Pandemic Biosurveillance

パンデミック・バイオサーベイランス MCP

ApifyForge で見る | Apify Store で使う

---

クイックスタート

MCP クライアント（Claude Desktop、Cursor、Windsurf）に追加します。

{
  "mcpServers": {
    "pandemic-biosurveillance-mcp": {
      "url": "https://ryanclinton--pandemic-biosurveillance-mcp.apify.actor/mcp"
    }
  }
}

---

AI エージェント向けのパンデミック・バイオサーベイランス情報です。16 の公衆衛生、生態学、環境分野のデータソースから取得した最新データに基づく、数学的に厳密な 8 種類の感染症モデリングツールを提供します。MCP 対応の AI クライアントを接続すれば、1 回のツール呼び出しで確率的なアウトブレイクシミュレーションの実行、感染パラメーターの推定、実効再生産数の推定、人獣共通感染症のスピルオーバーホットスポットのマッピングができます。

この MCP サーバーは、Apify プラットフォームの永続的なスタンバイモードで動作します。各ツール呼び出しで WHO、PubMed、IUCN、GBIF、GDACS、NOAA、FEMA など、さらに 9 つのソースから並列にデータを取得し、複数領域にまたがる感染症ネットワークを構築して、専用の数学的アルゴリズムを適用します。アルゴリズムには、Gillespie SSA、粒子 MCMC、出生死亡スカイライン系統動態、拡張合成コントロール、平均場ゲーム理論、多項ロジスティック回帰、MaxEnt 種分布モデリング、フーリエ季節強制が含まれます。結果は、不確実性の定量化を伴う構造化された機械可読形式で返されます。

⬇️ アクセスできるデータ

データ項目	ソース	例
📊 世界の疾病負担と死亡率	WHO Global Health Observatory	地域別インフルエンザ IFR
🧪 実施中のワクチンおよび治療薬の臨床試験	ClinicalTrials.gov	第 3 相 mRNA ワクチンの登録者数
💊 医薬品有害事象と安全性シグナル	openFDA FAERS	VAERS のシグナル検出
🇪🇺 欧州で承認された医薬品	EMA Medicines Database	抗ウイルス薬の販売承認
📄 生物医学文献と引用情報	PubMed、OpenAlex、Europe PMC	SARS-CoV-2 の感染に関する論文
🦇 種の分布と保全状況	IUCN Red List	キクガシラコウモリの分布図
🌍 生物多様性の出現データ	GBIF	野生生物の宿主出現記録
🌪️ 自然災害の警報と被害推定	GDACS	洪水で機能が損なわれた医療インフラ
🌡️ 気象と気候のデータ	NOAA	気温に左右される季節性
💨 大気質と環境衛生の代理指標	OpenAQ	汚染への複合曝露リスク
🚨 災害宣言と緊急事態管理	FEMA	米国のアウトブレイク対応能力
🌐 国別の人口統計と人口	REST Countries、World Bank	人口移動の分母
📍 ジオロケーションと空間参照	Nominatim	ホットスポットの座標解決

パンデミック・バイオサーベイランス MCP を使う理由

パンデミックへの備えには、疫学データ、生態系サーベイランス、臨床試験のパイプライン、環境要因、地理空間情報を統合し、一貫した分析を行う必要があります。16 のデータベースを横断して手作業で行うと何日もかかり、疫学モデリング、空間統計、系統発生学の専門知識が求められます。Nextstrain や WHO FluMart システムのような専用ツールでも、それぞれ問題の一側面しか扱えません。

この MCP サーバーは、情報収集とモデリングのパイプライン全体を自動化します。ツールを一度呼び出すだけで、16 のすべてのデータソースからデータを取得して統合し、複数領域にまたがる流行ネットワークを構築して、適切な数学的モデルを実行します。実用的な結果を 3 分以内に返します。

• スタンバイモード — 呼び出しの合間もサーバーを稼働状態に保ち、ツール呼び出しのたびに発生するコールドスタートの遅延をなくします
• 並列データ取得 — ツール呼び出しごとに 16 個のアクターを同時実行し、順次実行を避けることで遅延を抑えます
• API アクセス — Apify API を介して、Python、JavaScript、または任意の HTTP クライアントから分析を実行できます
• スケジュール設定 — Apify に組み込まれたスケジューラーで、定期的なサーベイランスを実行できます
• モニタリング — Webhook を介して、モデルの出力が設定済みのしきい値を超えた場合に Slack またはメールでアラートを受け取れます
• インテグレーション — 結果を Zapier、Make、またはカスタムパイプラインに接続し、後続のアラート処理に利用できます

