چگونه تصمیم‌گیرندگان می‌توانند از روش‌های کمی برای هدایت پاسخ‌های شیوع استفاده کنند؟
مارس 23, 2020
فرصت‌ها و چالش‌های آینده برای بهبود تصمیم‌گیری در هنگام شیوع بیماری
مارس 31, 2020
a)شرح اپیدمیولوژیک شیوع
جنبه دیگری که با رویکردها و ابزارهای بهتری می‌توان به آن‌ها کمک کرد، مدیریت داده‌ها است. تصمیمگیریهای بهینه بستگی به در دسترس بودن داده‌ها در سطح بالا دارد: داده‌های بی‌کیفیت ممکن است منجر به تصمیمات نادرست شود و در دسترس بودن کند و آهسته داده هم به معنای عدم دسترسی داده در یک فرصت زمانی مناسب است که می‌تواند مؤثر واقع شود. متأسفانه، پیچیدگی‌های مدیریت داده اغلب دست‌کم گرفته می‌شوند و غالباً تعداد کافی از افراد و متخصصانی که به مدیریت داده اختصاص مهارت دارند، در هنگام پاسخ اضطراری وجود ندارد. مدیریت داده‌ها برای پاسخ به شیوع بیماری بسیار پیچیده است زیرا تعداد زیادی از انواع در فرمت‌های مختلف جمع‌آوری شدند، اغلب به ارتباطی بین سیستم‌های جمع‌آوری‌کننده داده‌های مختلف مانند سیستم‌های نظارتی، داده‌های بالینی، تشخیص آزمایشگاهی، پیگیری تماس و غیره نیاز دارند. بعلاوه، داده‌ها ممکن است در مناطق مختلف و با استفاده از سیستم‌های مختلف جمع‌آوری شوند. مدیریت داده مطمئن‌تر و سریع‌تر می‌تواند باعث افزایش تولید خلاصه‌های خوبی از شرح و سایر تحلیل‌ها و با تصمیمگیریهای پیوسته شود. ابزارهایی علمی داده‌ها مانند R یا Python می‌توانند اتوماتیک باشند و زمان را برای خالص‌سازی داده‌ها، مدیریت و آماده‌سازی کاهش دهند که اغلب زمان زیادی از تمرکز اپیدمیولوژیست‌ها را می‌گیرد. الگوریتم‌هایی می‌توانند برای پر کردن شکاف بین داده‌ها که معمولاً در طول تحقیقات رایج است بکار رود. در طی سال‌هایی ۲۰۱۴-۲۰۱۶ شیوع ابولا در آفریقای غربی، قبل از تخمین پارامترهای انتقال به‌وسیله امپریال کالج، مرکز همکاری‌های WHO برای مدل‌سازی بیمارهای عفونی، داده‌های قابل‌توجه را تمیز یا خالص کرد [۱۴]. بااین‌حال، باوجوداین مثال، تصمیم‌گیرندگان به‌ندرت منابع کافی برای مدیریت داده‌های قوی را در طی واکنش اضطراری سرمایه‌گذاری می‌کنند که درنتیجه کار تحلیل بیشتر توسط دیگران محدود می‌شود.
b)بررسی عوامل معمولی و فاکتورهای خطر
رویکردهای اپیدمیولوژیکی برای بررسی ارتباط بین شیوع و عوامل ایجادکننده یا در معرض قرار گرفتن، به‌طور سنتی با تخمین میزان اثر آن در مطالعات طرح‌شده مانند مطالعات کوهورت، مطالعات کنترل-موردی و مشتقات آن‌ها مانند مطالعات مورد به مورد، روش‌های تجربی (quasi-experimental methods) [15] و آنالیز (spatio-temporal) [16] تکیه دارد. درحالی‌که این تحلیل‌ها برای اپیدمیولوژیست‌ها اساسی هستند، پیشرفت در دیتای علمی و رویکردهای تحلیلی باعث می‌شود منابع اطلاعاتی دیگر در ارزیابی اپیدمیولوژیکی شیوع بیماری‌ها و سایر موارد اضطراری سلامتی به‌صورت ترکیبی وارد شوند. به‌عنوان‌مثال، قابل‌دسترس بودن اطلاعات ترتیب توالی ژنوم ارتباط بین انواع پاتوژن و درک انتقال آن را در اطلاعات اپیدمیولوژیکی افزایش می‌دهد [۱۷]. این می‌تواند به‌ویژه هنگامی‌که داده‌های خود گزارشی (selfreport) از بیماران در مورد در معرض قرار گرفتن و تماس‌ها در دسترس نیست و یا ناقص یا نادرست است کمک‌کننده باشد [۱۸]. کار با داده‌های توالی ژنوم ازنظر محاسباتی وسیع است و نیاز به پردازش در حجم زیادی از دیتا و استفاده از روش‌های پیشرفته پردازش آن‌ها و روش‌های تحلیلی دارد که فراتر از ظرفیت اکثر اپیدمیولوژیست‌ها است.
