Khả năng gây nhiễm là gì? Các nghiên cứu khoa học liên quan

Định nghĩa và khái niệm cơ bản

“Khả năng gây nhiễm” (transmissibility) là chỉ số khoa học dùng để đánh giá mức độ dễ dàng mà một tác nhân gây bệnh (virus, vi khuẩn, nấm, ký sinh trùng…) lan truyền từ cá thể này sang cá thể khác.

Trong dịch tễ học, khả năng gây nhiễm không chỉ phản ánh tính chất sinh học của vi khuẩn hoặc virus, mà còn bao gồm các yếu tố bên ngoài như môi trường, hành vi của con người và điều kiện xã hội. Nó thường được phân biệt thành hai khái niệm chính:

• Độ lây truyền: khả năng một cá thể nhiễm bệnh lây sang một cá thể khác trong điều kiện cụ thể.
• Tính truyền nhiễm: mức độ tổng quát, phản ánh khả năng lây lan của mầm bệnh trong cộng đồng dân cư.

Lịch sử và sự phát triển của khái niệm

Khái niệm “khả năng gây nhiễm” xuất hiện trong dịch tễ học hiện đại từ đầu thế kỷ XX, khi các nhà khoa học bắt đầu áp dụng lý thuyết xác suất và mô hình toán học để hiểu diễn biến dịch bệnh. Ban đầu, người ta chỉ quan tâm đến việc theo dõi chuỗi lây truyền và ghi nhận số ca mắc mới qua từng đợt dịch.

Cho đến những năm 1920–1930, với sự phát triển của các mô hình SIR (Susceptible–Infectious–Recovered), các nhà nghiên cứu như Kermack và McKendrick đã đặt nền móng cho việc biểu diễn khả năng gây nhiễm dưới dạng con số cụ thể, từ đó tiến tới tính toán các chỉ số dự báo quy mô dịch.

Qua các đại dịch mang tính toàn cầu như dịch cúm Tây Ban Nha (1918–1919), SARS (2003) và gần đây nhất là COVID-19 (2019–nay), khái niệm này tiếp tục được hoàn thiện. Các công cụ sinh học phân tử, giải trình tự gen và phân tích chuỗi truyền lây đã giúp hiểu sâu hơn về cơ chế đột biến và ảnh hưởng đến khả năng gây nhiễm.

Các chỉ số đo lường chính

Chỉ số thường dùng nhất để biểu thị khả năng gây nhiễm là hệ số sinh sản cơ bản R₀ (basic reproduction number), được định nghĩa là số cá thể nhạy cảm mà một cá thể nhiễm có thể lây trong điều kiện lý tưởng (không có biện pháp can thiệp).

Công thức tính R₀ trong mô hình SIR cơ bản:

$R_0 = \frac{\beta}{\gamma}$

Tham số	Ý nghĩa	Đơn vị
β (beta)	Tốc độ lây nhiễm trung bình	lây nhiễm/ngày
γ (gamma)	Tỷ lệ hồi phục hoặc loại bỏ	ngày⁻¹

Ngoài R₀, còn có hệ số sinh sản hiệu quả Re (effective reproduction number), thể hiện mức lây lan thực tế trong điều kiện đã áp dụng các biện pháp kiểm soát hoặc khi đã có miễn dịch cộng đồng.

Yếu tố ảnh hưởng đến khả năng gây nhiễm

Đặc tính sinh học của tác nhân gây bệnh quyết định phần lớn tiềm năng lây lan. Ví dụ, virus RNA thường có tốc độ đột biến cao, dẫn đến khả năng bám dính và xâm nhập tế bào chủ mạnh hơn.

Vật chủ cũng đóng vai trò quan trọng: sức đề kháng, trạng thái miễn dịch, tuổi tác, và hành vi xã hội (như tiếp xúc gần, đi lại, tụ tập đông người) đều ảnh hưởng đến mức độ lây lan thực tế.

