۰ نفر

کدام استراتژی در برابر کروناویروس مؤثرتر است؟

۲۳ اردیبهشت ۱۳۹۹، ۱۲:۰۶
کد خبر: 438659
کدام استراتژی در برابر کروناویروس مؤثرتر است؟

به‌ نظر می‌رسد هنگ‌کنگ درس خوبی درباره نحوه متوقف‌کردن کووید‌‌19 به جهانیان داده است. هنگ‌کنگ 7.5‌میلیون‌نفری فقط چهار مورد مرگ [ناشی از کووید‌‌‌19] را گزارش کرده است.

به گزارش اقتصادآنلاین به نقل از شرق، پژوهشگرانی که رویکرد هنگ‌کنگ را مطالعه می‌کنند، خیلی زود دریافتند که نظارت فوری و سریع، قرنطینه و تمهیدات مبتنی بر فاصله‌گیری اجتماعی (نظیر استفاده از ماسک و تعطیلی مدارس)، به‌ قطع [زنجیره] انتقال کروناویروس کمک کرده است. میزان انتقال ویروس (R) با میانگین تعداد افرادی که هر فرد مبتلا آلوده می‌کند، سنجیده می‌شود؛ هنگ‌کنگ به ‌مدد تدابیر کنترلی‌اش، موفق شد میزان انتقال ویروس را تا اوایل فوریه، به سطح حیاتی 1 برساند. ولی این مقاله (لینک) که در ماه جاری منتشر شد، نتوانسته است تأثیرات تدابیر کنترلی مختلف و تغییرات رفتاری هم‌زمان به‌وجودآمده را از هم جدا کند.

معلوم‌کردن کارآمدی تدابیر بی‌سابقه‌ای که در سراسر جهان برای محدودکردن گسترش کروناویروس پیاده شد، حالا اضطراری‌ترین مسئله پیش‌روی دانشمندان است. پژوهشگران، دست آخر، امیدشان این است که بتوانند دقیقا پیش‌بینی کنند که افزودن و کنارگذاشتن تدابیر کنترلی چطور بر میزان انتقال و شمار مبتلایان تأثیر می‌گذارد. این اطلاعات برای دولت‌ها، هم هنگام طراحی استراتژی‌هایی برای برگرداندن زندگی به حالت عادی و هم ‌هنگام پایین نگه‌داشتن میزان انتقال برای جلوگیری از موج دوم ابتلا، ضروری خواهد بود. رُزالیند ایگو، متخصص مدل‌سازی ریاضیاتی  درThe London School of Hygiene and Tropical Medicine LSHTM می‌گوید «الان وقت [صحبت از] اپیدمی بعدی نیست؛ وقت «حالا چه کار می‌توانیم بکنیم؟» است».

پژوهشگران از قبل مشغول کار روی مدل‌هایی هستند که در آنها از داده‌های جداگانه کشورهای مختلف برای درک اثرات تدابیر کنترلی استفاده می‌شود. مدل‌های مبتنی بر داده‌های واقعی قاعدتا باید متنوع‌تر و ظریف‌تر از مدل‌هایی باشند که در آغاز شیوع این بیماری، به اجبار اثر مداخلات کنترلی را با استفاده از پیش‌فرض‌هایی که [از قبل] داشتند، پیش‌بینی می‌کردند. آمیختن داده‌های [کشورهای] سراسر دنیا به پژوهشگران امکان خواهد داد واکنش‌های کشورها را مقایسه کنند. در قیاس با مطالعاتی که کشوری واحد را بررسی می‌کنند، این کار قاعدتا باید به آنها امکان دهد مدل‌هایی طراحی کنند که قادر به انجام پیش‌بینی‌های دقیق‌تری درباره مراحل جدید این پاندمی در بسیاری از کشورها باشد.

ولی ایگو هشدار می‌دهد سردرآوردن از رابطه علّی [بین تدابیر کنترلی و مهار انتقال ویروس] کار بی‌نهایت چالش‌برانگیزی است؛ تا حدی به این دلیل که شرایط هر کشوری متفاوت است و بخشی به این خاطر که هیچ معلوم نیست که چه تعداد از مردم تدابیر کنترلی را رعایت می‌کنند؛ «این واقعا کار دشواری است، ولی این حرف به معنای آن نیست که نباید هیچ تلاشی کنیم».

