Nên thoát phong toả như thế nào?

Ông Nguyễn Văn Nên nói ‘TP.HCM không thể thực hiện Chỉ thị 16 mãi‘ [1], và tôi đồng ý. Nếu dựa vào các ‘outcome’ như số ca nhiễm và số ca tử vong, thì chánh sách phong toả thành phố HCM đã không đem lại hiệu quả. Tôi đề nghị lộ trình 4 bước thoát phong toả dưới đây.

TPHCM bị phong toả từ đầu tháng 7, và tính đến nay là coi như gần 2 tháng trời. Trong thời gian dài đó, chúng ta đã chứng kiến quá nhiều biến cố và sự kiện bi thảm, đủ để nhìn lại mục tiêu của phong toả đã đạt hay chưa, và phải nghĩ đến một chiến lược thoát phong toả.

Mục tiêu của phong toả là ngăn ngừa không để lây nhiễm trong cộng đồng. Nhìn bề ngoài thì rất ư là logic. Khi phong toả, người dân sẽ không đi ra ngoài, sẽ không tương tác với nhau, và vì thế người bị nhiễm sẽ không lây lan cho người khác. Như vậy, phong toả có thể giảm lây lan, và giảm số ca cần nhập viện, và qua đó giảm số ca tử vong. Nhìn như thế chúng ta thấy phong toả quả thật là biện pháp hợp lí.

1. Phong toả có hiệu quả?

Nhưng những gì xảy ra trong thực tế không giống như lí thuyết. Chúng ta thử xem qua con số ca nhiễm (tôi thu thập từ HCDC), và thể hiện qua biểu đồ cho dễ nhìn:  

Hình 1: Số ca nhiễm / dương tính TPHCM mỗi ngày. Màu đỏ là trước phong toả và màu xanh là sau khi phong toả. Số liệu lấy từ HCDC.vn

TPHCM bắt đầu phong toả khi số ca mỗi ngày tăng từ 137 lến gần 464 ca. Sau khi phong toả, như chúng ta thấy, số ca tiếp tục tăng. Không chỉ tăng mà còn tăng rất nhanh. Xu hướng này rất đúng với qui luật của bệnh truyền nhiễm.

Chúng ta không biết số ca nhập viện và tử vong là bao nhiêu, nhưng có thể đoán rằng xu hướng chung là gia tăng. Thật ra, tỉ lệ tử vong (nếu chỉ tính đơn giản trên số ca nhiễm hay dương tính: 8869 / 215821) thì đã lên đến con số 4.1%, có lẽ cao nhứt trong vùng Đông Nam Á. Thái Lan ghi nhận 1.19 triệu ca nhiễm, nhưng số ca tử vong chỉ 11,399 (hay dưới 1%).

Những con số trên cho thấy khá rõ ràng rằng phong toả không làm giảm số ca nhiễm và số ca tử vong. Cố nhiên, có nhiều lí do tại sao tình như như thế. Một trong những lí do là dịch đã bắt đầu ‘bén rễ’ từ tháng 5/2021, và những con số vào tháng 6 chỉ là bề nổi của tảng băng chìm. Thành ra, khi phong toả bắt đầu áp dụng thì dịch đã lan quá rộng.

2. Tác hại của phong toả

Nhưng phong toả đã gây ra nhiều tác hại. Dù truyền thông Nhà nước không phản ảnh, nhưng ‘truyền thông lề dân’ trên các mạng xã hội cho thấy tình trạng đói khát ở người dân, nhứt là người nghèo và lao động. Phải nói là ‘đói’, và họ đi lang thang trên đường xá. Những ‘sáng kiến’ dùng lính đi chợ đều thất bại (và thất bại thấy trước). Người ta chết tại nhà do các bệnh khác vì không được nhập viện chữa trị. Điều trớ trêu là phong tỏa gây thiệt hại lớn hơn và nhiều hơn cho người nghèo, nhóm người mà chánh sách phong toả muốn giúp!

Thiệt hại kinh tế cũng khá nặng nề. Một bản tin có lẽ ít người biết đến: trong 7 tháng đầu năm 2021 có 79,673 doanh nghiệp rút khỏi thị trường Việt Nam [2]. Chỉ riêng TPHCM, trong 8 tháng đầu năm đã có 24,000 doanh nghiệp rút khỏi thị trường. Ngoài những nguyên nhân kinh doanh, chắc chắn một phần là do tình trạng phong toả kéo dài làm cho họ không thể hoạt động, không có tiền trả lương công nhân viên, và duy trì kinh doanh. Có thể xem con số đó là một tín hiệu về tác động của phong toả kéo dài.

