แบบจำลองการแพร่กระจายของโรคจะแจ้งให้รัฐบาลทราบเกี่ยวกับเวลาและวิธีการผ่อนคลายมาตรการที่มีอยู่ในปัจจุบันเพื่อควบคุม COVID-19 แต่นักฟิสิกส์ Susanna Manrubiaผู้เชี่ยวชาญด้านการสร้างแบบจำลองปรากฏการณ์ทางชีววิทยาที่ศูนย์เทคโนโลยีชีวภาพแห่งชาติของสเปนในกรุงมาดริด รู้สึกตื่นตระหนกกับการคาดการณ์ที่แม่นยำซึ่งรายงานโดยบางรุ่น ในการตอบสนอง
เธอและเพื่อนร่วมงานได้เน้นย้ำถึงความไม่แน่นอน
ในการทำนายจุดสูงสุดและจุดสิ้นสุดของการระบาดใหญ่ในe-print ที่อยู่ระหว่างการตรวจสอบโดยเพื่อน “เรากังวลมากเกี่ยวกับข้อจำกัดของการสร้างแบบจำลองและคิดว่าการคาดการณ์ของสื่อกำลังจะหมดไป” Manrubia อธิบาย e-print มีอยู่ใน เซิร์ฟเวอร์arXivของ Cornell University ในนั้น Manrubia และเพื่อนร่วมงานอธิบายว่าพวกเขาใช้แบบจำลองง่ายๆ เพื่อแสดงความไม่แน่นอนของการพยากรณ์ COVID-19 อย่างไร และแสดงให้เห็นว่าความไม่แน่นอนนั้นมีอยู่ในรูปแบบการเติบโตแบบทวีคูณของการระบาดใหญ่ พวกเขาสรุปว่าควรใช้การพยากรณ์อากาศที่เหมือนจริงมากขึ้น โปร่งใสเกี่ยวกับความไม่แน่นอน เพื่อแสดงการพยากรณ์โรคโควิด-19 ต่อสาธารณชนและหน่วยงานที่กำกับดูแล “การคาดการณ์ความน่าจะเป็นเท่านั้นที่เป็นไปได้และเชื่อถือได้” แมนรูเบียกล่าว
David Dowdyแพทย์ผู้วิจัยด้านระบาดวิทยาของโรคติดเชื้อที่มหาวิทยาลัย Johns Hopkins ในสหรัฐอเมริกา และSamir Bhattผู้เชี่ยวชาญในการสร้างแบบจำลองโรคติดเชื้อจาก Imperial College London ไม่ได้มีส่วนร่วมในการศึกษานี้ แต่เห็นด้วยว่าการแสดงความไม่แน่นอนเป็นสิ่งสำคัญ Dowdy กล่าวว่า “ด้วยโควิด ฉันไม่รู้สึกว่านางแบบใดๆ ควรจะคาดการณ์ล่วงหน้าเกินสองสามสัปดาห์ “ยังมีปัจจัยที่ไม่รู้จักอีกมากมายเกินกว่านั้น และถ้าคุณจะทำ คุณต้องทำในลักษณะที่บ่งบอกถึงความไม่แน่นอนที่ยิ่งใหญ่”
การสร้างแบบจำลองการแพร่กระจายของโรค
หลายวิธีที่ใช้ในการประเมินระยะในอนาคตของการแพร่กระจายของโรคติดเชื้อ และเพื่อวัดผลกระทบของมาตรการเว้นระยะห่างทางสังคมที่มุ่งเป้าไปที่ “การทำให้เส้นโค้งเรียบ” – ขึ้นอยู่กับแบบจำลองง่ายๆ โมเดลเหล่านี้รวมถึงรายละเอียดกลไกที่จำกัด เพียงแค่จำลองการเติบโตแบบทวีคูณของโรคระบาดโดยใช้ชุดสมการเชิงอนุพันธ์ โดยประชากรที่อธิบายว่าอยู่ในหมวดหมู่ที่แตกต่างกันสามประเภท ได้แก่ อ่อนแอ ติดเชื้อ หรือฟื้นตัว (SIR) มีการทำซ้ำแบบจำลอง SIR เหล่านี้หลายครั้ง โดยรวมหมวดหมู่ต่างๆ เช่น การกักกันหรือติดเชื้อแต่ไม่มีอาการ
เพื่อเน้นข้อจำกัดของการสร้างแบบจำลองการแพร่ระบาดดังกล่าว Manrubia และเพื่อนร่วมงานได้เลือกการแพร่ระบาดของ COVID-19 ของสเปนเป็นกรณีศึกษา และใช้แบบจำลอง SIR แบบต่างๆ ที่เรียกว่า SCIR ซึ่งรวมถึงหมวดหมู่ที่อธิบายการกักขังบุคคลที่อ่อนแอแบบย้อนกลับได้ ทีมใช้วิธี Bayesian เพื่อให้เหมาะสมกับข้อมูล – พารามิเตอร์การฝึกอบรม (ปัจจัยที่กำหนดการระบาดเช่นการติดเชื้อ) ตามการกระจายที่คาดไว้ นักบวชเหล่านี้ถูกกรองแล้วและติดตั้งเข้ากับข้อมูล
