Results not found

По вашему запросу ничего не найдено

Попробуйте отредактировать запрос и поискать снова

HR-советы

В ожидании урагана: как прогнозировать развитие эпидемии

Article Thumbnail

Из-за пандемии COVID-19 нагрузка на системы здравоохранения по всему миру чрезвычайно возросла. Вирус ударил не только по нашему здоровью, благосостоянию и самоощущению, но и по логистике: разрушились цепочки поставок, снизился объем плановых и амбулаторных процедур, под угрозой оказалась безопасность самих медицинских сотрудников. Одна из самых сложных задач — предсказать развитие пандемии. На американские больницы надвигается нечто сродни урагану — но у нас нет метеорологической службы, чтобы предсказать, когда, куда и как сильно он ударит.

Чтобы создать хотя бы локальную модель прогнозирования — например, для зоны обслуживания отдельно взятой больницы, — бостонский медицинский центр Бет-Изрейел привлек группу ученых из внутреннего Центра исследований в области медицинских услуг, в числе которых были авторы этой статьи. Центр подчиняется медицинскому директору больницы и изучает научными методами вопросы оказания медицинских услуг. Мы использовали эпидемиологические методы, технологии машинного обучения и приемы установления причинно-следственных связей, чтобы спрогнозировать, когда и в каком количестве в нашу больницу будут поступать пациенты с COVID-19. Наш подход — один из примеров новых возможностей в здравоохранении, особенно полезных в период крайней неопределенности.

В начале февраля, когда США только начинали бороться с распространением SARS-COV-2, медицинские учреждения Бостона уже готовились к предстоящему кризису. Ближе к концу месяца участникам одной биотехнологической конференции и нескольким бостонцам, вернувшимся из зарубежных поездок, был поставлен диагноз COVID-19.

Это было началом чрезвычайной ситуации. Чтобы разработать план действий, нашей больнице требовалась система оповещения о COVID-19 — как прибрежным городам нужна система оповещения об ураганах. Наша больница — это научно-медицинский центр на 670 коек, включая 77 коек в палатах интенсивной терапии. Мы знали, что нужно готовиться к урагану, но когда именно он придет и как сильно ударит? Никто ничего не мог утверждать с уверенностью.

Ураган идет — но откуда?

Урок 1. Федеральные модели прогнозирования не помогают предсказать загрузку больниц пациентами с COVID-19, поскольку в них не учитывается местная специфика.

Сначала мы обратились к федеральным моделям. Самая популярная из них была основана на методе подгонки кривой, то есть на построении кривой наилучшего приближения по отдельным точкам на основе данных из других стран. Но федеральные модели не учитывали разницу в процессах принятия решений на местах и локальные социально-экономические факторы (например, плотность населения, общий уровень здоровья жителей и роль общественного транспорта), значительно влияющие на ключевые переменные. Так, по данным соцсетей, многие студенческие районы Бостона опустели в начале марта, когда колледжи отменили очные занятия, — а значит, население города и число потенциальных носителей вируса снизилось. Еще одна важная переменная в прогнозировании загрузки больниц — процент госпитализации зараженных COVID-19 — менялась от недели к неделе, но в федеральных моделях эта величина считалась постоянной. Так, в самом начале эпидемии мы старались госпитализировать всех пациентов с SARS-COV-2 и не отправлять никого домой, ведь мы почти ничего не знали о клинической картине болезни. Поэтому нам требовалась динамическая модель, созданная специально для нашей зоны обслуживания.

Как мы создавали свою систему оповещения

Урок 2. Для построения локальной модели нужно совместить несколько методов исследования, а также заручиться доверием и поддержкой руководителей.

Разработать локальную модель больница поручила своему внутреннему исследовательскому центру, который подчиняется напрямую медицинскому директору (доктору Вайсу, одному из авторов статьи). Для этого центр использовал технологии машинного обучения и методы эпидемиологии.