機能

• Gillespie SSA メタ個体群シミュレーション — 7 つのコンパートメント（S、E、I、R、H、C、D）を持つ確率的 SEIR-HCD モデルを複数の集団に適用します。tau-leaping 近似により、20 以上の集団を同時にシミュレーションできます
• 放射型移動ネットワーク — 集団間の伝播には Simini et al. (2012) の式を適用します：T_ij = T_i(m_i·n_j)/((m_i+s_ij)(m_i+n_j+s_ij))。World Bank の人口データから直接パラメーターを設定します
• 粒子 MCMC パラメーター推定 — Sequential Monte Carlo リサンプリングを用いる生存粒子フィルターにより、不偏な尤度推定を行います。Gelman-Rubin の R-hat 収束診断を用いて、R0、潜伏期間、IFR、入院率を推定します
• 出生死亡スカイライン系統動態解析 — 区分的に一定の出生率を用いて Re の軌跡を推定します（Stadler et al. 2013）。熱力学的積分の重みによるベイズモデル平均化で交差検証します
• 拡張合成コントロール — Abadie (2021) の合成反実仮想の構築手法を用いて、非医薬品介入（NPI）および医薬品介入の因果効果を推定します。適切な不確実性定量化のため、コンフォーマル予測区間を用います
• 平均場ゲームによるワクチン接種の均衡分析 — HJB 後退偏微分方程式と Fokker-Planck 前進偏微分方程式を連成させ、ナッシュ均衡と社会的最適解を求めます。フリーライダーの乖離を定量化し、年齢層別の優先戦略を生成します
• 多項ロジスティック変異株適応度分析 — 変異株頻度の推移から選択係数と適応度の優位性を推定します。Maynard-Smith の適応度地形の険しさスコアと、免疫逃避変異のリスクも算出します
• MaxEnt 人獣共通感染症スピルオーバーモデリング — P(presence|env) = exp(sum_k lambda_k·f_k(x)) / Z。森林破壊フロンティアの KDE と組み合わせ、人間と野生動物の接点におけるホットスポットを特定します。全体的なスピルオーバー確率は P(spillover) = P(host) × P(contact) × P(adaptation) です
• フーリエ季節性強制とべき乗則による免疫減衰 — R_e(t) = R0·(1+alpha·cos(2pi·t/365-phi)) を、Khoury et al. (2021) のべき乗則による抗体減衰 Ab(t) = Ab0·t^(-kappa) と組み合わせ、最適な追加接種時期を算出します
• 16 の並列データソース — 医療（4）、研究（3）、生態系（2）、環境（4）、空間情報（3）。Apify actor クライアントを介してすべて同時に実行します
• 複数領域にまたがる流行ネットワークグラフ — ノードは disease、trial、paper、country、species、drug、environment、location の型を持ちます。エッジは transmits、treats、studies、hosts、mobility、correlates の型を持ちます
• ツール呼び出しごとの従量課金 — サブスクリプションや最低利用契約は不要です。アルゴリズムに応じて、ツール呼び出し 1 回あたり $0.030～$0.040 です

パンデミック・バイオサーベイランス・インテリジェンスのユースケース

パンデミックへの備えに関するシナリオ計画

政府の保健機関、防衛研究所、バイオセキュリティのシンクタンクは、事態が発生する前に、現実的なアウトブレイクシナリオに照らして備えの計画をストレステストする必要があります。simulate_epidemic_metapopulationを「H5N1 avian influenza pandemic」のようなクエリとともに使用すると、相互に接続された集団全体における確率的な感染拡大の軌跡を生成し、入院者数のピーク時期を推定し、集団免疫の閾値を算出できます。assess_zoonotic_spilloverと組み合わせると、最初の症例が発生する可能性が最も高い地理的な接点を特定できます。

アウトブレイク対応とリソース配分

アウトブレイクの発生中、公衆衛生の運用チームは、感染が拡大しているのか収束しているのか、また現在の介入がどの程度有効なのかをリアルタイムで推定する必要があります。estimate_phylodynamic_reを使用して疫学的なシグナルからReの推移を追跡し、evaluate_intervention_causalityを使用して、すでに実施されている非薬物的介入（NPI）の因果効果を定量化します。拡張合成コントロールによる反実仮想では、適切な不確実性の範囲を伴う救命人数の推定値が得られ、政策説明資料にそのまま活用できます。

ワクチン接種戦略とキャンペーンの設計

接種戦略を設計する予防接種プログラムの責任者は、最適な配分と行動上のインセンティブの状況の両方を把握する必要があります。compute_vaccination_equilibriumを使用すると、ナッシュ均衡における接種率と社会的最適値の間にあるフリーライダーのギャップを特定し、費用対効果順に順位付けした年齢層別の優先順位を生成できます。model_seasonal_waning_dynamicsを使用すると、地域の季節的な強制力の振幅と抗体の半減期の推定値に基づいて、最適な追加接種の時期を判断できます。

変異株の監視とゲノムモニタリング

進化する病原体を追跡するウイルス学およびゲノム監視チームは、次の感染拡大の波でどの変異株が優勢になるかを予測する必要があります。「SARS-CoV-2 variants 2025」のようなクエリとともにforecast_variant_fitnessを使用すると、選択係数を推定し、30日後および90日後の頻度の推移を予測し、免疫逃避スコアの高い変異株を特定できます。適応度地形の起伏スコアは、変異株の空間がどの程度の速さで進化しているかを示します。

人獣共通感染症の研究とスピルオーバーリスクのマッピング

野生生物と人間の接点に取り組む研究者（生態学研究機関、バイオセーフティ研究所、ワンヘルスプログラムなど）は、次のスピルオーバーが最も発生しやすい場所を特定する必要があります。assess_zoonotic_spilloverを使用すると、宿主となる動物種のMaxEnt種分布モデリングを実行し、森林伐採前線のKDEと組み合わせ、地域別のリスクスコアを付けた地理的ホットスポットの順位リストを作成できます。出力には、種ごとの病原体ファミリー、森林伐採要因スコア、人間との接触率が含まれます。

学術的な疫学と公衆衛生研究

疫学者や大学院の研究者は、モデリング研究に再現可能で引用可能な手法を必要としています。このMCPの各ツールは、適切な収束診断と不確実性の定量化を備えた、公表済みの数学的フレームワークを実装しており、出力をモデルの入力やベンチマークとして活用できます。infer_parameters_pmcmcは、95％信用区間と有効サンプルサイズを伴う、感染症パラメーターの事後分布を提供するため、方法のセクションにそのまま記載できます。

パンデミック生物監視 MCP ツールの使い方

1. MCP クライアントを接続する — サーバー URL https://pandemic-biosurveillance-mcp.apify.actor/mcp を Claude Desktop、Cursor、Windsurf、Cline、または MCP 互換クライアントに追加します。URL 自体に API キーは不要です。課金は Apify アカウントを通じて処理されます。
2. 適切なツールを選ぶ — 分析の目的に応じて、シミュレーション、パラメーター推定、Re 推定、介入の因果分析、ワクチン接種戦略、変異株の予測、スピルオーバーリスク、季節性の動態を扱う 8 つのツールから選択します。
3. 自然言語のクエリを入力する — 分析したい疾患、病原体、変異株、または地理的な状況を入力します。例：「H5N1 avian influenza pandemic」「bat coronavirus spillover Southeast Asia」「SARS-CoV-2 Omicron booster timing」。
4. 構造化された結果を受け取る — サーバーが 16 のソースから並行して最新データを取得し、数学モデルを実行して、モデル推定値、不確実性区間、裏付けとなるネットワークメタデータを含む JSON 形式の出力を 2～4 分以内に返します。

