Cientistas têm sido modelagem de surtos de doenças infecciosas desde pelo menos o início de 1900, quando o ganhador do Nobel Ronald Ross usou taxas de reprodução de mosquitos e períodos de incubação de parasitas para prever a propagação da malária. Nas últimas décadas, a Grã-Bretanha e vários outros países europeus conseguiram tornar a previsão uma parte de seus programas de controle de doenças infecciosas. Então, por que a previsão permaneceu uma reflexão tardia, na melhor das hipóteses, nos Estados Unidos? Para começar, a qualidade de qualquer modelo, ou previsão resultante, depende muito da qualidade dos dados que vão para ele e, nos Estados Unidos, é difícil obter bons dados sobre surtos de doenças infecciosas: mal coletados no primeiro Lugar, colocar; não é facilmente compartilhado entre diferentes entidades, como locais de teste, hospitais e departamentos de saúde; e difícil para modeladores acadêmicos acessarem ou interpretarem. “Para a modelagem, é crucial entender como os dados foram gerados e quais são os pontos fortes e fracos de qualquer conjunto de dados”, diz Caitlin Rivers, epidemiologista e diretora associada do CFA. Mesmo métricas simples como taxas de positividade de teste ou hospitalizações podem ser carregado com ambigüidades. Quanto mais imprecisos forem esses números, e quanto menos os modeladores entenderem sobre essa imprecisão, mais fracos serão seus modelos.
Outro problema fundamental é que os cientistas que fazem modelos e os funcionários que usam esses modelos para tomar decisões costumam estar em desacordo. As autoridades de saúde, preocupadas em proteger seus dados, podem relutar em compartilhá-los com os cientistas. E os cientistas, que tendem a trabalhar em centros acadêmicos e não em escritórios do governo, muitas vezes deixam de levar em consideração as realidades enfrentadas pelas autoridades de saúde em seu trabalho. Os incentivos desalinhados também impedem os dois de colaborar de forma eficaz. A academia tende a favorecer os avanços na pesquisa, enquanto os funcionários da saúde pública precisam de soluções práticas para os problemas do mundo real. E eles precisam implementar essas soluções em grande escala. “Há uma lacuna entre o que os acadêmicos precisam para ter sucesso, que é publicar, e o que é necessário para ter um impacto real, que é construir sistemas e estruturas”, diz Rosenfeld.
Essas deficiências têm dificultado todas as respostas a surtos do mundo real até agora. Durante a pandemia de H1N1 de 2009, por exemplo, os cientistas lutaram para se comunicar de forma eficaz com os tomadores de decisão sobre seu trabalho e, em muitos casos, não conseguiram acessar os dados de que precisavam para fazer projeções úteis sobre a propagação do vírus. Eles ainda construíram muitos modelos, mas quase nenhum deles conseguiu influenciar o esforço de resposta. Os modeladores enfrentaram obstáculos semelhantes com o surto de Ebola na África Ocidental cinco anos depois. Eles conseguiram orientar os testes de vacinas bem-sucedidos, identificando os horários e locais onde os casos provavelmente aumentariam. Mas eles não foram capazes de estabelecer nenhum sistema coerente ou duradouro para trabalhar com as autoridades de saúde. “A rede que existe é muito ad hoc”, diz Rivers. “Muito do trabalho realizado é baseado em relacionamentos pessoais. E as pontes que você constrói durante qualquer crise tendem a evaporar assim que a crise for resolvida. ”
Cientistas e funcionários da saúde têm feito muitas tentativas para preencher essas lacunas. Eles criaram vários programas, colaborações e iniciativas nas últimas duas décadas – cada um deles com o objetivo de aprimorar a ciência e a prática da modelagem de surtos no mundo real. O desempenho desses esforços depende de para quem você pergunta: um desses esforços mudou de curso depois que seu fundador se aposentou, alguns ficaram sem financiamento, outros ainda existem, mas são muito limitados em escopo para enfrentar os desafios em mãos. Marc Lipsitch, epidemiologista de doenças infecciosas em Harvard e diretor de ciência do CFA, diz que, no entanto, cada um contribuiu com algo para a iniciativa atual: “São esses esforços anteriores que ajudaram a estabelecer as bases para o que estamos fazendo agora”.
No início da pandemia, por exemplo, os modeladores confiaram nas lições que aprenderam com a FluSight, um desafio anual no qual os cientistas desenvolvem previsões de gripe em tempo real que são coletadas no site do CDC e comparadas entre si, para construir um sistema que eles chamaram de Centro de Previsão Covid-19. No início de abril de 2020, este novo centro estava publicando previsões semanais no site do CDC que eventualmente incluiriam contagens de mortes, contagens de casos e hospitalizações em nível estadual e nacional. “Esta foi a primeira vez que a modelagem foi formalmente incorporada à resposta da agência em uma escala tão grande”, disse-me George, que é diretor de operações do CFA. “Foi um grande negócio. Em vez de uma rede informal de indivíduos, você tinha algo em torno de 30 a 50 grupos de modelagem diferentes que estavam ajudando com a Covid de uma forma consistente e sistemática. ”
Mas se essas projeções fossem meticulosas e modestas – os cientistas decidiram que quaisquer previsões com mais de duas semanas de antecedência eram muito incertas para serem úteis – também não eram páreo para as demandas do momento. Quando a epidemia de coronavírus se transformou em uma pandemia, cientistas de todos os tipos foram inundados com ligações. Funcionários de escolas e funcionários de saúde, prefeitos e governadores, líderes corporativos e organizadores de eventos, todos queriam saber por quanto tempo a pandemia duraria, como ela se desenrolaria em suas comunidades específicas e que medidas deveriam adotar para contê-la. “As pessoas estavam pirando, vasculhando a internet e chamando por qualquer nome que pudessem encontrar”, Rosenfeld me disse. Nem todas essas perguntas puderam ser respondidas: os dados eram escassos e o vírus era novo. Havia muito que poderia ser modelado com confiança. Mas quando os modeladores recusaram esses pedidos, outros entraram no vazio.
Discussão sobre isso post