Ponowne wyobrażenie sobie naszych problemów związanych z pandemią z nastawieniem inżyniera

Pani Tech | Kolekcja powitalna

Ostatnie 20 miesięcy zmieniło każdego psa w epidemiologa-amatora i statystyka. W międzyczasie grupa prawdziwych epidemiologów i statystyków uwierzyła, że ​​problemy pandemiczne można skuteczniej rozwiązywać, przyjmując sposób myślenia inżyniera: to znaczy skupiając się na pragmatycznym rozwiązywaniu problemów za pomocą iteracyjnej, adaptacyjnej strategii, aby wszystko działało.

W niedawnym eseju Uwzględnianie niepewności podczas pandemii , naukowcy zastanawiają się nad swoją rolą w sytuacji zagrożenia zdrowia publicznego oraz nad tym, jak mogliby lepiej przygotować się na kolejny kryzys. Odpowiedź, jak piszą, może leżeć w ponownym wyobrażeniu sobie epidemiologii z bardziej inżynierską perspektywą, a mniej z perspektywy czysto naukowej.

Badania epidemiologiczne kształtują politykę zdrowia publicznego i jej nieodłącznie stosowany mandat w zakresie profilaktyki i ochrony. Ale właściwa równowaga między czystymi wynikami badań a pragmatycznymi rozwiązaniami okazała się alarmująco nieuchwytna podczas pandemii.

Musimy podejmować praktyczne decyzje, więc jak bardzo liczy się niepewność?

Seth Guikema

Zawsze wyobrażałem sobie, że w takiej sytuacji epidemiologowie byliby użytecznymi ludźmi – mówi współautor eseju Jon Zelner. Ale nasza rola była bardziej złożona i gorzej zdefiniowana, niż się spodziewałem na początku pandemii. Zelner, modelarz chorób zakaźnych i epidemiolog społeczny z University of Michigan, był świadkiem szaleńczego mnożenia się artykułów naukowych, z których wiele nie zastanawiało się nad tym, co naprawdę oznaczało to w kategoriach pozytywnego wpływu.

Zelner mówi, że było wiele straconych okazji – spowodowanych brakiem powiązań między pomysłami i narzędziami proponowanymi przez epidemiologów a światem, któremu mieli pomóc.

Rezygnacja z pewności

Współautor Andrew Gelman, statystyk i politolog z Columbia University, przedstawił szerszy obraz we wstępie eseju. Porównał wybuch epidemii-amatorów pandemii do sposobu, w jaki wojna czyni każdego obywatela geografem-amatorem i taktykiem: zamiast map z kolorowymi pinezkami mamy wykresy ekspozycji i liczby zgonów; ludzie na ulicy spierają się o wskaźniki śmiertelności infekcji i odporności stada, tak jak w przeszłości dyskutowali o strategiach wojennych i sojuszach.

A wraz ze wszystkimi danymi i dyskursem publicznym — czy maski są nadal potrzebne? Jak długo potrwa ochrona przed szczepionkami? — nadeszła burza niepewności.

Próbując zrozumieć, co się właśnie wydarzyło, a co poszło nie tak, badacze (w tym Ruth Etzioni z Uniwersytetu Waszyngtońskiego i Julien Riou z Uniwersytetu w Bernie) przeprowadzili coś w rodzaju rekonstrukcji. Zbadali narzędzia używane do radzenia sobie z wyzwaniami, takimi jak szacowanie wskaźnika przenoszenia z człowieka na człowieka oraz liczby przypadków krążących w populacji w danym momencie. Ocenili wszystko, od zbierania danych (jakość danych i ich interpretacja były prawdopodobnie największymi wyzwaniami pandemii) po projektowanie modeli i analizę statystyczną, a także komunikację, podejmowanie decyzji i zaufanie. Niepewność jest obecna na każdym kroku, pisali.

A jednak, mówi Gelman, analiza wciąż nie wyraża wystarczająco zamieszania, przez które przeszedłem w tych pierwszych miesiącach.

Jedną z taktyk przeciwko całej niepewności są statystyki. Gelman myśli o statystyce jako o inżynierii matematycznej — metodach i narzędziach, które w równym stopniu dotyczą pomiaru, co odkrywania. Nauki statystyczne próbują wyjaśnić, co dzieje się na świecie, zwracając uwagę na zmienność i niepewność. Kiedy nadejdą nowe dowody, powinny wygenerować iteracyjny proces, który stopniowo udoskonala dotychczasową wiedzę i wzmacnia pewność.

Dobra nauka jest pokorna i zdolna do doskonalenia się w obliczu niepewności.