入力パラメーター

この MCP サーバーには従来の Actor 入力スキーマはありません。スタンバイモードで動作し、すべての入力を MCP プロトコル経由で受け取ります。各ツールが受け取るパラメーターは 1 つです。

パラメーター	型	必須	説明
query	string	はい	分析する疾患、病原体、アウトブレイク、または地理的な状況です。自然言語を使用できます。

ツールごとの入力リファレンス

ツール	query の例
simulate_epidemic_metapopulation	"H5N1 avian influenza pandemic"
infer_parameters_pmcmc	"mpox outbreak West Africa"
estimate_phylodynamic_re	"SARS-CoV-2 JN.1 variant"
evaluate_intervention_causality	"COVID-19 lockdown effectiveness"
compute_vaccination_equilibrium	"influenza seasonal vaccination"
forecast_variant_fitness	"influenza H3N2 variants 2025"
assess_zoonotic_spillover	"bat coronavirus spillover Southeast Asia"
model_seasonal_waning_dynamics	"RSV seasonal dynamics booster timing"

入力のヒント

• 地理的な場所を具体的に指定する — 地域を追加すると、取得される生態学的・空間的データが絞り込まれ、地域に特化した分析のモデル精度が向上します。
• 病原体のファミリーを含める — 「bat coronavirus」と「coronavirus」のようなクエリでは、IUCN と GBIF から取得される種データが異なり、人獣共通感染症のスピルオーバー結果に影響します。
• ゲノム解析ツールでは変異株レベルのクエリを使う — 「SARS-CoV-2 JN.1 variant」は、一般的なクエリよりも対象を絞った文献と医薬品のデータを返します。
• ツールを意図的に連続して実行する — まず simulate_epidemic_metapopulation を実行して集団レベルの動態を把握し、次に evaluate_intervention_causality を使って同じアウトブレイクの状況における特定の対策の効果を評価します。
• 支出上限を設定する — Apify アカウントの設定で 1 回の実行あたりの最大支出額を設定し、反復的な分析中に予期しない費用が発生しないようにします。

出力例

simulate_epidemic_metapopulation の「H5N1 avian influenza pandemic」に対するレスポンス：

{
  "networkNodes": 142,
  "networkEdges": 318,
  "trajectories": [
    {
      "time": 0,
      "population": "China",
      "S": 1402000000,
      "E": 0,
      "I": 50,
      "R": 0,
      "H": 0,
      "C": 0,
      "D": 0,
      "Re": 2.1
    },
    {
      "time": 14,
      "population": "China",
      "S": 1401820000,
      "E": 42300,
      "I": 87400,
      "R": 12800,
      "H": 8200,
      "C": 1400,
      "D": 280,
      "Re": 1.87
    },
    {
      "time": 60,
      "population": "India",
      "S": 1380000000,
      "E": 198000,
      "I": 341000,
      "R": 94000,
      "H": 28700,
      "C": 5100,
      "D": 1820,
      "Re": 1.43
    }
  ],
  "peakInfections": 4820000,
  "peakDate": 84,
  "totalInfected": 18400000,
  "totalDeaths": 621000,
  "herdImmunityThreshold": 0.524,
  "mobilityImpact": 0.38,
  "populationsAffected": 22
}

infer_parameters_pmcmc のレスポンス：

{
  "networkNodes": 138,
  "parameters": [
    {
      "parameter": "R0",
      "mean": 2.34,
      "ci95Lower": 1.91,
      "ci95Upper": 2.88,
      "effectiveSampleSize": 847
    },
    {
      "parameter": "latentPeriod",
      "mean": 3.2,
      "ci95Lower": 2.4,
      "ci95Upper": 4.1,
      "effectiveSampleSize": 912
    },
    {
      "parameter": "IFR",
      "mean": 0.0038,
      "ci95Lower": 0.0021,
      "ci95Upper": 0.0061,
      "effectiveSampleSize": 734
    },
    {
      "parameter": "hospitalizationRate",
      "mean": 0.041,
      "ci95Lower": 0.028,
      "ci95Upper": 0.057,
      "effectiveSampleSize": 801
    }
  ],
  "logLikelihood": -1847.3,
  "dic": 3714.8,
  "particlesUsed": 500,
  "acceptanceRate": 0.24,
  "convergenceDiagnostic": 1.03
}

出力フィールド

simulate_epidemic_metapopulation

フィールド	型	説明
networkNodes	number	疫学ネットワーク内のノードの総数（疾患、臨床試験、国、種など）
networkEdges	number	エッジの総数（移動、感染、治療、宿主、研究、相関）
trajectories[]	array	各集団・各時間ステップにおけるSEIR-HCD状態の時系列
trajectories[].time	number	シミュレーション日
trajectories[].population	string	集団名（国または地域）
trajectories[].S	number	感受性者数
trajectories[].E	number	曝露者数
trajectories[].I	number	感染者数
trajectories[].R	number	回復者数
trajectories[].H	number	入院者数
trajectories[].C	number	重症／ICU患者数
trajectories[].D	number	死亡者数
trajectories[].Re	number	この時間ステップにおける実効再生産数
peakInfections	number	全集団における同時感染者数の最大値
peakDate	number	感染者数がピークに達した日
totalInfected	number	累積感染者数
totalDeaths	number	累積死亡者数
herdImmunityThreshold	number	感染拡大を抑えるために必要な免疫保有割合（0～1）
mobilityImpact	number	集団間の移動に起因する感染拡大の推定割合
populationsAffected	number	感染が活発に伝播している異なる集団の数

