Słownik metodologiczny · Ludzie statystyki

William O. Kermack (1898–1970) i Anderson G. McKendrick (1876–1943) – twórcy teorii progu epidemicznego

Lekarz wojskowy z Indii i niewidomy chemik z Edynburga ogłosili w 1927 r. teorię, z której wyrósł model SIR i pojęcie R0. Przedstawiamy ich drogi, historię wypadku Kermacka i model Kermacka–McKendricka rozwiązany krok po kroku w R – z progiem, końcowym rozmiarem epidemii i wersją losową.

Strona główna / Słownik / William Kermack i Anderson McKendrick
W skrócie: William O. Kermack (1898–1970) i Anderson G. McKendrick (1876–1943) – szkoccy badacze z laboratorium Royal College of Physicians w Edynburgu, autorzy pracy z 1927 r., w której pokazali, że epidemia wybucha tylko powyżej progowej gęstości podatnych i kończy się, zanim zabraknie podatnych. Szczególny przypadek ich modelu to dzisiejszy model SIR.

Kim byli William Kermack i Anderson McKendrick?

Anderson Gray McKendrick (1876–1943) urodził się 8 września 1876 r. w Edynburgu jako syn profesora fizjologii. Dyplom lekarza uzyskał w Glasgow w 1900 r. i wstąpił do Indian Medical Service. W 1901 r. wyjechał z Ronaldem Rossem na wyprawę malaryczną do Sierra Leone – według Hirscha (2004) to Ross przekonał go o sile metod matematycznych w medycynie. Od 1905 r. pracował w Instytucie Pasteura w Kasauli w Indiach, w latach 1914–1920 jako jego dyrektor. W 1920 r. ze względów zdrowotnych wrócił do Szkocji i został superintendentem laboratorium Royal College of Physicians of Edinburgh (RCPE). Zmarł 30 maja 1943 r. (Hirsch, 2004).

William Ogilvy Kermack (1898–1970) urodził się 26 kwietnia 1898 r. w Kirriemuir. W 1918 r. ukończył w Aberdeen matematykę z filozofią naturalną oraz studia przyrodnicze, potem zajmował się chemią barwników w Oksfordzie, a w 1921 r. objął dział chemii w laboratorium RCPE. Był przede wszystkim chemikiem – jego prace ułatwiły produkcję leku przeciwmalarycznego mepakryny. W 1944 r. został członkiem Royal Society, w 1949 r. – pierwszym profesorem chemii biologicznej w Aberdeen. Zmarł nagle 20 lipca 1970 r. w swoim gabinecie na uczelni (Pennington, 2004).

Najważniejsze pomysły

  • Teoria progu (1927). Kermack i McKendrick (1927) badali, co się dzieje po wprowadzeniu zakażonych do społeczności podatnych, gdy chorzy zdrowieją z trwałą odpornością albo umierają. Pokazali, że dla danych współczynników zakaźności, wyzdrowień i zgonów istnieje progowa gęstość populacji: poniżej niej epidemia nie wybucha, a powyżej – wybucha i zwykle kończy się, zanim zabraknie podatnych.
  • Model ogólniejszy niż „SIR”. Oryginalny model pozwalał, by zakaźność i szansa wyzdrowienia zależały od czasu od zakażenia; autorzy wyprowadzili z niego równanie końcowego rozmiaru epidemii. Układ trzech równań S′, I′, R′ to tylko jego szczególny przypadek, który przez lata uchodził za cały model (Brauer, 2017). Progowej wielkości nie nazwali – dziś to R0, nazwany wprost dopiero przez Macdonalda w 1957 r.
  • Wcześniejsze prace McKendricka. W 1912 r. modelował malarię (ludzie i komary), w pracy z 1914 r. o leukocytach niezależnie wyprowadził rozkład Poissona, a w drugiej pracy z 1914 r. opisał procesy losowe zwane dziś procesem czystych urodzin i procesem urodzin i śmierci. W rozprawie z 1926 r. podał równanie dla rozkładu wieku populacji (równanie McKendricka) i pierwsze stochastyczne ujęcie epidemii (Hirsch, 2004).
  • Kohorty urodzeniowe (1934). Z P. McKinlayem analizowali umieralność w Wielkiej Brytanii i Szwecji i doszli do wniosku, że kluczowe dla zdrowia w całym życiu są warunki do 15. roku życia – to wczesny przykład myślenia o efekcie kohorty.

