تا پایان سال ۲۰۲۳، بیش از ۷۷۳ میلیون مورد تجمعی کووید-۱۹ و بیش از ۶ میلیون مرگ در سراسر جهان گزارش شده است. [۱]. برخلاف الگوی نمایی گسترش همه گیری های قبلی در مراحل اولیه، مانند H1N1 در سال ۲۰۰۹ [۲] یا شیوع ابولا در غرب آفریقا در سال ۲۰۱۴ [۳]، در بسیاری از نقاط جهان موارد تایید شده افزایشی زیر نمایی داشت [۴]، به جای افزایش نمایی مورد انتظار (معمول از یک شیوع نامحدود). این به دلیل ترکیبی از مداخلات سریع و مؤثر در سلامت عمومی، سیاست‌های قرنطینه گسترده و تغییرات در رفتار عمومی بود که به طور قابل توجهی سرعت انتشار ویروس را کاهش داد. دامنه و شدت بی‌نظیر گسترش COVID-19 و افزایش توجه دولتی و عمومی آن را از بیماری‌های عفونی قبلی متمایز می‌کند. نگرانی جهانی در مورد COVID-19 باعث اقدامات مداخله ای متنوع توسط دولت ها و رفتارهای محافظت از خود روزانه افراد مختلف شد. این پیچیدگی ها شبیه سازی الگوی انتشار COVID-19 را پیچیده تر از پیشینیان خود کرده است.

از زمان کرماک و مک کندریک (۱۹۲۷) [۵] مدل SIR برای شبیه‌سازی مطالعات شبیه‌سازی بیماری‌های عفونی پیشنهاد شده است، مدل SIR و انواع آن به‌طور گسترده به عنوان یک مدل ریاضی مؤثر برای توصیف فرآیند انتقال یک بیماری عفونی خاص در یک جمعیت مورد استفاده قرار گرفته‌اند. بسته به ویژگی های بیماری عفونی مورد مطالعه، نوع آن، مدل “مستعد-عفونی-مستعد” (SIS) [6,7] برای بیماری‌هایی که مصونیت طولانی‌مدت به دست نمی‌آورند، استفاده می‌شود، در حالی که مدل «مستعد – در معرض – عفونی – حذف شده» (SEIR) [8,9] برای بیماری هایی با دوره کمون مناسب تر است. در دهه‌های اخیر، ظهور روش‌های محاسباتی انقلابی در مدل‌سازی سیستم‌های پیچیده به‌ویژه در حوزه اپیدمیولوژی ایجاد کرده است. [۱۰]. نقشه های شناختی فازی (FCMs) اغلب در تحقیقات اپیدمیولوژیک برای رسیدگی به چالش های مربوط به تصمیم گیری فضایی استفاده شده اند. [۱۱]. معرفی شده توسط Kosko (1986) [12]FCM ها با تبدیل داده های کیفی به شکلی قابل سنجش، ماهیت سیستم ها را به تصویر می کشند. نقشه‌های شناختی فازی، که به صورت نمودارهای جهت‌دار علامت‌دار ساختار یافته‌اند، امکان برقراری روابط علّی بین مفاهیم سیستم را فراهم می‌کنند و در نتیجه نمایشی روشن‌تر از پویایی، به‌ویژه در زمینه‌های آغشته به عدم قطعیت و عدم دقت را ارائه می‌دهند. به موازات توسعه FCM ها، مدل سازی مبتنی بر عامل (ABM) به عنوان یک ابزار محوری ظهور کرد. ABM که توسط Bonabeau (2002) مشخص شده است، ریشه در توانایی خود برای شبیه سازی اقدامات و تعاملات یک عامل در محیط های مشخص دارد. [۱۳]، راه را برای درک پدیده های نوظهور در سیستم های چند وجهی هموار کرد. دانه بندی ABM هنگام ادغام با مدل های محفظه ای مانند مدل SEIR ضروری است. [۱۴]. توانایی FCM ها برای نشان دادن حلقه ها و عدم قطعیت در تصمیم گیری انسانی به ایجاد عوامل غنی تر در ABM کمک می کند، در حالی که توانایی شبیه سازی دینامیک در فضا و زمان ابعاد مفیدی را برای تقویت FCM ها اضافه می کند. [۱۵].

