Previsione delle Emergenze Sanitarie: Lezioni da Mpox

Nel maggio 2022, un virus chiamato mpox (precedentemente conosciuto come monkeypox) ha iniziato a diffondersi rapidamente in paesi dove non era mai stato visto prima. Questo improvviso focolaio ha sollevato preoccupazioni su quanto siamo preparati per tali emergenze sanitarie. Questo articolo esplora come le persone prevedono la diffusione delle malattie, le sfide affrontate durante l'epidemia di mpox e perché capire queste Previsioni è importante.

#Contesto

Mpox è stato riportato per la prima volta a Londra all'inizio di maggio 2022. Entro luglio 2022, ha portato l'Organizzazione Mondiale della Sanità (OMS) a dichiararlo Emergenza Sanitaria Pubblica di Interesse Internazionale. Questo significa che lo consideravano un problema serio che richiedeva attenzione immediata. Alla fine del periodo di epidemia discusso in questo articolo, erano stati segnalati 87.000 casi in oltre 110 paesi. La maggior parte dei casi era legata a uomini che fanno sesso con uomini, ma ciò non significa che solo questo gruppo sia stato colpito.

Le previsioni, il processo di previsione di eventi futuri, sono cruciali durante gli Focolai. Aiutano i governi e le agenzie sanitarie a decidere come allocare risorse e rispondere in modo efficace. Le previsioni sui parametri di salute pubblica, come il numero di casi o decessi, sono essenziali per questo motivo. Organizzazioni come i Centri per il Controllo e la Prevenzione delle Malattie (CDC) spesso organizzano sfide di previsione per ottenere previsioni da ricercatori ed esperti durante gli focolai.

#La Necessità di Previsioni

Durante gli focolai, le previsioni possono aiutare a prevenire ulteriori diffusione identificando tendenze e potenziali picchi nei casi. Previsioni accurate possono guidare le decisioni di salute pubblica, come quando aumentare i test, dove indirizzare i vaccini o quando implementare restrizioni ai viaggi. Per mpox, le previsioni erano particolarmente importanti poiché il virus si è diffuso rapidamente e ha colpito popolazioni diverse.

#Raccolta delle Previsioni

Tra il 19 maggio e il 31 luglio 2022, i ricercatori hanno raccolto 1.275 previsioni da 442 persone su sei domande specifiche relative all'epidemia di mpox. Le domande miravano a scoprire quanti casi erano attesi in diverse regioni e quanti paesi avrebbero riportato casi. I partecipanti includevano sia esperti che previsori occasionali, che hanno usato una piattaforma chiamata Metaculus per inviare le loro previsioni.

#Tipi di Previsioni

Queste previsioni non erano solo congetture; erano basate sulle valutazioni e interpretazioni individuali dei Dati disponibili. I partecipanti potevano rivedere le loro previsioni man mano che nuovi dati emergevano, permettendo loro di affinare le previsioni in base alle ultime informazioni. Questo metodo di raccolta delle previsioni aiuta a comprendere come le persone pensano ai rischi e alle incertezze durante le crisi sanitarie.

#Accuratezza delle Previsioni

I risultati hanno rivelato che le previsioni individuali spesso sottovalutavano la grandezza reale dell'epidemia. Sebbene la previsione mediana si avvicinasse alla verità nel tempo, c'era ancora molta incertezza. In alcuni casi, le previsioni non sono migliorate significativamente man mano che la data reale si avvicinava.

Confrontando le previsioni umane con i modelli computazionali, che usano algoritmi basati sui dati passati per fare previsioni, le previsioni umane hanno performato meglio per previsioni fatte due o otto settimane in anticipo. Tuttavia, per le previsioni a solo una settimana di distanza, i modelli hanno fornito previsioni più accurate rispetto alle previsioni umane.

#Perché Le Previsioni Falliscono

Ci sono diverse ragioni che possono spiegare perché le previsioni erano spesso troppo basse. Una possibilità è che, nel fare le loro previsioni, le persone si siano concentrate troppo sui dati più recenti, che erano inferiori rispetto a quelli che sono emersi alla fine come i numeri finali. Inoltre, alcune domande sono state presentate su una scala logaritmica, il che potrebbe aver portato i previsori a produrre previsioni più incerte di quanto intendessero.

Capire questi bias è cruciale. Informa gli sforzi di previsione futuri, specialmente quando si affrontano eventi sanitari imprevisti. Se le persone si basano troppo sui dati recenti, può portare a una sottovalutazione di nuovi focolai, come si è visto con mpox.

#Il Ruolo dei Dati

I dati di sorveglianza hanno giocato un ruolo vitale nel plasmare sia le previsioni umane che quelle dei modelli. Questi dati hanno fornito aggiornamenti in tempo reale sul numero di casi e dove si stavano verificando gli focolai. I modelli efficaci si basano su dati accurati e tempestivi per fare previsioni informate.

I modelli di solito utilizzano dati storici e informazioni esterne per guidare le loro previsioni. Ad esempio, possono integrare ricerche online relative ai sintomi della malattia e attività sui social media, che possono riflettere la preoccupazione e la consapevolezza pubblica. Questo approccio si è dimostrato utile in passati focolai, come il COVID-19.