همکاری‌

تلاش برای پرداختن به این مسائل در هفته‌های پیش‌رو، با [رونمایی از] دیتابیسی که جزئیات صدها مداخله کنترلی مختلف به‌اجرادرآمده در سراسر جهان را گرد هم می‌آورد، بالا خواهد گرفت. این پلتفرم که از سوی گروهی از LSHTM برای WHO (سازمان بهداشت جهانی) تهیه شده است، داده‌های جمع‌آوری‌شده از سوی 10 گروه از پژوهشگرانی که از قبل این مداخلات را رصد کرده‌اند، در یک‌ جا جمع می‌کند. این گروه‌ها شامل تیم‌هایی از دانشگاه آکسفورد بریتانیا، CSH Vienna و سازمان‌های سلامت همگانی و غیرانتفاعی (نظیر ACAPS که بحران‌های بشردوستانه را تحلیل می‌کند) است.

کریس گراندی، داده‌کاوی که در پروژه LSHTM نقش دارد، می‌گوید این دیتابیس، اطلاعات گردآوری‌شده از سوی گروه‌های مختلف را استانده می‌کند و قاعدتا باید از چیزی که گروهی منفرد می‌تواند تهیه کند، جامع‌تر باشد. به گفته گراندی، سازمان‌هایی نظیر WHO معمولا تمهیدات کنترلی استفاده‌شده در شیوع یک بیماری را رصد می‌کنند، ولی سرعت و دامنه پاندمی کووید‌‌19 قضیه را پیچیده می‌کند. LSHTM برای کار روی پاک‌سازی و ترکیب این اطلاعات، گروه بزرگی از هزار‌و صد داوطلب را به کار گرفته است. گراندی می‌گوید این مجموعه‌ داده در دسترس هر‌کسی که می‌خواهد از آن استفاده کند، خواهد بود و اطلاعات آن هم در مراحل بعدی ارتقا خواهد یافت. به گفته او، مسئله اصلی سرعت است: «حالا حتی یک روز هم [در نتیجه کار] تفاوت ایجاد می‌کند». این رصدکنندگان از طیف گسترده سیاست‌گذاری‌های اعمال‌شده در کشورهای مختلف پرده برمی‌دارند. گروه وین جزئیات تقریبا 170 مداخله کنترلی در 52 کشور را گرفته است؛ از تمهیدات ساده‌ای نظیر برچسب‌هایی که برای مشخص‌کردن فاصله دو‌متری کف زمین چسبانده می‌شوند تا اقدامات عمده‌ای نظیر تعطیلی مدارس. آنها همچنین در حال دنبال‌کردن تلاش‌های اخیر برخی کشورها برای ازسرگیری زندگی روزمره و اقدامات توأم با آن، از‌جمله اجباری‌شدن ماسک‌زدن، هستند. در‌حالی‌که پروژه آکسفورد (COVID-19 Government Response Tracker) در حال رصدکردن 13 نوع مداخله کنترلی در بیش از صد کشور جهان است. این پروژه هفت نوع از این مداخله‌ها را در شاخص واحد «جدیت یا سختی [تدابیر]» گردآوری می‌کند؛ این شاخص دربرگیرنده شدت کلی واکنش هر کشور است و مقایسه رویکردهای متفاوت کشورها را ممکن می‌کند (نگاه کنید به پیوست این یادداشت). این گروه در حال بازنگری در نحوه محاسبه این شاخص و روش افزودن یک تمهید به آن است.