Teorię sprawdzali m.in. na epidemiach w stadach myszy, które badali Major Greenwood i W. W. C. Topley (Pennington, 2004). Prawidłowości w epidemiach szukali wcześniej Farr i Snow (Brauer, 2017).

Ciekawostka

Słynną pracę o teorii epidemii współtworzył człowiek niewidomy. 2 czerwca 1924 r. Kermack pracował sam w laboratorium chemicznym, gdy preparat wybuchł i żrąca zasada trafiła go w oczy – stracił wzrok całkowicie i na stałe. Przeszkolił się na nowo i przed końcem roku wrócił do pracy; Department of Scientific and Industrial Research i Carnegie Trust opłaciły mu asystenta (Pennington, 2004).

Przez kolejne 25 lat w laboratorium opublikował 84 prace, w tym – trzy lata po wypadku – artykuł z McKendrickiem z 1927 r. Publikacje czytali mu współpracownicy (Pennington, 2004).

Przykład na fikcyjnych danych

Przykład jest ilustracją z ręcznie dobranymi parametrami: populacja 10 000 osób, jedna zakażona na starcie, średni czas zakaźności 7 dni, R0 = 0.9, 1.5 i 2.5. Równania rozwiązujemy metodą Rungego–Kutty krokiem 0.1 dnia.

Przy R0 = 0.9 zachoruje łącznie około 0.1% populacji (10 osób) – epidemii nie ma. Przy R0 = 1.5 szczyt przypada na 112. dzień (6.3% chorych naraz), a przy 2.5 – na 45. dzień (23.4%). W obu przypadkach szczyt wypada dokładnie wtedy, gdy odsetek podatnych spada do progu 1/R0 (66.6% i 40.0%). Epidemia kończy się, choć podatni zostali: przy R0 = 1.5 nie zachoruje 41.7% ludzi, przy 2.5 – 10.7%. Te same wartości (58.3% i 89.3% chorych) daje równanie końcowego rozmiaru.

Hirsch (2004) streszcza twierdzenie progowe tak: epidemia kończy się mniej więcej tak daleko poniżej progu, jak daleko powyżej zaczęła. W kodzie widać, że to przybliżenie dla R0 bliskich 1: przy 1.1 odległości wynoszą .091 i .086, ale przy 1.5 już .333 i .250. Na koniec wersja losowa w duchu McKendricka: 2000 epidemii w populacji 1000 osób (ziarno 1927). Przy R0 = 1.5 aż 68.0% z nich szybko wygasa, a reszta obejmuje średnio 58.1% populacji.

Na rysunku

Oś czasu w dwóch pasach od 1870 do 1970. Pas Andersona G. McKendricka: 1876 urodził się w Edynburgu; 1900 dyplom lekarza w Glasgow; 1901 z Rossem w Sierra Leone; 1905 Instytut Pasteura w Kasauli; 1914 dyrektor instytutu i prace o procesach losowych; 1920 laboratorium RCPE w Edynburgu; 1926 Applications of mathematics to medical problems; 1927 teoria progu z Kermackiem; 1943 zmarł. Pas Williama O. Kermacka: 1898 urodził się w Kirriemuir; 1918 dyplomy w Aberdeen; 1921 dział chemii laboratorium RCPE; 1924 wybuch w laboratorium i trwała ślepota; 1927 teoria progu z McKendrickiem; 1944 członek Royal Society; 1949 profesor chemii biologicznej w Aberdeen; 1970 zmarł. Kształt i kolor znacznika oznaczają rodzaj zdarzenia
Rysunek 1. Oś czasu: Anderson G. McKendrick (1876–1943) i William O. Kermack (1898–1970). Lata według Hirscha (2004) i Penningtona (2004). Rysunek: R, pakiet ggplot2.

Co widać. Drogi lekarza z Indii i chemika z Aberdeen spotykają się w Edynburgu na początku lat 20.; praca o progu powstaje trzy lata po utracie wzroku przez Kermacka.