نکته قابل توجه، ترکیب ABM با SEIR یک چشم‌انداز دانه‌ای را معرفی می‌کند و به محققان اجازه می‌دهد تا تعاملات و رفتار در سطح فردی را تکرار کنند، در نتیجه به ترکیبی دست می‌یابند که هم پیچیدگی‌های سطح خرد و هم الگوهای سطح کلان را در انتشار بیماری منعکس می‌کند. پیگیری درک شیوع بیماری‌های عفونی، که نمونه آن همه‌گیری کووید-۱۹ است، منجر به روش‌های مدل‌سازی بی‌شماری برای پیش‌بینی و کاهش شیوع‌های احتمالی شده است. چندین مطالعه بنیادی در سال‌های اخیر جنبه‌های حیاتی این روش‌شناسی را مشخص کرده‌اند، که تحقیقات کنونی ما هم بر اساس آن‌ها ساخته شده و هم از راه‌های اساسی از آن‌ها جدا شده است. به عنوان مثال، چن و همکاران، (۲۰۲۰) [۱۶] یک شبکه انتقال خفاش میزبان-مخزن-مردم ایجاد کرد، که دینامیک انتقال اولیه کووید-۱۹ را روشن کرد، به ویژه بر یک یافته مهم تأکید کرد: تعداد پایه تولید مثل (R0) از انتقال از طبیعت به انسان به طور قابل توجهی کمتر از انسان بود. انتقال به انسان چنین بینشی چشم‌اندازی متفاوت در مورد مراحل اولیه شیوع بیماری‌های مشترک انسان و دام ارائه می‌کند و بر انتقال از انتقال از حیوان به انسان به تعاملات بعدی انسانی تأکید می‌کند. لی و همکاران، (۲۰۲۰) [۱۷] داده های آماری مهندسی معکوس برای تعیین دقیق R0 در دوران نوزادی انتقال انسان به انسان. نتایج یک نمایش ملموس از مسری بودن ویروس را ارائه می دهد و یک پایه تجربی را تشکیل می دهد که می تواند با خروجی های مدل سازی مختلف مقایسه شود. سپس تحقیقات بعدی تمرکز خود را به پیامدهای سیاست تغییر داد و تأثیرات زمانی مداخلات غیردارویی (NPIs) در بریتانیا و ایالات متحده را تشریح کرد. چنین مطالعاتی با تجزیه و تحلیل نوسانات کوتاه مدت R0 پس از اجرا یا توقف NPIها، دستورالعمل های سیاستی ارزشمندی را ارائه می دهند. لیو و همکاران، (۲۰۲۱) [۱۸] روشی را با استفاده از تخمین تراکم هسته مکانی-زمانی (STKDE) برای بررسی خوشه بندی مکانی-زمانی نرخ بالای مرگ و میر در ایالات متحده COVID-19 با محوریت مناطق شهری پیشنهاد کرد. آنها به این نتیجه رسیدند که این غلظت بالای مرگ و میر با قومیت و وضعیت اقتصادی همبستگی بالایی دارد. گسترش محدوده جغرافیایی فراتر از COVID-19، پرز و دراگیچویچ (۲۰۰۹) [۱۹] به بررسی پویایی موارد سرخک در ونکوور، کانادا پرداخت. کار آنها با القای عوامل تحرک جمعیت، ناهمگونی فضایی در گسترش اپیدمی را آشکار کرد و بر نقش محوری جابجایی جمعیت در تأثیرگذاری بر مسیرهای بیماری تأکید کرد. Bian (2004) [20] این دیدگاه فضایی را با ارائه یک رویکرد جامع که در آن بخش‌های جمعیتی به‌عنوان گروه‌های عامل در چارچوب SEIR به کار گرفته شدند، بیشتر تقویت کرد. نویسندگان با استفاده از تأثیر متقابل بین مناطق مجاور، یک مدل ریاضی ارائه کردند که برای انتقال از راه دور ارائه می شود.

