Το ερώτημα που όλοι θέλουν να απαντήσουν στον κόσμο είναι πόσο μακριά θα εξαπλωθεί ο νέος κοροναϊός και πότε θα αρχίσει να υποχωρεί η πανδημία. Για να το γνωρίζουν αυτό, οι επιδημιολόγοι, οι αρχές δημόσιας υγείας και οι υπεύθυνοι χάραξης πολιτικής βασίζονται σε μοντέλα.
Τα μοντέλα δεν προορίζονται να προβλέψουν τέλεια το μέλλον, παρόλα αυτά εξακολουθούν να είναι χρήσιμα. Ο βιοϊατρικός μαθηματικός Lester Caudill εξηγεί τους περιορισμούς των μοντέλων και και τον τρόπο λειτουργία τους.
Τι είναι τα μοντέλα εξάπλωσης μολυσματικών ασθενειών;
Τα μαθηματικά μοντέλα για εξάπλωσης μολύνσεων είναι απλοποιημένες εκδοχές της πραγματικότητας. Έχουν σχεδιαστεί να μιμούνται τα κύρια χαρακτηριστικά μίας πραγματικής ασθένειας που εξαπλώνεται, ώστε να κάνουν προβλέψεις που μπορούν, τουλάχιστον εν μέρει, να είναι αρκετά αξιόπιστες για τη λήψη αποφάσεων. Οι προβλέψεις μοντέλου για την COVID-19 που αναφέρονται στα μέσα, προέρχονται από μαθηματικά μοντέλα που έχουν μετατραπεί σε υπολογιστικές προσομοιώσεις. Για παράδειγμα, ένα μοντέλο μπορεί να χρησιμοποιήσει μια ποικιλία δεδομένων του πραγματικού κόσμου για να προβλέψει μια ημερομηνία (ή εύρος ημερομηνιών) για τον μέγιστο αριθμό περιπτώσεων σε μία πόλη.
Γιατί είναι δύσκολη η μοντελοποίηση της εξάπλωσης της COVID-19;
Για να είναι αξιόπιστες οι προβλέψεις ενός μοντέλου,αυτό πρέπει να αντικατοπτρίζει με ακρίβεια το πώς εξελίσσεται η μόλυνση στην πραγματική ζωή. Για να γίνει αυτό, οι διαμχειριστές τους χρησιμοποιούν συνήθως δεδομένα από προηγούμενα κρούσματα της ίδιας λοίμωξης, τόσο για να δημιουργήσουν το μοντέλο τους, όσο και για να βεβαιωθούν ότι οι προβλέψεις του θα ταιριάζουν με ό,τι είναι γνωστό.
Αυτό λειτουργεί καλά για λοιμώξεις όπως η γρίπη, καθώς οι επιστήμονες έχουν δεκαετίες δεδομένων που τους βοηθούν να κατανοήσουν πώς εξελίσσονται τα κρούσματα γρίπης σε διαφορετικούς τύπους κοινοτήτων. Τα μοντέλα γρίπης χρησιμοποιούνται κάθε χρόνο για τη λήψη αποφάσεων σχετικά με τα σκευάσματα εμβολίων και άλλα εποχιακά παρασκευάσματα.
Αντίθετα, η μοντελοποίηση της τρέχουσας επιδημίας COVID-19 είναι πολύ πιο δύσκολη, απλώς επειδή οι ερευνητές γνωρίζουν πολύ λίγα για την ασθένεια. Ποιοι είναι όλοι οι διαφορετικοί τρόποι, με τους οποίους μπορεί να μεταδοθεί μεταξύ ανθρώπων; Πόσο καιρό ζει σε πόμολα ή συσκευασίες; Πόσος χρόνος περνά από τη στιγμή που ο ιός εισέρχεται στο σώμα ενός ατόμου, έως ότου το άτομο μπορεί να το μεταδώσει σε κάποιον άλλο; Αυτές, και πολλές άλλες ερωτήσεις, είναι σημαντικές για να ενσωματωθούν σε ένα αξιόπιστο μοντέλο εξάπλωσης COVID-19. τα ερωτήματα αυτά ωστόσο είναι αδύνατο να απανηθούν ακόμα, καθώς ο κόσμος βρίσκεται στη μέση της πρώτης εμφάνισης αυτής της ασθένειας.
Γιατί διαφορετικά μοντέλα έχουν διαφορετικές προβλέψεις;
Το καλύτερο που μπορούν να κάνουν τα μοντέλα είναι να κάνουν κάοιες παραδοχές για κάποιους παράγοντες σχετικούς με την COVID-19 και να δημιουργήσουν μοντέλα που βασίζονται σε αυτές τις παραδοχές. Κάποια τρέχοντα μοντέλα εξάπλωσης COVID-19 βασίζονται στην παραδοχή ότι ο ιός συμπεριφέρεται όπως η γρίπη, επομένως χρησιμοποιούν τα δεδομένα της γρίπης. Άλλα μοντέλα βασίζονται στην παραδοχή ότι ο ιός συμπεριφέρεται όπως ο SARS-CoV, ο ιός που προκάλεσε την επιδημία SARS το 2003.
Άλλα μοντέλα μπορεί να κάνουν άλλες παραδοχές σχετικά με την COVID-19, αλλά όλα βασίζονται σε παραδοχές για κάποιες παραμέτρους, προκειμένου να καλύψουν τις απαιτούμενες πληροφορίες και δεν υπάρχουν ακόμη. Αυτές οι διαφορετικές παραδοχές είναι πιθανό να οδηγήσουν σε πολύ διαφορετικά αποτελέσματα στις προβλέψεις των μοντέλων εξάπλωσης της COVID-19.
