Inilah Mengapa Model Tingkat Kematian Virus Corona Berubah — Dan Mengapa Ini Tidak Berarti Kita Bereaksi Berlebihan


Memodelkan pandemi sangat sulit. Siapa sangka?

Adobe Stock / Angelina Bambina

Tidak butuh waktu lama bagi banyak dari kita untuk menyadari bahwa pandemi virus corona akan menjadi kekuatan mematikan yang mengubah hidup kita dengan cara yang sangat signifikan, mungkin untuk waktu yang sangat lama. Tetapi menurut beberapa proyeksi besar, tingkat rawat inap dan kematian akibat COVID-19 mungkin sedikit lebih baik daripada yang diperkirakan para ahli.

Pada akhir Maret, model yang sering dikutip dari Institute for Health Metrics and Evaluation (IHME) di Fakultas Kedokteran Universitas Washington memproyeksikan bahwa AS akan mengalami sekitar 81.000 kematian — tetapi mungkin hingga 162.000. Pada awal April, modelnya agak berubah. Meskipun masih diprediksi bahwa kita akan menanggung sekitar 81.000 kematian, perkiraan tertinggi turun menjadi sekitar 136.000. Perkiraan jumlah tempat tidur ICU rumah sakit dan ventilator yang kami perlukan juga berkurang.

Apakah itu berarti kita bereaksi berlebihan dalam menutup sekolah, bisnis, dan hampir seluruh kota? Tidak. Ternyata, proyeksi seperti ini sangat sulit untuk disatukan dan kebanyakan dari mereka berakhir dengan salah dalam satu atau lain cara. Namun meskipun suatu model tidak sepenuhnya mencerminkan kenyataan, bukan berarti model tersebut tidak dapat membantu. Perubahan proyeksi tidak selalu berarti Anda melakukan sesuatu yang salah — faktanya, itu mungkin berarti Anda melakukan sesuatu dengan benar.

Apa yang menciptakan model penyebaran penyakit menular?

Jawaban singkatnya: banyak.

Jawaban panjangnya? Nah, bersiaplah. Pada dasarnya ada beberapa jenis model utama yang dapat dibuat para peneliti, Jeffrey Shaman, Ph.D., profesor ilmu kesehatan lingkungan dan direktur Program Iklim dan Kesehatan di Columbia University Mailman School of Public Health, mengatakan pada DIRI.

Jenis pertama adalah model matematis, yang menggambarkan proses transmisi kompleks dalam semacam konstruksi, seperti bagaimana orang-orang di kota akan terinfeksi virus korona baru, kata Shaman, yang telah memimpin pekerjaan Universitas Columbia dalam menciptakan model COVID-19. .

Dalam beberapa jenis model matematika, yang disebut model berbasis agen, peneliti dapat memperhitungkan banyak faktor berbeda yang saling mempengaruhi. Artinya, model tersebut mengukur “aktor” individu yang berbeda yang pergi bekerja, berbelanja, dan lain-lain, dan menghitung bagaimana status penyakit mereka — apakah mereka terinfeksi atau tidak — akan berubah seiring waktu berdasarkan dengan siapa lagi mereka berhubungan dan lingkungan apa yang mereka masuki.

Model matematika seperti ini "mahal secara komputasi," kata Shaman, dan mereka harus membuat cukup banyak asumsi tentang perilaku orang dan cara kerja virus yang mungkin benar atau mungkin tidak benar.

Ada versi model matematika yang disederhanakan, yang disebut model kompartemen, yang mungkin digunakan peneliti dalam kasus seperti ini. Salah satu yang paling umum adalah model SI atau SIR, yang memperkirakan jumlah individu yang rentan, terinfeksi, dan pulih dalam situasi tertentu dari waktu ke waktu, jelas Shaman.

Dengan jenis model ini, Anda mencoba mengukur "tingkat perpindahan orang di antara kompartemen yang berbeda dari yang rentan, menjadi terinfeksi, untuk dikeluarkan dari populasi karena mereka pulih atau mati," Amesh A. Adalja, MD, sarjana senior di Johns Hopkins Center for Health Security, memberi tahu DIRI.

Misalnya, model yang dipublikasikan di Jurnal Internasional Penyakit Menular oleh para ilmuwan di AS dan China, menggunakan pendekatan SEIR (rentan, terpapar, terinfeksi, dihapus) untuk memodelkan wabah di Wuhan. Dan, dalam sebuah studi yang saat ini dalam pracetak, Sherman dan rekan penulisnya menggunakan model metapopulasi dinamis, yang berfungsi seperti jaringan model kompartemen, untuk memeriksa peran mereka dengan infeksi ringan atau asimtomatik dalam menyebarkan wabah di China.

