นักวิจัยร่างความลำเอียงในการวิจัยโรคระบาด และเสนอเครื่องมือจำลองใหม่เพื่อเป็นแนวทางในการทำงานในอนาคต

"แม้กระทั่งทุกวันนี้ วิธีการเชิงประจักษ์ที่นักวิจัยโรคระบาดใช้ก็ยังประสบกับข้อบกพร่องในการออกแบบและการดำเนินการ" Bud Mishra ศาสตราจารย์แห่ง Courant Institute of Mathematical Sciences แห่งมหาวิทยาลัยนิวยอร์กและผู้เขียนอาวุโสของรายงานอธิบาย ซึ่งปรากฏในวารสาร Technology & Innovation . "ในงานของเรา เราให้ความกระจ่างถึงข้อผิดพลาดที่มักมองข้ามซึ่งพบบ่อยแต่มักมองข้ามอย่างน่าทึ่งซึ่งส่งผลต่อระเบียบวิธีวิจัย และแนะนำเครื่องมือจำลองสถานการณ์ที่เราคิดว่าสามารถปรับปรุงการตัดสินใจเชิงระเบียบวิธีได้" แม้ในยุคสมัยที่สามารถพัฒนาวัคซีนได้สำเร็จในเวลาไม่กี่เดือน การต่อสู้กับความทุกข์ยากด้วยวิธีที่ไม่สามารถจินตนาการได้ในศตวรรษก่อนๆ นักวิทยาศาสตร์อาจยังคงถูกขัดขวางโดยไม่เจตนาจากข้อบกพร่องในวิธีการของพวกเขา ในบทความนี้ Mishra และผู้เขียนร่วมของเขา Inavamsi Enaganti และ Nivedita Ganesh นักศึกษาระดับบัณฑิตศึกษาสาขาวิทยาการคอมพิวเตอร์ของ NYU สำรวจความขัดแย้งมาตรฐาน การเข้าใจผิด และอคติในบริบทของการตั้งสมมติฐานและแสดงให้เห็นว่าสิ่งเหล่านี้เกี่ยวข้องกับงานที่มุ่งจัดการกับโรคระบาดอย่างไร . สิ่งเหล่านี้รวมถึง Grue Paradox, Simpson's Paradox และอคติในการยืนยัน ท่ามกลางสิ่งอื่นๆ: Gru Paradox ผู้เขียนทราบว่าการวิจัยมักถูกขัดขวางโดยข้อผิดพลาดที่เชื่อมโยงกับการให้เหตุผลแบบอุปนัย ซึ่งอยู่ภายใต้สิ่งที่เรียกว่า Grue Paradox ตัวอย่างเช่น หากมรกตทั้งหมดที่สังเกตได้ในช่วงเวลาที่กำหนดเป็นสีเขียว มรกตทั้งหมดจะต้องเป็นสีเขียว อย่างไรก็ตาม หากเรานิยามคำว่า "grue" เป็นคุณสมบัติของการมีสีเขียวจนถึงช่วงระยะเวลาหนึ่งและจากนั้นจะเป็นสีน้ำเงินหลังจากนั้น หลักฐานเชิงอุปนัยสนับสนุนข้อสรุปว่ามรกตทั้งหมดเป็น "grue" และสนับสนุนข้อสรุปว่ามรกตทั้งหมดเป็นสีเขียว ป้องกันไม่ให้ จากการได้ข้อสรุปที่ชัดเจนเกี่ยวกับสีของมรกต "ในขณะที่สร้างและเปรียบเทียบสมมติฐานในบริบทของโรคระบาด สิ่งสำคัญคือต้องระบุการพึ่งพาชั่วคราวของภาคแสดง" ผู้เขียนเขียน สิ่งเหล่านี้รวมถึงสมมติฐานเกี่ยวกับการกลายพันธุ์ของไวรัส การกระตุ้นให้เกิดภูมิคุ้มกันหมู่ หรือคลื่นของการติดเชื้อที่เกิดซ้ำ ความขัดแย้งของซิมป์สัน " Simpson's Paradox เป็นปรากฏการณ์ที่แนวโน้มที่สังเกตได้จากข้อมูลเมื่อแบ่งเป็นกลุ่มต่างๆ จะกลับกันเมื่อรวมกัน" ผู้เขียนเขียน "ผลกระทบนี้มีอยู่อย่างกว้างขวางในวรรณกรรมทางวิชาการและบิดเบือนความจริงอย่างฉาวโฉ่" ตัวอย่างเช่น หากในการทดลองทางคลินิก 100 คนเข้ารับการบำบัด 1 และ 100 คนเข้ารับการบำบัด 2 โดยมีอัตราความสำเร็จ 40 เปอร์เซ็นต์และ 