تحلیل ها. برگزیده2020-05-12T19:58:00+04:30 (۱۹:۵۸) ۱۳۹۹/۰۲/۲۳
شرق
کدام استراتژی در برابر کروناویروس مؤثرتر است؟
سایز متن
الف الف
لینک کوتاه در کلیبرد کپی شد!http://akhr.ir/6349152
۱.۵K
۰
شرق/ متن پيش رو در شرق منتشر شده و انتشار آن در آخرين خبر به معناي تاييد تمام يا بخشي از آن نيست
اليزابت گيبني-ترجمه: نيما فاتح، دامون افضلي/ به نظر ميرسد هنگکنگ درس خوبي درباره نحوه متوقفکردن کوويد19 به جهانيان داده است. هنگکنگ 7.5ميليوننفري فقط چهار مورد مرگ [ناشي از کوويد19] را گزارش کرده است. پژوهشگراني که رويکرد هنگکنگ را مطالعه ميکنند، خيلي زود دريافتند که نظارت فوري و سريع، قرنطينه و تمهيدات مبتني بر فاصلهگيري اجتماعي (نظير استفاده از ماسک و تعطيلي مدارس)، به قطع [زنجيره] انتقال کروناويروس کمک کرده است. ميزان انتقال ويروس (R) با ميانگين تعداد افرادي که هر فرد مبتلا آلوده ميکند، سنجيده ميشود؛ هنگکنگ به مدد تدابير کنترلياش، موفق شد ميزان انتقال ويروس را تا اوايل فوريه، به سطح حياتي 1 برساند. ولي اين مقاله (لينک) که در ماه جاري منتشر شد، نتوانسته است تأثيرات تدابير کنترلي مختلف و تغييرات رفتاري همزمان بهوجودآمده را از هم جدا کند.
معلومکردن کارآمدي تدابير بيسابقهاي که در سراسر جهان براي محدودکردن گسترش کروناويروس پياده شد، حالا اضطراريترين مسئله پيشروي دانشمندان است. پژوهشگران، دست آخر، اميدشان اين است که بتوانند دقيقا پيشبيني کنند که افزودن و کنارگذاشتن تدابير کنترلي چطور بر ميزان انتقال و شمار مبتلايان تأثير ميگذارد. اين اطلاعات براي دولتها، هم هنگام طراحي استراتژيهايي براي برگرداندن زندگي به حالت عادي و هم هنگام پايين نگهداشتن ميزان انتقال براي جلوگيري از موج دوم ابتلا، ضروري خواهد بود. رُزاليند ايگو، متخصص مدلسازي رياضياتي درThe London School of Hygiene and Tropical Medicine LSHTM ميگويد «الان وقت [صحبت از] اپيدمي بعدي نيست؛ وقت «حالا چه کار ميتوانيم بکنيم؟» است».
پژوهشگران از قبل مشغول کار روي مدلهايي هستند که در آنها از دادههاي جداگانه کشورهاي مختلف براي درک اثرات تدابير کنترلي استفاده ميشود. مدلهاي مبتني بر دادههاي واقعي قاعدتا بايد متنوعتر و ظريفتر از مدلهايي باشند که در آغاز شيوع اين بيماري، به اجبار اثر مداخلات کنترلي را با استفاده از پيشفرضهايي که [از قبل] داشتند، پيشبيني ميکردند. آميختن دادههاي [کشورهاي] سراسر دنيا به پژوهشگران امکان خواهد داد واکنشهاي کشورها را مقايسه کنند. در قياس با مطالعاتي که کشوري واحد را بررسي ميکنند، اين کار قاعدتا بايد به آنها امکان دهد مدلهايي طراحي کنند که قادر به انجام پيشبينيهاي دقيقتري درباره مراحل جديد اين پاندمي در بسياري از کشورها باشد.
ولي ايگو هشدار ميدهد سردرآوردن از رابطه علّي [بين تدابير کنترلي و مهار انتقال ويروس] کار بينهايت چالشبرانگيزي است؛ تا حدي به اين دليل که شرايط هر کشوري متفاوت است و بخشي به اين خاطر که هيچ معلوم نيست که چه تعداد از مردم تدابير کنترلي را رعايت ميکنند؛ «اين واقعا کار دشواري است، ولي اين حرف به معناي آن نيست که نبايد هيچ تلاشي کنيم».