مدل‌های اپیدمیولوژیک سنتی، اگرچه ارزشمند هستند، اما اغلب نمی‌توانند جنبه حیاتی ناهمگونی رفتاری فردی را که در طول زمان و مکان با گسترش بیماری‌های همه‌گیر تکامل می‌یابد، به تصویر بکشند. این محدودیت می‌تواند منجر به مدل‌هایی شود که رفتار فردی و فرآیندهای تصمیم‌گیری را منعکس نمی‌کنند و در نتیجه دقت پیش‌بینی بیماری‌های عفونی و اثربخشی ارزیابی‌های پایداری امنیت سلامت عمومی را کاهش می‌دهند. پژوهش ما با ادغام نقشه‌های شناختی فازی (FCM) با مدل‌سازی مبتنی بر عامل (ABM) به این شکاف می‌پردازد. FCMها فرآیندهای تفکر موجودیت های فردی را به روشی شهودی و شفاف شبیه سازی می کنند و پویایی را تضمین می کنند. $\mathrm{آر}\mathrm{۰}$ مقدار در طول شبیه سازی هر فردی که توسط یک FCM مدل شود، یک نماینده مستقل در ABM بازی خواهد کرد. ABM عواملی مانند تحرک جمعیت، نفوذ از مناطق همسایگی و سیاست های NPI را برای افزایش دقت پیش بینی ادغام می کند. با ترکیب FCM و ABM، می‌توانیم نحوه تعامل و تأثیر این موجودیت‌ها بر یکدیگر را مدل‌سازی کنیم، بنابراین تأثیر ناهمگونی فردی بر پویایی کلی بیماری همه‌گیر در طیف گسترده‌تری از شبیه‌سازی‌ها را به تصویر می‌کشیم. [۲۱]. نوآوری این رویکرد ترکیبی در توانایی آن برای مدل‌سازی پویا تأثیر منطق رفتاری افراد از جوامع مختلف بر محیط کلی است، با در نظر گرفتن تغییرات محلی و جهانی در طول یک بیماری همه‌گیر. این رویکرد به کمبود قبلی ناهمگونی مکانی-زمانی در مدل‌سازی رفتار فردی می‌پردازد و پیچیدگی انگیزه‌های فردی را در طول همه‌گیری‌ها بررسی می‌کند. این رویکرد پیشگام با ارائه یک مدل جامع و واقع بینانه از پویایی انتقال بیماری، بینش های ارزشمندی را برای طراحی استراتژی ها و مداخلات بهداشت عمومی پایدار ارائه می دهد. این امر بر اهمیت اقدامات تطبیقی ​​و پاسخگو که می تواند تاب آوری و پایداری سیستم های بهداشتی را در مدیریت اپیدمی ها افزایش دهد، تأکید می کند.

از ۲۶ آوریل ۲۰۲۰ (اولین مورد COVID-19 ثبت شده در منطقه شهری بنگلور) تا ۱۹ فوریه ۲۰۲۱، سناریوی انتقال COVID-19 را در منطقه شهری بنگلور به مدت ۳۰۰ روز از طریق ۲۰ تکرار شبیه سازی مدل کردیم. هر تکرار یک FCM پویا جداگانه برای ۱۰۰۰۰ جمعیت شبیه سازی شده و مدل سازی ABM برای کل انجام داد. پس از به دست آوردن نتایج شبیه سازی، آنها را با آمار واقعی به دست آمده در آن مقایسه کردیم [۲۹] برای تکمیل ارزیابی نتایج شبیه سازی.