infer_parameters_pmcmc

フィールド	型	説明
parameters[]	array	各疫学パラメーターの事後推定値
parameters[].parameter	string	パラメーター名（R0、latentPeriod、IFR、hospitalizationRate）
parameters[].mean	number	事後平均
parameters[].ci95Lower	number	事後分布の2.5パーセンタイル
parameters[].ci95Upper	number	事後分布の97.5パーセンタイル
parameters[].effectiveSampleSize	number	SMCによるESS。400を超える値は信頼性の高い推定を示します
logLikelihood	number	対数周辺尤度
dic	number	モデル比較用の逸脱度情報量基準
particlesUsed	number	使用したSMC粒子数
acceptanceRate	number	メトロポリス・ヘイスティングス法の受容率（0.15～0.35が適切です）
convergenceDiagnostic	number	Gelman-RubinのR-hat。1.05未満の値は収束を示します

estimate_phylodynamic_re

フィールド	型	説明
intervals[]	array	スカイライン区間ごとの区分的なRe推定値
intervals[].startTime	number	区間の開始時点（現在から何日前か）
intervals[].endTime	number	区間の終了時点
intervals[].Re	number	この区間のRe平均推定値
intervals[].ci95Lower	number	信用区間の下限
intervals[].ci95Upper	number	信用区間の上限
intervals[].growthRate	number	この区間の指数増殖率
currentRe	number	最新のRe推定値
treeHeight	number	推定された系統樹の高さ（日数）
tmrca	number	最も近い共通祖先までの時間
skylinePopSize[]	number[]	スカイライン区間ごとの有効集団サイズ
modelAvgWeights[]	array	各サブモデルのベイズモデル平均化の重み
doublingTime	number	現在のReに基づく倍加時間（日数）

evaluate_intervention_causality

フィールド	型	説明
effects[]	array	介入の種類ごとの因果効果の推定値
effects[].intervention	string	介入名（例：ロックダウン、マスク着用義務、ワクチン接種）
effects[].causalEffect	number	推定される感染伝播の減少量（負の値は有益）
effects[].ci95Lower	number	適合予測の下限
effects[].ci95Upper	number	適合予測の上限
effects[].conformalCoverage	number	予測区間の経験的被覆率
effects[].syntheticControlFit	number	介入前の適合度（0～1、0.85超は良好）
overallReduction	number	すべての介入による感染伝播の合計減少量
bestIntervention	string	因果効果が最大の介入
counterfactualDeaths	number	介入がなかった場合の予測死亡者数
livesSaved	number	現在の介入によって救われた推定人数

compute_vaccination_equilibrium

フィールド	型	説明
equilibrium.optimalCoverage	number	社会的に最適なワクチン接種率（0～1）
equilibrium.nashEquilibrium	number	個人の合理性に基づくナッシュ均衡の接種率
equilibrium.freeRiderGap	number	社会的最適値とナッシュ均衡の差
equilibrium.criticalThreshold	number	集団免疫のしきい値
equilibrium.costEffectiveness	number	最適な接種率における、回避されるQALYあたりのコスト
ageGroupStrategy[]	array	年齢層ごとの接種率と優先順位
supplyConstraints[]	array	供給区分ごとのリソースの供給状況と必要量
welfareGain	number	社会的最適値の達成による集団の福祉向上

forecast_variant_fitness

フィールド	型	説明
variants[]	array	識別された変異株ごとの予測
variants[].variant	string	変異株の識別子
variants[].currentFrequency	number	現在の配列に占める割合（0～1）
variants[].fitnessAdvantage	number	参照株と比較した選択係数
variants[].projectedFrequency30d	number	30日後の予測頻度
variants[].projectedFrequency90d	number	90日後の予測頻度
variants[].immuneEvasion	number	免疫回避スコア（0～1）
variants[].transmissibility	number	参照株と比較した相対的な感染力
dominantVariant	string	90日後に優勢になると予測される変異株
sweepTimeline	number	優勢な変異株の頻度が80％を超えるまでの日数
landscapeRuggedness	number	Maynard-Smithの適応度地形の起伏
escapeMutationRisk	number	免疫逃避変異が出現する確率

assess_zoonotic_spillover

フィールド	型	説明
risks[]	array	宿主種ごとのスピルオーバーリスク評価
risks[].species	string	保有宿主種の名称
risks[].pathogenFamily	string	関連する病原体ファミリー
risks[].spilloverProbability	number	スピルオーバーの合計確率（0～1）
risks[].deforestationDriver	number	生息域の境界における森林伐採圧力スコア
risks[].humanContactRate	number	推定される人間と動物の接触頻度
risks[].habitatOverlap	number	人間と宿主の分布域の重なり
hotspots[]	array	座標を含む地理的なスピルオーバーのホットスポット
hotspots[].region	string	地域または行政区域の名称
hotspots[].lat	number	ホットスポットの重心の緯度
hotspots[].lon	number	ホットスポットの重心の経度
hotspots[].riskScore	number	複合スピルオーバーリスクスコア（0～100）
overallSpilloverRate	number	年間のスピルオーバー率の総合推定値
highRiskInterfaces	string[]	リスクの高い人間と野生動物の接触地域の名称
maxEntPrediction	number	MaxEntモデルによる出現確率の予測値

model_seasonal_waning_dynamics

フィールド	型	説明
dynamics[]	配列	12 か月周期にわたる月ごとの季節性動態
dynamics[].month	数値	月（1～12）
dynamics[].Re	数値	季節調整済みの実効再生産数
dynamics[].immunityLevel	数値	この月の集団免疫率
dynamics[].waningRate	数値	月ごとの免疫減衰率
dynamics[].boosterNeed	数値	追加接種が必要な集団の割合
seasonalAmplitude	数値	フーリエ強制振幅（alpha）
peakMonth	数値	感染伝播が最大となる月
troughMonth	数値	感染伝播が最小となる月
antibodyHalfLife	数値	推定抗体半減期（日）
waningPowerLawExponent	数値	Khoury et al. のべき乗則の指数 kappa
optimalBoosterTiming	数値	追加接種キャンペーンの推奨月

