Bir salgın sırasında, sağlık hizmetleriyle ilgili karar vericiler için cevaplanması en zor sorulardan bazıları şunlardır: Salgın ne zaman zirveye çıkacak, aynı anda kaç kişi tedaviye ihtiyaç duyacak ve bakıma yönelik bu zirve seviyesi ne kadar sürecek? Zamanında verilen yanıtlar, hastane yöneticilerinin, topluluk liderlerinin ve kliniklerin personeli ve diğer kaynakları en etkili şekilde nasıl dağıtacaklarına karar vermelerine yardımcı olabilir. Ne yazık ki, birçok epidemiyolojik tahmin modeli, vakaları ve zirve noktalarındaki hastaneye kaldırılma sayılarını doğru bir şekilde tahmin etmede zorluk yaşama eğilimindedir.
Dergide anlatılan yeni bir yaklaşım Ulusal Bilimler Akademisi Bildirileri Austin’deki Texas Üniversitesi araştırmacıları tarafından yürütülen araştırma, uzun süredir devam eden bu sorunlara çözüm bulmak için tahmin modellerine epidemiyolojik anlayışın kritik bir parçasını oluşturuyor. “Epimodülasyon” olarak bilinen yaklaşım, mevcut salgından eğilimleri basitçe tahmin etmek yerine, modellere salgınların genel olarak nasıl gelişme eğiliminde olduğuna dair daha sezgisel bir fikir veriyor.
UT’nin Bütünleştirici Biyoloji Bölümü’nde Cooley Yüzüncü Yıl Profesörü ve tahmin ve salgın analitiğinde mükemmellik için ulusal bir merkez olan epiENGAGE’nin direktörü Lauren Ancel Meyers, “Bu, aslında modele ‘Bağışıklık oluştukça eğrinin bükülmesini bekliyoruz’ diyor, böylece model verilerden öğrenmeye devam ederken bu yavaşlamanın erken işaretlerini arayabiliyor” dedi. “Sonuç, hastanelere ve topluluklara en önemli anlarda gerçek zamanlı bilgi sağlayan daha iyi bir tahmindir.”
Ekip, yaklaşımını geniş bir model yelpazesi üzerinde ve geçmişteki grip ve COVID-19 salgınlarından elde edilen gerçek verilerle test etti. Yaklaşımın, hastaneye kabul tahminleri için salgının zirve yaptığı dönemlerde model doğruluğunu %55’e kadar artırdığını, yoğun olmayan zamanlarda ise doğruluğu azaltmadığını buldular. Epimodülasyon aynı zamanda birden fazla modeli tek bir tahminde birleştiren topluluk modellerinin doğruluğunu da geliştirdi. Sonuçlar, bunun sağlık sistemlerinin hızla gelişen salgınlara uyum sağlaması için güçlü ve yeni bir araç olabileceğini gösteriyor.
Meyers’e göre bu yaklaşım, kuş gribi, Ebola, Mpox ve hatta henüz ortaya çıkmamış yeni patojenler dahil olmak üzere dalgalar halinde yayılan birçok bulaşıcı hastalığa uygulanabilir. Bu tür dalga modelleri genellikle bir popülasyonda bağışıklık oluştukça, insanlar davranışlarını değiştirdikçe veya çevresel koşullar değiştikçe ortaya çıkar.
Meyers, “Salgınlar tanınabilir kalıpları takip etme eğilimindedir. İlk başta çok hızlı büyürler, daha fazla insan bağışıklık kazandıkça veya davranışlarını değiştirdikçe yavaşlarlar, sonunda zirveye ulaşır ve kaybolurlar.” dedi. “Bu dinamikler, enfeksiyonların nasıl yayıldığı, bağışıklığın nasıl oluştuğu ve risk arttığında insanların nasıl tepki verdiği gibi temel epidemiyolojik ilkeleri yansıtıyor.”
Tahmin modellerinin çoğu, özellikle de tamamen makine öğrenimine dayananlar, bu epidemiyolojik ilkelerin hiçbirini “bilmiyor”. Temel olarak son verilere bakarlar ve grafikteki bir çizgiyi uzatmak gibi trendi ileriye doğru yansıtırlar. Vakalar artarken (veya düşerken) genellikle iyi performans gösterirler ancak büyüme yavaşladığında veya tersine döndüğünde dönüm noktasını kaçırırlar. Epimodülasyon, zirveye yakın tahminlerin daha gerçekçi yapılmasına yardımcı olabilir.