Do đó, không ngạc nhiên khi đã có nghiên cứu phân tích cho thấy phong toả không đem lại lợi ích về việc giảm số ca nhiễm. Các tác giả kết luận rằng nếu phong toả có giảm số ca nhiễm thì các biện pháp khác ít khắt khe vẫn có thể có hiệu quả y như phong toả [3].

3. Vậy cái gì có thể thay thế phong toả?

Chúng ta cần nhận ra vài sự thật (ít ra là đã có dữ liệu khoa học yểm trợ) và nhận thức như sau:  

(a) Chúng ta sẽ phải sống chung với con virus này vĩnh viễn vì chúng ta không có cách nào xoá bỏ nó;

(b) Mục tiêu là đạt miễn dịch cộng đồng tạm thời. Chỉ tạm thời thôi, bởi vì khi biến thể Delta xuất hiện thì rất cả trở nên vô nghĩa;

(c) Có hai cách để đạt miễn dịch cộng đồng: tiêm vaccine và tự nhiên (sau khi bị nhiễm và bình phục sẽ có kháng thể);

(d) Đa số các ca nhiễm sẽ tự bình phục mà không cần đến đặc trị;

(e) Nhưng một số nhỏ ca nhiễm cần phải nhập viện và khi nhập viện họ có nguy cơ tử vong cao.

Do đó, một chiến lược thay thế phong toả phải xem xét 5 yếu tố trên. Chúng ta thử bàn qua những điểm chánh:

Miễn dịch cộng đồng

Không ai biết rõ số ca nhiễm ngoài cộng đồng là bao nhiêu, nhưng dựa vào con số kết quả xét nghiệm, tôi nghĩ có thể ước tính rằng khoảng 5% người bị nhiễm. Và, theo thời gian, con số này có thể tăng lên 30% trong một tháng. Đó là miễn dịch tự nhiên.

Bên cạnh đó, số người được tiêm vaccine cũng đóng góp vào tỉ lệ miễn dịch cộng đồng. Hiện nay (30/8) thì đã có 81% đã được tiêm vaccine; trong số này 97% những người trên 65 tuổi và có bệnh nền đã được tiêm vaccine [4]. Những con số này cho thấy đã đến lúc lên kế hoạch ra khỏi tình trạng phong toả. Ở tiểu bang NSW (Úc) tỉ lệ tiêm vaccine liều 1 đã đạt chừng 70% và chánh phủ đang bàn cách thoát phong toả.

Số ca nhập viện và nguy cơ tử vong cao

Chúng ta không biết rõ trong số những ca nhiễm, có bao nhiêu phần trăm phải nhập viện, nhưng số liệu từ nước ngoài cho thấy con số này là khoảng 20%.

Tuy nhiên, sau khi đã có 80% dân số được tiêm vaccine thì cho dù bị nhiễm nhiều, tỉ lệ nhập viện sẽ thấp hơn nhiều so với con số 20%.

Hiện nay, đã có thuốc có hiệu quả giảm nguy cơ tử vong (Như Dexa, Remdesivir). Do đó, ngay cả số ca nhập viện thì tỉ lệ tử vong cũng sẽ giảm nhiều so với trước đây. Giảm bao nhiêu thì tôi không biết vì không có dữ liệu ban đầu để ước tính.

4. Lộ trình ngưng phong toả

Ai cũng biết rằng phong toả là biện pháp sau cùng trong các biện pháp y tế trong đại dịch. Thế nhưng lần đại dịch này, đa số các quốc gia đều sử dụng đến biện pháp này. Nếu so sánh tỉ lệ tử vong ở các nước phong toả với nước không phong toả (như Thuỵ Điển) thì không khác bao nhiêu. Như trình bày trên, phong toả chưa đem lại hiệu quả cho TPHCM.

Hình 2: Phác hoạ ,=một lộ trình thoát phong toả.

Có vài người cho rằng nhờ phong toả mà có ít người chết và ít ca nhiễm. Nhưng cách nói này giả định rằng nếu không phong toả thì số ca tử vong và ca nhiễm đã tăng. Chẳng có chứng cớ nào để nói như vậy.