همکاري
تلاش براي پرداختن به اين مسائل در هفتههاي پيشرو، با [رونمايي از] ديتابيسي که جزئيات صدها مداخله کنترلي مختلف بهاجرادرآمده در سراسر جهان را گرد هم ميآورد، بالا خواهد گرفت. اين پلتفرم که از سوي گروهي از LSHTM براي WHO (سازمان بهداشت جهاني) تهيه شده است، دادههاي جمعآوريشده از سوي 10 گروه از پژوهشگراني که از قبل اين مداخلات را رصد کردهاند، در يک جا جمع ميکند. اين گروهها شامل تيمهايي از دانشگاه آکسفورد بريتانيا، CSH Vienna و سازمانهاي سلامت همگاني و غيرانتفاعي (نظير ACAPS که بحرانهاي بشردوستانه را تحليل ميکند) است.
کريس گراندي، دادهکاوي که در پروژه LSHTM نقش دارد، ميگويد اين ديتابيس، اطلاعات گردآوريشده از سوي گروههاي مختلف را استانده ميکند و قاعدتا بايد از چيزي که گروهي منفرد ميتواند تهيه کند، جامعتر باشد. به گفته گراندي، سازمانهايي نظير WHO معمولا تمهيدات کنترلي استفادهشده در شيوع يک بيماري را رصد ميکنند، ولي سرعت و دامنه پاندمي کوويد19 قضيه را پيچيده ميکند. LSHTM براي کار روي پاکسازي و ترکيب اين اطلاعات، گروه بزرگي از هزارو صد داوطلب را به کار گرفته است. گراندي ميگويد اين مجموعه داده در دسترس هرکسي که ميخواهد از آن استفاده کند، خواهد بود و اطلاعات آن هم در مراحل بعدي ارتقا خواهد يافت. به گفته او، مسئله اصلي سرعت است: «حالا حتي يک روز هم [در نتيجه کار] تفاوت ايجاد ميکند». اين رصدکنندگان از طيف گسترده سياستگذاريهاي اعمالشده در کشورهاي مختلف پرده برميدارند. گروه وين جزئيات تقريبا 170 مداخله کنترلي در 52 کشور را گرفته است؛ از تمهيدات سادهاي نظير برچسبهايي که براي مشخصکردن فاصله دومتري کف زمين چسبانده ميشوند تا اقدامات عمدهاي نظير تعطيلي مدارس. آنها همچنين در حال دنبالکردن تلاشهاي اخير برخي کشورها براي ازسرگيري زندگي روزمره و اقدامات توأم با آن، ازجمله اجباريشدن ماسکزدن، هستند. درحاليکه پروژه آکسفورد (COVID-19 Government Response Tracker) در حال رصدکردن 13 نوع مداخله کنترلي در بيش از صد کشور جهان است. اين پروژه هفت نوع از اين مداخلهها را در شاخص واحد «جديت يا سختي [تدابير]» گردآوري ميکند؛ اين شاخص دربرگيرنده شدت کلي واکنش هر کشور است و مقايسه رويکردهاي متفاوت کشورها را ممکن ميکند (نگاه کنيد به پيوست اين يادداشت). اين گروه در حال بازنگري در نحوه محاسبه اين شاخص و روش افزودن يک تمهيد به آن است.
