Preparing for the next pandemic takes more than better models: expert consensus recommendations for infectious disease modelling

Quando una nuova malattia inizia a diffondersi, i governi hanno bisogno di sapere quanto velocemente si muoverà, dove colpirà successivamente e quali azioni la fermeranno. Per rispondere a queste domande, gli scienziati costruiscono modelli matematici. Questi non sono palle di cristallo che predicono il futuro con certezza; piuttosto, sono modi strutturati di pensare a come un virus possa comportarsi sotto diverse condizioni. Immaginate un modello come una mappa complessa che mostra i possibili percorsi che un viaggiatore potrebbe intraprendere, in base alle strade disponibili e al meteo previsto. Se la mappa è disegnata con dati scarsi o assunzioni nascoste, il viaggiatore potrebbe prendere una strada sbagliata. Per decenni, questi modelli hanno aiutato i funzionari a gestire i focolai, dalla peste ap laftica nel bestiame alla diffusione globale dell'influenza. Tuttavia, la recente pandemia ha rivelato che avere mappe migliori non è sufficiente. La vera sfida risiede nel modo in cui le mappe vengono disegnate, nel modo in cui i dati che le alimentano vengono condivisi e in come i risultati vengono spiegati alle persone che devono prendere decisioni di vita o di morte.

Un ampio gruppo di esperti si è ora riunito per definire esattamente come dovrebbe funzionare la modellazione delle malattie infettive per essere più utile. Guidato da ricercatori dell'Università di Lubecca, questo team ha riunito 41 specialisti in matematica, salute pubblica e scienze sociali provenienti da università e istituti di ricerca di tutto il mondo. Non si sono limitati a discutere su quali equazioni fossero le migliori. Al contrario, hanno condotto un rigoroso processo per trovare un accordo sulle regole del gioco. Per prima cosa, hanno esaminato centinaia di studi passati per vedere quali problemi gli scienziati avessero affrontato in precedenza. Successivamente, hanno tenuto una serie di quattro round di discussione e votazione, perfezionando le loro idee finché tutti non sono concordati su un insieme finale di quaranta raccomandazioni. L'obiettivo era creare uno standard condiviso che rendesse la modellazione più affidabile, trasparente e pronta per la prossima emergenza.

La scoperta più sorprendente di questo lavoro è che gli esperti sono concordati quasi perfettamente su quaranta affermazioni specifiche. Trentotto di queste hanno ricevuto il punteggio più alto, il che significa che l'intero panel le ha ritenute essenziali. Tuttavia, l'accordo non riguardava il modo in cui costruire un tipo specifico di modello. Invece, il consenso più forte si è concentrato sulle condizioni che circondano il modello: i dati che utilizza, il modo in cui viene riportato e le persone che vi lavorano. Il panel ha scoperto che un gruppo di modellazione non può risolvere questi problemi da solo. Sebbene gli scienziati possano decidere come scrivere il proprio codice o come spiegare la propria incertezza, non possono creare sistemi di dati pubblici, negoziare trattati internazionali sulla condivisione dei dati o garantire finanziamenti a lungo termine autonomamente. Questi compiti richiedono che i governi, le agenzie di finanziamento e i consulenti politici agiscano tra una pandemia e l'altra, non solo durante esse.

Gli esperti hanno identificato che gli ostacoli maggiori sono spesso pratici piuttosto che matematici. Affinché un modello sia accurato, ha bisogno di dati tempestivi che siano facili da accedere e chiaramente etichettati con i propri limiti. Attualmente, i dati arrivano spesso in ritardo, sono bloccati dietro barriere complicate o arrivano in formati che i computer non possono leggere automaticamente. Il panel ha insistito affinché i dati siano disponibili attraverso sistemi aperti e leggibili dalle macchine, con una documentazione chiara. Hanno inoltre sottolineato la necessità di accordi transfrontalieri affinché i dati possano fluire liberamente tra i paesi durante una crisi. Senza queste fondamenta, anche il modello più sofisticato farà fatica a fornire una guida utile. Il gruppo ha anche enfatizzato che i modelli devono essere trasparenti. Ciò significa che gli scienziati dovrebbero dichiarare chiaramente quali assunzioni hanno fatto, condividere il proprio codice e i propri dati affinché altri possano controllare il loro lavoro, ed esporre i limiti delle loro previsioni.