Với những lí giải trên, tôi nghĩ HCM nên bắt đầu ngưng phong toả. Tôi nghĩ đến những bước sau đây (cần bàn thêm):

  • Bước đầu, các công sở và hãng xưởng nên mở cửa hoạt động lại. Những người đi làm nếu chưa tiêm vaccine thì có thể cần làm xét nghiệm nhanh. Cho phép những người đã tiêm vaccine đi chợ trong vòng (ví dụ như) 5 km. Hạn chế sự đi lại ở người cao tuổi (trên 65) và có bệnh nền.
  • Bước 2, mở cửa các khu vực công cộng (như quán ăn, nhà hàng, khách sạn, khu du lịch nội địa, v.v.) Nên ưu tiên cho những người đã tiêm chủng vaccine. Không hạn chế đi lại.
  • Bước 3, cho phép du lịch đến một số quốc gia và nhận du khách từ các quốc gia đã được tiêm chủng. Bình thường hoá các hoạt động khác. Không hạn chế đi lại ở người cao tuổi (trên 65) và có bệnh nền.
  • Bước 4, xem covid-19 như các bệnh truyền nhiễm khác. Không lockdown, không giới hạn đi lại nước ngoài, không giới hạn du khách.

Các nước Âu châu và Mĩ với tỉ lệ tiêm vaccine khá đã gỡ bỏ phong toả dù số ca vẫn cao, nhưng hoạt động gần bình thường. Ở Úc cũng đang chuẩn bị thoát phong toả , nhưng Úc là nước hơi quái dị vì các bang có quyền riêng của họ nên khó xem là mô hình lí tưởng. Với số liệu tốt, việc mô phỏng tình huống thoát phong toả theo lộ trình này, kể cả nhu cầu bệnh viện, là không khó. Vấn đề là phải có dữ liệu về nguy cơ nhập viện, tỉ lệ tử vong, thời gian nằm viện và ICU.

Do đó, tôi đồng ý với ông Nên là phải ngưng phong toả. Dĩ nhiên không phải ngưng ngay, mà phải có lộ trình như đề cập trên.

____

[1] https://plo.vn/thoi-su/bi-thu-nguyen-van-nen-tphcm-khong-the-thuc-hien-chi-thi-16-mai-1012087.html

[2] https://www.rfa.org/vietnamese/news/vietnamnews/many-businesses-withdraw-from-the-vietnamese-market-in-the-first-7-months-of-2021-08262021085025.html

[3] https://onlinelibrary.wiley.com/doi/10.1111/eci.13484

[4] https://plo.vn/thoi-su/theo-dong-thoi-su/nhung-vien-dan-bac-de-tphcm-hoi-suc-1012074.html

Sống chung với virus, không phải với dịch

Cuối cùng thì những gì tôi phát biểu trước đây (số ca dương tính là vô nghĩa và sống chung với virus) thì nay cũng đang dần dần thành sự thật. Hôm nay đọc tin thấy ông thủ tướng nói rằng ‘Xác định sống chung lâu dài với dịch, không thể khống chế tuyệt đối’ [1]. Những người chỉ trích tôi giờ có dám chỉ trích ông thủ tướng? 🙂

1. Tại sao sống chung với con virus?

Con virus này là một trong những con thuộc ‘gia đình’ corona mà chúng ta đã sống chung rất lâu. Chúng ta cũng đã sống chung với HIV và hàng chục con khác trong thời gian gần đây. Chắc chắn chúng ta cũng sẽ sống chung với những con khác trong tương lai. Không có cách gì tiêu diệt chúng, vì sức mạnh của tiến hoá virus làm cho tất cả các can thiệp đều vô hiệu hoá trong việc tiêu diệt chúng. Do đó, chúng ta phải sống chung với con virus này.

Nên nhớ rằng chúng ta chỉ sống chung với con virus thôi; không thể sống chung với dịch về lâu dài. Tôi nghĩ ông thủ tướng chưa phân biệt được hai khái niệm này (sống chung với virus và sống chung với dịch) nên ‘slip of the tongue‘ thôi.

Trong thực tế thì nhiều quốc gia đã chuẩn bị sống chung với con virus. Những nước bên Âu châu hay gần Việt Nam như Singapore đã chuẩn bị cho viễn ảnh đó từ hơn 2 tháng qua. Ngay cả ở Úc này (số ca nhiễm khá thấp), các nhà chức trách thoạt đầu hùng hổ đòi giảm số ca xuống ZERO, nhưng qua biết bao lần phong toả, nay cũng bắt đầu chấp nhận sống chung với con virus. Ông thủ tướng và vài thủ hiến Úc bắt đầu nói như thế. Thủ tướng Morrison nói rất có lí “Mục tiêu của chúng ta là sống chung với con virus, chớ không phải sống trong nỗi sợ hãi con virus (“That is our goal – to live with this virus, not to live in fear of it”).

