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

Immagina di cercare di prevedere il futuro di una città frenetica, ma invece di ingorghi stradali e modelli meteorologici, stai tracciando qualcosa di molto più personale: il perché le persone compiano le scelte che compiono. Questo è il mondo delle politiche di sanità pubblica, dove gli scienziati agiscono come detective cercando di capire quali leggi e campagne aiuteranno realmente le persone a diventare più sane. Per farlo, utilizzano i "modelli di simulazione", che sono come videogiochi super avanzati. In questi giochi, puoi costruire una popolazione virtuale, modificare una regola (come aumentare il prezzo delle sigarette) e osservare cosa succede nel corso degli anni senza rischiare vite reali. Ma ecco la parte complicata: questi giochi sono validi solo quanto le regole che fornisci loro. Se il gioco non capisce perché una persona decide di smettere di fumare, non può prevedere se una nuova politica funzionerà. È qui che entra in gioco un quadro speciale chiamato COM-B. Immaginalo come uno sgabello a tre gambe che sostiene qualsiasi comportamento umano: hai bisogno di Capacità (puoi farlo?), Opportunità (il mondo ti permette di farlo?) e Motivazione (lo vuoi fare?). Senza tutte e tre le gambe, il comportamento cade.

Ora, immagina un team di scienziati che cerca di costruire l'ultimo "Simulatore per Smettere di Fumare" per l'Inghilterra. Si sono resi conto che limitarsi a indovinare come funzionano le politiche non era sufficiente; avevano bisogno di una ricetta trasparente e passo dopo passo per mappare esattamente come una politica cambi la Capacità, l'Opportunità o la Motivazione di una persona. Questa è la storia del loro nuovo metodo, un processo che chiamano "mappatura dei sistemi comportamentali". Non hanno solo costruito un modello; hanno costruito un progetto su come costruire il modello, usando il complesso percorso del dismettere il fumo come caso di studio. Hanno scoperto che smettere di fumare non è solo un grande evento; sono due battaglie diverse con regole diverse. E disegnando queste regole su una mappa, hanno mostrato come creare una simulazione che possa effettivamente prevedere gli effetti a lungo termine delle politiche di sanità pubblica, aiutando i leader a spendere i soldi dove faranno il massimo del bene.

Il Progetto per una Rivoluzione nel Dismettere il Fumo

I ricercatori, un mix di maghi dell'informatica ed esperti di comportamento, sono partiti con una domanda semplice ma enorme: Come costruiamo una simulazione al computer che non si limiti a indovinare, ma che capisca davvero il perché le persone smettono di fumare? Sapevano che i modelli tradizionali erano un po' come mappe piatte; potevano mostrarti dove si trovavano le persone, ma non potevano mostrarti le colline e le valli che rendevano il viaggio difficile o facile. Per risolvere il problema, hanno sviluppato un nuovo processo trasparente utilizzando le "mappe dei sistemi comportamentali". Pensa a queste mappe come a un enorme diagramma di flusso interattivo che collega i punti tra una politica governativa, gli ingranaggi psicologici che ruotano nella testa di una persona e l'azione finale di spegnere una sigaretta.

Il processo che hanno creato ha quattro fasi principali, come una ricetta per una torta molto complicata. Per prima cosa, hanno dovuto decidere quali "comportamenti" modellare. Si sono resi conto che smettere di fumare non è una cosa sola. È in realtà composto da due fasi diverse: il momento in cui decidi di provare a smettere (il "tentativo di smettere") e la lunga e dura fatica di rimanere liberi dal fumo (il "mantenimento della cessazione"). Hanno scoperto che i fattori che guidano queste due fasi sono totalmente diversi, proprio come gli ingredienti per l'impasto di una torta sono diversi dagli ingredienti per la glassa.

Successivamente, hanno utilizzato il framework COM-B per costruire la loro mappa basata sulla teoria. Hanno preso centinaia di piccole cose osservabili — come quanto una persona si diverte a fumare, se ha il consiglio di un medico o quanti fumatori ci sono nel suo gruppo di amici — e le hanno smistate in tre contenitori: Capacità, Opportunità o Motivazione. Ad esempio, hanno scoperto che per qualcuno che sta solo provando a smettere, la sua motivazione è enorme. Cose come quanto una persona si diverte a fumare o quanto spende per le sigarette guidano quella decisione. Ma per qualcuno che sta cercando di rimanere senza fumare, la motivazione conta meno, e la "capacità" prende il comando. Cose come avere un'identità di non fumatore, usare cerotti alla nicotina o avere un livello di dipendenza più basso diventano i protagonisti chiave.

Il team ha poi dovuto confrontarsi con la realtà. Hanno guardato la loro sofisticata mappa teorica e si sono chiesti: "Cosa possiamo effettivamente misurare con i dati?". Questo ha portato alla loro mappa "basata sui dati". Hanno dovuto tagliare alcune delle idee teoriche più interessanti perché non c'erano abbastanza dati per sostenerle. Per esempio, sebbene sapessero che comprendere i danni del fumo sia importante, non riuscivano a trovare abbastanza prove nel contesto inglese attuale per dimostrare che fosse un driver principale, quindi l'hanno esclusa dalla simulazione finale. Dovevano anche decidere quali politiche testare. Hanno scelto una "campagna mediatica di massa" per incoraggiare le persone a provare a smettere (aumentando la motivazione) e "più fondi per i servizi per smettere di fumare" per aiutare le persone a rimanere libere dal fumo (aumentando la capacità).