Jenis model utama lainnya adalah model statistik, yang membuat proyeksi seperti apa situasi di masa mendatang berdasarkan data yang telah kami kumpulkan tentang apa yang terjadi di masa lalu. Model COVID-19 yang sering dikutip yang dibuat oleh IHME adalah salah satu model statistik yang digunakan untuk memprediksi kebutuhan peralatan rumah sakit serta tingkat kematian akibat virus korona baru di AS dan di seluruh dunia.

Semua model ini harus memperhitungkan berbagai faktor tentang virus dan orang yang terinfeksi, seperti seberapa cepat penyakit itu menyebar, berapa banyak orang yang menulari setiap orang yang terinfeksi, dan berapa lama masa inkubasinya, kata Dr. Adalja, yang pekerjaannya melibatkan penilaian kesiapsiagaan pandemi. Namun pada awalnya, itu hanyalah asumsi — dan kita mungkin tidak tahu seberapa akurat asumsi tersebut untuk beberapa waktu. “Semua model ini didasarkan pada asumsi tertentu yang perlu disempurnakan saat wabah terjadi,” katanya.

Sangat, sangat sulit untuk membuat model untuk virus baru yang menyebar dalam waktu nyata.

Membuat model penyebaran dan efek penyakit menular selalu membutuhkan banyak waktu dan perkiraan yang rumit. Tetapi situasi seperti virus korona ini menghadirkan beberapa tantangan yang sangat unik yang membuat lebih sulit untuk membuat proyeksi yang akurat tentang apa yang bisa terjadi.

Ambil contoh flu musiman, misalnya. Meskipun ini adalah peristiwa penyakit menular yang terjadi pada saat yang sama para peneliti mencoba membuat proyeksi statistik tentang seberapa parah musim flu tertentu itu, perawatan dan praktik pencegahan kami tidak banyak berubah dari tahun ke tahun, kata Shaman. Itu membuatnya lebih mudah untuk membuat model yang lebih akurat tentang bagaimana musim flu akan berlangsung.

Namun dalam kasus virus korona baru, "kita harus berasumsi apa yang akan dilakukan masyarakat," katanya, termasuk ketika perintah jarak sosial diberikan, seberapa baik orang mengikutinya, dan kapan orang mulai kembali bekerja.

Tantangan utama lainnya berkaitan dengan proses pengujian, kata Shaman. Kami tahu bahwa ada rentang waktu — hingga 14 hari pada sebagian besar kasus — antara saat seseorang terinfeksi dan saat mereka mulai mengalami gejala yang mengarahkan mereka untuk menjalani tes. Jadi, saat melihat hasil pengujian, "kami melihat apa yang terjadi sekitar dua minggu lalu," katanya, bukan hasil dari perubahan kebijakan baru yang diterapkan beberapa hari terakhir, misalnya, dan yang pasti bukan yang sebenarnya terjadi saat ini.

Ketersediaan tes dan kapan orang memutuskan untuk mencari tes juga berperan. Misalnya, pada awal wabah, seseorang dengan flu ringan mungkin merasa tidak perlu atau bahkan berpikir untuk menjalani tes COVID-19. Namun kemudian, dengan virus ini yang selalu diingat oleh hampir semua orang, kemungkinan besar seseorang dengan gejala yang bahkan ringan akan mencari pengujian. Selain itu, jika permintaan untuk pengujian tinggi, tetapi tidak ada cukup pengujian bagi semua orang untuk mendapatkannya, belum tentu memberikan gambaran lengkap tentang tingkat pengujian positif. Terlebih lagi, tidak semua negara bagian melaporkan jumlah tes negatif yang mereka dapatkan.

Semua variabel ini membantu peneliti memberikan gambaran yang lebih baik tentang jumlah kasus sebenarnya di luar sana dan bagaimana penyebarannya — dan semuanya berubah secara konstan. Itu memiliki efek dunia nyata pada bagaimana pemerintah, rumah sakit, dan individu bersiap menghadapi pandemi.

Misalnya, masalah pengujian telah mempersulit interpretasi data yang kami miliki secara akurat dan memperkirakan tingkat rawat inap. Awalnya, data dari negara lain (seperti Spanyol) menunjukkan bahwa jumlah orang yang terinfeksi virus Corona baru yang sangat tinggi harus dirawat di rumah sakit, kata Dr. Adalja. Dan menurut data CDC, angka rawat inap awalnya cukup tinggi (lebih dari 30% untuk beberapa kelompok umur). Namun belakangan ini tingkat rawat inap di AS jauh lebih rendah. Jadi mengapa proyeksi awal salah?

“Kami tahu kami kekurangan jumlah kasus karena kendala pengujian,” kata Dr. Adalja. Dan jika itu masalahnya, maka "itu berarti kami melebih-lebihkan rasio keramahtamahan dan kematian."