گروه‌بندی کشورها

دانشمندان هر دو گروه در حال تحلیل داده‌های‌شان برای کاوش در تفاوت‌های واکنش هر‌کدام از کشورها هستند. گروه وین در پی ساختن الگوها هستند و روش‌هایشان شامل گروه‌بندی کشورها بر اساس دو مؤلفه است: 1. مقطع زمانی شروع مداخله‌های کنترلی و 2. شمار کلی محدودیت‌های وضع‌شده. مثلا در اروپا، الگوریتم‌ها سوئد، بریتانیا و هلند را در یک دسته، به‌عنوان کشورهایی که واکنش نسبتا کُندی نشان داده‌اند، دسته‌بندی کرده‌اند. امه‌لی دزوارس‌ـ‌لاریو، اپیدمی‌شناس CSH وین و دانشگاه Veterinary Medicine Vienna می‌گوید همه این سه کشور، در مراحل اولیه اپیدمی‌های‌ خود، استراتژی «مصونیت جمعی» را اختیار کرده‌اند؛ استراتژی‌ای که شامل تدابیری محدود یا تدابیری است که مراعات‌ آنها اجباری نیست. هرچند بریتانیا و هلند بعدها به واکنش‌های تهاجمی‌تری، از‌جمله منع تردد در سراسر کشور، روی ‌آوردند. درحالی‌که آلمان و اتریش در بین کشورهایی که استراتژی‌های کنترلی تهاجمی و زودهنگام اتخاذ کردند، برجسته‌اند‌، امه‌لی دزوارس‌ـ‌لاریو می‌گوید در قیاس با آنها، ایتالیا، فرانسه و اسپانیا تدابیر مشابهی (از‌جمله منع تردد)، ولی در مراحل بعدی اپیدمی پیاده کرده‌اند. تا الان، مرگ‌ومیر سرانه کرونا در  آلمان و اتریش کم بوده است.

یافته‌های اولیه تیم آکسفورد نشان می‌دهد کشورهای فقیرتر، در قیاس با کشورهای ثروتمندتر، اغلب تدابیر سخت‌گیرانه‌تری به نسبت شدت اپیدمی در کشورشان به کار بسته‌اند. مثلا کشور هاییتی در حوزه کارائیب، در همان زمان تأیید نخستین مورد ابتلا، منع کامل تردد را به اجرا گذاشت؛ درحالی‌که ایالات متحده تا بیش از دو هفته پس از نخستین مرگ ناشی از کرونا [در این کشور] منتظر ماند و سپس فرمان قرنطینه را صادر کرد. آنا پاتریک، پژوهشگر سیاست‌گذاری‌های عمومی در آکسفورد، می‌گوید این تفاوت‌ها شاید به این خاطر باشد که کشورهای کم‌درآمدی که سیستم‌های مراقب‌های پزشکی کمترتوسعه‌یافته‌ای دارند، محتاطانه‌تر عمل می‌کنند. به گفته او، این تفاوت شاید هم ناشی از این واقعیت باشد که شیوع کووید‌‌19 در این کشورها دیرتر آغاز شد و همین به آنها زمان بیشتری داد تا از تجارب آن کشورها درس بگیرند.

الگوها و پیش‌بینی‌ها

پژوهشگران در نهایت به این امید بسته‌اند که از داده‌های دیتابیس LSHTM، ورای بررسی تفاوت‌های واکنش‌های کشورهای مختلف، برای پی‌بردن به کارآمدی این استراتژی‌ها در محدودکردن شیوع کووید‌‌19 استفاده کنند: «ما واقعا نیاز داریم آن مداخله‌های کنترلی را بلادرنگ ارزیابی کنیم تا همه بتوانند خط‌مشی‌هایی واقعی تهیه کنند»؛ اینها را ایگو می‌گوید که در ایجاد این دیتابیس نقشی نداشته، ولی قصد دارد از آن استفاده کند. او می‌گوید: «اگر ندانیم [کدام رویکرد] مؤثر واقع می‌شود و از میزان کارآمدی هر رویکرد مطلع نباشیم، تصمیم‌گیری درباره اینکه قدم بعدی ما چه باشد، واقعا دشوار می‌شود». ایگو و همکارانش از این داده‌ها برای آزمایش دقت مدل‌های ریاضیاتی استفاده خواهند کرد؛ این مدل‌ها برای شرح نحوه میزان انتقال [ویروس] و سازوکار نهفته در پس آن، تحت انواع مداخله‌ها و زمان‌بندی‌های مختلف‌شان، از معادله‌های [ریاضی] استفاده می‌کنند.

در بهترین حالت، پژوهشگران قادر خواهند بود پیش‌بینی کنند که افزودن یا حذف مداخله‌ها چطور شمار مبتلایان را به مرور زمان تغییر می‌دهد. نلیز هاوج، متخصص فیزیک ریاضی در CSH Vienna و دانشگاه پزشکی وین، می‌گوید سیاست‌گذاران می‌توانند از چنین پیش‌بینی‌هایی، همراه با داده‌های مربوط به ظرفیت مراقبت‌های ویژه [بیمارستان‌ها]، در تصمیم‌گیری‌ها، مثلا درباره بازگشایی مدارس، استفاده کنند.