ML یکی دیگر از ابزارهای قوی برای واکنش به شیوع بیماری‌ها است، اگرچه کاربردهای عملی آن در تجزیه‌وتحلیل شیوع هنوز در مراحل ابتدایی است [۱۹]. ML برای آنالیز فاکتورهای خطر، برای نتایج EVD با توانایی محاسبه داده‌های ازدست‌رفته بکار می‌رود که می‌تواند برای تصمیم‌گیرندگان که تمایل دارند مداخلات را در نظر بگیرند مفید باشد. این روش همچنین یک روش کارآمد برای برآورد دینامیک انتقال بیماری مورداستفاده قرار می‌گیرد که به‌ویژه در مدیریت شیوع یک بیماری یا پاتوژن جدید بسیار مفید خواهد بود [۲۰]. سازمان WHO به‌طوررایج ML را برای شناسایی سیگنال‌های مربوط به یک رویداد جدید بهداشت عمومی از مقدار زیادی دیتای آنلاین، با استفاده از بستر اطلاعات اپیدمیک از منابع آزاد، برای پردازش، طبقه‌بندی و جمع‌آوری داده‌ها استفاده می‌کند. ممکن است که این برنامه‌ها بتوانند آنالیز داده‌ها را از رسانه‌های اجتماعی، الگوهای خرید، اطلاعات سفر و اطلاعات کیفی از منابع دیگردرسطح بالاتری در مورد عوامل خطر رفتاری برای کنترل شیوع وسعت داد. در آینده، ML می‌تواند برای آنالیز منابع داده‌های بزرگ یا پیچیده بخش غیربهداشتی مفید باشد و به ما در درک انتقال عوامل خطر کمک کند، مانند تلفن همراه یا داده‌های سنجش از راه دور برای مواجهه با محیط‌زیست [۲۱, ۲۲].
c) پاسخ‌های موردنیاز
واکنش‌های مؤثر به شیوع به برنامه‌ریزی لجستیکی مناسب نیاز دارد تا اطمینان حاصل شود که مواد صحیح در زمان و مکان‌های مناسب در دسترس هستند. ملزومات بحرانی عبارت‌اند از: دارو، مواد آزمایشگاهی، پرسنل، زیرساخت‌های فیزیکی مانند تخت، تجهیزات محافظ شخصی، اسکان پرسنل، وسایل نقلیه و غیره. علاوه بر کمبود منابع موردنیاز، مکان موردنیاز برای استقرار تجهیزات نیز بسیار مهم است. نیازها را دست‌کم بگیرید زیرا ممکن است مردم بمیرند و کنترل شیوع ضعیف شود. برآوردهای بیش‌ازحد نیاز امکان دارد هزینه‌ها و منابع را افزایش دهد و واکنش‌های حیاتی به شیوع را می‌کاهد. صرف زمان زیاد برای تعیین و تأمین نیازها، اقدامات کنترلی برای جلوگیری از شیوع بیماری را عقب می‌اندازد و باعث می‌شود نیازهای شما بیشتر از ارزیابی اولیه افزایش یابد. جلوگیری از این کاستی‌ها در برنامه‌ریزی به‌ویژه هنگامی‌که عدم اطمینان در مورد بزرگی و توسعه شیوع بیماری وجود دارد، دشواراست. با بهبود دقت و به‌موقع بودن تخمین‌های کمی از شیوع بیماری، ارائه خدمات پزشکی می‌تواند واکنش‌های شیوع را بهینه کند.
تصمیم‌گیرندگان می‌توانند متوجه نیازهای پاسخگویی از طریق همکاری مؤثر بین مدل‌سازی بیماری، برنامه ریزان عملیاتی و تیم‌های پاسخگویی شوند. یک‌روند واضح برای برآورد نیازهای واکنش، برای برقراری ارتباط با بودجه ضروریات و همچنین اولویت‌بندی تخصیص منابع ازجمله واکسن‌ها به‌ویژه در هنگام کمبود آن‌ها اهمیت دارد. در طی پاسخ به شیوع بزرگ دیفتری در سال ۲۰۱۷ در بنگلادش در میان روهنگیا، WHO جمع‌آوری دیتا اپیدمیولوژیکی را به‌وسیله تیم‌های منطقه برای مدل‌سازی اندازه شیوع و تخمین تعداد تخت‌های درمانی و تیم‌های پزشکی موردنیاز برای کنترل آن بکار برد [۲۴]. رویکرد کمّی در هنگام شیوع ابولا در افریقای غربی برای تخمین ظرفیت جداسازی تخت‌های بکار رفت [۲۵]. یک‌روند واضح برای برآورد نیازهای پاسخگویی برای برقراری الزامات بودجه به اهداکنندگان و همچنین اولویت‌بندی تخصیص منابع ازجمله واکسن‌ها در هنگام محدود بودن عرضه مهم است.
d) بهینه‌سازی مداخلات
در مدیریت شیوع، مداخلات زیادی بکار می‌روند. این موارد شامل، واکسیناسیون، جداسازی بیماران عفونی، استفاده از داروهایی مانند آنتی‌بیوتیک‌ها، غربالگری فرودگاه، بهبود تأمین آب، تشخیص آزمایشگاهی، بسیج جامعه و غیره است. بهینه‌سازی مداخلات نه‌تنها برای کاهش سریع انتقال بیماری مهم است، بلکه از استفاده غیرضروری از منابع کمیابی مانند تجهیزات پزشکی، بودجه، یا استقرار پرسنل مجرب جلوگیری می‌کند.