37 เปอร์เซ็นต์ตามลำดับ จะถือว่าการรักษา 1 มีประสิทธิภาพมากกว่า อย่างไรก็ตาม หากคุณแบ่งข้อมูลเหล่านี้ตามตัวบ่งชี้ทางพันธุกรรม เช่น Genetic Marker A และ Genetic Marker B ประสิทธิภาพของการรักษาอาจให้ผลลัพธ์ที่แตกต่างกัน ตัวอย่างเช่น การรักษาแบบ 1 อาจดูดีกว่าเมื่อคุณดูที่ประชากรโดยรวม แต่ค่าของมันอาจลดลงสำหรับกลุ่มย่อยบางกลุ่ม อคติการยืนยัน ผู้เขียนตั้งข้อสังเกตว่า ความลำเอียงในการยืนยันที่รู้จักกันอย่างกว้างขวาง หรือแนวโน้มที่จะค้นหาและเรียกคืนข้อมูลโดยเน้นย้ำมากขึ้นเมื่อสนับสนุนสมมติฐานของนักวิจัย ยังทำให้เกิดภัยพิบัติในการวิจัย โรคระบาด อีกด้วย "ปรากฏการณ์นี้สามารถเห็นได้แล้วในบริบทของโควิด-19 ในการคัดเลือกข้อมูลเพื่อวาดภาพที่สนับสนุนความเชื่อของประชาชน" พวกเขาเขียน "ตัวอย่างเช่น หลักฐานที่สนับสนุนประเทศที่ใช้การล็อกดาวน์อย่างเข้มงวดและการเว้นระยะห่างทางสังคมช่วยปรับปรุงสุขภาพของประชาชนนั้นมีน้ำหนักมากกว่าหลักฐานที่บ่งชี้ว่าประเทศต่างๆ ที่ผ่อนคลายมาตรการของตนจะมีจำนวนผู้ป่วยที่ลดลงเช่นเดียวกัน นอกจากนี้ ตัวแปรอื่นๆ ที่อาจมีอิทธิพลพอๆ กับมาตรการล็อกดาวน์ แต่ มีบริบทและหลากหลายสำหรับภูมิภาคต่างๆ ซึ่งอาจถูกละเลย เช่น ความหนาแน่นของประชากร หรือประวัติการฉีดวัคซีน" ในการจัดการกับความท้าทายด้านวิธีการเหล่านี้ ทีมงานได้สร้างแพลตฟอร์มการจำลองการระบาดแบบโอเพ่นซอร์ส (Episimmer) ที่พยายามให้การสนับสนุนการตัดสินใจเพื่อช่วยตอบคำถามของผู้ใช้ที่เกี่ยวข้องกับนโยบายและข้อจำกัดระหว่างการแพร่ระบาด Episimmer ซึ่งนักวิจัยทำการทดสอบภายใต้สถานการณ์ฉุกเฉินทางสาธารณสุขที่จำลองขึ้นหลายๆ สถานการณ์ ทำการวิเคราะห์แบบ "ไม่จริง" โดยวัดว่าจะเกิดอะไรขึ้นกับระบบนิเวศหากไม่มีการแทรกแซงและนโยบาย ซึ่งจะช่วยให้ผู้ใช้ค้นพบและฝึกฝนโอกาสและเพิ่มประสิทธิภาพที่พวกเขาสามารถทำได้ กลยุทธ์ COVID-19 ของพวกเขา (หมายเหตุ: แพ็คเกจ python ของแพลตฟอร์มมีอยู่ในหน้านี้: https://pypi.org/project/episimmer/ ) สิ่งเหล่านี้อาจรวมถึงการตัดสินใจเช่น "วันใดที่ควรอยู่ห่างไกลหรือไปพบหน้ากัน" สำหรับโรงเรียนและที่ทำงาน เช่นเดียวกับ "ขั้นตอนการฉีดวัคซีนใดมีประสิทธิภาพมากกว่าเมื่อพิจารณาจากรูปแบบปฏิสัมพันธ์ในท้องถิ่น" "เมื่อเผชิญกับไวรัสที่พัฒนาอย่างรวดเร็ว นักประดิษฐ์ต้องทดลอง ทำซ้ำ และปรับใช้ทั้งโซลูชันที่สร้างสรรค์และมีประสิทธิภาพ ในขณะเดียวกันก็หลีกเลี่ยงหลุมพรางที่รบกวนการทดลองทางคลินิกและงานที่เกี่ยวข้อง" Enaganti กล่าว ทีมงานดำเนินการวิจัยโดยเป็นส่วนหนึ่งของกลุ่มวิจัยระหว่างประเทศหลายสาขาวิชาที่ใหญ่กว่าซึ่งประกอบขึ้นเองโดยใช้ชื่อว่า RxCovea และเปิดใช้งานเครื่องมือในอินเดียโดยเป็นส่วนหนึ่งของโครงการ Campus-Rakshak