A transparent process for creating behavioural systems maps to inform population simulation models which aim to explain and predict public health policy effects: the case of smoking cessation in England

Stellen Sie sich vor, Sie versuchen, die Zukunft einer geschäftigen Stadt vorherzusagen, aber anstatt Staus und Wetterlagen verfolgen Sie etwas viel Persönlicheres: Warum Menschen die Entscheidungen treffen, die sie treffen. Dies ist die Welt der Public-Health-Politik, in der Wissenschaftler wie Detektive agieren, die versuchen herauszufinden, welche Gesetze und Kampagnen tatsächlich Menschen helfen werden, gesünder zu werden. Um dies zu tun, verwenden sie „Simulationsmodelle“, die wie hochmoderne Videospiele sind. In diesen Spielen können Sie eine virtuelle Bevölkerung aufbauen, eine Regel ändern (wie etwa den Preis für Zigaretten zu erhöhen) und beobachten, was über Jahre hinweg passiert, ohne echte Leben zu riskieren. Aber hier liegt der knifflige Teil: Diese Spiele sind nur so gut wie die Regeln, die Sie ihnen geben. Wenn das Spiel nicht versteht, war Warum eine Person sich entscheidet, mit dem Rauchen aufzuhören, kann es nicht vorhersagen, ob eine neue politische Maßnahme funktionieren wird. Hier kommt ein spezieller Rahmen namens COM-B ins Spiel. Stellen Sie sich dies als einen dreibeinigen Hocker vor, der jedes menschliche Verhalten stützt: Sie benötigen Capability (Fähigkeit – können Sie es tun?), Opportunity (Gelegenheit – lässt die Welt es Sie tun?) und Motivation (Motivation – wollen Sie es tun?). Oh dies alles fehlt, fällt das Verhalten um.

Stellen Sie sich nun vor, ein Team von Wissenschaftlern versucht, den ultimativen „Raucherentwöhnungs-Simulator“ für England zu bauen. Sie erkannten, dass es nicht ausreichte, einfach nur zu raten, wie politische Maßnahmen wirken; sie brauchten ein transparentes, schrittweyes Rezept, um genau abzubilden, wie eine politische Maßnahme die Fähigkeit, die Gelegenheit oder die Motivation eines Menschen verändert. Dies ist die Geschichte ihrer neuen Methode, eines Prozesses, den sie „behavioral systems mapping“ (verhaltensbasierte Systemkartierung) nennen. Sie haben nicht nur ein Modell gebaut; sie haben einen Bauplan erstellt, wie man das Modell baut, wobei sie die komplexe Reise des Raucherstoppens als Testfall nutzten. Sie fanden heraus, dass das Aufhören nicht nur ein einzelnes großes Ereignis ist, sondern zwei verschiedene Kämpfe mit unterschiedlichen Regeln. Indem sie diese Regeln auf einer Karte zeichneten, zeigten sie auf, wie man eine Simulation erstellen kann, die tatsächlich die langfristigen Auswirkungen der öffentlichen Gesundheitspolitik vorhersagen kann, was Führungskräften hilft, ihr Geld dort einzusetzen, wo es den größten Nutzen bringt.

Der Bauplan für eine Entwöhnungsrevolution

Die Forscher, eine Mischung aus Computer-Wizards und Verhaltensexperten, begannen mit einer einfachen, aber massiven Frage: Wie bauen wir eine Computersimulation, die nicht nur rät, sondern tatsächlich versteht, warum Menschen mit dem Rauchen aufhören? Sie wussten, dass traditionelle Modelle ein wenig wie flache Landkarten waren; sie konnten Ihnen zwar zeigen, wo die Menschen waren, aber sie konnten Ihnen nicht die Hügel und Täler zeigen, die die Reise schwer oder leicht machten. Um dies zu beheben, entwickelten sie einen neuen, transparenten Prozess unter Verwendung von „behavioral systems maps“ (verhaltensbasierten Systemkarten). Denken Sie an diese Karten als ein riesiges, interaktives Flussdiagramm, das die Punkte zwischen einer Regierungsentscheidung, den psychologischen Zahnrädern im Kopf eines Menschen und der endgültigen Handlung – dem Ausdrücken einer Zigarette – miteinander verbindet.

