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

Quando uma nova doença começa a se espalhar, os governos precisam saber o quão rápido ela se moverá, onde atingirá em seguida e quais ações irão detê-la. Para responder a essas perguntas, cientistas constroem modelos matemáticos. Estes não são bolas de cristal que preveem o futuro com certeza; em vez disso, são formas estruturadas de pensar sobre como um vírus pode se comportar sob diferentes condições. Imagine um modelo como um mapa complexo que mostra as rotas possíveis que um viajante poderia seguir, com base nas estradas disponíveis e no clima esperado. Se o mapa for desenhado com dados ruins ou suposições ocultas, o viajante poderá tomar um caminho errado. Durante décadas, esses modelos ajudaram autoridades a gerenciar surtos, desde a febre aftosa em bovinos até a disseminação global da influenza. No entanto, a recente pandemia revelou que ter mapas melhores não é suficiente. O verdadeiro desafio reside em como os mapas são desenhados, como os dados que os alimentam são compartilhados e como os resultados são explicados para as pessoas que devem tomar decisões de vida ou morte.

Um grande grupo de especialistas reuniu-se agora para definir exatamente como a modelagem de doenças infecciosas deve funcionar para ser mais útil. Liderada por pesquisadores da Universidade de Lübeck, esta equipe reuniu 41 especialistas em matemática, saúde pública e ciências sociais de universidades e institutos de pesquisa de todo o mundo. Eles não apenas discutiram sobre quais equações eram as melhores. Em vez disso, conduziram um processo rigoroso para encontrar um acordo sobre as regras do jogo. Primeiro, revisaram centenas de estudos passados para ver quais problemas os cientistas enfrentaram anteriormente. Em seguida, realizaram uma série de quatro rodadas de discussão e votação, refinando suas ideias até que todos concordassem com um conjunto final de quarenta recomendações. O objetivo era criar um padrão compartilhado que tornasse a modelagem mais confiável, transparente e pronta para a próxima emergência.

A descoberta mais marcante deste trabalho é que os especialistas concordaram quase perfeitamente em quarenta afirmações específicas. Trinta e oito delas receberam a classificação mais alta possível, o que significa que todo o painel as considerou essenciais. No entanto, o consenso não foi sobre como construir um tipo específico de modelo. Em vez disso, o consenso mais forte concentrou-se nas condições que cercam o modelo: os dados que ele utiliza, a forma como ele é relatado e as pessoas que trabalham com ele. O painel descobriu que um grupo de modelagem não pode resolver esses problemas sozinho. Embora os cientistas possam decidir como escrever seu código ou como explicar sua incerteza, eles não podem criar sistemas de dados públicos, negociar tratados internacionais de compartilhamento de dados ou garantir financiamento de longo prazo por conta própria. Essas tarefas exigem que governos, agências de financiamento e consultores políticos ajam entre as pandemias, não apenas durante elas.

Os especialistas identificaram que os maiores obstáculos são frequentemente práticos, e não matemáticos. Para que um modelo seja preciso, ele precisa de dados oportunos que sejam fáceis de acessar e claramente rotulados com suas limitações. Atualmente, os dados muitas vezes chegam atrasados, estão presos atrás de barreiras complicadas ou vêm em formatos que os computadores não conseguem ler automaticamente. O painel insistiu que os dados devem estar disponíveis por meio de sistemas abertos e legíveis por máquina, com documentação clara. Eles também enfatizaram a necessidade de acordos transfronteiriços para que os dados possam fluir livremente entre os países durante uma crise. Sem esses fundamentos, mesmo o modelo mais sofisticado terá dificuldade em fornecer orientações úteis. O grupo também enfatizou que os modelos devem ser transparentes. Isso significa que os cientistas devem declarar claramente quais suposições fizeram, compartilhar seu código e dados para que outros possam verificar seu trabalho e explicar os limites de suas previsões.

Outro ponto crítico de concordância foi como falar sobre incerteza. No passado, os modelos eram por vezes tratados como oráculos que podiam prever o futuro exato. O painel esclareceu que os modelos são ferramentas para explorar possibilidades, não para predizer o destino. Um modelo pode mostrar que um vírus pode se espalhar rapidamente se nenhuma ação for tomada, mas se as autoridades implementarem medidas rigorosas, essa rápida propagação pode não ocorrer. Isso não significa que o modelo falhou; significa que o modelo explorou com sucesso um cenário que foi evitado. Os especialistas argumentaram que os cientistas devem distinguir claramente entre uma previsão do que acontecerá e um cenário do que poderia acontecer sob condições específicas. Eles também concordaram que a incerteza deve ser comunicada em intervalos, mostrando um espectro de resultados possíveis, em vez de um número único e preciso que dê uma falsa sensação de exatidão.

O estudo também destacou que as pessoas que constroem esses modelos muitas vezes trabalham isoladas das pessoas que os utilizam. O painel recomendou a criação de funções permanentes que façam a ponte entre esses dois grupos, onde especialistas possam traduzir resultados complexos de modelos em conselhos claros para formuladores de políticas. Eles também observaram que os modelos frequentemente negligenciam grupos vulneráveis ou falham em considerar como o comportamento humano muda durante uma crise. Para corrigir isso, os especialistas pediram modelos que incluam populações diversas e para a integração de percepções das ciências sociais. No entanto, reconheceram que adicionar complexidade excessiva pode tornar um modelo difícil de usar, portanto, o equilíbrio certo deve ser encontrado com base na questão específica que está sendo feita.

Apesar do alto nível de concordância, o painel reconheceu limitações significativas em seu trabalho. Os especialistas foram atraídos quase inteiramente de países de alta renda e ambientes acadêmicos. Isso significa que suas recomendações refletem os recursos e estruturas disponíveis nessas regiões, que podem não existir em países de baixa e média renda onde a próxima pandemia pode surgir. O grupo admitiu que sua lista de prioridades assume um governo e um sistema de saúde funcionantes, o que nem sempre é o caso. Eles também observaram que seu estudo não abordou totalmente as realidades políticas que frequentemente impedem que bons conselhos sejam seguidos, nem explorou profundamente os custos econômicos de diferentes intervenções.

Em última análise, o artigo conclui que preparar-se para a próxima pandemia requer mais do que apenas melhor matemática. Requer a construção das instituições e da infraestrutura que permitam que os modelos funcionem efetivamente. Os especialistas ofereceram dez prioridades específicas para o período entre surtos, como estabelecer sistemas de dados interoperáveis, criar equipes interdisciplinares permanentes e garantir financiamento sustentado. Eles argumentaram que esperar até que uma crise comece para resolver esses problemas é tarde demais. As recomendações são apresentadas não como uma solução final, mas como um ponto de partida para uma conversa global. Ao concordar com esses padrões agora, a comunidade científica espera garantir que, quando a próxima ameaça surgir, as ferramentas disponíveis para combatê-la sejam robustas, claras e prontas para servir ao público.