Marc Lipsitch

Susan Holmes, statystyk ze Stanford, która nie była zaangażowana w te badania, również dostrzega podobieństwa z inżynieryjnym nastawieniem. Mówi, że inżynier zawsze aktualizuje swój obraz — weryfikuje, gdy dostępne stają się nowe dane i narzędzia. W rozwiązywaniu problemu inżynier oferuje przybliżenie pierwszego rzędu (rozmyte), następnie przybliżenie drugiego rzędu (bardziej skupione) i tak dalej.

Gelman jednak ma wcześniej ostrzegany że nauka statystyczna może być wykorzystana jako maszyna do prania niepewności – celowo lub nie, kiepskie (niepewne) dane są zbierane razem i sprawiają, że wydają się przekonujące (pewne). Statystyki używane przeciwko niepewności zbyt często są sprzedawane jako rodzaj alchemii, która przekształci te niepewności w pewność.

Byliśmy tego świadkami podczas pandemii. Tonący w wstrząsach i niewiadomych epidemiolodzy i statystycy — zarówno amatorzy, jak i eksperci — chwytali się czegoś solidnego, próbując utrzymać się na powierzchni. Ale jak podkreśla Gelman, chęć uzyskania pewności podczas pandemii jest niestosowna i nierealistyczna. Mówi, że przedwczesna pewność była częścią wyzwania związanego z decyzjami podczas pandemii. To przeskakiwanie między niepewnością a pewnością spowodowało wiele problemów.

Porzucenie pragnienia pewności może być wyzwalające, mówi. I w tym po części pojawia się perspektywa inżynierska.

Majsterkowanie

Dla Setha Guikemy, współdyrektora Center for Risk Analysis and Informed Decision Engineering na Uniwersytecie Michigan (oraz współpracownika Zelnera przy innych projektach), kluczowym aspektem podejścia inżynierskiego jest zanurzenie się w niepewności, analiza bałaganu, a potem cofnięcie się, z perspektywą Musimy podejmować praktyczne decyzje, więc jak bardzo liczy się niepewność? Ponieważ jeśli jest dużo niepewności – i jeśli niepewność zmienia optymalne decyzje, a nawet dobre decyzje – to ważne jest, aby wiedzieć, mówi Guikema. Ale jeśli tak naprawdę nie wpływa to na moje najlepsze decyzje, to jest mniej krytyczne.

Na przykład zwiększenie zasięgu szczepień przeciwko SARS-CoV-2 w całej populacji jest jednym ze scenariuszy, w którym nawet jeśli istnieje pewna niepewność co do dokładnej liczby przypadków lub zgonów, które zapobiegną szczepieniu, jest to wysoce prawdopodobne efekty, jest wystarczającą motywacją, aby uznać, że program szczepień na dużą skalę to dobry pomysł.

Inżynier zawsze aktualizuje swój obraz.

Susan Holmes

Inżynierowie, jak podkreśla Holmes, są również bardzo dobrzy w dzieleniu problemów na krytyczne części, stosowaniu starannie dobranych narzędzi i optymalizacji rozwiązań pod kątem ograniczeń. W zespole inżynierów budujących most jest specjalista od cementu i specjalista od stali, inżynier wiatru i inżynier budowlany. Wszystkie różne specjalności współpracują ze sobą, mówi.

Dla Zelnera pojęcie epidemiologii jako dyscypliny inżynierskiej jest czymś, co przejął od swojego ojca, inżyniera mechanika, który założył własną firmę projektującą obiekty opieki zdrowotnej. Opierając się na dzieciństwie pełnym budowania i naprawiania rzeczy, jego inżynierski sposób myślenia polega na majsterkowaniu — na przykład dopracowywaniu modelu transmisji w odpowiedzi na poruszający się cel.

Często te problemy wymagają rozwiązań iteracyjnych, w których wprowadzasz zmiany w odpowiedzi na to, co działa, a co nie, mówi. Kontynuujesz aktualizowanie tego, co robisz, gdy pojawia się więcej danych i widzisz sukcesy i porażki swojego podejścia. Dla mnie jest to zupełnie inne – i lepiej dopasowane do złożonych, niestacjonarnych problemów, które definiują zdrowie publiczne – niż rodzaj statycznego, jednorazowego obrazu, jaki ma wielu ludzi na temat nauk akademickich, gdzie ma się wielki pomysł, przetestuj go, a Twój wynik zostanie zachowany w bursztynie na zawsze.

Powiązana historia

Teraz wszyscy razem: najbardziej godnym zaufania modelem covid-19 jest zespół

Łącząc wiele przewidywań i prognoz, zespoły zajmujące się modelowaniem poprawiają niepewność.