#Umano vs. Macchina

Le previsioni umane si differenziano dalle previsioni generate dalle macchine in modi significativi. Mentre i modelli statistici e meccanicistici si basano su dati numerici, i previsori umani possono incorporare intuizioni e valutazioni qualitative che potrebbero non essere catturate nei dati puri. Ad esempio, potrebbero considerare fattori esterni come il cambiamento delle raccomandazioni di salute pubblica o le tendenze sui social media.

La ricerca ha dimostrato che a volte gli umani possono superare i modelli, specialmente in situazioni incerte dove i dati possono essere limitati. Durante il primo focolaio di mpox, questa intuizione umana probabilmente ha fornito un contesto prezioso che i modelli non potevano catturare.

#L'Importanza della Comunità

La comunità di previsori su Metaculus ha discusso le proprie opinioni e la razionalità dietro le loro previsioni. Questo scambio di idee può portare a previsioni migliori, poiché le persone condividono intuizioni e si aggiornano reciprocamente su nuovi sviluppi. Sono emersi temi da queste discussioni, come prendere spunto dall'epidemiologia, articoli di notizie e altre fonti di dati esterne.

Tuttavia, c'erano anche segni di confusione riguardo a cosa fosse chiesto in alcune previsioni. Malintesi su come riportare le previsioni possono portare a scarsa accuratezza, rendendo vitale per le piattaforme chiarire come le previsioni debbano essere costruite.

#Tendenze e Revisioni

La maggior parte dei previsori ha inviato le proprie prime previsioni due settimane dopo che le domande sono state pubblicate. Questo ritardo suggerisce che stavano aspettando dati o tendenze più chiare. Dopo le loro prime previsioni, molti previsori hanno rapidamente rivisto le loro previsioni in base alle ultime informazioni.

La frequenza delle revisioni evidenzia un approccio reattivo alla previsione durante situazioni sanitarie in evoluzione. Man mano che arrivavano nuove informazioni, i previsori hanno aggiustato le loro previsioni, il che può aiutare a migliorare l'accuratezza.

#La Sfida della Previsione Logaritmica

Una significativa osservazione dalle previsioni di mpox riguardava come le domande fossero poste su scale diverse. Chiedere previsioni su una scala logaritmica sembrava confondere molti previsori. Gli esseri umani spesso hanno difficoltà a comprendere la crescita esponenziale, il che può portare a previsioni distorte.

Quando i dati sono presentati in formato logaritmico, le persone potrebbero avere difficoltà a convertire la propria intuizione in numeri. Questo può portare a previsioni che non riflettono accuratamente la realtà poiché le previsioni possono sembrare ragionevoli senza contesto.

#Calibrazione e Performance

È essenziale valutare quanto bene le previsioni corrispondano alla realtà. I metriche utilizzate per valutare queste previsioni includono l'errore assoluto mediano e il punteggio dell'intervallo pesato. Questi misurano aiutano a determinare quanto siano vicine le previsioni ai risultati effettivi.

Nel caso di mpox, le previsioni spesso assegnavano una certa probabilità a valori improbabili. Questa abitudine di assegnare probabilità a risultati improbabili può distorcere i dati e renderli meno affidabili. È cruciale che i previsori imparino a specificare le ragioni dietro le loro previsioni e a evitare di dare peso a eventi improbabili.

#Imparare dal Passato

Le sfide viste durante la previsione dell'epidemia di mpox offrono lezioni per future crisi sanitarie. Comprendere gli errori commessi può portare a una migliore formazione per i previsori. Fornire linee guida su come prevedere efficacemente, specialmente quando si utilizzano scale diverse, può migliorare le prestazioni.

Futuri sforzi di previsione potrebbero anche beneficiare dal permettere ai previsori di definire gli intervalli in cui assegnano le loro probabilità, invece di essere vincolati da formati rigidi. Questa flessibilità potrebbe portare a previsioni più accurate che rappresentano credenze autentiche.

#Conclusione

L'esperienza di previsione durante l'epidemia di mpox evidenzia la complessità di prevedere la diffusione delle malattie infettive. Rivela come le piattaforme basate sulla comunità possano sfruttare l'intuizione umana, evidenziando allo stesso tempo i potenziali rischi di fare troppo affidamento sui dati immediati.

Valutando perché le previsioni a volte falliscono e comprendendo il ruolo di scale e formati di presentazione diversi, possiamo migliorare i metodi di previsione nella salute pubblica. Man mano che continuiamo ad affrontare nuove sfide sanitarie, affinare il nostro approccio alle previsioni sarà fondamentale per garantire risposte efficaci in futuro.

#Pensieri Finali

Sebbene il giudizio umano possa essere uno strumento potente nella previsione, è essenziale combinarlo con dati solidi e metodologie accurate. I professionisti della salute pubblica devono lavorare per migliorare i quadri di previsione e incoraggiare un'esplorazione attenta dei dati disponibili per guidare le decisioni durante gli focolai. Questo equilibrio tra intuizione umana e analisi basata sui dati potrebbe essere cruciale mentre affrontiamo le sfide sanitarie attuali e future.