• Môi trường: nhiệt độ, độ ẩm cao có thể làm giảm hoặc tăng khả năng tồn tại của mầm bệnh.
• Mật độ dân cư: khu vực đông dân cư thường có R₀ cao hơn do tỷ lệ giao tiếp gần.
• Biện pháp can thiệp: từ rửa tay, đeo khẩu trang đến cách ly và phong tỏa.

Phương pháp ước tính

Mô hình toán học là công cụ chủ chốt để ước tính khả năng gây nhiễm. Trong đó, mô hình SIR (Susceptible–Infectious–Recovered) và SEIR (Susceptible–Exposed–Infectious–Recovered) được sử dụng rộng rãi nhờ cấu trúc đơn giản, dễ điều chỉnh tham số. SEIR bổ sung giai đoạn “Exposed” để mô phỏng thời kỳ ủ bệnh, giúp phản ánh chính xác hơn quá trình lây lan của nhiều virus có giai đoạn ẩn sau khi xâm nhập cơ thể.

Các mô hình agent‐based (dựa trên tác nhân cá nhân) mô phỏng tương tác của từng cá thể trong quần thể với nhau và với môi trường. Phương pháp này cho phép mô phỏng chi tiết hành vi như di chuyển, tiếp xúc, sử dụng biện pháp bảo hộ, từ đó ước tính R₀ và Re tùy theo kịch bản can thiệp.

Mô hình	Đặc điểm	Ưu điểm	Hạn chế
SIR	3 nhóm: nhạy cảm, nhiễm, hồi phục	Đơn giản, dễ tính toán	Không mô tả giai đoạn ủ bệnh
SEIR	Thêm nhóm ủ bệnh	Phù hợp với dịch có ủ bệnh dài	Phức tạp hơn, nhiều tham số
Agent‐based	Mô phỏng theo cá thể	Chi tiết, linh hoạt kịch bản	Tốn tài nguyên tính toán

Phân tích chuỗi truyền lây (transmission chain analysis) dựa trên dữ liệu ca bệnh thực tế, các sự kiện “superspreading” (lây lan vượt trội) và điều tra dịch tễ giúp định hình cấu trúc mạng lưới lây nhiễm. Kết hợp với khảo sát mẫu huyết thanh (seroprevalence surveys), các nhà nghiên cứu có thể ước tính tỷ lệ nhiễm không triệu chứng và điều chỉnh giá trị R₀, Re cho sát thực tế hơn.

Ứng dụng trong dự báo và phòng chống dịch

Dự báo dịch bệnh dựa trên các mô hình nêu trên giúp cơ quan y tế lập kế hoạch nguồn lực, dự trù giường bệnh và thiết lập các biện pháp kiểm soát phù hợp. Việc mô phỏng kịch bản “không can thiệp” so với “có can thiệp” cho phép đánh giá tác động của từng biện pháp như giãn cách xã hội, phong tỏa và tiêm chủng.

• Ước tính quy mô dịch: mô hình SIR/SEIR cho biết khi nào số ca mắc đạt đỉnh và thời gian dịch kéo dài.
• Đánh giá hiệu quả can thiệp: so sánh Re trước và sau biện pháp như cách ly, đeo khẩu trang.
• Lập kế hoạch tiêm chủng: xác định mức độ bao phủ cần đạt để tạo miễn dịch cộng đồng.

Cơ quan như World Health Organization sử dụng hệ thống mô hình đa nguồn để thông báo khuyến cáo toàn cầu, trong khi CDC xây dựng bản đồ tương tác, cập nhật Re theo địa phương mỗi ngày dựa trên dữ liệu nhập viện và xét nghiệm dương tính (CDC Epi Modeling).

Thí dụ điển hình

SARS năm 2003 có R₀ ước tính khoảng 2–4 ban đầu, nhưng nhờ biện pháp cách ly nghiêm ngặt tại Trung Quốc và Hồng Kông, giá trị Re nhanh chóng giảm xuống dưới 1 trong vòng 3 tháng, chấm dứt dịch. Phân tích chỉ ra sự lây lan chủ yếu qua tiếp xúc gần và giọt bắn đường hô hấp (WHO SARS Report).

