نویسنده مهمان: دکتر رضا یوسفی نورایی، متخصص اپیدمولوژی

خلاصه مقاله

متن کامل مقاله را از این‌جا دریافت کنید.

پیاده سازی ((implementation یک پروژه مقابله با بحران که لازمه آن تغییر ساختارها و فرآیندها در سطح ملی یا منطقه ای (شهرستان، بیمارستان) است فرآیندی بسیار پیچیده و چندبعدی است. چه بسیار پروژه های موثر و جذابی که به دلیل ندیدن این پیچیدگی ها و عدم وجود مکانیسم های مناسب برای برخورد با آنها هیچگاه پیاده نشده اند یا پس از یکی دو هفته کنار گذاشته شده اند. این مساله در مورد پروژه های سیستمیک مقابله با همه گیری بیماری کرونا ویروس جدید بسیار حیاتی است چرا که سیستم توانایی و منابع و زمان محدودی دارد، پنجره پبش رو برای بسیاری پروژه ها محدود و گذراست (اگر دیر دست به کار شویم دیر شده است) و پیاده سازی پروژه هایی که احتمال شکست شان بالاست یا به درستی پیاده سازی نمیشوند (هرچند بر روی کاغذ عملی و موثر به نظر میرسند) هزینه جانی و مالی فراوانی دارد. من در این مقاله سعی کردم چند توصیه مهم را بر مبنای تجربیات و یافته های دانش پیاده سازی (Implementation science) جمع بندی کنم. برای گروهی از مخاطبان ممکن است این توصیه ها در شرایط اورژانسی که سیستم با آن روبرو است غیر عملی یا غیرمهم جلوه کند. اما تجربیات مشابه در کشورها و سیستم های بهداشتی مختلف نشان داده اند بدون وجود مکانیسم های ارزیابی و انعطاف پذیری و بومی سازی، و به دیگر سخن پیاده سازی آگاهانه و علمی، بسیاری از طرحهای پرهزینه سیستمی ناموفق بر زمین مانده و منجر به هزینه های مضاعف شده اند.

در این مقاله ۱۰ توصیه مهم به همراه چهارچوب های فکری و مثال های عملی برای تصمیم گیرندگان، طراحان، و مجریان پیاده سازی مداخلات کنترل بحران ارائه شده است. این توصیه ها عبارتند از:

  • برای تدوین و طراحی مداخلات پیاده سازی وقت و انرژی بگذارید. پیاده سازی عجولانه معمولا ناموفق خواهد بود.
  • استراتژی های تسهیل پیاده سازی (مانند اطلاع رسانی، تبلیغ، و مکانیسم های تشویقی) به اندازه خود مداخله مهم هستند. آنها را با دقت و آگاهانه تدوین و طراحی کنید.
  • ارزیابی مرتب و هدفمند قلب پیاده سازی موفق است. در مرحله تدوین به شاخصهای ارزیابی فکر کنید و به طور مرتب ارزیابی را انجام دهید و بر اساس آن تغییرات لازم را اعمال کنید.
  • مداخلات در بسترهای متعدد و تودرتویی پیاده میشوند. به موانع مرتبط با پیچیدگی ها و بسترهای مختلف (فردی، بین فردی، سازمانی، منطقه ای، فرهنگی، سیاسی، اقتصادی) پیشاپیش فکر کنید و برای آنها راه حل بیاندیشید.
  • ذینفعان مختلف را (حتی در حد تماس های تلفنی ساده) در فرایند تدوین و طراحی دخیل کنید. آنها باید حس کنند مداخله برای آنها قابل اجراست، قابل بومی سازی است، قابل قبول است، از بقیه مداخلات موجود بهتر است، پیچیده نیست، رهبران معتبری آن را تدوین کرده اند. ذینفعان ممکن است شما را در جریان نکات مهم و راه حل های جدید بگذارند.
  • فرایند ارزیابی> تدوین> اجرا> ارزیابی> گزارش‌دهی را به طور تکرار شونده (rapid cycle) اجرا کنید. راه حل های اولیه معمولا خیلی واقع گرایانه نیستند و در طول پیاده سازی تغییر خواهند کرد.
  • انعطاف پذیر باشید و به ذینفعان و واحدهای میدانی اجازه تطبیق و بومی سازی با وفاداری به اصول و اهداف اصلی پیاده سازی را بدهید.
  • به تیم های اجرایی بازخوردهای اختصاصی بدهید و فرایندهایی را تعریف کنید که تیم ها بتوانند در مورد ارزیابی ها و راه حل های پیش رو با هم و با شما صحبت کنند.
  • اعتمادسازی شالوده اصلی پیاده کردن موفق مداخلات است. چینی شکسته اعتماد با شفافیت، رابطه متقابل، و توانمندسازی قابل بند زدن است.
  • پیاده سازی موفق در شرایط بحران نیاز به رهبرانی قدرتمند، آگاه، و قابل اعتماد دارد که علاوه بر تصمیم گیری های قاطع در وقت نیاز به برقراری ارتباط و دیالوگ بین اجزای مختلف تصمیم گیری و اجرایی و کسب اطلاعات به‌روز از منابع مختلف اهتمام میورزند.
مقاله قبلیمقاله بعدی

