Reimmaginare i nostri problemi pandemici con la mentalità di un ingegnere

Signora Tech | Collezione di benvenuto

Gli ultimi 20 mesi hanno trasformato ogni cane in un epidemiologo e statistico dilettante. Nel frattempo, un gruppo di epidemiologi e statistici in buona fede è arrivato a credere che i problemi della pandemia potrebbero essere risolti in modo più efficace adottando la mentalità di un ingegnere: cioè, concentrandosi sulla risoluzione pragmatica dei problemi con una strategia iterativa e adattiva per far funzionare le cose.

In un recente saggio, Contabilità dell'incertezza durante una pandemia , i ricercatori riflettono sui loro ruoli durante un'emergenza sanitaria pubblica e su come potrebbero essere meglio preparati per la prossima crisi. La risposta, scrivono, potrebbe risiedere nel reimmaginare l'epidemiologia con una prospettiva più ingegneristica e meno scientifica.

La ricerca epidemiologica informa la politica di salute pubblica e il suo mandato intrinsecamente applicato per la prevenzione e la protezione. Ma il giusto equilibrio tra puri risultati della ricerca e soluzioni pragmatiche si è rivelato allarmantemente sfuggente durante la pandemia.

Dobbiamo prendere decisioni pratiche, quindi quanto conta davvero l'incertezza?

Seth Guikema

Ho sempre immaginato che in questo tipo di emergenza gli epidemiologi sarebbero stati persone utili, dice Jon Zelner, coautore del saggio. Ma il nostro ruolo è stato più complesso e meno definito di quanto mi aspettassi all'inizio della pandemia. Zelner, modellatore di malattie infettive ed epidemiologo sociale presso l'Università del Michigan, ha assistito a una folle proliferazione di articoli di ricerca, molti dei quali con pochissima riflessione su cosa significasse realmente in termini di impatto positivo.

Ci sono state una serie di opportunità perse, dice Zelner, causate dalla mancanza di collegamenti tra le idee e gli strumenti proposti dagli epidemiologi e il mondo che avrebbero dovuto aiutare.

Rinunciare alla certezza

Il coautore Andrew Gelman, statistico e scienziato politico della Columbia University, ha delineato il quadro più ampio nell'introduzione del saggio. Ha paragonato lo scoppio della pandemia di epidemiologi dilettanti al modo in cui la guerra trasforma ogni cittadino in un geografo e tattico dilettante: invece di mappe con spille colorate, abbiamo grafici di esposizione e conteggi delle vittime; le persone per strada discutono dei tassi di mortalità per infezione e dell'immunità di gregge nel modo in cui avrebbero potuto discutere in passato di strategie e alleanze in tempo di guerra.

E insieme a tutti i dati e al discorso pubblico, le maschere sono ancora necessarie? Quanto durerà la protezione del vaccino? — è arrivata la raffica di incertezza.

Nel tentativo di capire cosa è appena successo e cosa è andato storto, i ricercatori (che includevano anche Ruth Etzioni all'Università di Washington e Julien Riou all'Università di Berna) hanno condotto una sorta di rievocazione. Hanno esaminato gli strumenti utilizzati per affrontare sfide come la stima del tasso di trasmissione da persona a persona e il numero di casi che circolano in una popolazione in un dato momento. Hanno valutato tutto, dalla raccolta dei dati (la qualità dei dati e la loro interpretazione erano probabilmente le maggiori sfide della pandemia) alla progettazione del modello all'analisi statistica, nonché alla comunicazione, al processo decisionale e alla fiducia. L'incertezza è presente ad ogni passaggio, hanno scritto.

Eppure, dice Gelman, l'analisi non esprime ancora abbastanza la confusione che ho attraversato in quei primi mesi.

Una tattica contro tutta l'incertezza è la statistica. Gelman considera la statistica come ingegneria matematica, metodi e strumenti che riguardano tanto la misurazione quanto la scoperta. Le scienze statistiche tentano di illuminare cosa sta succedendo nel mondo, puntando i riflettori sulla variazione e l'incertezza. Quando arrivano nuove prove, dovrebbero generare un processo iterativo che raffina gradualmente le conoscenze precedenti e affina la certezza.

La buona scienza è umile e capace di raffinarsi di fronte all'incertezza.

