چرا شدت موج دوم هند مدل سازان را غافلگیر کرد؟


این کشور در حال حاضر در زیر موج دوم بیماری همه گیر Covid-19 به سر می برد. زیرساخت های بهداشتی ما فراتر از محدودیت ها کشیده شده و منجر به مرگ های قابل پیشگیری می شود. طبیعی است که بپرسیم آیا جامعه علمی ما می توانست در پیش بینی و کاهش این موج کمک بیشتری کند؟ لازم است س questionsالات مناسب پرسیده شود ، با این امید که این سالات بتوانند به تجزیه و تحلیل بی عاطفه کمک کنند و آموخته هایی را برای آینده فراهم کنند.

برای دانشمندان دولت: آیا تصمیم گیری در مورد تخصیص منابع می تواند متفاوت باشد؟ به طور خاص ، آیا می توان با استفاده از راهنمایی های ارائه شده توسط ورودی های مختلف از جمله مدل های پیش بینی مسیر آینده همه گیری ، تصمیماتی در مورد تختخواب ، اکسیژن و سایر زیرساخت های بهداشتی گرفت؟ اگرچه درست است که ورودی های ارائه شده نشان دهنده شدت موج نیستند ، اما س keyال اصلی این است که آیا حتی با فرض موج شدیدتر ، تخصیص منابع به روشی علمی انجام شده است؟

چاد کرو

در اینجا ، تشخیص بین ضرورت و کفایت مدل برای تصمیم گیری مهم است. مدل ها ضروری هستند زیرا راهنمایی جهت دار آنها در تصمیم گیری های آینده نگر در مورد تخصیص منابع بسیار ارزشمند است. با این حال ، مدل ها کافی نیستند زیرا چنین هدایت های هدایتی باید توسط خرد سیاست گذاران بررسی شود ، بیشتر از این با پدیده های بسیار نامطمئن مانند همه گیر.

بسیاری از افراد شروع موج دوم را تشخیص دادند: ویروس شناسان شروع به مشاهده جهش جدید تا ماه مارس کردند. بسیاری از افراد جامعه مدلسازی واگرایی را از مسیر مورد انتظار تا اوایل مارس مشاهده کردند و موج دوم قابل توجهی را در پایان ماه پیش بینی می کردند. در حالی که شدت موج دوم در مقایسه با موج اول همه را غافلگیر کرده است ، موج دوم که حداقل به شدت موج اول بود ، در ماه مارس توسط بسیاری از دانشمندان پیش بینی شد.

دانشمندان خارج از دولت نیز باید این سوال را بپرسند: چرا کسی شدت موج دوم را پیش بینی نکرده است؟ مدل سازان رفتار یک همه گیری را از طریق معادلات خاص ثبت می کنند ، مقادیر پارامترهای حاکم بر معادلات را تخمین می زنند و از آنها برای محاسبه مسیر آینده استفاده می کنند.

اگر مقادیر آینده پارامترها به درستی برآورد شود ، این برای پیش بینی های میان مدت نیز مفید است. به طور معمول ، این تخمین ها توسط اپیدمیولوژیست ها بر اساس دانش دامنه آنها انجام می شود. اخیراً ، از رویکردهای داده محور نیز برای تخمین مقادیر پارامترها استفاده می شود – نویسنده بخشی از گروهی بود که مدلی را به نام SUTRA ابداع کردند ، که مقادیر پارامتر را با استفاده از داده تخمین زد.

چرا نمی توان شدت موج دوم را توسط مدل ها پیش بینی کرد؟ از آنجا که مقادیر پارامتر آینده را نمی توان به درستی تخمین زد ، چه با استفاده از مدل های دانش بنیان یا داده های مبتنی بر حوزه برای SUTRA ، زمان اوج تقریباً درست است اما نه ارتفاع.

این به دلیل تغییر سریع روند شیوع بیماری همه گیر در اوایل آوریل بود. این در هفته سوم تثبیت شد و در تاریخ 25 آوریل ما اوج را طی 5-8 مه بین 3.4 تا 4.4 لک در روز پیش بینی کردیم. به نظر می رسد که اوج واقعی در 8 مه با 3.9 لک اتفاق افتاده باشد. این اعداد به طور متوسط ​​7 روز متحرک موارد جدید هستند.

برای هر مدل ، یک ورودی حیاتی برای تخمین مقادیر آینده ، کسری از جمعیت است که در حال حاضر ایمن است. برای درک اهمیت این داده ها ، مدارکی را برای بمبئی در نظر بگیرید که 58 درصد از افراد ساکن در محله های فقیرنشین تا دسامبر سال 2020 آنتی بادی بدست آورده بودند در حالی که این تعداد برای کسانی که در ساختمان های بلند زندگی می کنند تنها 18 درصد بود. در موج دوم ، حدود 90٪ از افراد آلوده در بمبئی در ساختمان های بلند مرتبه بوده اند.

بنابراین ، هرچه جمعیت ایمنی بدن کمتر باشد ، شدت موج بعدی بیشتر خواهد بود ، زیرا افراد بیشتری مستعد ابتلا به عفونت خواهند بود. برای تخمین صحیح این عدد ، باید به طور مداوم سطح ایمنی را در جمعیت مناطق مختلف ردیابی کرد ، زیرا مردم با گذشت زمان ایمنی خود را از دست می دهند. متأسفانه ، این اطلاعات در دسترس نبود. در ماه فوریه ، این نویسنده از دفتر PSA برای چنین سروی درخواست کرد اما احتمالاً نتوانست پرونده قانع کننده ای ارائه دهد.

با پیشرفت ، مهم است که سروی نظرسنجی منظم در سطح ملی ، ایالتی و حتی مناطق عمده انجام شود. این امر به تصمیم گیرندگان این امکان را می دهد تا به سرعت مناطقی را که سطح ایمنی در آنها کاهش می یابد ، شناسایی کرده و در نتیجه اقدامات مناسب را آغاز کنند. این روزها صحبت های زیادی در مورد موج سوم وجود دارد. با این حال ، بدون تجزیه و تحلیل مناسب ، ممکن است دوباره حدس بزنیم که اندازه آن چیست. این امر مستلزم تجزیه و تحلیل علمی مناسب با نظرسنجی های جدی است.

از آنجا که این بررسی های سروی باید به طور منظم انجام شود و سریعاً نتیجه را ارائه دهد ، بسیاری از کشورها ترجیح داده اند از نمونه های خون جمع آوری شده از یک منطقه در مدت زمان کوتاهی استفاده کرده و آزمایش های آزمایشی بر روی آنها انجام دهند تا سطح ایمنی بدن تخمین زده شود. چنین نظرسنجی هایی برای ارائه برآورد مناسب کافی است. برای ردیابی حساسیت جمعیت در مناطق مختلف ، باید همین روش در هند نیز اتخاذ شود.

به طور خلاصه ، یادگیری اصلی سیاست گذاران این است که برای تصمیم گیری تحت عدم اطمینان به مدل های علمی مبتنی بر شواهد اعتماد کنند ، اما کافی نیست – و در دسترس بودن داده های مهم را امکان پذیر می کنند تا عدم قطعیت به حداقل برسد.



لینک شده


این قطعه به عنوان نظر سرمقاله ای در نسخه چاپی تایمز هند.



پایان مقاله



Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>