Zelner i współpracownicy z uniwersytetu spędzili wiele miesięcy na budowaniu strona z mapami covid dla Michigan i był zaangażowany w tworzenie pulpitów nawigacyjnych danych — przydatnych narzędzi do użytku publicznego. Jednak w trakcie tego procesu zauważył rosnącą rozbieżność między narzędziami formalnymi a tym, co było potrzebne do praktycznego podejmowania decyzji w szybko ewoluującym kryzysie. Wiedzieliśmy, że pewnego dnia wybuchnie pandemia, ale z pewnością nie zastanawiałem się, jaka byłaby lub mogłaby być moja rola, mówi. Spędziliśmy kilka bolesnych miesięcy po prostu wymyślając tę ​​rzecz – próbując zrobić to, czego nigdy wcześniej nie robiliśmy, i zdając sobie sprawę, że nie mamy w tym żadnego doświadczenia.

Przewiduje wyniki badań, które przychodzą nie tylko z wezwaniami, że ludzie powinni to robić! ale także z dostępnym oprogramowaniem, które pozwala innym majstrować przy narzędziach. Ale w przeważającej części, jak mówi, epidemiolodzy zajmują się badaniami, a nie rozwojem: piszemy oprogramowanie i zwykle jest to dość złe, ale wykonuje swoją pracę. A potem piszemy artykuł, a potem ktoś inny – ktoś wymyślił inną osobę – czy będzie przydatny w szerszym kontekście. A potem to się nigdy nie zdarza. Widzieliśmy te niepowodzenia w kontekście pandemii.

Wyobraża sobie odpowiednik krajowego ośrodka prognozowania pogody dla chorób zakaźnych. Mówi, że istnieje świat, w którym wszystkie liczby covid trafiają do jednego centralnego miejsca. Tam, gdzie istnieje model, który jest w stanie spójnie łączyć te informacje, generować prognozy, którym towarzyszy dość dokładne przedstawienie niepewności, i mówić coś zrozumiałego i stosunkowo wykonalnego w dość wąskiej linii czasu.

Na początku pandemii taka infrastruktura nie istniała. Ale ostatnio pojawiły się oznaki postępu.

Szybko rozwijająca się nauka o zdrowiu publicznym

Marc Lipsitch, epidemiolog chorób zakaźnych na Harvardzie, jest dyrektorem naukowym w nowym Centrum Prognozowania i Analizy Epidemii Amerykańskiego Centrum Kontroli Chorób, którego celem jest usprawnienie procesu decyzyjnego i umożliwienie skoordynowanej, spójnej reakcji na rozwijającą się pandemię .

W tej chwili nie jesteśmy dobrzy w prognozowaniu chorób zakaźnych. W rzeczywistości jesteśmy w tym dość kiepscy, mówi Lipsitch. Ale nie radziliśmy sobie z prognozowaniem pogody, kiedy zaczęło się to w latach 50., zauważa. A potem ulepszona technologia, ulepszona metodologia, ulepszone pomiary, ulepszone obliczenia. Inwestując czas i wysiłek naukowy, możemy stać się lepsi.

Lepsze prognozowanie jest częścią wizji centrum dotyczącej innowacji. Innym celem jest możliwość przeprowadzenia określonych badań, aby odpowiedzieć na konkretne pytania, które pojawiają się podczas pandemii, a następnie stworzenie specjalnie zaprojektowanego oprogramowania analitycznego, aby zapewnić terminowe odpowiedzi na poziomie krajowym i lokalnym.

Wysiłki te są zsynchronizowane z koncepcją podejścia inżynierskiego – chociaż Lipsitch nazwałby to po prostu szybko rozwijającą się nauką o zdrowiu publicznym.

Dobra nauka jest pokorna i zdolna do doskonalenia się w obliczu niepewności, mówi. Naukowcy, zwykle w dłuższej skali czasu – latach lub dekadach – są przyzwyczajeni do aktualizowania naszego obrazu prawdy. Ale w czasie kryzysu aktualizacja musi nastąpić szybko. Mówi, że poza pandemią naukowcy nie są przyzwyczajeni do ogromnych zmian naszego obrazu świata co tydzień lub miesiąc. Ale szczególnie w tej pandemii, z szybkością nowych wydarzeń i nowych informacji, musimy to zrobić.

Filozofia nowego centrum, mówi Lipsitch, polega na usprawnieniu procesu podejmowania decyzji w warunkach niepewności, poprzez zmniejszenie tej niepewności dzięki lepszym analizom i lepszym danym, ale także poprzez uznanie tego, co nie jest znane, oraz jasne komunikowanie tego i jego konsekwencji.

I zauważa: Będziemy potrzebować wielu inżynierów, aby wykonać tę funkcję – i na pewno podejście inżynierskie.

ukryć