet) betyder det att
antalen i endemiska nivån är ca (nˆs, n
ˆ
i, nˆr) (16 700, 50, 233 250). Antalet smitt-
samma en given tidpunkt (när populationen och sjukdomen är i jämvikt) är således
endast 50 personer! Självklart varierar detta över tiden, det är inte förvånande
att antalet smittsamma ganska snart råkar ner i 0 (bl.a. finns ju säsongsvaria-
tion som jag inte behandlat), och när detta väl inträffat är sjukdomen utplånad.
Den kloke inser dock att Island knappast var helt isolerat ens före 60-talet,
mässlingen borde snabbt ha förts tillbaka in i landet igen. Detta är bara delvis
rätt tänkt. En ny epidemi kan nämligen inte ta fart direkt efter att sjukdomen
dött ut det finns för mottagliga. Efter en tid har dock tillräckligt många
(mottagliga) barn fötts för att ett nytt epidemiutbrott kan ske. Jag har självklart
förenklat verkligheten, men likväl stämmer det om man tittar mässlingsfall
Island under perioden före vaccination infördes: att stora utbrott skedde med exakt
4 års intervall (regelbundenheten beror skolstarten efter sommaren) och endast
enstaka importerade fall däremellan! I England, med en västentligt större befolk-
ning, blir den endemiska nivån antalet smittsamma n
ˆ
i 11 000. Detta antal
kommer förstås också fluktuera, men det är inte lika troligt att det slår i nollan
inom överskådlig tid. Även detta bekräftas av data som visar att mässlingen he-
la tiden var endemisk i England under den aktuella perioden. Att försöka förstå
vilken den ”kritiska populationsstorleken” är (som separerar dessa två olika sce-
narier), och hur den beror av olika egenskaper i populationen, hos sjukdomen och
även vaccinet i förekommande fall, är ett forskningsområde jag själv är intresserad
av.
Smittspridning sociala nätverk
Vi ska nu avslutningsvis bland olika modeller ta en titt modeller för smittsprid-
ning där sociala strukturer anses alltför viktiga för att man ska kunna anta att alla
smittar alla med ungefär samma sannolikhet (likformig smittspridning). Självklart
vet man att likformig smittspridning aldrig är sann, men likväl visar erfarenheten
att dessa modeller fungerar bra för mycket smittsamma sjukdomar som t.ex.
våra vanliga barnsjukdomar och förkylning, där ”smittokontakten” kan innebära
att man vistas i samma rum/buss eller liknande. Andra sjukdomar kräver närmare
kontakt för att smittoöverföring över huvud taget ska vara möjlig. En sådan klass
av sjukdomar är sexuellt överförbara sjukdomar där är det uppenbart att ingen
människa har samma smittsannolikhet för alla andra människor. Det kan vara
lämpligt att först försöka modellera hur det sociala nätverket ser ut (detta ”vet”
72 Tom Britton Normat 2/2010
man sällan) och därefter studera hur en smittsam sjukdom kan tänkas spridas
”på” nätverket. Jag ska nu kort redogöra för en enkel sådan modell som likväl ger
intressanta slutsatser.
Antag (för enkelhets skull) att vi har en enkönad befolkning och att somliga par
av individer är sammanbundna med kanter (svarande t.ex. mot att de haft en sex-
uell relation det senasta året). Antalet andra individer en person har en kant till
kallas personens grad. Alla individer har förstås inte samma grad. Hur graderna
varierar i befolkningen beskrivs av den s.k. gradfördelningen. Om vi låter slump-
variabeln D vara graden hos en slumpvis vald individ beskrivs gradfördelningen
av p
k
= P (D = k) för alla icke-negativa k. Låt µ = E(D) =
P
k
kp
k
beteckna
väntevärdet (medelvärdet) i denna fördelning och σ
2
= V (D) =
P
k
(k µ)
2
p
k
för-
delningens varians. Utöver denna gradfördelning antar vi enklast jliga slump-
mässiga nätverk/graf: dvs individer väljer sina kant-partners helt slumpmässigt.
På detta nätverk antar vi vidare att en person smittas utifrån (indexfallet) och att
smittan sprider sig i nätverket genom att smittade personer smittar var och en av
sina ännu ej smittade grannar med sannolikhet p och att detta sker oberoende.
En viktig fråga är förstås vad R
0
är för denna modell, dvs. hur många smittar en
typisk smittad individ i inledningsfasen av epidemin? En första naturlig gissning
är att R
0
= µp, dvs att en typisk smittad person har grad µ och att man smittar
andelen p av dessa. Detta resonemang innehåller två fel. Först och främst blev man
ju smittad av en sina grannar vilket motiverar att vi måste reducera genomsnittliga
graden med 1. Det andra fallet ligger i att den genomsnittliga graden bland dem
som smittas i inledningsfasen inte är µ. Titta det lilla exemplet nedan (Figur
3).
Figur 3 : Illustration av 6 individer med olika antal grannar, dvs olika gradtal.