Чтобы доказать саму возможность прогнозирования загрузки, мы построили предварительную модель SIR (традиционная эпидемиологическая модель, по которой рассчитывается число восприимчивых (susceptible), инфицированных (infected) и вылечившихся (recovered) в популяции) и представили ее оперативному штабу — команде медиков и специалистов по чрезвычайным ситуациям, собранной для борьбы с пандемией. Однако чтобы модель SIR была точной, нужно знать все особенности болезни — в частности, инкубационный период, заразность и период заразности, — а этих данных на тот момент у нас не было. Поэтому мы обратились к машинному обучению и начали собирать данные от пациентов в реальном времени, чтобы определить нужные показатели как можно быстрее. Мы также собирали сведения о пациентах с COVID-19 из других больниц и применяли технологию многозадачного обучения, чтобы извлечь максимум информации из ограниченного объема данных. С помощью этих методов мы рассчитали, когда спрос на койки для пациентов с COVID-19 достигнет пика, а когда выйдет на плато. Наша модель предсказала наступление пика с точностью до пяти дней и спрогнозировала его форму и время спада точнее, чем федеральные модели.

Если бы мы полагались на федеральные модели, то ожидали бы, что пик и спад будут более резкими, чем вышло на самом деле, и что пик будет достигнут на две недели раньше. Наша модель помогла больнице принять ключевые решения — например, увеличить запасы средств индивидуальной защиты, оценить необходимость срочных процедур и по возможности отложить некоторые из них, чтобы нам точно хватило ресурсов на пике загрузки, а также составить график для сотрудников на более долгий срок, чем обычно.

Как предсказать следующий ураган

Урок 3. Чтобы создать эффективную модель сложной ситуации и предсказать следующий кризис, иногда требуется быстро разработать новый метод.

Сегодня больницы находятся в сложной ситуации. Пора вернуться к лечению пациентов без COVID-19, — тех, кто не обращался за помощью во время пандемии и кого мы не могли принять раньше. Но как знать наверняка, что у нас достаточно защитного оборудования, чтобы возобновить амбулаторные процедуры? И как скоро медсестры, работавшие с коронавирусными пациентами в реанимации, смогут вернуться в другие операционные и отделения — например, в кабинет эндоскопии или в лабораторию катетеризации сердца? Кроме того, непонятно, следует ли ждать новой волны заражений после изменения политики штата, повторного открытия школ и организаций или с началом сезона гриппа.

Теперь нам предстоит выработать новые подходы и понять, как люди будут передвигаться по городу (например, ходить в школу и магазины), как часто начнут общаться друг с другом и как в связи с этим изменится риск заражения. С этой целью мы разработали индекс рисков для местных предприятий, в котором сравнивается число их посетителей до пандемии и после снятия карантина, а также учитывается, входят ли посетители внутрь или остаются снаружи. Компании, чьи клиенты находятся в тесном внутреннем пространстве (особенно если это происходит достаточно долго), получают более высокий индекс риска — иными словами, они с большей вероятностью могут стать местом заражения. На основе этого индекса рисков мы создали и проверили модель для выявления потенциальных компаний-суперраспространителей в нашей зоне обслуживания. Эта модель стала частью другого большого исследования, которое мы вскоре опубликуем в рецензируемом журнале, так что пока наши результаты можно назвать лишь промежуточными. Тем не менее мы уже используем их, чтобы совершенствовать прогнозную модель: изучаем посещаемость предприятий, которые мы сочли самыми опасными, и проверяем, влияет ли включение этой переменной в модель на точность предсказания загрузки больницы.

Как учесть результат научных исследований в работе больницы

Урок 4. Будущее абсолютно непредсказуемо, поэтому небольшие инвестиции во внутренние исследовательские группы, способные решать текущие задачи с помощью новых методов, могут оказаться весьма полезными.

Мы заранее создали собственную надежную исследовательскую группу из врачей, экономистов и эпидемиологов. Извлекая нужную информацию из хаотичных массивов данных с помощью методов машинного обучения, такие группы могут быстро и точно решать новые проблемы — лучше, чем обычные бизнес-аналитики. Любая организация может совместить методологическую строгость и гибкость с необходимостью быстро решать операционные проблемы в меняющихся и даже хаотичных условиях.


Источник: hbr-russia.ru