Na co uważać. Oś pomija dalsze prace z serii o epidemiach i prace chemiczne Kermacka.

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Andersona G. McKendricka (1876–1943) i Williama O. Kermacka (1898–1970). Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, praca, publikacja, wyróżnienie).
Trzy panele. A: odsetek chorych w czasie dla R0 = 0.9 (zielona kropkowana linia przy zerze), 1.5 (niebieska przerywana, szczyt około 6 procent) i 2.5 (pomarańczowa ciągła, szczyt około 23 procent). B: odsetek, który ostatecznie zachoruje, w funkcji R0; zero do progu R0 = 1, potem szybki wzrost; znaczniki dla trzech wartości R0. C: histogram końcowych rozmiarów 2000 losowych epidemii przy R0 = 1.5: wysoki słupek przy zerze i skupisko około 50–65 procent, przerywana linia przy 58 procentach
Rysunek 2. Prosty model Kermacka–McKendricka na fikcyjnych danych: przebieg epidemii (A), końcowy rozmiar w funkcji R0 (B) i rozmiary 2000 epidemii losowych w populacji 1000 osób (C). Parametry dobrane ręcznie; ziarno 1927. Obliczenia i rysunek: R, pakiety ggplot2 i patchwork.

Co widać. Panel A pokazuje próg w działaniu: przy R0 poniżej 1 krzywa nie rośnie wcale. Panel B – że końcowy rozmiar nigdy nie obejmuje wszystkich. Panel C pokazuje to, czego model deterministyczny nie widzi: część epidemii gaśnie w zarodku.

Na co uważać. To model jednorodnego mieszania, bez urodzin, migracji, sezonowości i z wykładniczym czasem zakaźności. Liczby z rysunku nie opisują żadnej prawdziwej choroby.

Podpis do pracy:

Rysunek 2. Symulacja prostego modelu Kermacka–McKendricka (N = 10 000, średni czas zakaźności 7 dni): odsetek chorych w czasie (A), końcowy odsetek zachorowań w funkcji R0 (B) oraz rozkład końcowych rozmiarów 2000 epidemii losowych przy R0 = 1.5 i N = 1000 (C). Uwaga. Dane fikcyjne.

Gdzie spotkasz Kermacka i McKendricka w swojej pracy

Wszędzie tam, gdzie pojawia się R0, „próg epidemiczny” albo krzywa zachorowań. Na co zwracać uwagę:

  • model przedziałowy mówi o liczbie nowych zakażeń w czasie, czyli o zapadalności, a liczba chorych w danej chwili to chorobowość – nie myl ich na wykresach;
  • prosty model zakłada wykładniczy czas zakaźności i pełne wymieszanie; w małych grupach lepiej sprawdza się symulacja losowa – zaplanuj ją jak badanie (wpis Jak zaplanować badanie symulacyjne);
  • w analizie zliczeń przypadków punktem wyjścia jest rozkład Poissona, którego historię opisuje hasło Siméon Denis Poisson.

Spory, mity i trudne strony

  • Dżuma w Bombaju. Rysunek dopasowania modelu do epidemii dżumy w Bombaju z 1906 r. jest według Bacaëra (2012) najczęściej przedrukowywanym rysunkiem w książkach o epidemiologii matematycznej. Bacaër pokazuje jednak, że stałe parametry dają nierealistyczne wartości, a epidemie w Bombaju powtarzały się sezonowo co roku od 1897 do co najmniej 1911 r. Epidemia z 1906 r. nie skończyła się więc dlatego, że podatnych ubyło poniżej progu.
  • Kto wymyślił R0? Ani Ross, ani Kermack i McKendrick nie nadali progowi nazwy; pojęcie wyraźnie nazwano dopiero w pracach o malarii z 1957 r. (Brauer, 2017). W 1927 r. autorzy nawiązywali do prac Rossa i Hudson (1915–1917).
Przykład reprodukowalny

Model Kermacka–McKendricka w R

Kod rozwiązuje prosty model Kermacka–McKendricka metodą Rungego–Kutty, sprawdza próg i równanie końcowego rozmiaru, symuluje epidemie losowe i rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Część losowa ma ziarno 1927.