Der Prozess, den sie geschaffen haben, hat vier Hauptschritte, wie ein Rezept für einen sehr komplizierten Kuchen. Zuerst mussten sie entscheiden, welche „Verhaltensweisen“ sie modellieren wollten. Sie erkannten, dass das Aufhören mit dem Rauchen nicht nur eine Sache ist. Es besteht eigentlich aus zwei verschiedenen Phasen: dem Moment, in dem man beschließt, den Versuch zu unternehmen (der „Rauchentwöhnungsversuch“), und dem langen, harten Weg, rauchfrei zu bleiben (die „Aufrechterhaltung der Entwöhnung“). Sie fanden heraus, dass die Faktoren, die diese beiden Phasen antreiben, völlig unterschiedlich sind, so wie die Zutaten für einen Kuchenteig anders sind als die Zutaten für die Glasur.

Als Nächstin nutzten sie das COM-B-Framework, um ihre theoriebasierte Karte zu erstellen. Sie nahmen hunderte von winzigen, beobachtbaren Dingen – wie etwa wie sehr eine Person das Rauchen genießt, ob sie den Rat eines Arztes erhält oder wie viele Raucher in ihrem Freundeskreis sind – und sortierten sie in die drei Kategorien: Capability, Opportunity oder Motivation. Zum Beispiel entdeckten sie, dass bei jemandem, der gerade erst versucht aufzuhören, die Motivation riesig ist. Dinge wie, wie sehr man das Rauchen genießt oder wie viel man für Zigaretten ausgibt, treiben diese Entscheidung voran. Aber für jemanden, der versucht, rauchfrei zu bleiben, spielt die Motivation eine geringere Rolle, und die „Capability“ übernimmt die Führung. Dinge wie eine Nichtraucher-Identität, die Verwendung von Nikotinpflastern oder ein geringeres Suchtniveau werden zu den entscheidenden Akteuren.

Das Team musste dann zur Realität übergehen. Sie betrachteten ihre schicke Theorie-Karte und fragten sich: „Was können wir tatsächlich mit Daten messen?“ Dies führte zu ihrer „datenbasierten“ Karte. Sie mussten einige der coolen theoretischen Ideen streichen, weil es nicht genug Daten gab, um sie zu belegen. Zum Beispiel wussten sie zwar, dass das Verständnis der Schäden des Rauchens wichtig ist, aber sie konnten nicht genügend Beweise im aktuellen englischen Kontext finden, um zu belegen, dass dies ein wesentlicher Treiber ist, also ließen sie es in der endgültigen Simulation weg. Sie mussten auch entscheiden, welche politischen Maßnahmen sie testen würden. Sie wählten eine „Massivmedienkampagne“, um Menschen zu ermutigen, einen Entwöhnungsversuch zu unternehmen (was die Motivation stärkt), und „mehr Mittel für Entwöhnungsdienste“, um Menschen zu helfen, rauchfrei zu bleiben (was die Capability stärkt).

Einer der spannendsten Teile ihrer Arbeit ist, wie sie mit den „Feedbackschleifen“ umgegangen sind. Im echten Leben verändert das Aufhören die Welt um einen herum, was wiederum einen selbst verändert. Wenn man aufhört zu rauchen, hat man vielleicht weniger rauchende Freunde, was es auch für die Freunde einfacher macht, ebenfalls aufzuhören. Oder, wenn man versucht aufzuhören und scheitert, ist man beim nächsten Mal vielleicht weniger motiviert. Das Team baute diese Schleifen in ihre Karte ein und schuf so ein komplexes, lebendiges System, in dem das Verhalten einer Person Wellen schlägt und die gesamte Bevölkerung beeinflusst. Sie bauten sogar eine „synthetische Population“ ein, eine virtuelle Menge von Menschen, die das reale UK widerspiegelt, komplett mit unterschiedlichen Altersgruppen, Berufen und sozialen Kreisen. Das bedeutet, dass ihr Modell zeigen kann, wie eine politische Maßnahme eine reiche Person anders beeinflussen könnte als eine arme, oder wie die Reise eines jungen Menschen sich von der eines älteren unterscheidet.