パンデミックのバイオサーベイランス分析の実行にかかる費用はいくらですか？

この MCP サーバーはイベントごとの従量課金制です。ツール呼び出しごとに料金が発生し、計算費用も含まれます。アルゴリズムに応じて、料金は1 回あたり $0.030～$0.040です。

ツール	1 回あたりの料金	10 回	50 回
simulate_epidemic_metapopulation	$0.040	$0.40	$2.00
infer_parameters_pmcmc	$0.035	$0.35	$1.75
estimate_phylodynamic_re	$0.035	$0.35	$1.75
evaluate_intervention_causality	$0.030	$0.30	$1.50
compute_vaccination_equilibrium	$0.035	$0.35	$1.75
forecast_variant_fitness	$0.030	$0.30	$1.50
assess_zoonotic_spillover	$0.030	$0.30	$1.50
model_seasonal_waning_dynamics	$0.030	$0.30	$1.50

8 つのツールをすべて使用して 1 回のアウトブレイク分析を実行すると、$0.265かかります。週に 4 種の病原体を対象に、それぞれ 3 つのツールを使って監視を実行すると、費用は週あたり約**$1.56**です。

Apify の無料枠には、毎月**$5 分のプラットフォームクレジットが含まれており、支払いが必要になる前に約 150 回ツールを呼び出せます。費用の上限を設定するには、Apify アカウントの設定で実行ごとの最大支出額**を指定できます。

これを、同等のデータアクセスに月額 $500～2,000 を請求し、プログラムから利用できる API も数理モデリング層も備えていない、商用の疫学情報プラットフォームと比較してください。

この MCP サーバーへの接続方法

Claude Desktop

claude_desktop_config.json に追加します。

{
  "mcpServers": {
    "pandemic-biosurveillance": {
      "url": "https://pandemic-biosurveillance-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor / Windsurf / Cline

クライアントの MCP サーバー設定で、同じ URL を使用します：https://pandemic-biosurveillance-mcp.apify.actor/mcp

Python（直接 HTTP）

import httpx
import json

response = httpx.post(
    "https://pandemic-biosurveillance-mcp.apify.actor/mcp",
    headers={
        "Content-Type": "application/json",
        "Authorization": "Bearer YOUR_APIFY_TOKEN",
    },
    json={
        "jsonrpc": "2.0",
        "method": "tools/call",
        "params": {
            "name": "simulate_epidemic_metapopulation",
            "arguments": {"query": "H5N1 avian influenza pandemic Southeast Asia"}
        },
        "id": 1
    },
    timeout=300,
)

result = response.json()
data = json.loads(result["result"]["content"][0]["text"])
print(f"Peak infections: {data['peakInfections']:,}")
print(f"Herd immunity threshold: {data['herdImmunityThreshold']:.1%}")
print(f"Populations affected: {data['populationsAffected']}")

JavaScript

const response = await fetch("https://pandemic-biosurveillance-mcp.apify.actor/mcp", {
    method: "POST",
    headers: {
        "Content-Type": "application/json",
        "Authorization": `Bearer ${process.env.APIFY_TOKEN}`,
    },
    body: JSON.stringify({
        jsonrpc: "2.0",
        method: "tools/call",
        params: {
            name: "forecast_variant_fitness",
            arguments: { query: "influenza H3N2 variants 2025" }
        },
        id: 1
    }),
});

const result = await response.json();
const data = JSON.parse(result.result.content[0].text);
console.log(`Dominant variant: ${data.dominantVariant}`);
console.log(`Sweep timeline: ${data.sweepTimeline} days`);
console.log(`Escape mutation risk: ${(data.escapeMutationRisk * 100).toFixed(1)}%`);

cURL

# Call a tool
curl -X POST "https://pandemic-biosurveillance-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "assess_zoonotic_spillover",
      "arguments": {"query": "bat coronavirus spillover Southeast Asia"}
    },
    "id": 1
  }'

# List all available tools
curl -X POST "https://pandemic-biosurveillance-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{"jsonrpc":"2.0","method":"tools/list","params":{},"id":1}'

Pandemic Biosurveillance MCP の仕組み

フェーズ 1：16 のソースから並列でデータを取得

いずれかのツールが呼び出されると、fetchAndBuildNetwork() は runActorsParallel() を介して 16 個のアクター呼び出しを並行して実行します。各アクターのタイムアウトは 180 秒で、メモリ 256 MB で動作します。16 のソースは、次の 4 つの機能グループに分けられています。

• 医療（4 アクター）： WHO GHO（50 件）、ClinicalTrials.gov（50 件）、openFDA の医薬品有害事象（40 件）、EMA の医薬品（40 件）
• 研究（3 アクター）： PubMed（50 件）、OpenAlex（50 件）、Europe PMC（50 件）
• 生態学（2 アクター）： IUCN レッドリスト（30 件）、GBIF の生物多様性データ（30 件）
• 環境／空間（7 アクター）： GDACS の災害情報（30 件）、NOAA の気象情報（30 件）、OpenAQ の大気質情報（30 件）、FEMA（30 件）、REST Countries（30 件）、Nominatim のジオコーダー（20 件）、世界銀行（40 件）

アクターの呼び出しに失敗した場合は空の配列を返し、実行は中断されません。そのため、一部のデータが利用できない場合でも、処理は適切に継続します。

フェーズ 2：感染症ネットワークの構築

buildEpiNetwork() は返されたすべてのレコードを、ID で重複を除去したうえで、疾患、臨床試験、論文、国、種、薬剤、環境、場所のいずれかに分類される型付きの EpiNode オブジェクトに正規化します。REST Countries と World Bank の応答から国の人口フィールドを抽出し、放射型移動モデルのパラメーターとして使用します。