1. Model SIR, próg i końcowy rozmiar: rysunek 2

Dane wejściowe: brak – parametry fikcyjne wpisane w kodzie (N = 10 000, jedna osoba zakażona, średni czas zakaźności 7 dni, R0 = 0.9, 1.5, 2.5; w części losowej N = 1000, 2000 powtórzeń, set.seed(1927)).

Co odczytać: dzień i wysokość szczytu, odsetek podatnych w szczycie wobec progu 1/R0, końcowy rozmiar z symulacji i z równania, odległości od progu, odsetek małych wybuchów w wersji losowej.

Kod R rysunku 2
# Kermack i McKendrick: model SIR rozwiązany numerycznie (Runge–Kutta 4. rzędu), próg epidemiczny,
# równanie końcowego rozmiaru epidemii i wersja losowa (dane fikcyjne, parametry dobrane ręcznie)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c("0.9" = "#009E73", "1.5" = "#0072B2", "2.5" = "#D55E00", szary = "grey60")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")

# Parametry ilustracyjne: populacja N, 1 osoba zakażona na starcie, średni czas zakaźności 1/gamma = 7 dni
N <- 10000; I0 <- 1; gamma <- 1 / 7
# Prosty model Kermacka–McKendricka: S' = -beta S I / N,  I' = beta S I / N - gamma I,  R' = gamma I
pochodne <- function(x, beta) {
  inf <- beta * x[1] * x[2] / N
  c(-inf, inf - gamma * x[2], gamma * x[2])
}
sir_rk4 <- function(R0, dt = 0.1, t_max = 400) {        # beta = R0 * gamma
  beta <- R0 * gamma; kroki <- round(t_max / dt)
  x <- c(N - I0, I0, 0); wynik <- matrix(NA, kroki + 1, 4); wynik[1, ] <- c(0, x)
  for (k in 1:kroki) {
    k1 <- pochodne(x, beta); k2 <- pochodne(x + dt / 2 * k1, beta)
    k3 <- pochodne(x + dt / 2 * k2, beta); k4 <- pochodne(x + dt * k3, beta)
    x <- x + dt / 6 * (k1 + 2 * k2 + 2 * k3 + k4)
    wynik[k + 1, ] <- c(k * dt, x)
  }
  data.frame(t = wynik[, 1], S = wynik[, 2], I = wynik[, 3], R = wynik[, 4], R0 = R0)
}
przebiegi <- do.call(rbind, lapply(c(0.9, 1.5, 2.5), sir_rk4))

# 1. Próg: epidemia rośnie tylko wtedy, gdy R0 · S/N > 1
podsum <- do.call(rbind, lapply(split(przebiegi, przebiegi$R0), function(d) {
  k <- which.max(d$I)
  data.frame(R0 = d$R0[1], szczyt_I = round(d$I[k], 1), dzien_szczytu = d$t[k],
             S_w_szczycie_proc = round(100 * d$S[k] / N, 1), prog_proc = round(100 / d$R0[1], 1),
             zachorowali_proc = round(100 * (N - tail(d$S, 1)) / N, 1),
             nie_zachorowali_proc = round(100 * tail(d$S, 1) / N, 1))
}))
podsum

# 2. Równanie końcowego rozmiaru (w odsetkach s = S/N): log(s0 / s_inf) = R0 * (1 - s_inf)
rozmiar_koncowy <- function(R0, s0 = 1 - I0 / N) {
  f <- function(s) log(s0 / s) - R0 * (1 - s)
  if (R0 * s0 <= 1) return(1 - uniroot(f, c(s0 - 0.5, s0 - 1e-12), tol = 1e-14)$root)   # mały wybuch
  1 - uniroot(f, c(1e-9, 1 / R0), tol = 1e-12)$root                                    # pierwiastek poniżej progu
}
c(R0_1.5 = rozmiar_koncowy(1.5), R0_2.5 = rozmiar_koncowy(2.5))   # zgodne z kolumną zachorowali_proc

# 3. "Tyle samo poniżej progu, ile powyżej": przy R0 nieco większym od 1
for (R0 in c(1.1, 1.2, 1.5)) {
  s_inf <- 1 - rozmiar_koncowy(R0); prog <- 1 / R0                  # próg jako odsetek podatnych
  print(round(c(R0 = R0, powyzej_progu_na_starcie = 1 - I0 / N - prog, ponizej_progu_na_koncu = prog - s_inf), 3))
}