ผลที่ได้คือการแจกแจงค่าพารามิเตอร์ย้อนหลังซึ่งกู้คืนข้อมูลที่บันทึกรายวันในสเปนได้อย่างแม่นยำในช่วงวันที่ 28 กุมภาพันธ์ถึง 29 มีนาคมไวต่อการเปลี่ยนแปลงเล็กน้อย“เราสามารถกู้คืนข้อมูลในอดีตได้อย่างดี แต่เห็นความอ่อนไหวต่อการเปลี่ยนแปลงเล็กน้อยในพารามิเตอร์ที่ทำให้เกิดการแพร่กระจายของวิถี” Manrubia กล่าว ความเป็นไปได้หลายอย่างเหล่านี้บ่งชี้ว่าจำนวนผู้ป่วยโควิด-19 ที่ดำเนินอยู่ลดลง – “ทำให้เส้นโค้งแบนราบลง” – แต่ยังมีการเบี่ยงเบนไปสู่การเติบโตแบบทวีคูณอย่างต่อเนื่องของการแพร่ระบาดของโรคในสเปน “ที่นั่น คำทำนายของคุณหายไปในแง่ที่ว่า
คุณพูดน่าจะเป็นไปได้ว่าจะมีจุดสูงสุด
ความพยายามที่จะเพิ่มความแม่นยำให้กับโมเดลเหล่านี้มักจะรวมถึงการรวมหมวดหมู่ต่างๆ เข้าไปด้วย แต่ Manrubia ชี้ให้เห็นว่าแนวทางปฏิบัตินี้จะเพิ่มพารามิเตอร์ ดังนั้นการเพิ่มศักยภาพในการแปรผัน
ข้อมูลที่ไม่ถูกต้องมักถูกตำหนิสำหรับความไม่แน่นอนของการคาดการณ์ แต่ Manrubia และเพื่อนร่วมงานโต้แย้งว่าไม่ใช่แค่ข้อมูลเท่านั้น สิ่งเหล่านี้แสดงให้เห็นโดยการรวมโมเดล SCIR โดยตรงเพื่อสร้างข้อมูลสังเคราะห์ จากนั้นจึงปรับโมเดลเดียวกันกับ “ชุดข้อมูลที่สมบูรณ์แบบ” นี้ ยังคงมีการสังเกตการแพร่กระจายในวิถีในอนาคต และทีมอธิบายว่าสิ่งนี้เกิดจากพลวัตภายในของแบบจำลองที่มีการเติบโตแบบทวีคูณในตัวแปร เช่น โรคระบาด
“การคาดการณ์อนาคตเป็นสิ่งที่ท้าทายมาก แม้จะมีข้อมูลที่สมบูรณ์แบบ แต่ก็ไม่ได้ให้ข้อมูลเกี่ยวกับผู้ที่กำลังจะติดเชื้อในอนาคต” Bhatt กล่าว เขาชี้ให้เห็นว่าความคาดเดาไม่ได้โดยธรรมชาติในการทำนายอนาคตไม่ใช่การค้นพบใหม่ในตัวเอง แต่ยอมรับคุณค่าในการเน้นย้ำความไม่แน่นอนในวิกฤตการณ์ปัจจุบันDowdy ยังสนับสนุนให้ปัญหานี้ได้รับการเผยแพร่สู่ผู้ชมในวงกว้างอีกด้วย “[ความไม่แน่นอนในการพยากรณ์] เป็นปัญหาที่รู้จักกันดีในชุมชนวิทยาศาสตร์ แต่ไม่เป็นที่รู้จักในชุมชนฆราวาส”
นำเสนอความน่าจะเป็นManrubia รู้สึกผิดหวังกับโมเดลที่คาดการณ์จากค่าพารามิเตอร์ตัวเดียวที่เหมาะสมกับข้อมูลในอดีต ดังนั้นจึงไม่สามารถแสดงให้เห็นว่าการคาดคะเนอื่นๆ เป็นไปได้มากมาย “เรากำลังพยายามดูแลเอาใจใส่โมเดลเหล่านั้นให้มากขึ้น และส่งข้อความถึงเจ้าหน้าที่ เนื่องจากมีเสียงรบกวนมากมายที่พวกเขาจำเป็นต้องรับรู้”
Bhatt กล่าวว่า “เป็นเรื่องปกติที่จะผิด (รูปแบบการคาดการณ์ถือว่าผิดเพราะเป็นการตั้งสมมติฐาน) การสื่อสารนั้นจำเป็นอย่างยิ่ง” Bhatt กล่าว “นักวิทยาศาสตร์บางคนจำเป็นต้องโปร่งใสเกี่ยวกับข้อจำกัดของแบบจำลองและสิ่งที่พวกเขาบอกเรา และบทความนี้กล่าวถึงเรื่องนี้อย่างดี”
Manrubia หวังว่าวิกฤตครั้งนี้จะกระตุ้นให้ชุมชนระบาดวิทยาทั่วโลกบูรณาการข้อมูลทั่วโลกได้อย่างน่าเชื่อถือ “โมเดล SIR นั้นเรียบง่ายมาก – มีมานานนับศตวรรษ – มาเลย ฉันแน่ใจว่าเราสามารถทำได้ดีกว่านี้”
Credit : jpperfumum.com lostsocksoftware.com luxuryleagueaustin.net minervagallery.org mypercu.com