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

تاثیر شرایط جوی بر گسترش بیماری کوید نوزده: تخمین‌ها و پیش‌بینی‌ها

رن شو (دانشگاه کانتیکِت)، هژیر رحمانداد (اِم‌آی‌تی)، ماریچی گوپتا (بیمارستانِ MGH)، کترین دی‌جِنارو (بیمارستانِ MGH)، نوید غفارزادگان (ویرجینا تِک)، حسن امینی (دانشگاه کُپِنهاگ) و محمد جلالی (دانشگاه هاروارد و بیمارستانِ MGH)

تماس: محمد جلالی msjalali@mgh.harvard.edu

خلاصه

مقدمه: تحلیل و پیش‌بینیِ روند گسترش بیماری کوید نوزده، نیاز به تخمینِ میزانِ تاثیر شرایط آب و هوایی بر گسترش بیماری دارد. مطالعات گذشته محققین در این زمینه با تناقضاتی در نتایج همراه بوده‌است. در این مقاله، نویسندگان، ضمنِ جمع‌آوری یکی از گسترده‌ترین مجموعه داده‌های موجود از نقاط مختلف دنیا، به تخمین تاثیر شرایط جوی و پیش بینی ریسک گسترشِ بیماری، در ماه‌های آتی، و در نقاط مختلف دنیا می‌پردازند.

رویکرد: این مقاله مبتنی بر استفاده از روش‌های مختلف تحقیق اعم از مدل‌های آماری و شبیه‌سازی و استفاده از کلان‌داده است. داده‌های جمع‌آوری شده،  شامل تعدادِ بیماران بر مبنای گزارش‌های رسمی در 3739 منطقه دنیا، از تاریخ 12 دسامبر تا 22 آوریل سال 2020، و متغیرهای متعدد جوی و منطقه‌ای است. در این مقاله، ابتدا با استفاده از مدل‌های شبیه‌سازی، چالش‌های پیش‌رو در تخمین تاثیر شرایط آب و هوایی بر گسترش بیماری بررسی شده است و نشان داده می‌شود که، از نظر متدولوژیک، دست‌ِکم گرفتن اهمیتِ توزیع آماریِ بازه زمانی میان آغاز بیماری، شناسایی بیماری، و گزارش آن، می‌تواند به تخمین‌های نادرست بیانجامد. این مشکل از آنجا ناشی می‌شود که برای بررسی تاثیر دما باید دمای روزانه با تعداد مبتلایان همان روز مقایسه شود، حال آنکه زمان نسبتا طولانی و متغیر میان آغاز ابتلا و شناسایی موارد ابتلا وجود دارد. از این رو تخمین تاثیر شرایط آب و هوایی بر بیماری نیز مشکل می‌شود. در این مطالعه، ابتدا الگوریتمی ارائه شده است که زمان آغاز بیماری با استفاده از گزارش‌های رسمی تخمین زده شود. سپس مدلِ آماری این مطالعه، در محیطِ شبیه‌سازی، طراحی و آزمایش شده است. پس از سنجش اعتبارِ مدل، از داده‌های اصلی برای بررسی همبستگی متغیرهای جوی و متغیر بازتولید کننده استفاده شده است. مدل آماری نهایی، علاوه بر متغیرهای جوی، شامل متغیرهای مختلف محیطی، اعم از چگالی شهری، و روند تغییرات در هر منطقه است. نهایتا، از تخمین‌های بدست آمده برای بررسیِ (کاهشِ) ریسکِ ناشی از تغییرات دما بر گسترش بیماری در مناطق مختلف، استفاده شده است.