Marc Lipsitch

Anche Susan Holmes, una statistica di Stanford che non è stata coinvolta in questa ricerca, vede parallelismi con la mentalità ingegneristica. Un ingegnere aggiorna sempre il proprio quadro, dice, rivedendolo man mano che nuovi dati e strumenti diventano disponibili. Nell'affrontare un problema, un ingegnere offre un'approssimazione del primo ordine (sfocata), quindi un'approssimazione del secondo ordine (più mirata) e così via.

Gelman, tuttavia, ha precedentemente avvertito che la scienza statistica può essere utilizzata come una macchina per riciclare l'incertezza: deliberatamente o meno, i dati schifosi (incerti) vengono messi insieme e fatti sembrare convincenti (certi). Le statistiche sfruttate contro le incertezze sono troppo spesso vendute come una sorta di alchimia che trasformerà queste incertezze in certezze.

Ne siamo stati testimoni durante la pandemia. Affogando in sconvolgimenti e sconosciuti, epidemiologi e statistici, dilettanti ed esperti allo stesso modo, hanno afferrato qualcosa di solido mentre cercavano di rimanere a galla. Ma come sottolinea Gelman, volere certezze durante una pandemia è inappropriato e irrealistico. La certezza prematura è stata parte della sfida delle decisioni nella pandemia, dice. Questo salto tra incertezza e certezza ha causato molti problemi.

Lasciare andare il desiderio di certezza può essere liberatorio, dice. Ed è qui, in parte, che entra in gioco la prospettiva ingegneristica.

Una mentalità armeggiare

Per Seth Guikema, co-direttore del Center for Risk Analysis and Informed Decision Engineering dell'Università del Michigan (e collaboratore di Zelner in altri progetti), un aspetto chiave dell'approccio ingegneristico è immergersi nell'incertezza, analizzare il caos, e poi fare un passo indietro, con la prospettiva Dobbiamo prendere decisioni pratiche, quindi quanto conta davvero l'incertezza? Perché se c'è molta incertezza, e se l'incertezza cambia quali sono le decisioni ottimali, o anche quali sono le buone decisioni, allora è importante sapere, afferma Guikema. Ma se non influisce davvero su quali sono le mie migliori decisioni, allora è meno critico.

Ad esempio, l'aumento della copertura vaccinale SARS-CoV-2 nella popolazione è uno scenario in cui, anche se c'è qualche incertezza su quanti casi o decessi esattamente la vaccinazione preverrà, il fatto che è altamente probabile che diminuisca entrambi, con pochi effetti avversi effetti, è una motivazione sufficiente per decidere che un programma di vaccinazione su larga scala è una buona idea.

Un ingegnere aggiorna sempre la loro immagine.

Susan Holmes

Gli ingegneri, sottolinea Holmes, sono anche molto bravi a scomporre i problemi in parti critiche, ad applicare strumenti accuratamente selezionati e ad ottimizzare per soluzioni soggette a vincoli. Con un team di ingegneri che costruisce un ponte, c'è uno specialista in cemento e uno specialista in acciaio, un ingegnere eolico e un ingegnere strutturale. Tutte le diverse specialità lavorano insieme, dice.

Per Zelner, la nozione di epidemiologia come disciplina ingegneristica è qualcosa che ha raccolto da suo padre, un ingegnere meccanico che ha avviato la propria azienda progettando strutture sanitarie. Attingendo a un'infanzia piena di costruzioni e riparazioni, la sua mentalità ingegneristica prevede di armeggiare, perfezionando un modello di trasmissione, ad esempio, in risposta a un bersaglio in movimento.

Spesso questi problemi richiedono soluzioni iterative, in cui stai apportando modifiche in risposta a ciò che funziona o non funziona, dice. Continui ad aggiornare ciò che stai facendo man mano che arrivano più dati e vedi i successi e i fallimenti del tuo approccio. Per me, è molto diverso - e più adatto ai problemi complessi e non stazionari che definiscono la salute pubblica - rispetto al tipo di immagine statica e completa che molte persone hanno della scienza accademica, dove hai una grande idea, provalo e il tuo risultato è conservato in ambra per sempre.

Storia correlata

Tutti insieme ora: il modello covid-19 più affidabile è un ensemble

Combinando una moltitudine di previsioni e proiezioni, i team di modellazione affinano l'incertezza.