Mendapatkan angka-angka ini dengan benar sangatlah penting jika Anda, katakanlah, seorang perencana rumah sakit. Angka itu mungkin memberi tahu Anda bahwa Anda “akan membutuhkan banyak tempat tidur rumah sakit, banyak tempat tidur ICU, banyak ventilator,” kata Dr. Adalja. "Dan itu mungkin salah jika angka tingkat rawat inap Anda terlalu tinggi."

Model seperti ini dirancang untuk berubah seiring berjalannya waktu.

Saat kami mempelajari lebih lanjut tentang penyakit ini, saat kebijakan jarak sosial diberlakukan, dan saat kami melihat bagaimana orang-orang sebenarnya berperilaku, sangatlah normal jika proyeksi berubah.

“Ingatlah bahwa model masih bukan pengganti data dunia nyata. Mereka adalah alat yang digunakan oleh pembuat kebijakan untuk memikirkan rentang skenario yang berbeda, "kata Dr. Adalja. Mereka tidak kuat; Anda harus mengharapkan model berubah karena lebih banyak data yang keluar. " Faktanya, sebagian besar model akhirnya salah karena satu dan lain alasan, katanya. Penting juga untuk diingat bahwa semua model memiliki area ketidakpastian, atau berbagai kemungkinan hasil, bukan hanya satu hasil tertentu, kata Shaman. Dan semakin jauh kita melihat ke masa depan, semakin tidak pasti hasil yang diproyeksikan.

Sayangnya, ketika Anda menemukan berita atau hanya tweet yang berbicara tentang model dampak virus Corona, itu tidak akan dapat menerima kerumitan penuh dari detail model atau data yang sedang dikerjakan para peneliti. , Kata Dr. Adalja. Nuansa dan asumsi tentang model serta kemungkinan hasil yang terlibat sering hilang dalam terjemahan.

Namun terkadang, seperti dalam kasus ini, alasan mengapa model berubah benar-benar menggembirakan. "Ketika orang berbicara tentang meratakan kurva, itu adalah sesuatu yang terjadi karena campur tangan manusia," kata Shaman. Ini bukan pengobatan atau vaksin, tetapi ini adalah sesuatu yang orang-orang — manusia seperti Anda dan saya! —Melakukannya berdampak nyata pada jalannya wabah dan proyeksi yang dibuat para peneliti untuk masa depan kita.

Model-model awal itu memang memperhitungkan ukuran jarak sosial, tetapi melakukannya tidak semudah hanya menambahkan satu angka lagi ke persamaan. Anda harus memikirkan kapan pesanan dibuat, apakah itu pesanan yang benar atau hanya saran, dan seberapa baik orang akan benar-benar mengikuti perintah itu. Dalam rangkaian diagram simulasi yang dibuat oleh Washington Post menggunakan data dari para peneliti di Pusat Sains dan Teknik Sistem Universitas Johns Hopkins, Anda dapat melihat bahwa jarak sosial yang ketat memiliki efek yang jauh lebih signifikan pada kurva daripada upaya setengah-setengah, jadi kami selalu tahu ini akan membantu.

Tetapi memperhitungkan jarak sosial dan memperkirakan kekuatan sebenarnya pada kurva telah menjadi sedikit tantangan, dan bahkan model IHME melihat pembaruan sejak awal pada metrik jarak sosial yang menjadikannya ukuran yang semakin rumit. Misalnya, untuk menentukan efek jarak sosial dalam model IHME, para peneliti sekarang benar-benar menggabungkan hasil dari beberapa model lain berdasarkan perkiraan tiga tindakan jarak sosial (penutupan sekolah, pesanan tinggal di rumah, dan penutupan bisnis yang tidak penting) . Mereka kemudian menggunakan masing-masing nilai tersebut untuk membuat model tingkat kematian jangka pendek dan jangka panjang.

Beberapa orang mungkin melihat perbedaan dalam proyeksi setelah perubahan model tersebut dan menafsirkannya sebagai tanda bahwa jarak sosial dan penutupan bisnis yang tidak penting adalah reaksi yang berlebihan. Tapi itu kesimpulan yang salah. Jika ada, itu adalah tanda bahwa social distancing telah berhasil — bahkan mungkin lebih dari yang diproyeksikan oleh model asli. Faktanya, seperti yang dikatakan Shaman, itulah yang dimaksud dengan "meratakan kurva".

Jadi apa yang harus Anda ambil dari model ini? Ketahuilah bahwa para peneliti di seluruh negeri dan dunia sedang bekerja keras untuk menemukan jawaban yang akan membuat kita seaman mungkin. Mereka dapat menggunakan model untuk memproyeksikan seperti apa masa depan dan persiapan apa yang perlu kita lakukan. Begitu kita melihat model-model itu, cara kita bertindak atas informasi itu tentu saja akan berpengaruh pada hasil yang diproyeksikan. Itu adalah pengingat yang bagus bahwa, bahkan dalam pandemi yang sering membuat kita merasa tidak berdaya, banyak dari kita masih dapat melakukan sesuatu: tetap di rumah.