چگونه تصمیم‌گیرندگان می‌توانند از روش‌های کمی برای هدایت پاسخ‌های شیوع استفاده کنند؟

رویکردهای کمّی جنبه‌های مختلف کار با داده‌ها را شامل می‌شود، ازجمله مدیریت داده‌ها، مشاهده، تجزیه‌وتحلیل آماری، مدل‌سازی و … به‌کارگیری رویکردهای کمّی در تصمیم‌گیری برای پاسخ به شیوع، امکان برطرف کردن بسیاری از محدودیت‌های ذکرشده در بالا را فراهم می‌سازد [۶-۸].

درحالی‌که تصمیم‌گیری برای پاسخ به شیوع یک‌روند بسیار تکراری است، اما اینکه چگونه روش‌های تحلیلی می‌توانند در تعیین مراحل مختلف به پاسخ‌های شیوع کمک کنند، مفید است. جدول ۱ سه مرحله شیوع را خلاصه می‌کند: تحقیق، مقیاس و کنترل. مرحله چهارم نظارت پیشرفته پس از پایان شیوع بیماری نیز می‌تواند تعریف شود [۹]، اما ابزارهای همانند نظارت روتین خارج از عمل است، بنابراین در اینجا گنجانده‌شده است. در مرحله تحقیق، اطلاعات بیمار ممکن است محدود و به‌صورت گذشته‌نگر برای بیمارانی که فوت یا بهبودیافته‌اند، جمع‌آوری شود. اطلاعات بیمار برای تصمیم‌گیرندگان مفیدترین نکته است زیرا نشانگر اولیه میزان شیوع است. ممکن است انجام برخی از مدل‌های آماری مقدماتی برای درک پویایی انتقال و پیش‌بینی محدود با پارامترهای شیوع قبلی انجام شود. مرحله مقیاس ذاتاً عملیاتی است و تلاش زیادی برای استقرار تیم‌ها، تدارکات و ایجاد سیستم‌ها صورت می‌گیرد. اطلاعات جمع‌آوری‌شده در این مرحله می‌تواند با مدل‌سازی آماری و برنامه‌ریزی پاسخ را تسهیل کند. مرحله کنترل طولانی‌ترین قسمت پاسخ است که نظارت جدی و پیشرفت مداوم در مداخلات کنترل را می‌طلبد. مدل‌سازی به‌ویژه در طراحی استراتژی‌های کنترل، به دست آوردن بینش‌های بیشتر در مورد انتقال بیماری و نیز تجزیه‌وتحلیل توالی ژنتیکی پاتوژن‌ها می‌توانند کمک کنند. تست فرضیه‌ها در مورد عوامل خطر نیز به‌احتمال‌زیاد در این مرحله قابل‌دستیابی است که به‌نوبه خود باید ترکیبی از مداخلات را نیز اطلاع دهد. استفاده از ابزار تجسم سازی یا مشاهده برای نظارت بر پاسخ‌ها برای تصمیم‌گیرندگان بسیار ارزشمند است تا بتوانند کیفیت عملیات پاسخگویی را به‌طور کمّی ردیابی کرده و پاسخ را بر این اساس تنظیم کنند.

a)شرح اپیدمیولوژیک شیوع

اپیدمیولوژی، شرح بیماری به‌وسیله شخص، محل و زمان است [۱۰]. نمونه بارز آن، بررسی وبا در لندن است که توسط جان اسنو در سال ۱۸۵۴ انجام شد که اکنون نخستین تحقیقات اپیدمیولوژیک مدرن محسوب می‌شود [۱۱]. یک شرح خوب اپیدمیولوژی برای تصمیم‌گیرندگان بسیار مهم است زیرا می‌توانند به‌سرعت مسیر واکنش را هدایت کنند.

ابزارهایی برای تصویرسازی دیتاهای بهداشت عمومی فراتر از شرح‌های اپیدمیولوژیکی فرد، مکان و زمان بخصوص در فضای R بسیار سریع توسعه می‌یابد [۱۲]. ارائه‌های هانس روزلینگ مثالی عالی از چگونگی تصویرسازی و انیمیشن داده‌ها که می‌تواند راهی مفید برای بررسی و ارتباط بین داده‌ها باشد [۱۳]، در مثال اخیر، برای واکنش به یک شیوع ابولا در جمهوری کنگو، ما از R برای ایجاد نمودارهای زنجیره انتقال پویا استفاده کردیم که به تصمیم‌گیرندگان اجازه می‌داد تا با روش‌های مختلف با داده‌ها در تعامل باشند. توسعه بیشتر بسته‌های R می‌تواند باعث بهبود نگرش ما نه‌تنها نسبت به موارد، بلکه نسبت به مخاطبین و فاکتور ریسک دیگر شود. در شیوع ابولا، ما انیمیشنی ساختیم که نه‌تنها درک ما از چگونگی شیوع افزایش می‌داد. علاوه بر این، ما می‌توانیم اطلاعاتی را در مورد مقاومت جامعه را نشان دهیم که چگونه مقاومت در بعضی از جوامع یا خانواده‌ها متمرکزشده است و باعث انتقال بیشتر می‌شود. این تصویرسازی به تصمیم‌گیرندگان کمک می‌کند که مسافران را در این مسیر رصد کنند و خدمات بهداشتی و درمانی را در شهر یا شهرهایی که بیماری ابولا گزارش‌شده را ارائه دهند.