# 4. Wersja losowa (McKendrick 1926 – pierwsze ujęcie stochastyczne): kolejne zdarzenia to zakażenie albo wyzdrowienie
koniec_losowy <- function(R0, n = 1000) {
  S <- n - 1; I <- 1
  while (I > 0) {
    p_zak <- R0 * S / n / (R0 * S / n + 1)                # udział zakażeń wśród najbliższych zdarzeń
    if (runif(1) < p_zak) { S <- S - 1; I <- I + 1 } else I <- I - 1
  }
  (n - S) / n                                             # odsetek, który przeszedł chorobę
}
set.seed(1927)
losowe <- data.frame(R0 = rep(c(0.9, 1.5, 2.5), each = 2000))
losowe$rozmiar <- sapply(losowe$R0, koniec_losowy)
aggregate(rozmiar ~ R0, losowe, function(x) round(c(maly_wybuch = mean(x < 0.1), srednia_duzych = mean(x[x >= 0.1])), 3))

# Rysunek: A – liczba chorych w czasie; B – końcowy rozmiar vs R0; C – rozmiary epidemii losowych (R0 = 1.5)
przebiegi$R0f <- factor(przebiegi$R0)
pA <- ggplot(subset(przebiegi, round(10 * t) %% 10 == 0), aes(t, 100 * I / N, colour = R0f, linetype = R0f)) +   # co 1 dzień
  geom_line(linewidth = 0.9) +
  scale_colour_manual(values = kol[c("0.9", "1.5", "2.5")], name = "R0") +
  scale_linetype_manual(values = c("dotted", "22", "solid"), name = "R0") +
  labs(title = "A. Chorzy (I) w czasie", x = "Dzień", y = "Chorzy, % populacji") +
  motyw
siatka <- data.frame(R0 = seq(0.5, 3, by = 0.01)); siatka$p <- sapply(siatka$R0, rozmiar_koncowy)
punkty <- data.frame(R0 = podsum$R0, p = podsum$zachorowali_proc / 100, R0f = factor(podsum$R0))
pB <- ggplot(siatka, aes(R0, 100 * p)) +
  geom_vline(xintercept = 1, colour = kol[["szary"]], linetype = "22") +
  geom_line(linewidth = 0.9) +
  geom_point(data = punkty, aes(colour = R0f, shape = R0f), size = 3.2) +
  annotate("text", x = 1.05, y = 95, hjust = 0, size = 3.2, label = "próg: R0 = 1") +
  scale_colour_manual(values = kol[c("0.9", "1.5", "2.5")], guide = "none") +
  scale_shape_manual(values = c(17, 15, 16), guide = "none") +
  labs(title = "B. Kto ostatecznie zachoruje", x = "R0", y = "Zachorowali, % populacji") +
  motyw
pC <- ggplot(subset(losowe, R0 == 1.5), aes(100 * rozmiar)) +
  geom_histogram(binwidth = 2.5, boundary = 0, fill = kol[["1.5"]], colour = "white") +
  geom_vline(xintercept = 100 * rozmiar_koncowy(1.5, s0 = 999 / 1000), linetype = "22") +
  labs(title = "C. Losowo, R0 = 1.5 (2000 razy)", x = "Zachorowali, % populacji (n = 1000)", y = "Liczba symulacji") +
  motyw
p2 <- pA + pB + pC + plot_layout(widths = c(1.2, 1, 1))
p2
Wynik w R
     R0 szczyt_I dzien_szczytu S_w_szczycie_proc prog_proc zachorowali_proc
0.9 0.9      1.0           0.0             100.0     111.1              0.1
1.5 1.5    630.9         112.4              66.6      66.7             58.3
2.5 2.5   2335.2          44.9              40.0      40.0             89.3
    nie_zachorowali_proc
0.9                 99.9
1.5                 41.7
2.5                 10.7
   R0_1.5    R0_2.5 
0.5829231 0.8926594 
                      R0 powyzej_progu_na_starcie   ponizej_progu_na_koncu 
                   1.100                    0.091                    0.086 
                      R0 powyzej_progu_na_starcie   ponizej_progu_na_koncu 
                   1.200                    0.167                    0.147 
                      R0 powyzej_progu_na_starcie   ponizej_progu_na_koncu 
                   1.500                    0.333                    0.250 
   R0 rozmiar.maly_wybuch rozmiar.srednia_duzych
1 0.9               0.988                  0.145
2 1.5               0.680                  0.581
3 2.5               0.436                  0.891

2. Oś czasu: rysunek 1

Dane wejściowe: zdarzenia z latami według cytowanych źródeł, wpisane ręcznie.

