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

Imagine tentar prever o futuro de uma cidade movimentada, mas em vez de congestionamentos e padrões climáticos, você está rastreando algo muito mais pessoal: por que as pessoas fazem as escolhas que fazem. Este é o mundo das políticas de saúde pública, onde os cientistas atuam como detetives tentando descobrir quais leis e campanhas realmente ajudarão as pessoas a serem mais saudáveis. Para fazer isso, eles usam "modelos de simulação", que são como videogames superavançados. Nesses jogos, você pode construir uma população virtual, alterar uma regra (como aumentar o preço dos cigarros) e observar o que acontece ao longo dos anos sem arriscar vidas reais. Mas a parte complicada é esta: esses jogos só são tão bons quanto as regras que você lhes dá. Se o jogo não entende por que uma pessoa decide parar de fumar, ele não pode prever se uma nova política funcionará. É aí que entra uma estrutura especial chamada COM-B. Pense nela como um banco de três pernas que sustenta qualquer comportamento humano: você precisa de Capacidade (você consegue fazer?), Oportunidade (o mundo permite que você faça?) e Motivação (você quer fazer?). Sem essas três pernas, o comportamento cai.

Agora, imagine uma equipe de cientistas tentando construir o "Simulador de Parar de Fumar" definitivo para a Inglaterra. Eles perceberam que apenas adivinhar como as políticas funcionam não era suficiente; eles precisavam de uma receita transparente e passo a passo para mapear exatamente como uma política altera a Capacidade, a Oportunidade ou a Motivação de uma pessoa. Esta é a história do novo método deles, um processo que chamam de "mapeamento de sistemas comportamentais". Eles não apenas construíram um modelo; eles construíram um projeto de como construir o modelo, usando a complexa jornada de parar de fumar como seu caso de teste. Eles descobriram que parar de fumar não é apenas um grande evento; são duas batalhas diferentes com regras diferentes. E ao desenhar essas regras em um mapa, eles mostraram como criar uma simulação que pode realmente prever os efeitos de longo prazo das políticas de saúde pública, ajudando os líderes a gastar dinheiro onde ele fará o maior bem.

O Projeto para uma Revolução no Abandono do Hábito

Os pesquisadores, uma mistura de magos da computação e especialistas em comportamento, começaram com uma pergunta simples, mas massiva: Como construímos uma simulação de computador que não apenas adivinha, mas realmente entende por que as pessoas param de fumar? Eles sabiam que os modelos tradicionais eram um pouco como mapas planos; eles podiam mostrar onde as pessoas estavam, mas não podiam mostrar as colinas e vales que tornavam a jornada difícil ou fácil. Para corrigir isso, eles desenvolveram um novo processo transparente usando "mapas de sistemas comportamentais". Pense nesses mapas como um fluxograma gigante e interativo que conecta os pontos entre uma política governamental, as engrenagens psicológicas girando dentro da cabeça de uma pessoa e a ação final de apagar um cigarro.

O processo que criaram tem quatro etapas principais, como uma receita para um bolo muito complicado. Primeiro, eles tiveram que decidir quais "comportamentos" modelar. Eles perceberam que parar de fumar não é apenas uma coisa. É, na verdade, duas etapas diferentes: o momento em que você decide tentar parar (a "tentativa de parar") e a longa e árdua jornada de permanecer livre do fumo (a "manutenção do abandono"). Eles descobriram que os fatores que impulsionam essas duas etapas são totalmente diferentes, como os ingredientes para a massa de um bolo são diferentes dos ingredientes para a cobertura.

Em seguida, eles usaram a estrutura COM-B para construir seu mapa baseado em teoria. Eles pegaram centenas de coisas minúsculas e observáveis — como o quanto uma pessoa gosta de fumar, se ela tem o conselho de um médico ou quantos fumantes existem em seu grupo de amigos — e as classificaram nos três baldes: Capacidade, Oportunidade ou Motivação. Por exemplo, descobriram que, para alguém que está apenas tentando parar, sua motivação é enorme. Coisas como o quanto eles gostam de fumar ou quanto gastam em cigarros impulsionam essa decisão. Mas para alguém que está tentando permanecer sem fumar, a motivação importa menos, e a "capacidade" assume o comando. Coisas como ter uma identidade de não fumante, usar adesivos de nicotina ou ter um nível menor de dependência tornam-se os atores principais.

A equipe então teve que lidar com o mundo real. Eles olharam para o seu sofisticado mapa teórico e perguntaram: "O que podemos realmente medir com dados?" Isso levou ao seu mapa "baseado em dados". Eles tiveram que cortar algumas ideias teóricas legais porque não havia dados suficientes para sustentá-las. Por exemplo, embora soubessem que entender os danos do fumo é importante, não conseguiram encontrar evidências suficientes no contexto inglês atual para provar que era um grande impulsionador, então deixaram isso de fora da simulação final. Eles também tiveram que decidir quais políticas testar. Escolheram uma "campanha de mídia de massa" para encorajar as pessoas a tentarem parar (aumentando a motivação) e "mais financiamento para serviços de cessação do tabagismo" para ajudar as pessoas a permanecerem sem fumar (aumentando a capacidade).