Där finns 6 individer med olika grader (antal kanter). Vem skulle du tro har störst
risk för att bli smittad? Den som inte har någon kant kommer ju t.ex. helt säkert
inte att bli smittad. Man kan i själva verket visa att sannolikheten att smittas
i inledningsfasen är proportionell mot antalet grannar man har. Vi har således
en annan gradfördelning
˜
D bland de initialt smittade än i befolkningen i stort (i
vardagligt tal talar man om riskgrupper). Att sannolikheten att smittas är propor-
tionell mot antalet grannar man har ger en entydig relation mellan fördelningarna
˜
D och D: P (
˜
D = k) = kP (D = k). Man kan lätt visa att denna fördelning
har väntevärde som kan uttryckas i väntevärdet µ och variansen σ
2
för populatio-
nens gradfördelning: E(
˜
D) = (σ
2
+ µ
2
). Dock kan man ju inte smitta den som
man själv smittades av, R
0
= p(E(
˜
D) 1), dvs andelen p av detta väntevärde
subtraherat med 1. Om man förenklar formlerna lite får vi därför
R
0
= p
µ +
σ
2
µ
µ
= p
E(D) +
V (D) E(D)
E(D)
. (5)
Normat 2/2010 Tom Britton 73
Vad kan vi lära oss av denna relation? Den första termen pE(D) var vår första
gissning av R
0
, dvs populationens genomsnittliga grad multiplicerat med sannolik-
heten att smitta en enskild granne. Den andra termen innehåller däremot variansen
i populationens gradfördelning. Om vi har stor varians kommer denna term domi-
nera den första. Vi kan alltså ha R
0
> 1 (som möjliggör ett större epidemiutbrott
liksom att sjukdomen kan bli endemisk) även om smittsannolikheten p är liten
OCH populationen har en låg genomsnittlig gradfördelning, länge populatio-
nens gradfördelning har stor varians (spridning). Förklaringen till detta är att om
gradfördelningen har litet väntevärde men stor varians, vilket betyder att det finns
ett fåtal individer med mycket högt gradtal, kommer typisk dessa individer att
smittas i inledningsfasen. Och, trots att smittsannolikheten är låg kommer dessa
personer i sin tur smitta mer än en person i genomsnitt eftersom de har en hög
grad.
Låt oss avsluta med ett numeriskt exempel för en sexuellt överförbar sjukdom.
Vi kan t.ex. anta att p = 0.3, dvs sannolikheten att smitta en partner är 0.3,
att man är smittsam under ett år, och att individer i populationen i genomsnitt
har µ = 2 partners under ett år. Kan vi ha ett utbrott för en sådan sjukdom?
Vid första anblicken verkar det otroligt: om man har två partners och smittar en
partner med sannolikhet 0.3 kan väl inte individer i början av utbrottet smitta
mer än en person att en epidemi tar fart? Svaret är emellertid att det visst kan
hända, om populationens partnerfördelning är tillräckligt skev att dess varians
blir stor. Antag t.ex. att 20% av befolkningen har ingen partner under ett år, 40%
har en partner, 30% har två partners medan de kvarvarande 10% har 10 partners
(vårt exempel är inte realistiskt, men att några har många partners stämmer
dock med verkligheten). Genomsnittligt antal partners blir just µ = 2. Man
kan beräkna variansen som blir σ
2
= 7.6. Med hjälp av Ekvation (5) får vi att
R
0
= 4.8/3 = 1.6 > 1 vilket alltså jliggör risken för ett stort utbrott och att
sjukdomen blir endemisk.
För denna och liknande modeller kan man alltså visa att det räcker att gradfördel-
ningen har stor varians för att risken för stora utbrott skall finnas. Det är emellertid
inte att det dvändigtvis blir väldigt stora utbrott. I själva verket finns en ten-
dens att andelen som smittas blir ganska liten om gradfördelningen är skev, de som
smittas är primärt de med många partners (stor grad). Detta gäller i ännu högre
grad om individer med hög grad tenderar att välja partners som också har hög grad.
kommer sjukdomen i än högre grad koncentreras bland dessa ”riskgrupper”.
Verkligheten
Jag har ovan beskrivit några enkla modeller och gett ett par “leksaksexempel”.
Man kan fråga sig om metoderna inte är mer sofistikerade när mycket står
spel, som t.ex. nu för den pågående nya influensan. Svaret är, som ofta, att
de enkla modellerna ger de viktiga insikterna, men sedan gör man förstås mer
verklighetstrogna modeller när de ska användas i specifika sammanhang för att
mer precisa kvantitativa slutsatser.