国ノード間の移動エッジには、Simini らの放射モデルを使用します。T_ij = T_i(m_i·n_j)/((m_i+s_ij)(m_i+n_j+s_ij))。ここで、介在する人口 s_ij は 0.3·sqrt(m_i·n_j) と近似します。ノードの型の一致に基づいて、疾患から国への感染伝播エッジ、薬剤から疾患への治療エッジ、種から疾患への宿主エッジを追加します。生成されたネットワークグラフをアルゴリズム層に渡します。

フェーズ 3：数学的モデリング

8 つのツールはそれぞれ、scoring.ts で異なるアルゴリズムを実装します。

• Gillespie SSA は、tau-leaping を用いた指数分布の待ち時間により、確率的な SEIR-HCD システムを伝播させます。初期条件は、ネットワーク内の疾患ノードのメタデータと国の人口規模から導出されます。
• Particle MCMC は、500 個の粒子を用いて alive particle filter を初期化します。Metropolis-Hastings の提案値は対数正規分布から抽出されます。Gelman-Rubin の R-hat 統計量は、並列に実行する 2 つのチェーンから計算されます。
• Birth-death skyline は、ネットワーク内の文献と臨床試験の時間分布を系統樹データセットの代用として、6 区間の区分定数出生率モデルを適合させます。ベイズモデル平均化では、熱力学的積分を用いてモデルの重みを計算します。
• Augmented synthetic control は、ネットワーク内の国レベルの感染症代理データをドナーユニットとして、Y_hat(0)_t = sum_j w_j·Y_j(t)、ただし w = argmin ||Y_1 - Yw||^2 となる合成反実仮想を構築します。
• Mean-field game は、有限差分離散化を用いて連立 HJB/Fokker-Planck 系を解きます。年齢層ごとの戦略は、ネットワーク内の国の人口統計データから導出されます。
• Multinomial logistic は、研究ノードのメタデータから抽出した変異株頻度データに beta_k の選択係数を適合させます。P(variant=k|t) = exp(beta_k·t) / sum_j exp(beta_j·t)。
• MaxEnt は、IUCN と GBIF のノードから得た種の出現データと、NOAA および OpenAQ の環境共変量を用いて生息地の適性を推定し、その後、GDACS と FEMA の土地イベントデータから推定した森林破壊フロンティア KDE と組み合わせます。
• Fourier seasonal forcing は、ネットワーク内の疫学記録の時間分布に R_e(t) = R0·(1+alpha·cos(2pi·t/365-phi)) を適合させ、振幅 alpha と位相 phi を推定します。べき乗則による免疫減衰指数 kappa は、臨床試験の免疫原性データに照らして較正されます。

フェーズ 4：イベントごとの従量課金と利用上限

各ツール呼び出しは、開始直後に Actor.charge({ eventName: '...' }) を呼び出します。chargeResult.eventChargeLimitReached が true の場合、ツールはモデルを実行せずにエラーメッセージを返し、予期しないコストの増大を防ぎます。

最良の結果を得るためのヒント

1. パラメーター推定には、疾患を具体的に指定したクエリを使用してください。 infer_parameters_pmcmc は、十分な公開研究がある、十分に文献が蓄積された病原体を対象にクエリを実行すると、事後区間がより狭くなります（例：「influenza」だけでなく、「influenza H1N1 2009 pandemic」）。PubMed の検索結果が多いほど、事前分布のパラメーター設定が適切になります。

2. 因果関係を評価するツールの前に、simulate_epidemic_metapopulation を実行してください。 メタ個体群シミュレーションでは、ピーク時期と総負荷量を推定できます。これらの推定値は、evaluate_intervention_causality による因果効果の規模を把握するうえで役立ちます。AI クライアントとの会話では、これらのツールを順番に使用してください。

3. Re の推定値は、確定的な真実ではなく、モデルに基づくシナリオとして解釈してください。 出生死亡スカイライン法と粒子 MCMC の出力は、クエリで取得したデータの質と量に左右されます。Gelman-Rubin R-hat が 1.1 を超えている場合、チェーンは収束していません。その結果は慎重に扱ってください。

4. スピルオーバーのモデル化では、地理的な範囲を具体的に指定してください。 「bat coronavirus spillover Yunnan Province China」は、「bat coronavirus」よりも対象を絞った IUCN および GBIF の種記録を取得できるため、MaxEnt モデルの適合度とホットスポットの精度が大幅に向上します。

5. 変異株の予測と季節性のモデル化を連携させてください。 forecast_variant_fitness を使用して優勢な変異株を特定し、その変異株名を model_seasonal_waning_dynamics に渡すと、季節性の免疫環境が変異株固有の免疫回避とどのように相互作用するかを把握できます。

6. PMCMC の出力では ESS を監視してください。 いずれかのパラメーターで有効サンプルサイズが 200 未満の場合、粒子フィルターで重みが縮退している可能性があります。より大規模で一貫性のあるデータセットを取得できる、より具体的なクエリで再実行してください。

7. 探索的な分析には無料枠を使用してください。 Apify の $5 の無料枠では、約 150 回のツール呼び出しが可能です。複数ステップのパイプラインを構築する前に、単一ツールで探索的なクエリを実行し、質問に適したツールを検証してください。

8. 自動化したワークフローを開始する前に、支出上限を設定してください。 Apify API を使って定期的なサーベイランスをスケジュールする際は、急増したアクティビティによる予期しない請求を防ぐため、実行設定で必ず maxTotalChargeUsd を設定してください。

他の Apify アクターと組み合わせる

アクター	組み合わせ方
WHO GHO Data Search	メタ個体群シミュレーションを実行する前に、疾患負荷の指標を直接取得して手動でパラメーターを設定します
Clinical Trial Tracker	対策の利用可能時期を把握するため、ワクチンの臨床試験パイプラインを別途監視します
PubMed Research Search	パラメーター推定に渡す前に、病原体に関するエビデンス全体を取得します
GBIF Biodiversity Search	カスタムのスピルオーバー分析用に、宿主となる貯蔵動物の分布データを個別に抽出します
NOAA Weather Search	季節性強制の振幅推定値を手動で検証するため、気候異常データを取得します
GDACS Disaster Search	アウトブレイクのシミュレーションと並行して、保健インフラを混乱させる災害事象をリアルタイムで追跡します
OpenAQ Air Quality	呼吸器病原体について、環境中の同時曝露データとアウトブレイクの軌跡分析を組み合わせます