Uma das partes mais empolgantes do trabalho deles é como lidaram com os "ciclos de feedback". Na vida real, parar de fumar muda o mundo ao seu redor, que por sua vez muda você de volta. Se você para de fumar, pode ter menos amigos fumantes, o que torna mais fácil para seus amigos pararem também. Ou, se você tenta parar e falha, pode se sentir menos motivado da próxima vez. A equipe construiu esses ciclos em seu mapa, criando um sistema complexo e vivo onde o comportamento de uma pessoa reverbera para afetar toda a população. Eles até incluíram uma "população sintética", uma multidão virtual de pessoas que reflete o Reino Unido real, completa com diferentes idades, empregos e círculos sociais. Isso significa que o modelo deles pode mostrar como uma política pode ajudar uma pessoa rica de forma diferente de uma pessoa pobre, ou como a jornada de um jovem difere da de um idoso.

O Que Eles Descobriram (e o Que Não Descobriram)

A grande descoberta aqui não é uma pílula mágica que faz todos pararem de fumar instantaneamente. Em vez disso, o artigo sugere que a maneira como modelamos esses problemas precisa de uma atualização séria. Ao usar seu novo processo de mapeamento, a equipe descobriu que tentar modelar o "parar de fumar" como um evento único é um erro. Os fatores que levam você a tentar parar são distintos dos fatores que o mantêm sem recaídas. Por exemplo, eles descobriram que, embora o uso de terapia de reposição de nicotina (TRN) ajude a motivar uma primeira tentativa, é a versão prescrita da TRN e outros auxílios que realmente ajudam alguém a manter o abandono.

Eles também descartaram explicitamente a ideia de que podemos simplesmente jogar todos os fatores possíveis em um modelo e esperar pelo melhor. Eles mostraram que, sem um mapa claro ligando as políticas a drivers psicológicos específicos, a simulação se torna uma caixa preta. Eles também observaram que, embora seu modelo seja sofisticado, ainda é uma simulação. Ele sugere como as coisas podem funcionar com base nos dados que possuem, mas ainda não "provou" que essas políticas funcionarão definitivamente no mundo real. O modelo é uma ferramenta para ajudar os formuladores de políticas a fazerem estimativas melhores, não um cristal de vidência.

Além disso, eles foram cuidadosos ao dizer que seu mapa atual não cobre tudo. Eles não modelaram detalhadamente a dança complexa entre fumar e usar vape, nem incluíram todas as possíveis mudanças de política, como aumentos de preços no tabaco, porque queriam focar primeiro nos mecanismos comportamentais. Eles também admitiram que seu modelo dependia fortemente de dados existentes e, se esses dados estiverem faltando uma peça, o mapa terá uma lacuna.

Por Que Isso Importa

Então, por que um adolescente curioso deveria se importar com um monte de modelos de computador e fluxogramas? Porque esse processo muda a forma como resolvemos grandes problemas. Antes disso, tentar prever se uma nova lei ajudaria as pessoas a parar de fumar era como navegar em um labirinto no escuro. Você adivinhava para qual lado virar e, se batesse em uma parede, apenas tentava novamente. Este novo método entrega uma lanterna e um mapa. Ele permite que cientistas e formuladores de políticas vejam as conexões ocultas entre uma decisão governamental e a vida diária de uma pessoa.

Ao separar o "tentar" do "permanecer", o modelo mostra que precisamos de ferramentas diferentes para diferentes partes da jornada. Você não pode usar apenas um pôster motivacional para ajudar alguém que está sem fumar há um ano; essa pessoa precisa de suporte diferente, como melhor acesso a auxílios médicos. E como o modelo leva em conta como as pessoas influenciam umas às outras, ele pode prever como uma política pode ajudar uma comunidade inteira, não apenas uma pessoa.

Os autores estão esperançosos de que este processo transparente possa ser usado para outras questões de saúde, como o consumo de álcool ou a obesidade. Eles acreditam que, ao tornar a "receita" desses modelos clara e aberta, podemos construir simulações melhores no futuro. Essas simulações não serão apenas jogos sofisticados; serão ferramentas poderosas que ajudarão os líderes a tomar decisões que sejam mais justas e eficazes, garantindo que o dinheiro público seja gasto nas estratégias que realmente funcionam para as pessoas que mais precisam delas. É um passo em direção a um futuro onde não apenas adivinhamos o que funciona, mas sabemos por que funciona.