گروهبندي کشورها
دانشمندان هر دو گروه در حال تحليل دادههايشان براي کاوش در تفاوتهاي واکنش هرکدام از کشورها هستند. گروه وين در پي ساختن الگوها هستند و روشهايشان شامل گروهبندي کشورها بر اساس دو مؤلفه است: 1. مقطع زماني شروع مداخلههاي کنترلي و 2. شمار کلي محدوديتهاي وضعشده. مثلا در اروپا، الگوريتمها سوئد، بريتانيا و هلند را در يک دسته، بهعنوان کشورهايي که واکنش نسبتا کُندي نشان دادهاند، دستهبندي کردهاند. امهلي دزوارسـلاريو، اپيدميشناس CSH وين و دانشگاه Veterinary Medicine Vienna ميگويد همه اين سه کشور، در مراحل اوليه اپيدميهاي خود، استراتژي «مصونيت جمعي» را اختيار کردهاند؛ استراتژياي که شامل تدابيري محدود يا تدابيري است که مراعات آنها اجباري نيست. هرچند بريتانيا و هلند بعدها به واکنشهاي تهاجميتري، ازجمله منع تردد در سراسر کشور، روي آوردند. درحاليکه آلمان و اتريش در بين کشورهايي که استراتژيهاي کنترلي تهاجمي و زودهنگام اتخاذ کردند، برجستهاند، امهلي دزوارسـلاريو ميگويد در قياس با آنها، ايتاليا، فرانسه و اسپانيا تدابير مشابهي (ازجمله منع تردد)، ولي در مراحل بعدي اپيدمي پياده کردهاند. تا الان، مرگومير سرانه کرونا در آلمان و اتريش کم بوده است.
يافتههاي اوليه تيم آکسفورد نشان ميدهد کشورهاي فقيرتر، در قياس با کشورهاي ثروتمندتر، اغلب تدابير سختگيرانهتري به نسبت شدت اپيدمي در کشورشان به کار بستهاند. مثلا کشور هاييتي در حوزه کارائيب، در همان زمان تأييد نخستين مورد ابتلا، منع کامل تردد را به اجرا گذاشت؛ درحاليکه ايالات متحده تا بيش از دو هفته پس از نخستين مرگ ناشي از کرونا [در اين کشور] منتظر ماند و سپس فرمان قرنطينه را صادر کرد. آنا پاتريک، پژوهشگر سياستگذاريهاي عمومي در آکسفورد، ميگويد اين تفاوتها شايد به اين خاطر باشد که کشورهاي کمدرآمدي که سيستمهاي مراقبهاي پزشکي کمترتوسعهيافتهاي دارند، محتاطانهتر عمل ميکنند. به گفته او، اين تفاوت شايد هم ناشي از اين واقعيت باشد که شيوع کوويد19 در اين کشورها ديرتر آغاز شد و همين به آنها زمان بيشتري داد تا از تجارب آن کشورها درس بگيرند.
الگوها و پيشبينيها
پژوهشگران در نهايت به اين اميد بستهاند که از دادههاي ديتابيس LSHTM، وراي بررسي تفاوتهاي واکنشهاي کشورهاي مختلف، براي پيبردن به کارآمدي اين استراتژيها در محدودکردن شيوع کوويد19 استفاده کنند: «ما واقعا نياز داريم آن مداخلههاي کنترلي را بلادرنگ ارزيابي کنيم تا همه بتوانند خطمشيهايي واقعي تهيه کنند»؛ اينها را ايگو ميگويد که در ايجاد اين ديتابيس نقشي نداشته، ولي قصد دارد از آن استفاده کند. او ميگويد: «اگر ندانيم [کدام رويکرد] مؤثر واقع ميشود و از ميزان کارآمدي هر رويکرد مطلع نباشيم، تصميمگيري درباره اينکه قدم بعدي ما چه باشد، واقعا دشوار ميشود». ايگو و همکارانش از اين دادهها براي آزمايش دقت مدلهاي رياضياتي استفاده خواهند کرد؛ اين مدلها براي شرح نحوه ميزان انتقال [ويروس] و سازوکار نهفته در پس آن، تحت انواع مداخلهها و زمانبنديهاي مختلفشان، از معادلههاي [رياضي] استفاده ميکنند.
در بهترين حالت، پژوهشگران قادر خواهند بود پيشبيني کنند که افزودن يا حذف مداخلهها چطور شمار مبتلايان را به مرور زمان تغيير ميدهد. نليز هاوج، متخصص فيزيک رياضي در CSH Vienna و دانشگاه پزشکي وين، ميگويد سياستگذاران ميتوانند از چنين پيشبينيهايي، همراه با دادههاي مربوط به ظرفيت مراقبتهاي ويژه [بيمارستانها]، در تصميمگيريها، مثلا درباره بازگشايي مدارس، استفاده کنند.