برای جلوگیری از گسترش بیماری از روش‌های مدل‌سازی برای بهینه‌سازی واکسن استفاده‌شده است، مانند ویروس پاپیلومای انسانی [۲]. مثال دیگر، در طول سال ۲۰۱۸ در یمن، برنامه‌ریزی برای واکسیناسیون وبا از روش‌های مدل‌سازی در ترکیب با داده‌های اپیدمیولوژیک به‌دست‌آمده از شیوع در سال ۲۰۱۷ استفاده شد تا مناطق برای کنترل شیوع انتخاب شوند. در هنگام شیوع ابولا در افریقای غربی، از مدل‌سازی استفاده شد تا در نظر بگیریم که چطور می‌توان از روش‌های تشخیصی سریع تازه توسعه‌یافته برای بهبود کنترل بیماری استفاده کرد [۲۳]. در هنگام شیوع ابولا در ۲۰۱۸-۲۰۱۹ در شمال Kiuv، از مدل‌سازی استفاده شد تا در نظر بگیریم که چگونه، تحت سناریوهای امنیتی مختلف، مداخلات کنترل شیوع می‌تواند به‌طور بهینه باهم ترکیب شود. از دید عملیاتی، استفاده از روش‌های کمی برای بهینه‌سازی مداخلات باید اطلاعات مختلفی را در تجزیه‌وتحلیل‌های کمّی گنجاند، بطوریکه محدودیت‌های امنیتی، ملاحظات سیاسی منطقه‌ای یا محدودیت دسترسی برای برنامه‌های لجستیکی مانند جاده‌ها و پل‌های آسیب‌دیده در نظر گرفته شود. این امر می‌تواند توسط تحلیلگرانی انجام شود که با تصمیم گیران و سایر پاسخ‌دهندگان همکاری نزدیک دارند و به‌طور مداوم آنالیزها را انجام می‌دهند که احتمالاً با داشتن یک تیم تحلیلی به‌طورمؤثر پاسخگویی را انجام می‌دهند.
e) پیش‌بینی
پیش‌بینی درک از توسعه شیوع برای برنامه‌های لجستیکی، بهینه‌سازی مداخلات و ارزیابی اثربخشی مداخلات موجود مهم است [۲۶]. علی‌رغم پیشرفت‌هایی درزمینهٔ پیش‌بینی شیوع، یکی از چالش‌ها عدم اطمینان در پیش‌بینی‌ها به‌ویژه در اوایل شیوع است که به‌عنوان مبنایی برای تصمیمگیریهای عملیاتی بشمار می‌رود [۲۷]. چالش دیگر قطع ارتباط بین پیش‌بینی کنندگان و تصمیم‌گیرندگان است، ارتباط بین دو جامعه حرفه‌ای که غالباً محدود و یا وجود ندارد. این سبب می‌شود که مدل‌سازان پیش‌بینی‌هایی بکنند که تصمیم‌گیرندگان از آن آگاه نباشند و یا درک نکنند. برقراری ارتباط بهتر بین این جوامع حرفه‌ای نیاز به همکاری مستمر و آموزش مشترک دارد. کنسرسیوم اپیدمیک R نمونه‌ای عالی از یک نوع ابتکار عمل است که مدل‌سازها، برنامه نویسان آماری و پاسخ‌دهندگان اورژانس را باهم جمع می‌کند [۹].
بااین‌حال، یکی دیگر از چالش‌ها برای تصمیم‌گیرندگان این است که گروه‌های مدل‌ساز متنوعی برنامه‌های پیش‌بینی را تولید می‌کنند. تصمیم‌گیرندگان ممکن است برای استفاده از چندین برنامه پیش‌بینی کننده دچار مشکل شوند. یک چارچوب ارزیابی برای بررسی پیش‌بینی‌های متعدد و انسجام آن‌ها، مانند اعتبار سنجی یا تحلیل حساسیت، ممکن است برای تصمیم‌گیرندگان مفید باشد [۲۸]. پیش‌بینی‌های مختلف همچنین ممکن است تصمیم‌گیری را پیچیده کند وقتی‌که پیش‌بینی‌های واگرا توسط آژانس‌های مختلف پاسخ‌دهنده استفاده شوند یا در رسانه‌ها منتشر می‌شوند. بالاخره، حتی وقتی‌که مدل‌های پیش‌بینی به‌خوبی ساخته می‌شوند، ممکن است مسائل مربوط به عملکرد را برای تصمیم‌گیرندگان مرتفع نکند. به‌عنوان‌مثال، ممکن است علاوه بر پیش‌بینی اینکه شیوع بیماری در حال افزایش است، اطلاعات کافی در سطح جغرافیایی وجود نداشته باشد، زیرا تصمیم‌گیرندگان باید بدانند که این افزایش در کجا رخ خواهد داد.