Dịch cúm H1N1 năm 2009 lan rộng nhanh với R₀ 1.4–1.6, chủ yếu do mức độ miễn dịch cộng đồng thấp. Chiến lược tiêm chủng mục tiêu nhóm nguy cơ đã giúp giới hạn số ca nặng và tử vong tại nhiều quốc gia.

Đại dịch COVID-19 giai đoạn đầu có R₀ ước tính 2.2–3.3, biến chủng Alpha và Delta sau đó đẩy R₀ lên trên 5–6. Các mô hình SEIR nâng cao và dữ liệu giám sát biến chủng theo thời gian thực giúp dự đoán đợt bùng phát mới và tối ưu hóa chiến lược phân phối vaccine (Nature Medicine).

Giới hạn và thách thức

Giá trị R₀ và Re mang tính ước lượng, phụ thuộc vào chất lượng và đầy đủ của dữ liệu ghi nhận ca nhiễm. Thiếu sót xét nghiệm, ca nhiễm không triệu chứng và sai sót trong báo cáo dẫn đến sai số cao.

• Biến chủng mới liên tục xuất hiện, thay đổi tính chất sinh học và khả năng lây lan.
• Khó tách bạch ảnh hưởng của các biện pháp can thiệp với thay đổi hành vi tự phát của dân cư.
• Độ trễ giữa nhiễm, triệu chứng, xét nghiệm và báo cáo gây trì hoãn trong cập nhật mô hình.

Chi phí tính toán và yêu cầu chuyên môn cao làm hạn chế khả năng áp dụng mô hình phức tạp tại các nước có nguồn lực hạn chế.

Xu hướng nghiên cứu tương lai

Ứng dụng trí tuệ nhân tạo và học máy trong mô hình hóa dịch tễ đang nổi lên mạnh mẽ. Các thuật toán deep learning có khả năng xử lý lượng lớn dữ liệu phi cấu trúc (hình ảnh y tế, văn bản báo cáo, tín hiệu theo dõi di chuyển) để dự báo sớm đợt bùng phát.

Chiến lược “One Health” kết nối dữ liệu giữa y tế con người, y tế động vật và môi trường nhằm phát hiện sớm mầm bệnh xoành xoạch từ các “vùng giới” (spillover hotspots). Hệ thống giám sát vi sinh tích hợp với GIS (Geographic Information System) giúp theo dõi nguy cơ lan truyền qua biên giới địa lý.

• Phát triển mô hình linh hoạt, tự cập nhật tham số theo dữ liệu thời gian thực.
• Tích hợp mạng xã hội và dữ liệu di động để phản ánh hành vi tiếp xúc cộng đồng chính xác hơn.
• Khả năng mô phỏng đồng thời nhiều loại can thiệp và kịch bản chính sách y tế công cộng.

Danh mục tài liệu tham khảo

1. Centers for Disease Control and Prevention. “Modeling Infectious Diseases.” CDC Epi Modeling.
2. World Health Organization. “SARS: Clinical features and diagnostics.” WHO SARS Report.
3. Li Q, Guan X, Wu P, et al. “Early Transmission Dynamics in Wuhan, China, of Novel Coronavirus–Infected Pneumonia.” New England Journal of Medicine, 2020. DOI: 10.1056/NEJMoa2001316.
4. Keeling MJ, Rohani P. “Modeling Infectious Diseases in Humans and Animals.” Princeton University Press, 2008.
5. Ferguson NM, Laydon D, Nedjati‐Gilani G, et al. “Impact of non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and healthcare demand.” Imperial College London, 2020. DOI: 10.25561/77482.
6. An der Heiden M, Buchholz U. “Modeling the spread of COVID-19 in Germany: Early assessment and short-term forecasting.” Eurosurveillance, 2020. DOI: 10.2807/1560-7917.ES.2020.25.17.2000851.