هاوج عضو تيم 15نفره مدلسازاني است که درباره استفاده از رويکردهاي آماري کاوش ميکنند. بهجاي تعيين مستقيم تأثير دقيق هريک از مداخلات، از اين روشها ميتوان در پيداکردن راهي براي شناسايي تمهيداتي که به بهترين وجه ميزان ابتلا را تعيين ميکنند، استفاده کرد. مثلا يک رويکرد مستلزم استفاده از تکنيک يادگيري ماشيني [هوش مصنوعي] موسوم به recurrent neural network است؛ از اين شبکه براي دريافتن دادهها و انجام پيشبيني از روي الگوها استفاده ميشود. پژوهشگران از طريق بررسي چگونگي تغييراتي که در پيشبينيها رخ ميدهد، با حذف برخي اطلاعات درباره آن تغييرات از شبکه، ميتوانند چيزهايي درباره ميزان اهميت يک مداخله بياموزند.
تکنيک ديگر مستلزم تحليل رگرسيون [يا تحليل ارتباط] است؛ اين تکنيک، به کمک تحليل رگرسيون، قدرت ارتباط بين يک تمهيد خاص (نظير بستن مدارس) و يک معيار مشخص (نظير R) را در تمام کشورها ارزيابي ميکند. مثلا پژوهشگران با استفاده از يک تکنيک رگرسيوني نظير لاسو، ميتوانند مشخص کنند کدام تمهيد، بيشتر از همه، R را کاهش ميدهد.
هاوج ميگويد ولي تمام مدلها محدوديتهايي دارند. روش لاسو فرض ميگيرد که هر تمهيدي هميشه به مرور زمان به کاهش يکساني در R منتهي ميشود؛ صرفنظر از کشوري که آن را به کار ميبندد. اين يکي از بزرگترين چالشهاي درسآموزي از تجربههاي کشورهاي مختلف است. پژوهشگران ميخواهند کاري کنند که بتوانند [تأثير] خصيصههاي منحصربهفرد ملي را (نظير رواج بيشتر خانوادههاي مياننسلي در برخي کشورها که ميتواند مايه تسريع گسترش [ويروس] شود) توضيح دهند. تيم وين در نهايت خواهد کوشيد اين جنبههاي متفاوت را در مدلهايشان مستقيما دخالت دهند. آنها عجالتا همه آنها را همچون متغير منفردي که ميزان R را در هر کشور تغيير ميدهد، در نظر ميگيرند.
بدون واکسن يا درماني مؤثر، يگانه دفاع ممکن در برابر کوويد19 چيزي جز متوقفکردن گسترش آن نيست. پاتريک ميگويد پيبردن به اثرات هريک از تمهيدات کنترلي براي معلومکردن اينکه کداميک را ميشود با خيال راحت تغيير داد يا حذف کرد، ضروري و حياتي است: «اگر بتوانيم چيزهايي درباره تمهيداتي که بايد برقرار کنيم و نيز درباره تدابيري که از همه مؤثرترند ياد بگيريم، چندان که بتوانيم گسترش ويروس را متوقف کنيم و زندگي بقيه را به بهترين شکل ممکن حفظ کنيم، اين به نظرم مشارکت و سهم عظيمي [در غلبه بر اين بحران] خواهد بود».
پيوست: تدابير حفاظتي عليه پاندمي کوويد19
پژوهشگران «شاخص سخت» (stringency index) [تدابير حفاظتي عليه کوويد19] را تهيه کردهاند. اين شاخص شدت کلي واکنش هر کشور به شيوع کروناويروس را توصيف ميکند و امکان ميدهد اين واکنشها را مقايسه کنيم. در اين شاخص هفت تمهيد کنترلي لحاظ شده است؛ از تعطيلي مدارس تا محدوديتهاي وضعشده بر تردد مردم.
برقراري تدابير حفاظتي در ... روز پس از تأييد نخستين مورد مرگ ناشي از کوويد19
#باهم_شکستش_ميدهيم
ما را در کانال «آخرين خبر» دنبال کنيد