نتایج: تغییرات آب و هوایی می‌تواند تا حدودی بر (کاهشِ) گسترش بیماری تاثیر‌گذار باشد. میزان تاثیر شرایط جوی قابل ملاحظه است، اما، به خودیِ خود، کافی نیست. به طور مشخص، پس از دمای بیست و پنج درجه سانتیگراد، به ازای هر درجه افزایشِ دما، قدرت بازتولید کنندگی ویروس، تقریبا سه و یک‌دهم درصد کم می‌شود (بازه اطمینان 95 درصد: بین یک و نیم درصد، تا چهار و هشت‌دهم درصد). یعنی ده درجه افزایش دما از 25 تا 35 درجه سانتیگراد، با فرض ثابت بودن سایر عوامل همچون رطوبت هوا، منجر به کاهش سی و یک درصدی عدد بازتولید کننده می‌شود. در مناطق مرطوب‌تر، تاثیر بازدارندگی گرمایش، به مراتب بیشتر خواهد بود. علاوه بر این متغیرها، تاثیر وزش باد، میزان آفتاب، برف و بارندگی نیز بررسی شده است. در کل، به نظر می‌رسد که تفاوت شرایط آب و هوایی، تا 43 درصد، قادر به توضیح تفاوت میزانِ شیوع بیماری در نقاط مختلف دنیاست. شکل 1، تخمین ریسک ناشی از تغییرات جوی بر گسترش بیماری را در برخی از شهرهای ایران نشان می‌دهد.

شکل 1 – ریسک ناشی از تغییرات جویِ گسترش کرونا در شهرهای مختلف ایران – برای درک بهتر شکل باید به تغییرات نسبی هر نمودار توجه شود. مثلا در نمودار تهران، ریسک گسترش بیماری در ماههای تابستان حدودا 30 درصد کمتر از ماههای میانیِ زمستان است (تفاوتِ هفت دهم، و نود و پنج صدم). برای بسیاری دیگر از مناطق ایران و جهان به این سایت مراجعه کنید: https://projects.iq.harvard.edu/covid19

میزان تاثیرات قابل ملاحظه است. هر چند تخمین‌های موجود در این مطالعه با احتیاط همراه بوده و احتمالا تخمین پایین‌دستی است، اما باز هم به نظر نمی‌رسد که تغییرات آب و هواییِ فصلی، به تنهایی، قادر به کنترل بیماری باشد و برای کنترل بیماری به ادامه برخی از سیاستها در سطح کشور نیاز است. برای بررسی بسیاری دیگر از شهرها و مناطق دنیا می توانید به سایت این پژوهش مراجعه کنید. علاقه‌مندان به مباحث تخصصی را به مطلب اصلی ارجاع می‌دهیم.

سایت پژوهش: https://projects.iq.harvard.edu/covid19

مقاله اصلی:

Xu, R., Rahmandad, H., Gupta, M., DiGennaro, C., Ghaffarzadegan, H., Amini, N., Jalali, M., Weather Conditions and COVID-19 Transmission: Estimates and Projections. Available at https://www.medrxiv.org/content/10.1101/2020.05.05.20092627v1  

اخبار نگران کننده؛ «احتیاط» هنوز اولویت اول

نوید غفارزادگان

در ادامه مطالب قبلی (+و ++) به داده های رسمی جدید بیماری در ایران نگاه می کنیم:

یکی از پارامترهای مهم در بررسی روند شیوع بیماری، متغییر بازتولید کننده Reproduction number است. این متغیر نشان می دهد که هر بیمار در زمان بیماری چند نفر جدید را بیمار می کند. می دانیم که اگر این متغیر بالاتر از یک باشد، روند رشد، فزاینده خواهد بود. دسترسی به داده های واقعی به دلیل محدودیت های تست (اعم از میزان و دقت تست) میسر نیست. از طرف دیگر داده های تست عموما تاخیر ده روزه نسبت به زمان آغاز بیماری دارند. با تمام این محدودیت ها اگر فرض کنیم تعداد گزارشِ بیماران جدید، نسبت ثابتی از بیماران واقعی در ده روز گذشته است می توانیم متغییر بازتولید کننده را تخمین بزنیم. با همین روش به نمودار زیر می رسیم:

این نمودار نشان می دهد که متاسفانه این متغیر، حدودا سیزده روز پیش، عدد یک را پشت سرگذاشته است که روند بسیار نگران کننده ای است. در صورتی که این روند ناشی از نویز در گزارشها نباشد، بیانگر این است که موج دوم بیماری در راه است. امیدواریم این طور نباشد. ضمن این که چون ارقام اعلام شده، کشوری است، دقیقا معلوم نیست چه منطقه ای و چه استانی با این مشکل روبروست. به هر حال سیاستگذاران و مردم باید بسیار به‌هوش باشند، از بازگشایی مراکزی که به تجمع زیاد منجر می‌شود خودداری شود، و از بیرون رفتن های غیرضروری بکاهند.