Πώς μπορούν να γίνουν κατανοητές οι διαφορετικές -μερικές φορές αντικρουόμενες- προβλέψεις μοντέλου;
Αυτή η ερώτηση είναι, ίσως ό,τι σημαντικότερο πρέπει να γίνει κατανοητό σχετικά με τις προβλέψεις των μαθηματικών μοντέλων: Είναι χρήσιμες μόνο αν γίνουν κατανοητές οι παραδοχές, στις οποίες βασίζεται το κάθε μοντέλο.
Στην ιδανική περίπτωση, προβλέψεις μοντέλων του τύπου "Αναμένουμε 80.000 θανάτους που σχετίζονται με την COVID στις ΗΠΑ" θα πρέπει να διαβαστεί κάπως έτσι: "Υποθέτοντας ότι η COVID-19 συμπεριφέρεται παρόμοια με το SARS, αναμένουμε 80.000 θανάτους που σχετίζονται με το COVID στις ΗΠΑ". Έτσι τοποθετείται το μοντέλο πρόβλεψης σε ένα πλαίσιο, και κυρίως υπενθυμίζεται σε όλους ότι οι προβλέψεις μοντέλων δεν είναι απαραίτητα, πρόβλψη για ένα αναπόφευκτο μέλλον.
Μπορεί επίσης να είναι χρήσιμο να χρησιμοποιηθούν προβλέψεις από διαφορετικά μοντέλα για να καθοριστούν εύλογα εύρη και όχι ακριβείς αριθμοί. Για παράδειγμα, ένα μοντέλο που υποθέτει ότι η COVID-19 συμπεριφέρεται όπως η γρίπη, μπορεί να προβλέψει 50.000 θανάτους στις ΗΠΑ. Αντί να προσπαθεί να αποφασίσει κανείς ποια πρόβλεψη να πιστέψει -κάτι που είναι αδύνατο- μπορεί να είναι πιο χρήσιμο να συμπεράνει ότι θα υπάρχουν μεταξύ 50.000 και 80.000 θάνατοι στις ΗΠΑ.
Γιατί τα ίδια μοντέλα φαίνεται να προβλέπουν διαφορετικά αποτελέσματα σήμερα από ό,τι χθες;
Καθώς τα δεδομένα για την COVID-19 καθίστανται διαθέσιμα -και πολλοί άνθρωποι εργάζονται ακούραστα για τη συλλογή δεδομένων και τη διάθεσή τους- οι μοντελιστές τα ενσωματώνουν έτσι ώστε, κάθε μέρα τα μοντέλα τους να βασίζονται λίγο περισσότερο στις πραγματικές πληροφορίες για την COVID-19 και λίγο λιγότερο σε παραδοχές σχετικά με την ασθένεια. Αυτή η διαδικασία γίνεται αισθητή στην ειδησεογραφία, όπου τα κύρια μοντέλα πρόβλεψης εξάπλωσης COVID-19 παρέχουν σχεδόν καθημερινές αναθεωρήσεις στις προηγούμενες εκτιμήσεις τους σχετικά με τον αριθμό των κρουσμάτων και θανάτων.
Μπορεί ένα μοντέλο που (πιθανώς) να μην είναι ακριβές στην πρόβλεψη του μέλλοντος να είναι χρήσιμο;
Ενώ τα μοντέλα εξάπλωσης λοιμώξεων μπορούν να παρέχουν πληροφορίες για το τι μπορεί να γίνει στο μέλλον, είναι πολύ πιο πολύτιμα όταν βοηθούν στην απάντηση, "Πώς μπορούν οι πολιτικές να αλλάξουν αυτό το μέλλον;"
Για παράδειγμα, ένα βασικό μοντέλο για την πρόβλεψη του μελλοντικού αριθμού κρουσμάτων COVID-19 θα μπορούσε να προσαρμοστεί για να ενσωματώσει τα αποτελέσματα, για παράδειγμα της οδηγίας "Μένουμε Σπίτι". Εκτελώντας προσομοιώσεις μοντέλων με δεοδμένη την οδηγία και συγκρίνοντας με προσομοιώσεις μοντέλων χωρίς την οδηγία, οι αρχές δημόσιας υγείας μπορούν να βγάλουν συμπεράσματα για την αποτελεσματικότητα που αναμένεται να έχει η οδηγία αυτή. Αυτό μπορεί να είναι ιδιαίτερα χρήσιμο κατά τη σύγκριση των σχετικών δαπανών, όχι μόνο όσον αφορά την εξάπλωση της ασθένειας, αλλά και από οικονομική άποψη.
Επιπλέον, αυτό το ίδιο μοντέλο θα μπορούσε να χρησιμοποιηθεί για την πρόβλεψη των συνεπειών του τερματισμού της οδηγίας, για παράδειγμα, στις 10 Ιουνίου και να για την αντιπαραβολή με τις προβλέψεις του όδιου μοντέλου για τον τερματισμό της παραγγελίας στις 31 Μαΐου ή στις 30 Ιουνίου. Εδώ, όπως σε πολλές άλλες ρυθμίσεις, τα μοντέλα αποδεικνύονται πιο χρήσιμα όταν χρησιμοποιούνται για τη δημιουργία διαφορετικών σεναρίων, που αντιπαραβάλονται και η χρήση τους διαφέρει από τη σύγκριση των πρότυπων προβλέψεων με την πραγματικότητα.
Πηγή: The Conversation