هاوج عضو تیم 15‌نفره مدل‌سازانی است که درباره استفاده از رویکردهای آماری کاوش می‌کنند. به‌جای تعیین مستقیم تأثیر دقیق هر‌یک از مداخلات، از این روش‌ها می‌توان در پیداکردن راهی برای شناسایی تمهیداتی که به بهترین وجه میزان ابتلا را تعیین می‌کنند، استفاده کرد. مثلا یک رویکرد مستلزم استفاده از تکنیک یادگیری ماشینی [هوش مصنوعی] موسوم به recurrent neural network است؛ از این شبکه برای دریافتن داده‌ها و انجام پیش‌بینی از روی الگوها استفاده می‌شود. پژوهشگران از طریق بررسی چگونگی تغییراتی که در پیش‌بینی‌ها رخ می‌دهد، با حذف برخی اطلاعات درباره آن تغییرات از شبکه، می‌توانند چیزهایی درباره میزان اهمیت یک مداخله بیاموزند.

تکنیک دیگر مستلزم تحلیل رگرسیون [یا تحلیل ارتباط] است؛ این تکنیک، به کمک تحلیل رگرسیون، قدرت ارتباط بین یک تمهید خاص (نظیر بستن مدارس) و یک معیار مشخص (نظیر R) را در تمام کشورها ارزیابی می‌کند. مثلا پژوهشگران با استفاده از یک تکنیک رگرسیونی نظیر لاسو، می‌توانند مشخص کنند کدام تمهید، بیشتر از همه، R را کاهش می‌دهد.

هاوج می‌گوید ولی تمام مدل‌ها محدودیت‌هایی دارند. روش لاسو فرض می‌گیرد که هر تمهیدی همیشه به مرور زمان به کاهش یکسانی در R منتهی می‌شود؛ صرف‌نظر از کشوری که آن را به ‌کار می‌بندد. این یکی از بزرگ‌ترین چالش‌های درس‌آموزی از تجربه‌های کشورهای مختلف است. پژوهشگران می‌خواهند کاری کنند که بتوانند [تأثیر] خصیصه‌های منحصربه‌فرد ملی را (نظیر رواج بیشتر خانواده‌های میان‌نسلی در برخی کشورها که می‌تواند مایه تسریع گسترش [ویروس] شود) توضیح دهند. تیم وین در نهایت خواهد کوشید این جنبه‌های متفاوت را در مدل‌های‌شان مستقیما دخالت دهند. آنها عجالتا همه آنها را همچون متغیر منفردی که میزان R را در هر کشور تغییر می‌دهد، در نظر می‌گیرند.

بدون واکسن یا درمانی مؤثر، یگانه دفاع ممکن در برابر کووید‌‌‌19 چیزی جز متوقف‌کردن گسترش آن نیست. پاتریک می‌گوید پی‌بردن به اثرات هر‌یک از تمهیدات کنترلی برای معلوم‌کردن اینکه کدام‌یک را می‌شود با خیال راحت تغییر داد یا حذف کرد، ضروری و حیاتی است: «اگر بتوانیم چیزهایی درباره تمهیداتی که باید برقرار کنیم و نیز درباره تدابیری که از همه مؤثرترند یاد بگیریم، چندان که بتوانیم گسترش ویروس را متوقف کنیم و زندگی بقیه را به بهترین شکل ممکن حفظ کنیم، این به نظرم مشارکت و سهم عظیمی [در غلبه بر این بحران] خواهد بود».

پیوست: تدابیر حفاظتی علیه پاندمی کووید‌‌19

پژوهشگران «شاخص سخت» (stringency index) [تدابیر حفاظتی علیه کووید‌‌‌19] را تهیه کرده‌اند. این شاخص شدت کلی واکنش هر کشور به شیوع کروناویروس را توصیف می‌کند و امکان می‌دهد این واکنش‌ها را مقایسه کنیم. در این شاخص هفت تمهید کنترلی لحاظ شده است؛ از تعطیلی مدارس تا محدودیت‌های وضع‌شده بر تردد مردم.