Un altro punto critico di accordo riguardava il modo di parlare dell'incertezza. In passato, i modelli sono stati talvolta trattati come oracoli capaci di predire il futuro esatto. Il panel ha chiarito che i modelli sono strumenti per esplorare le possibilità, non per predire il destino. Un modello potrebbe mostrare che un virus potrebbe diffondersi rapidamente se non si intraprendono azioni, ma se le autorità implementano misure rigorose, quella rapida diffusione potrebbe non avvenire. Questo non significa che il modello sia fallito; significa che il modello ha esplorato con successo uno scenario che è stato evitato. Gli esperti hanno sostenuto che gli scienziati devono distinguere chiaramente tra una previsione di ciò che accadrà e uno scenario di ciò che potrebbe accadere in condizioni specifiche. Hanno anche concordato che l'incertezza dovrebbe essere comunicata in termini di intervalli, mostrando uno spettro di risultati possibili, piuttosto che come un singolo numero preciso che dà un falso senso di accuratezza.

Lo studio ha anche evidenziato che le persone che costruiscono questi modelli spesso lavorano in isolamento rispetto a coloro che li utilizzano. Il panel ha raccomandato la creazione di ruoli permanenti che colmino questo divario, dove gli esperti possano tradurre i complessi risultati dei modelli in consigli chiari per i decisori politici. Hanno inoltre notato che i modelli spesso trascurano i gruppi vulnerabili o non tengono conto di come cambia il comportamento umano durante una crisi. Per risolvere questo, gli esperti hanno chiesto modelli che includano popolazioni diverse e per l'integrazione di intuizioni provenienti dalle scienze sociali. Tuttavia, hanno riconosciuto che aggiungere troppa complessità può rendere un modello difficile da usare, quindi deve essere trovato il giusto equilibrio in base alla specifica domanda posta.

Nonostante l'alto livello di accordo, il panel ha riconosciuto i limiti significativi del proprio lavoro. Gli esperti provenivano quasi interamente da paesi ad alto reddito e da contesti accademici. Ciò significa che le loro raccomandazioni riflettono le risorse e le strutture disponibili in quelle regioni, che potrebbero non esistere nei paesi a basso o medio reddito dove potrebbe colpire la prossima pandemia. Il gruppo ha ammesso che la loro lista di priorità assume l'esistenza di un governo e di un sistema sanitario funzionante, il che non è sempre il caso. Hanno anche notato che il loro studio non ha affrontato pienamente le realtà politiche che spesso impediscono di seguire i buoni consigli, né ha esplorato profondamente i costi economici delle diverse interviste.

In definitiva, l'articolo conclude che prepararsi per la prossima pandemia richiede molto più di una migliore matematica. Richiede la costruzione delle istituzioni e delle infrastrutture che permettano ai modelli di funzionare efficacemente. Gli esperti hanno offerto dieci priorità specifiche per il periodo tra un focolaio e l'altro, come l'istituzione di sistemi di dati interoperabili, la creazione di team interdisciplinari stabili e la garanzia di un finanziamento sostenuto. Hanno sostenuto che aspettare l'inizio di una crisi per risolvere questi problemi è troppo tardi. Le racmazcomandazioni sono presentate non come una soluzione finale, ma come un punto di partenza per una conversazione globale. Concordando su questi standard ora, la comunità scientifica spera di garantire che, quando emergerà la prossima minaccia, gli strumenti disponibili per combatterla siano robusti, chiari e pronti a servire il pubblico.