制限事項

• すべてのデータは公開されています — モデルは公開データベースを使用してパラメーター化されています。制限付きのゲノム監視データ、国の届出対象感染症登録簿、独自の検査機関ネットワークにはアクセスできません。公開データから導出されたパラメーターは、実際の流行動態より遅れていたり、過小評価したりする可能性があります。
• データ量はクエリに依存します — 研究が進んでいない病原体（例：新たに記載された人獣共通感染症）では、PubMed の文献や試験記録が少なくなり、アルゴリズムの精度が低下する場合があります。モデルは実行されますが、事後信用区間は広くなります。
• シミュレーション出力はシナリオ推定値です — Gillespie SSA と系統動態学の結果は数学的に厳密ですが、単純化された移動モデルと人口モデルに依存しています。出力を国の監視システムや臨床意思決定支援の代替として使用しないでください。
• ツールごとにアクターを16回呼び出します — 各ツール呼び出しでは、16件のアクター実行を並列にディスパッチします。実行同時数に制限のある Apify の無料アカウントまたは低価格プランでは、一部のアクターがキューに入り、応答時間が想定の2～4分を超える場合があります。
• リアルタイムのゲノム配列データはありません — forecast_variant_fitness は、実際の GISAID または INSDC 配列データベースではなく、文献と疫学メタデータから選択係数を推定します。変異株頻度の推定値はモデル由来であり、配列由来ではありません。
• 空間解像度は国レベルです — 放射モデルによる移動予測は国単位で動作します。国内の感染伝播動態、都市レベルの流行クラスター、医療システムの対応能力の制約はモデル化されません。
• 環境共変量は限定されています — MaxEnt によるスピルオーバーモデリングでは、環境の代理指標として NOAA と OpenAQ のデータを使用します。高解像度の土地利用データ、森林破壊の衛星画像、家畜密度レイヤーは含まれていません。
• 臨床上の指針は提供しません — 出力は研究および計画用のツールです。この MCP によって生成されるものは、医療上の助言、臨床意思決定支援、公衆衛生上の指針を構成するものではありません。

インテグレーション

• Apify API — Python、JavaScript、または任意の HTTP クライアントからプログラムでツール呼び出しを実行し、流行の自動監視パイプラインを構築します
• Webhooks — Re の推定値がしきい値を超えた場合や、リスクの高いスピルオーバーのホットスポットが特定された場合に、後続のアラートを実行します
• Zapier — 流行シミュレーションの結果を Slack、Google Sheets、またはメールに送信し、技術者以外の関係者と共有します
• Make — パンデミック監視とニュース監視またはレポート作成パイプラインを組み合わせた、複数ステップの自動化ワークフローを構築します
• Google Sheets — 変異株の予測や季節動態の表を構造化データとしてエクスポートし、チームで共同レビューできます
• LangChain / LlamaIndex — この MCP を AI エージェントのツールとして使用し、パンデミックに関するインテリジェンスを他のデータソースと統合して、自動で調査レポートを生成します

トラブルシューティング

• 実行に4分以上かかる — Apify の無料プランまたは Starter プランのアカウントでアクターの同時実行数の上限に達すると発生します。その結果、16件の並列アクター呼び出しの一部がキューに入ります。想定どおりの応答時間に戻すには、Apify のプランをアップグレードするか、ほかに実行中のアクターからの同時リクエストを減らしてください。

• infer_parameters_pmcmc の結果の信頼区間が非常に広い — 1つ以上のパラメーターの有効サンプルサイズ（ESS）が200未満であり、データ量の不足によって粒子フィルターの性能が低下していることを示します。より具体的で十分に文書化されたクエリ（例：公開文献が豊富な、名前の特定されたアウトブレイク）を使用してください。convergenceDiagnostic を確認してください。値が1.1を超える場合、その結果は信頼できません。

• assess_zoonotic_spillover がホットスポットを返さない — IUCN と GBIF のアクターが、クエリに一致する種の記録を返しませんでした。生態系ネットワークのノードにデータを入力するには、病原体名ではなく種を特定する用語（例：「SARS coronavirus」ではなく「Rhinolophus bat」）を使用してください。

• ツールが支出上限エラーを返す — Apify の実行が、現在の実行に設定されている maxTotalChargeUsd の上限に達しました。Apify の実行設定で上限を引き上げるか、より高い上限を設定して新しい実行を開始してください。

• forecast_variant_fitness で、すべての変異株の適応度が同程度になる — 選択係数を区別するのに十分な、変異株固有の文献をクエリで取得できていません。病原体のファミリー名だけを使うのではなく、クエリに変異株名を明示的に追加してください（例：「JN.1 XBB EG.5 variant competition 2025」）。

責任ある利用

• このサーバーがアクセスするのは、国際機関、政府機関、オープンな研究データベースが公開しているデータのみです。
• モデルの出力は、公開データと数学的近似に基づくシナリオ分析です。臨床上の指針、公衆衛生政策の推奨、または公式のサーベイランスデータを示すものではありません。
• 上流のすべてのデータソース（WHO、NIH/NLM、EMA、IUCN、GBIF、NOAA、FEMA、World Bank）の利用規約を遵守してください。
• 個人レベルの健康上の判断や、臨床的な治療方針の決定に出力を使用しないでください。
• 公開データのスクレイピングを責任を持って行う方法については、Apify's guide を参照してください。