74 Tom Britton Normat 2/2010
Det finns många aspekter som brukar tillföras modeller som t.ex. ska förutsäga hur
många som kommer smittas av den nya influensan, titta t.ex. i någon av tidskrifter-
na Nature eller Science. Några exempel sådana är: effekter inte bara av hushåll,
men också skolor/dagis och ibland även arbetsplatser, samt information om rese-
mönster. Att ha en spatial struktur är också viktigt (en effekt blir att tillväxttakten
i epidemin snarare blir linjär än exponentiell) och att man också tar hänsyn till in-
dividers olika mottaglighet och sociala struktur över åldern: barn tenderar att vara
mer mottagliga och ha tätare kontakter än vuxna, samt att merparten individer
umgås i högre grad med jämnåriga. Säsongsvariationer är en annan viktig aspekt
att ta hänsyn till om man vill komma verkligheten nära. I modellen för endemiska
sjukdomar antog vi en befolkning i jämvikt. I verkligheten är förstås inte ålders-
strukturen helt jämn i populationen och populationer tenderar att växa, vilket är
något som bör tillföras en modell för ökad realism. I modeller för smittspridning
bland växter är den spatiala strukturen mycket viktigare än den är för människor.
Eftersom växter inte rör sig är det förstås absolut störst chans att sprida smittan
till sina närmaste grannar.
För mer komplicerade modeller applicerade specifika länder (och deras befolk-
ningsstruktur) är det förstås svårt att dra några analytiska slutsatser. Vad man i
stället gör är stora simuleringsstudier, där man även varierar parametrar, för att se
vad som kan tänkas hända. Nästintill alltid studerar man också vilka effekter olika
preventiva åtgärder (vaccinering, men också stängning av drabbade skolor m.m.)
kan tänkas ha. I komplicerade modeller med många parameterar har parametrar-
nas värden förstås osäkerhet. Det är inte alltid lätt att avgöra vilka parametrar
som har störst inflytande och vilka de rimliga värdena för dessa parametrar är i en
given befolkning. Genom att göra noggrann s.k. sensitivitetsanalys i kombination
med god matematisk förståelse för modellerna kan simularingar dock tillföra viktiga
insikter om spridningen av sjukdomar och vilka de effektiva preventiva åtgärderna
är.
Jag var i höstas ett möte om H1N1-influensan europeiska smittskyddsinsti-
tutet ECDC, som råkar ligga i Stockholm, och tog del av flera liknande modeller
och hörde vad infektionsepidemiologer hade att säga. En intressant sådan studie
visade att om man kunde implementera vaccineringen i USA (där endast en mind-
re andel kommer att vaccineras) innan epidemin tar riktig fart kommer detta
att reducera antalet som smittas (och antalet som dör) med 2/3 jämfört med om
epidemin redan tagit fart innan vaccineringen kommit igång. Slutsatsen var att
det är viktigt att skynda framställandet av vaccinet och att snabbt distribuera
det, men även att åtgärder syftandes till att fördröja smittspridningen är viktiga
(dylika åtgärder är mycket mindre kostsamma jämfört med åtgärder att reducera
smittspridningen långsiktigt). I Sverige var vi mycket snabba med att ut vaccinet
och vi har dessutom den högsta nationella vaccinationsnivån i världen, andelen
som smittades blev långt ifrån de ca 58% man kunde förvänta utan någon som
helst prevention (se avsnitt 2.1). Nu när pandemin börjar lägga sig blir nästa stora
uppgift att utvärdera vilka åtgärder som var mest effektiva och att jämföra olika
länders åtgärder för att förbättra de preventiva metoderna till nästa gång. Ungefär
hur många smittofall respektive dsfall har Sverige haft respektive hur många har
vi lyckats undvika genom att uppnå världens högsta vaccinationsgrad ca 60%
Normat 2/2010 Tom Britton 75
(dock var den ju inte hög när influensan anlände) och vad var kostnaden för
detta?
Referenser
Jag har medvetet inte givit en massa referenser till olika resultat. Vill man se ak-
tuella tillämpningar kan man som sagt titta i aktuella nummer av t.ex. Nature och
Science. Framträdande grupper finns bland annat vid Imperial College (Neil Fergu-
son), University of Washington (Ira Longini och Elizabeth Halloran) och Harvard
(Mark Lipschits).
Vill man lära sig lite mer om modellerande av epidemier är nog boken Infectious
diseases of humans av Anderson & May (Oxford, 1991) den överlägset mest infly-
telserika. Jag kan även rekommendera Mathematical epidemiology of infectious di-
seases av Diekmann & Heesterbeek (Wiley, 2000) som håller en högre matematiskt
nivå. Om man är intresserad av stokastiska modeller och statistiska inferensme-
toder får jag vara ofin nog att referera till boken Stochastic epidemic models and
their statistical analysis av Andersson & Britton (Springer, 2000). Mig veterligen
finns bara en populärtext svenska (utöver den ni har framför er!), även den
skriven av undertecknad: ”Pest, kolera och matematik”, som ingår som ett kapitel
i den alltför lite uppmärksammade boken Människor och matematik läsebok för
nyfikna (NCM, 2008). Jag rekommenderar inte boken för min egen artikel spe-
ciellt inte när ni nu läst innevarande artikel men det finns en mängd intressanta
populärartiklar skrivna av ett 20-tal framstående svenska matematiker.