پاندمی‌های انفلوآنزا‌، خطرناکترین فجایع بالقوه‌ی طبیعی هستند که بر‌جامعه‌ی انسانی تأثیر می‌گذارند. یافته‌های جدید منتـشر‌شده در مجله‌ی PLOS Computational Biology نشان‌می‌دهد که می‌توان با استفاده از داده‌های زمانی مناسب و دقیق و مدل‌های پیچیده‌ی عددی (Sophisticated Numerical Models) تأثیر احتمالی پاندمی جدید را به ‌سرعت ارزیابی‌کرده و تصمیم‌گیری‌های اساسی در‌مورد رویکردهای کنترل بالقوه‌ی بیماری را اتخاذ‌ نمود. گونه‌های جدید انفلوآنزا‌، بطور دوره‌ای ظهور می‌کنند و می‌توانند چالش‌های عمده‌ای برای برنامه‌ریزان سلامت به‌همراه داشته باشند.

به‌عنوان‌مثال، انفلوآنزای اسپانیایی ۱۹۱۸، باعث مرگ حدود ۵۰ میلیون انسان در جهان گردید. در گزارش اخیری که در‌سال ۲۰۱۵ توسط دفتر کابینه‌ی بریتانیا، به دفتر ثبت گزارش خطرهـای حوادث غیرمترقبه‌ی غیرنظامی (National Risk Register of Civil Emergencies ) ارائه شده‌است، پاندمی انفلوآنزا به‌عنوان پرخطرترین خطرهای طبیعی با بالاترین اولویت تعیین شده‌است. هنگام رویارویی با سویه‌ی نوظهوری از ویروس، سیاست گزاران بهداشت مایلند بدانند:

• چه تعداد از مردم به این بیماری مبتلا می‌شوند؟

•  شدت آن چقدر خواهد بود؟

• چه رویکردهایی جهت کنترل موفقیت‌آمیز بیماری می‌تواند اجرا شود؟

در بررسی جدیدی که توسط گروهی از محققان بین‌المللی به نمایندگی از نهادهای تجاری، دانشگاهی و دولتی انجام‌شده، با بررسی مجموعه‌ای از اطلاعات مفید از پرسنل نظامی فعال آمریکا و ایجاد یک مدل پیچیده‌ی ریاضی به این سؤال‌ها پاسخ داده شد. تحقیقات این تیم بر پاندمی 2009 (که به انفلوآنزای خوکی شناخته می‌شود) متمرکز شده‌است. آنها نمایه‌ای برای شیوع بیماری از ویزیت‌های ثبت شده‌ی دقیق در درمانگاه‌های نظامی برای تمام تأسیسات نظامی بزرگ ایجاد کردند. همچنین یک مدل سفارشی برای گرفتن این داده‌ها و تخمین توأم انتقال‌پذیری پاندمیک و همچنین شدت آن ایجاد کردند.

انتقال‌پذیری معمولاً از‌طریق پارامتر شناخته‌شـده‌ای به‌نـام میزان باروری عمومی (Basic Reproductive Number:R0) تخمین‌زده می‌شود که متوسط تعداد موارد ابتلای ثانویه‌ی ایجادشده توسط یک فرد باعفونت تی‌پیک، در جمعیت مستعد دیگر است.  به‌عبارت‌دیگر، تعداد افرادی می‌باشد که ممکن‌است توسط یک فرد عفونی (مبتلا) آلوده شده باشند. برای انفلوآنزا‌، این عدد به‌طور‌معمول بین ۱/۵‌تا ۳ است. شدت آنفلوانزا را می‌توان به روش‌های مختلف تخمین‌زد.

محققان توانستند نشان‌دهند که داده‌های به‌جا و به موقع به‌دست‌آمده از پایگاه‌های نظامی (در اوایل مرحله‌ی آلودگی)، می‌تواند مدل را آشکار ساخته و پیش‌بینی مؤکد و واقعی را برای شیوع بعدی بیماری در مقیاس بزرگ در‌سراسر آمریکا ارائه‌دهد. علاوه‌بر‌این، در‌این مدل بخشی‌از افراد مبتلا به بیماری‌های خطرناک‌تر نیز شناسایی شدند. درحالی‌که پاندمی‌2009 در نگاهی به گذشته(Retrospective)، یک بیماری همه‌گیر خفیف بوده (تخمین‌زده‌شد که R0=1.35 و pC=7‌درصد است) و به‌عنوان یک بسترآزمایش ایده‌آل برای توسعه‌ی ابزار پیش‌بینی عمومی‌استفاده شده (General Predictive tool) و می‌تواند در مراحل اولیه‌ی پاندمی بعدی اعمال گردد.  

محققان برای بررسی فواید این روش، سویه پاندمی متوسط بعدی با pC تقریباً ۱۰‌برابر ۲۰۰۹ را شبیه‌سازی کردند. نتایج حاصل نشان‌داد که حتی قبل‌از اینکه پیک به اولین جمعیت مبتلا برسد، هردو R0 و pC را می‌توان برای تمام جمعیت‌ها به‌خوبی برآورد و پیش‌بینی‌کرد. علاوه‌بر‌این، آنها قادر بودند اثر رویکرد‌های کنترل بیماری را از لحاظ  تعداد کل افراد آلوده و شدت عفونت آنها نشان‌دهند.

در‌این بررسی، اهمیت موارد زیر به‌طور برجسته نشان‌داده شده است:

۱) استفاده از فضای دوبُعدی برای ارزیابی پاتوژن‌های تنفسی جدید بعدی (R0 و شدت).

۲) کسب اطلاعات دقیق و به‌موقع در‌مورد شیوع بیماری.

۳) استفاده از مدل‌های آماده‌شده برای داده‌های خاصی که باید ارزیابی شود.

تحقیقات براساس پایگاه داده‌ای بزرگی از داده‌های ویزیت بالینی پایه‌ریزی شد. در‌حال‌حاضر، این پایگاه داده‌ها در بسیاری‌از کشورهای مختلف در‌حال احداث است. این واقعیت که آنالیز شرح داده شده در‌این مقاله می‌تواند درهر پایگاه داده‌ای انجام شود، نشان‌می‌دهد که این منابع اطلاعات(Information Resources) باید در زمان واقعی به‌وجود‌آمده باشند و برای بهترین ابزار علمی داده‌ها (Best Data Science Tools) در دسترس باشند.