نمودارهای ژئودموگرافیک در شکل ۴ تجسم جامعی از پیشرفت مکانی-زمانی بیماری همه گیر ارائه می دهد که منعکس کننده انتشار و تشدید ویروس در منطقه است. از منظر زمانی، ۳۰ روز اولیه شبیه سازی هیچ روند قابل تشخیصی از شیوع را نشان نمی دهد. با این حال، از روز ۳۰ تا روز ۱۸۰، افزایش قابل توجه و سریع موارد تایید شده در تمام مناطق وجود دارد. پس از روز ۱۸۰، کاهش مداوم در تعداد موارد تایید شده در سراسر مناطق مشاهده می شود. توزیع فضایی موارد در طول زمان تغییر می‌کند و مناطق مرکزی به طور مداوم غلظت‌های بالاتری از موارد تایید شده را نشان می‌دهند. این می تواند نشان دهنده تراکم جمعیت بالاتر یا درجات متفاوتی از رعایت دستورالعمل های بهداشت عمومی باشد. این الگوها نشان می‌دهند که نواحی مرکزی به‌عنوان کانون‌هایی عمل می‌کنند که ویروس از آنجا به بیرون منتشر می‌شود و مناطق اطراف را به درجات مختلفی تحت تأثیر قرار می‌دهد.

نتایج شبیه سازی مدل برای تعداد روزانه موارد تایید شده در ناحیه شهری بنگالورو و مقایسه آن با حقیقت زمین در ارائه شده است. شکل ۵. واضح است که هم نتایج شبیه‌سازی و هم داده‌های واقعی، مشابه ویژگی‌های بیشتر بیماری‌های عفونی، منحنی S شکل معمولی را برای تعداد موارد تایید شده در یک روز COVID-19 نشان می‌دهند: یعنی وجود دارد. مرحله اولیه رشد زیر نمایی، اوج و مرحله کاهش بعدی است. اوج در مسیر میانگین نشان داده شده در شکل ۵a نشان می دهد که تعداد موارد در اواسط دوره شبیه سازی به اوج خود می رسد، پس از آن تعداد موارد جدید شروع به کاهش می کند، که نشان می دهد ممکن است شیوع تحت کنترل باشد یا اینکه در حال شکست است. برخی از اجراها زودتر به اوج می رسند، برخی دیگر دیرتر، و ارتفاع تعداد کیس متفاوت است. ناحیه سایه‌دار در اطراف خط میانگین نشان‌دهنده انحراف استاندارد در هر نقطه زمانی است که تغییرپذیری یا عدم قطعیت در نتایج شبیه‌سازی را نشان می‌دهد. خط آبی در شکل ۵b تنوع قابل‌توجهی و چندین سنبله را نشان می‌دهد که ممکن است منعکس کننده ناهنجاری‌های گزارش‌شده واقعی یا تغییرات طبیعی در گسترش بیماری باشد. خط قرمز از منحنی زنگ صاف معمولی مدل‌های اپیدمیولوژیک پیروی می‌کند، با کاهش تدریجی پس از رسیدن به اوج. نتایج شبیه‌سازی از نظر تغییرات روند در زمان و نقاطی که در آن پیک‌ها ظاهر می‌شوند، بسیار نزدیک به داده‌های واقعی هستند، که نشان می‌دهد نتایج شبیه‌سازی روند کلی شیوع را به خوبی منعکس می‌کند. با این حال، شکاف بین نتایج شبیه‌سازی و داده‌های واقعی، پیچیدگی ذاتی و غیرقابل پیش‌بینی بودن داده‌های دنیای واقعی را برجسته می‌کند.