Was sie fanden (und was sie nicht fanden)

Die große Entdeckung hierbei ist kein magisches Heilmittel, das jeden sofort zum Aufhören bringt. Stattdessen legt das Paper nahe, dass die Art und Weise, wie wir diese Probleme modellieren, ein ernsthaftes Upgrade benötigt. Durch die Verwendung ihres neuen Kartierungsprozesses fanden die Forscher heraus, dass der Versuch, das „Aufhören“ als ein einzelnes Ereignis zu modellieren, ein Fehler ist. Die Faktoren, die einen dazu bringen, es zu versuchen, sind grundlegend andere als die Faktoren, die einen dabei unterstützen, nicht rückfällig zu werden. Zum Beispiel fanden sie heraus, dass während die Verwendung von Nikotinersatztherapie (NRT) hilft, einen ersten Versuch zu motivieren, es die Verschreibung von NRT und anderen Hilfsmitteln ist, die wirklich jemandem hilft, das Rauchen dauerhaft zu beenden.

Sie schlossen auch explizit die Idee aus, dass wir einfach jeden möglichen Faktor in ein Modell werfen und auf das Beste hoffen können. Sie zeigten, dass ein Modell ohne eine klare Karte, die politische Maßnahmen mit spezifischen psychologischen Treibern verbindet, zu einer „Black Box“ wird. Sie merkten auch an, dass ihr Modell zwar anspruchsvoll ist, aber dennoch eine Simulation bleibt. Es deutet darauf hin, wie Dinge basierend auf den vorhandenen Daten funktionieren könnten, aber es hat noch nicht „bewiesen“, dass diese Maßnahmen in der realen Welt definitiv funktionieren werden. Das Modell ist ein Werkzeug, um Entscheidungsträger zu besseren Vermutungen zu verhelen, kein Kristallball.

Darüber hinaus waren sie vorsichtig bei der Aussage, dass ihre aktuelle Karte nicht alles abdeckt. Sie modellierten nicht den komplexen Tanz zwischen Rauchen und Vapen im Detail, noch nahmen sie jede mögliche politische Änderung mit ein, wie etwa Preiserhöhungen bei Tabak, da sie sich zuerst auf die Verhaltensmechanismen konzentrieren wollten. Sie gaben auch zu, dass ihr Modell stark auf bestehenden Daten beruht, und wenn diese Daten ein Stück fehlen, hat die Karte eine Lücke.

Warum das wichtig ist

Warum sollte ein neugieriger Teenager sich für einen Haufen Computermodelle und Flussdiagramme interessieren? Weil dieser Prozess die Art und Weise verändert, wie wir große Probleme lösen. Vorher war der Versuch vorherzusagen, ob ein neues Gesetz Menschen beim Aufhören helfen würde, wie die Navigation durch ein Labyrinth im Dunkeln. Man hat geraten, in welche Richtung man abbiegt, und wenn man gegen eine Wand lief, hat man es einfach wieder versucht. Diese neue Methode gibt einem eine Taschenlampe und eine Karte in die Hand. Sie ermöglicht es Wissenschaftlern und politischen Entscheidungsträgern, die verborgenen Verbindungen zwischen einer Regierungsentscheidung und dem täglichen Leben eines Menschen zu sehen.

Indem sie das „Versuchen“ vom „Bleiben“ trennen, zeigt das Modell, dass wir für unterschiedliche Teile der Reise unterschiedliche Werkzeuge benötigen. Man kann nicht einfach ein Motivationsposter benutzen, um jemandem zu helfen, der seit einem Jahr rauchfrei ist; diese Person braucht andere Unterstützung, wie etwa besseren Zugang zu medizinischen Hilfsmitteln. Und weil das Modell berücksichtigt, wie Menschen einander beeinflussen, kann es vorhersagen, wie eine politische Maßnahme eine ganze Gemeinschaft helfen kann, nicht nur eine einzelne Person.

Die Autoren sind hoffnungsvoll, dass dieser transparente Prozess auch für andere Gesundheitsthemen wie Alkoholkonsum oder Fettleibigkeit verwendet werden kann. Sie glauben, dass wir durch die Offenlegung des „Rezepts“ für diese Modelle auch in Zukunft bessere Simulationen bauen können. Diese Simulationen werden nicht nur schicke Spiele sein; sie werden mächtige Werkzeuge sein, die Führungskräften helfen, bessere Entscheidungen zu treffen, indem sie sicherstellen, dass öffentliches Geld für die Strategien ausgegeben wird, die für die Menschen, die sie am meisten brauchen, tatsächlich funktionieren. Es ist ein Schritt in eine Zukunft, in der wir nicht nur raten, was funktioniert, sondern wissen, warum es funktioniert.