❓ よくある質問

パンデミックのバイオサーベイランスツールは、1回の呼び出しでいくつのデータソースを利用しますか？ 各ツール呼び出しでは、16のデータソースすべてに並列でクエリを実行します。内訳は、4つの健康データベース（WHO、ClinicalTrials.gov、openFDA、EMA）、3つの研究データベース（PubMed、OpenAlex、Europe PMC）、2つの生態系データベース（IUCN、GBIF）、4つの環境データソース（GDACS、NOAA、OpenAQ、FEMA）、3つの空間データソース（REST Countries、Nominatim、World Bank）です。16件すべてが順次ではなく、同時に実行されます。

流行シミュレーションと予測の結果は、どの程度正確ですか？ 各ツールは、適切な不確実性の定量化を伴う、公開済みの数学的フレームワークを実装しています。Gillespie SSA と particle MCMC の出力には、収束診断（ESS と Gelman-Rubin R-hat）が含まれます。結果は、公開データをパラメーターとして用いた、モデルに基づくシナリオ分析として扱ってください。臨床水準の予測や、各国のサーベイランス基盤の代替として扱うものではありません。

パンデミック・バイオサーベイランス MCP では、どのような病原体を分析できますか？ 公衆衛生データが利用できる病原体であれば、どれでも分析できます。これには、呼吸器ウイルス（インフルエンザ、SARS-CoV-2、RSV）、媒介生物が伝播する疾患（デング熱、ジカ熱、マラリア）、人獣共通感染症の脅威（mpox、ニパウイルス、コウモリコロナウイルス）、新興感染症が含まれます。研究があまり進んでいない病原体では、データ記録が少なくなり、不確実性の幅が広くなります。

パンデミックのバイオサーベイランスツールの呼び出しには、通常どのくらい時間がかかりますか？ アクターの同時実行数に余裕がある有料の Apify アカウントでは、ツール呼び出しは2～4分で完了します。16件の並列データ取得には、それぞれ180秒のタイムアウトが設定されています。同時実行数に制限のある無料アカウントでは、呼び出しに5～8分かかることがあります。 これは Nextstrain や他の感染症インテリジェンスプラットフォームとどう違いますか？ Nextstrain は、特定の病原体の系統解析に実際のゲノム配列を分析します。この MCP は異なる範囲を対象とし、16 の公衆衛生、生態学、環境データベースを統合して複数領域にまたがる感染症ネットワークモデルを構築し、8 種類のアルゴリズム（系統動態学的な Re 推定を含む）を適用します。また、MCP プロトコルを介した AI エージェントとの連携を想定して設計されています。この 2 つのツールは互いに補完的です。

パンデミックのバイオサーベイランスを自動でスケジュールできますか？ はい。Apify スケジューラーを使用して、任意の間隔で定期実行をトリガーできます。週次の変異株監視を行う場合は、この MCP の forecast_variant_fitness ツールを呼び出し、Webhook 経由で結果を後続の通知システムまたはストレージシステムに送信する、スケジュール設定済みの Apify アクター実行を構成します。

これらのソースのデータを感染症のモデリングに使用することは合法ですか？ 16 のデータソースはすべて、オープンデータポリシーを定めている国際機関および政府機関の公開データベースです。WHO、NIH、NOAA、FEMA、IUCN、GBIF、世界銀行はすべて、一般利用向けにデータを公開しています。背景情報については、ウェブスクレイピングの合法性に関する Apify のガイドをご覧ください。

PMCMC の結果における Gelman-Rubin 収束診断とは何ですか？ Gelman-Rubin の R-hat 統計量は、2 つの並列マルコフ連鎖が同じ分布に収束したかどうかを測定します。1.05 未満の値は、信頼できる収束を示します。1.05 から 1.1 の値は、収束が不十分である可能性を示します。1.1 を超える値は、連鎖が収束していないことを意味するため、パラメーター推定値は信頼せず、より具体的なクエリで再実行してください。

パンデミック・バイオサーベイランス MCP は、公衆衛生監視システムの代わりになりますか？ いいえ。この MCP は、公開データを活用した計算モデリング機能を提供します。専用の監視インフラ、義務的な症例報告システム、各国または WHO の疫学監視、臨床検査機関のネットワークに取って代わるものではありません。研究および備えの計画に使用するツールです。

メタ個体群シミュレーションでは、放射モデルによる移動をどのように計算しますか？ 放射モデル（Simini et al. 2012）は、T_ij = T_i·(m_i·n_j)/((m_i+s_ij)(m_i+n_j+s_ij)) を用いて、個体群間の人の移動フローを推定します。ここで、m_i は出発地の人口、n_j は目的地の人口、s_ij は両者の間にある人口です。人口規模は、実行中に取得した世界銀行および REST Countries のデータから直接取得されます。これらの移動エッジが伝播ネットワークを形成し、そのネットワークを通じて Gillespie SSA が感染症の流行を伝播させます。

パンデミック・バイオサーベイランス MCP を Claude、GPT-4、その他の AI モデルと併用できますか？ はい。MCP 対応の AI クライアントであれば、このサーバーに接続できます。Claude Desktop、Cursor、Windsurf、Cline はすべて MCP をサポートしています。OpenAI やその他のモデル API と直接連携するには、JSON-RPC 2.0 プロトコルを使用して https://pandemic-biosurveillance-mcp.apify.actor/mcp の HTTP エンドポイントを利用してください。

改善にご協力ください

問題が発生した場合は、Apify アカウントで実行の共有を有効にすると、より迅速なデバッグにご協力いただけます。

1. アカウント設定 > プライバシーに移動します
2. Share runs with public Actor creators を有効にします

これにより、問題発生時に実行の詳細を確認できるようになり、より迅速に問題を修正できます。データを閲覧できるのはアクターの開発者のみで、一般公開されることはありません。

サポート

バグを見つけた場合や機能をリクエストしたい場合は、このアクターのページにある Issues タブで課題を作成してください。カスタムソリューションやエンタープライズ向けの連携については、Apify プラットフォームからお問い合わせください。