متغیرهای مکانی-زمانی با معرفی داده‌های سری زمانی و یکپارچه‌سازی شاخص‌های اجتماعی-اقتصادی، از جمله تراکم جمعیت، درآمد سرانه، در دسترس بودن امکانات بهداشتی عمومی و تحرک جمعیت مدل‌سازی می‌شوند. این عوامل به شدت با تاب آوری یک جامعه در برابر همه گیری های بزرگ در مقیاس بزرگ مرتبط هستند [۳۵]، که ما را قادر می سازد تا ماهیت پویای اپیدمی ها را درک کنیم. نتایج شبیه سازی مکانی-زمانی نشان داده شده در شکل ۴ به عنوان مثال نشان می دهد که با ادغام این عناصر مکانی-زمانی، مدل ما می تواند توصیف دقیق و دقیقی از ناهمگونی فضایی یک بیماری همه گیر در حال تکامل در محیط های پیچیده شهری ارائه دهد. تجزیه و تحلیل آماری شبیه سازی منجر به شکل ۵ روند کلی شیوع را به خوبی نشان می دهد، با اوج منحنی شبیه سازی شده که با بالاترین غلظت موارد واقعی همسو می شود. شبیه‌سازی جزئیات و نوسانات دقیق‌تر مشاهده‌شده در داده‌های حقیقت زمین را هموار می‌کند، که احتمالاً به دلیل تأثیر میانگین فرضیات و پارامترهای مدل است. تعداد تایید شده روزانه همه بخش‌ها به خوبی روند کلی شیوع بیماری را در مقایسه با حقیقت زمین، از جمله دوره‌های زمانی مراحل صعود و نزول و نقاط زمانی که اوج‌ها رخ می‌دهند، منعکس می‌کند.

با این حال، برخی از اشکالات در این کار وجود دارد. اول، در نتایج آماری کلی، مرحله کاهش تعداد مبتلایان به کووید-۱۹، که در سمت راست قرار دارد. شکل ۵، در حقیقت زمینی سریعتر از نتایج شبیه سازی شده بود. این به این دلیل است که اثرات تغییرات ناگهانی در جهش‌های ویروسی، سیاست‌های واکسیناسیون یا قرنطینه بر ایمنی فردی و تغییرات نرخ عفونی به خوبی شناسایی نشده است. [۳۶,۳۷]. دوم، پارامترهای ورودی مدل FCM مورد استفاده در این کار به صورت پویا بر اساس اجرای مدل ABM به روز شد، اما وزن تمام FCM ها با پیش آموزش ثابت شد. این مجموعه مدلسازی ساده شده، تفاوت‌ها را در منطق «شناختی-رفتاری» فردی به دلیل ناهمگونی فضایی در پارامترهای اجتماعی-اقتصادی جامعه تفسیر می‌کند. در یک موقعیت واقعی، عوامل بیشتری از جمله سن، شغل، پیشینه فرهنگی، حمایت اجتماعی و غیره باید در نظر گرفته شوند. [۳۸,۳۹]. هنوز جا برای بهبود در راه حل مشکل مدل سازی واقعی تر و موثرتر ناهمگونی منطق رفتاری فردی در همه گیری ها وجود دارد. علاوه بر این، از زمان شیوع جهانی در سال ۲۰۲۰، اگرچه چندین پلتفرم داده در حال ردیابی و ثبت موارد COVID-19 در سطح جهانی هستند که توسط آژانس ها و موسسات تحقیقاتی مختلف (از جمله WHO) توسعه یافته است. [۱]، مجله نیویورک تایمز [۴۰]، دانشگاه جان هاپکینز [۴۱]، و دانشگاه ایلینویز [۴۲]محدودیت مشترک این کار و پروژه‌های مشابه در پیش‌بینی و تحلیل الگوهای اپیدمیولوژیک فضایی و زمانی، نیاز به به‌روزرسانی‌های روزانه با کیفیت بالا و در دسترس بوده است. [۴۳]. به دست آوردن مجموعه داده های با کیفیت بالا در سطح زیر شهرستان همچنان یک چالش است و ارزیابی کمی شبیه سازی های مکانی و زمانی را دشوار می کند.