ვაშინგტონის მოდელის მიმოხილვა

 

COVID-19 გრძელვადიანი პროგნოზის მოდელების ინტერპრეტაცია

COVID-19 პანდემიის ევოლუციის მოდელები იყოფა 2 ჯგუფად - მოკლევადიანი და გრძელვადიანი. ჩვენი მოდელი (ისევე როგორც მაგალითად ჟენევის უნივერსიტეტის ჯგუფის მოდელი, რომელზეც შემდეგ პოსტში დავწერთ დაწვრილებით) მოკლევადიან ტიპს განეკუთვნება. გრძელვადიანი პროგნოზის მოდელია ჩვენში პოპულარული (და ხშირად არც მთლად აკურატულად ინტერპრეტირებული) ვაშინგტონის უნივერსიტეტის Institute for Health Metrics and Evaluation მოდელი ( https://covid19.healthdata.org/georgia ), რომლის შედეგების ინტერპრეტაციას ამ პოსტში განვიხილავთ.

გრძელვადიანი მოდელების მთავარ მიზანს არ წარმოადგენს იმისი პროგნოზირება, თუ „რამდენი გარდაცვლილი გვეყოლება იანვრის ბოლოს“. თუ ამ კუთხით შევხედავთ ამ მოდელის პროგნოზს (იხილეთ გრაფიკი 1), იგი იძახის, რომ არსებული პოლიტიკის გაგრძელების შემთხვევაში 31 იანვარს საქართველოში იქნება 3382 გარდაცვლილი, ოღონდ ცდომილებაა ძალიან დიდი (სანდოობის ინტერვალია 2425-4939 გარდაცვლილი).

Figure 1. გარდაცვლილების რაოდენობა 31 იანვარს არსებული პოლიტიკის გაგრძელების შემთხვევაში.

გასაგებია, რომ დღეს 1387 გარდაცვლილის არსებობის პორობებში, იმის გათვალისწინებით, რომ დღეში საშუალოდ 30-45 გარდაცვლილი გვემატება, ასეთი სიზუსტის პროგნოზის გაკეთება არ იქნებოდა რთული.

კიდევ უფრო შეცდომაში შემყვანია დღიური ინფიცირებების რაოდენობის გრაფიკით (იხილეთ ნახ. 2) დავადგინოთ, რომ „პიკი 22 ნოემბერს გადავლახეთ“. როგორც გრაფიკიდან ჩანს, ამ

Figure 2. დღიური ინფიცირებულების რაოდენობა მართვის სხვადასხვა სცენარებში.

მოდელის პროგნოზი 04 დეკემბრისთვის არის 3800-11400 შუალედში (აქ საუბარია ყველა ინფიცირებულზე, და არა მხოლოდ გამოვლენილებზე). გასაგებია, რომ ასეთი ცდომილების მქონე პროგნოზი ასევე არაფრის მთქმელი არ არის.

საქმე იმაშია, რომ გრძელვადიანი პროგნოზის მოდელების მთავარი მიზანი არის არა იმის მაქსიმალურად ზუსტად განსაზღვრა, რა იქნება გარდაცვლილთა რაოდენობა 31 იანვარს (ამის მეტ-ნაკლებად ზუსტი მოდელირება უბრალოდ შეუძლებელია, სწორედ ამიტომ აქვს პროგნოზებს ასეთი დიდი ცდომილება), არამედ სცენარების გათამაშება და პროექცია იმისა „რა მოხდება თუ მართვა იქნება ასე“ (ანუ წარმოადგენენ ე.წ. what-if ტიპის მოდელებს). ამიტომ, ვაშინგტონის უნივერსიტეტის საიტზე მოცემული მოდელირების გრაფიკებზე ყოველთვის გვაქვს 3 წირი და თითოეული ასახავს კონკრეტულ სცენარს:

წითელი წირი შეესაბამება იმ სიტუაციას, როდესაც ხდება შეზღუდვების შერბილება და არ ხდება მათი ხელახალი გამკაცრება;

ღვინისფერი წირი შეესაბამება სცენარს, როდესაც ხდება არსებული შეზღუდვების გახანგრძლივება, იმ დამატებითი პირობით, რომ თუ გარდაცვლილთა რიცხვი გადაცდება 8-ს 1მლნ მოსახლეზე, მაშინ მთავრობა ხელახლა აცხადებს 6 კვირიან Lockdown-ს. 22 ნოემბერს სწორედ ის მოხდა, რომ მათი მოდელის ფარგლებში (რომელიც მიზნებიდან გამომდინარე საკმაოდ ზოგადია და შეიძლება რეალურ სცენარს მნიშვნელოვნად სცდებოდეს) სწორედ 22 ნოემბერს გადაკვეთა საქართველომ ეს ჯებირი, 8 გარდაცვლილი მილიონზე, და ამიტომ მათი მოდელის ფარგლებში „სიმულაციურმა მთავრობამ“ 6 კვირიანი Lockdown გამოაცხადა. რამაც მეორე დღესვე ცხადია რომ გამოიწვია (რეალურ და არა გამოვლენილ) ინფიცირებულების მკვეთრი კლება.

მწვანე წირი შეესაბამება პირბადეების 95% გამოყენებას და იგივე Lockdown-ის გამოცხადებას თუ გარდაცვლილთა როცხვი იგივე ჯებირულ მნიშვნელობას გადააცილებს.

ასეთი გრძელვადიანი სიმულაციების მთავარი დანიშნულება, სწორედ სხვადასხვა სცენარების შედარებაა, და ამ 3 წირის ცალ-ცალკე განხილვა არ შეიძლება. ნახ. 1-ზე მოცემული სიმულაცია გვიჩვენებს, რომ თუ ჩვენ დღეს მთლიანად მოვხსნით შეზღუდვებს, მაშინ იანვრის ბოლომდე გვეყოლება 4000-ით, ანუ დაახლოებით 2-ჯერ მეტი გარდაცვლილი, ვიდრე არსებული შეზღუდვების შენარჩუნების შემთხვევაში. და პირიქით, 95%-იანი პირბადეების გამოყენების შემთხვევაში გარდაცვლილთა რაოდენობა შემცირდება დაახლოებით 600-ით, ან 20%-ით.

ასეთი ინტერპრეტაციის აუცილებლობის დასტურია ასევე შემდეგი გარემოებები:

1. მოდელი 2 კვირაა არ განახლებულა (გრძელვადიან მოდელებს დიდი სიზუსტე არ მოეთხოვებათ, ისინი სცენარების შედარებისთვის არსებობენ, იხილეთ ნახ. 3).

Figure 3. ვაშინგტონის უნივერსიტეტის მოდელის გვერდის განახლების თარიღი 3 დეკემბრის მდგომარეობით.

2. ეს მოდელი საერთოდ არ ცდილობს დღიური გამოვლენილი შემთხვევების პროგნოზირებას, რაც მოკლევადიანი პროგნოზის მოდელების მთავარ მიზანს წარმოადგენს (იხ. ნახ. 4)

Figure 4. დღიური შემთხევების რაოდენობა, მოდელი პროგნოზს არ იძლევა.