Co odczytać: nic – kod tylko rysuje oś czasu.

Kod R rysunku 1
# Oś czasu: Anderson G. McKendrick (1876–1943) i William O. Kermack (1898–1970) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
  rok = c(1876, 1900, 1901, 1905, 1914, 1920, 1926, 1927, 1943,
          1898, 1918, 1921, 1924, 1927, 1944, 1949, 1970),
  osoba = c(rep("Anderson G. McKendrick", 9), rep("William O. Kermack", 8)),
  opis = c("urodził się\nw Edynburgu", "dyplom lekarza\n(Glasgow)", "z Rossem\nw Sierra Leone",
           "Instytut Pasteura\nw Kasauli (Indie)", "dyrektor instytutu;\nprocesy losowe", "laboratorium\nRCPE w Edynburgu",
           "Applications of\nmathematics to\nmedical problems", "teoria progu\n(z Kermackiem)", "zmarł",
           "urodził się\nw Kirriemuir", "dyplomy\nw Aberdeen", "dział chemii\nlaboratorium RCPE",
           "wybuch w laboratorium,\ntrwała ślepota", "teoria progu\n(z McKendrickiem)", "członek\nRoyal Society",
           "profesor chemii\nbiologicznej (Aberdeen)", "zmarł"),
  rodzaj = c("życie", "praca", "praca", "praca", "publikacja", "praca", "publikacja", "publikacja", "życie",
             "życie", "praca", "praca", "życie", "publikacja", "wyróżnienie", "praca", "życie"),
  poziom = c(0.4, -0.4, 1.2, -1.2, 0.4, -0.4, 1.2, -1.3, 0.4,
             0.4, -0.4, 0.4, -1.2, 1.2, -0.4, 0.4, 0.4),     # wysokość etykiety (+ nad osią, − pod)
  wyrownanie = c(0.3, 0.5, 0.5, 0.5, 0.5, 1, 0.5, 0, 0.5,
                 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.7))     # rozsunięcie bliskich etykiet
zdarzenia$etykieta <- paste0(zdarzenia$rok, "\n", zdarzenia$opis)
zdarzenia$osoba <- factor(zdarzenia$osoba, levels = c("Anderson G. McKendrick", "William O. Kermack"))
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73")   # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
  geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
  geom_text(aes(y = poziom + 0.06 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
            size = 3.1, lineheight = 0.88) +
  facet_wrap(~ osoba, ncol = 1) +
  scale_shape_manual(values = ksztalty, name = NULL) +
  scale_fill_manual(values = kolory, name = NULL) +
  scale_x_continuous(limits = c(1870, 1976), breaks = seq(1870, 1970, by = 10)) +
  scale_y_continuous(limits = c(-2.4, 2.3)) +
  labs(x = NULL, y = NULL) +
  theme_minimal(base_size = 13) +
  theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
        strip.text = element_text(face = "bold", hjust = 0), legend.position = "bottom")
p1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (równania rozwiązane własną funkcją metody Rungego–Kutty, pierwiastek równania – uniroot() z pakietu stats; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kim byli Kermack i McKendrick?

Badaczami z laboratorium Royal College of Physicians w Edynburgu. McKendrick (1876–1943) był lekarzem Indian Medical Service i dyrektorem Instytutu Pasteura w Kasauli, a od 1920 r. kierował laboratorium. Kermack (1898–1970) był chemikiem i matematykiem z Aberdeen; w 1924 r. stracił wzrok w wypadku, a mimo to w 1927 r. współtworzył z McKendrickiem teorię epidemii, później był profesorem chemii biologicznej w Aberdeen.