Una delle parti più entusiasmanti del loro lavoro è come hanno gestito i "cicli di feedback". Nella vita reale, smettere di fumare cambia il mondo intorno a te, che a sua volta cambia te. Se smetti, potresti avere meno amici fumatori, il che rende più facile anche per i tuoi amici smettere. Oppure, se provi a smettere e fallisci, potresti sentirti meno motivato la prossima volta. Il team ha inserito questi cicli nella loro mappa, creando un sistema complesso e vivente dove il comportamento di una persona si propaga per influenzare l'intera popolazione. Hanno persino incluso una "popolazione sintetica", una folla virtuale di persone che rispecchia il vero Regno Unito, completa di diverse età, lavori e cerchie sociali. Ciò significa che il loro modello può mostrare come una politica possa aiutare una persona ricca in modo diverso rispetto a una povera, o come il percorso di un giovane differisca da quello di un anziano.

Cosa Hanno Trovato (e Cosa Non Hanno Trovato)

La grande scoperta qui non è una pillola magica che fa smettere di fumare tutti istantaneamente. Invece, il documento suggerisce che il modo in cui modelliamo questi problemi necessita di un serio aggiornamento. Utilizzando il loro nuovo processo di mappatura, il team ha scoperto che cercare di modellare l'atto di "smettere di fumare" come un singolo evento è un errore. I fattori che ti portano a provare a smettere sono distinti dai fattori che ti impediscono di ricadere nel vizio. Ad esempio, hanno scoperto che mentre l'uso della terapia con sostituti della nicotina (NRT) aiuta a motivare un primo tentativo, è la versione con prescrizione della NRT e altri ausili che aiuta davvero qualcuno a mantenere la cessazione.

Hanno anche escluso esplicitamente l'idea che si possa semplicemente buttare dentro un modello ogni possibile fattore sperando nel meglio. Hanno dimostrato che senza una mappa chiara che colleghi le politiche a specifici driver psicologici, la simulazione diventa una "scatola nera". Hanno anche notato che, sebbene il loro modello sia sofisticato, è comunque una simulazione. Suggerisce come le cose potrebbero funzionare in base ai dati in loro possesso, ma non ha ancora "dimostrato" che queste politiche funzioneranno sicuramente nel mondo reale. Il modello è uno strumento per aiutare i decisori politici a fare ipotesi migliori, non è una palla di cristallo.

Inoltre, sono stati cauti nell'affermare che la loro mappa attuale non copre tutto. Non hanno modellato in dettaglio la complessa danza tra fumo ed elettronica (vaping), né hanno incluso ogni singola possibile variazione di politica, come l'aumento dei prezzi del tabacco, perché volevano concentrarsi prima sui meccanismi comportamentali. Hanno anche ammesso che il loro modello si basa pesantemente sui dati esistenti e, se a quei dati manca un pezzo, la mappa avrà un vuoto.

Perché Questo È Importante

Quindi, perché un adolescente curioso dovrebbe interessarsi a un gruppo di modelli informatici e diagrammi di flusso? Perché questo processo cambia il modo in cui risolviamo i grandi problemi. Prima di questo, cercare di prevedere se una nuova legge avrebbe aiutato le persone a smettere di fumare era come navigare in un labirinto al buio. Indovinavi quale direzione prendere e, se sbattevi contro un muro, provavi semplicemente di nuovo. Questo nuovo metodo ti consegna una torcia e una mappa. Permette agli scienziati e ai decisori politici di vedere le connessioni nascoste tra una decisione governativa e la vita quotidiana di una persona.

Separando il "provare" dal "rimanere", il modello mostra che abbiamo bisogno di strumenti diversi per parti diverse del percorso. Non puoi usare solo un poster motivazionale per aiutare qualcuno che non fuma da un anno; hanno bisogno di un supporto diverso, come un migliore accesso ai presidi medici. E poiché il modello tiene conto di come le persone si influenzano a vicenda, può prevedere come una politica possa aiutare un'intera comunità, non solo una singola persona.

Gli autori sono speranzosi che questo processo trasparente possa essere utilizzato per altri problemi di salute, come l'uso di alcol o l'obesità. Credono che, rendendo chiaro e aperto il "ricettario" di questi modelli, potremo costruire simulazioni migliori in futuro. Queste simulazioni non saranno solo giochi sofisticati; saranno strumenti potenti che aiuteranno i leader a prendere decisioni più giuste ed efficaci, assicurando che il denaro pubblico sia speso nelle strategie che funzionano davvero per le persone che ne hanno più bisogno. È un passo verso un futuro in cui non ci limitiamo a indovinare cosa funziona, ma sappiamo perché funziona.