Zelner e collaboratori dell'università hanno trascorso molti mesi a costruire a sito web di mappatura covid per il Michigan, ed è stato coinvolto nella creazione di dashboard di dati, strumenti utili per il consumo pubblico. Ma nel processo, ha visto una crescente discrepanza tra gli strumenti formali e ciò che era necessario per informare il processo decisionale pratico in una crisi in rapida evoluzione. Sapevamo che un giorno si sarebbe verificata una pandemia, ma di certo non avevo pensato a quale sarebbe stato o avrebbe potuto essere il mio ruolo, dice. Abbiamo passato diversi mesi agonizzanti semplicemente inventando la cosa, cercando di fare una cosa che non avevamo mai fatto prima e rendendoci conto che non avevamo esperienza nel farlo.

Prevede risultati di ricerca che arrivano non solo con le esortazioni che le persone dovrebbero fare questo! ma anche con un software accessibile che consente ad altri di armeggiare con gli strumenti. Ma per la maggior parte, dice, gli epidemiologi fanno ricerca, non sviluppo: scriviamo software, e di solito è piuttosto scadente, ma fa il suo lavoro. E poi scriviamo il documento, e poi tocca a qualcun altro, qualche altra persona immaginata, renderlo utile in un contesto più ampio. E poi non succede mai. Abbiamo visto questi fallimenti nel contesto della pandemia.

Immagina l'equivalente di un centro nazionale di previsioni meteorologiche per le malattie infettive. C'è un mondo in cui tutti i numeri covid vanno in un posto centrale, dice. Dove esiste un modello in grado di combinare coerentemente tali informazioni, generare previsioni accompagnate da rappresentazioni piuttosto accurate dell'incertezza e dire qualcosa di comprensibile e relativamente perseguibile in una linea temporale abbastanza stretta.

All'inizio della pandemia, quell'infrastruttura non esisteva. Ma recentemente, ci sono stati segni di progresso.

Scienza della salute pubblica in rapido movimento

Marc Lipsitch, un epidemiologo di malattie infettive ad Harvard, è il direttore scientifico del nuovo Center for Forecasting and Outbreak Analytics dei Centers for Disease Control degli Stati Uniti, che mira a migliorare il processo decisionale e consentire una risposta coordinata e coerente a una pandemia mentre si sviluppa .

Non siamo molto bravi a prevedere le malattie infettive in questo momento. In effetti, siamo piuttosto pessimi, dice Lipsitch. Ma eravamo piuttosto pessimi con le previsioni del tempo quando è iniziato negli anni '50, osserva. E poi la tecnologia è migliorata, la metodologia è migliorata, la misurazione è migliorata, il calcolo è migliorato. Con l'investimento di tempo e impegno scientifico, possiamo migliorare le cose.

Migliorare le previsioni fa parte della visione del centro per l'innovazione. Un altro obiettivo è la capacità di condurre studi specifici per rispondere a domande specifiche che sorgono durante una pandemia e quindi di produrre software di analisi personalizzati per fornire risposte tempestive a livello nazionale e locale.

Questi sforzi sono in sintonia con la nozione di un approccio ingegneristico, anche se Lipsitch lo chiamerebbe semplicemente scienza della salute pubblica in rapido movimento.

La buona scienza è umile e capace di affinarsi di fronte all'incertezza, dice. Gli scienziati, di solito su una scala temporale più lunga, anni o decenni, sono abbastanza abituati all'idea di aggiornare la nostra immagine della verità. Ma durante una crisi, l'aggiornamento deve avvenire rapidamente. Al di fuori delle pandemie, gli scienziati non sono abituati a cambiare enormemente la nostra immagine del mondo ogni settimana o mese, dice. Ma soprattutto in questa pandemia, con la velocità dei nuovi sviluppi e delle nuove informazioni, dobbiamo farlo.

La filosofia del nuovo centro, afferma Lipsitch, è di migliorare il processo decisionale in condizioni di incertezza, riducendo tale incertezza con analisi e dati migliori, ma anche riconoscendo ciò che non è noto e comunicando chiaramente ciò e le sue conseguenze.

E osserva: Avremo bisogno di molti ingegneri per realizzare questa funzione e l'approccio ingegneristico, di sicuro.

nascondere