Co mówi twierdzenie progowe Kermacka–McKendricka?

Że dla danej zakaźności i tempa zdrowienia istnieje progowa gęstość osób podatnych: poniżej niej wprowadzenie zakażonych nie wywoła epidemii, powyżej – wywoła. Epidemia kończy się, zanim zabraknie podatnych. W prostym modelu próg odpowiada R0 = 1, a szczyt zachorowań wypada, gdy odsetek podatnych spadnie do 1/R0.

Czy model SIR to model Kermacka i McKendricka?

Tylko jego szczególny przypadek. W pracy z 1927 r. zakaźność i szansa wyzdrowienia mogły zależeć od czasu od zakażenia; układ S′, I′, R′ ze stałymi współczynnikami wynika z założenia wykładniczego czasu zakaźności. Sami autorzy nie używali też nazwy R0.

Jak policzyć model SIR w R bez pakietów?

Wystarczy funkcja z pochodnymi S′ = −βSI/N, I′ = βSI/N − γI, R′ = γI i pętla metody Rungego–Kutty 4. rzędu z małym krokiem. Końcowy rozmiar epidemii można sprawdzić, rozwiązując funkcją uniroot() równanie log(s0/s∞) = R0(1 − s∞). Pełny kod jest w sekcji z przykładem.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bacaër, N. (2012). The model of Kermack and McKendrick for the plague epidemic in Bombay and the type reproduction number with seasonality. Journal of Mathematical Biology, 64(3), 403–422. https://doi.org/10.1007/s00285-011-0417-5 ● Otwarty dostęp: pełny tekst
  2. Brauer, F. (2017). Mathematical epidemiology: Past, present, and future. Infectious Disease Modelling, 2(2), 113–127. https://doi.org/10.1016/j.idm.2017.02.001 ● Otwarty dostęp
  3. Hirsch, W. M. (2004). McKendrick, Anderson Gray (1876–1943), mathematician, epidemiologist, and army officer. In Oxford dictionary of national biography. Oxford University Press. https://mathshistory.st-andrews.ac.uk/DNB/McKendrick.html ● Otwarty dostęp
  4. Kermack, W. O., & McKendrick, A. G. (1927). A contribution to the mathematical theory of epidemics. Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character, 115(772), 700–721. https://doi.org/10.1098/rspa.1927.0118 ● Otwarty dostęp
  5. Pennington, T. H. (2004). Kermack, William Ogilvy (1898–1970), biochemist and mathematical epidemiologist. In Oxford Dictionary of National Biography. Oxford University Press. https://doi.org/10.1093/ref:odnb/34299

Cytowania BibTeX

@article{bacaer2012model, author={Bacaër, Nicolas}, title={{The model of Kermack and McKendrick for the plague epidemic in Bombay and the type reproduction number with seasonality}}, journal={Journal of Mathematical Biology}, year={2012}, volume={64}, number={3}, pages={403--422}, doi={10.1007/s00285-011-0417-5}}
@article{brauer2017mathematical, author={Brauer, Fred}, title={{Mathematical epidemiology: Past, present, and future}}, journal={Infectious Disease Modelling}, year={2017}, volume={2}, number={2}, pages={113--127}, doi={10.1016/j.idm.2017.02.001}}
@incollection{hirsch2004mckendrick, author={Hirsch, Warren M.}, title={{McKendrick, Anderson Gray (1876–1943), mathematician, epidemiologist, and army officer}}, booktitle={Oxford dictionary of national biography}, year={2004}, publisher={Oxford University Press}, url={https://mathshistory.st-andrews.ac.uk/DNB/McKendrick.html}}
@article{kermack1927contribution, author={Kermack, William Ogilvy and McKendrick, Anderson Gray}, title={{A contribution to the mathematical theory of epidemics}}, journal={Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character}, year={1927}, volume={115}, number={772}, pages={700--721}, doi={10.1098/rspa.1927.0118}}
@incollection{pennington2004kermack, author={Pennington, T. H.}, title={{Kermack, William Ogilvy (1898–1970), biochemist and mathematical epidemiologist}}, booktitle={Oxford Dictionary of National Biography}, year={2004}, publisher={Oxford University Press}, doi={10.1093/ref:odnb/34299}}
R