2. Tại sao đếm số ca không có ý nghĩa?

Khi đã chấp nhận sống chung với con virus thì chúng ta cũng phải chuẩn bị cách đối phó về lâu dài. Bởi vì sự hiện diện của con virus sẽ trở thành endemic (tức mọi lúc, mọi nơi) nên việc đếm số ca dương tính hay số ca nhiễm mỗi ngày không còn ý nghĩa nữa. Vả lại, số ca dương tính tuỳ thuộc vào số ca chúng ta xét nghiệm. Xét nghiệm càng nhiều sẽ có ra nhiều ca dương tính — qui luật chung là vậy.

Chúng ta đâu có đếm số ca cúm mùa (cũng co con coronavirus), và trong tương lai gần tôi nghĩ cũng không nên mất công đếm số ca dương tính nữa. Chúng ta biết rằng con số đó không phản ảnh số ca covid trong cộng đồng.

Thật ra, đó cũng là cái ý về số ca cũng đã được một quan chức TPHCM nói rồi. Vào đầu tháng 8, ông Phan Văn Mãi nói rằng “đếm ca COVID-19 không còn ý nghĩa lớn” vì mục tiêu là hạn chế số ca tử vong liên quan đến covid [2].

Trước đó tôi cũng nói 2 cái ý đó. Tôi nói rằng đếm số ca dương tính chẳng có ý nghĩa gì cả, và nên bắt đầu ngưng đếm số ca để tập trung vào trọng tâm là giảm số ca nhập viện và số ca tử vong. Những người trước đó và sau này cũng nói như tôi [3, 4] bởi vì con số ca dương tính không có ý nghĩa nếu chúng ta không biết cơ chế sản xuất ra nó (tức là xét nghiệm).

Tôi cũng nói rằng đừng con virus sẽ chẳng đi đâu cả. Nó sẽ càng ngày càng biến hoá và không có một vaccine nào hay thuốc nào có thể tiêu diệt nó. Thật ra, theo qui luật tiến hoá, càng tấn công nó thì nó càng biến hoá và độc hại hơn. Do đó, chỉ còn cách sống chung với nó, chớ không có cách nào khác. Tôi có trả lời phỏng vấn trên VNexpress International (bản tiếng Anh) mà trong đó có 2 quan điểm khác nhau [5].

Lúc tôi nêu những ý kiến đó thì có người phản bác rất hung hăn và rất kém chuyên nghiệp. Nhưng tôi không ngạc nhiên và cũng chẳng chấp vì tánh khí của mấy người tre trẻ nghĩ rằng họ biết chân lí. Nhưng bây giờ chính ông thủ tướng và ông chủ tịch TPHCM thừa nhận quan điểm tôi nói thì không biết mấy người hung dữ kia có phản bác? Nên nhớ câu của Richard Feynman:

Những gì bạn biết chỉ nằm trong cái vòng tròn. Khi kiến thức của bạn tăng lên, cái vòng tròn cũng giãn ra. Nhưng bạn vẫn không biết cái ngoài vòng tròn đó.” 

_____

[1] https://vneconomy.vn/thu-tuong-xac-dinh-song-chung-lau-dai-voi-dich-khong-the-khong-che-tuyet-doi.htm

[2] https://tuoitre.vn/pho-bi-thu-phan-van-mai-dem-ca-covid-19-khong-con-y-nghia-lon-20210803114809424.htm

[3] https://www.bloomberg.com/opinion/articles/2020-03-28/confirmed-coronavirus-cases-is-an-almost-meaningless-metric

[4] https://fivethirtyeight.com/features/coronavirus-case-counts-are-meaningless

[5] https://e.vnexpress.net/news/news/not-time-yet-for-vietnam-to-live-with-covid-experts-4303253.html

Chuyện covid miệt quê

Chúng ta thường chỉ quan tâm đến chuyện covid ở thành thị, và điều này cũng hợp lí thôi, vì đó là những ‘epicenter’ (tâm dịch). Nhưng chuyện covid miệt quê có khi … cười ra nước mắt.

Vùng quê tôi cách Rạch Giá (nay là ‘thành phố’) chừng 20 km về hướng Hậu Giang, Cần Thơ. Người dân ở đó sống chung quanh những con sông, kênh, rạch, và đa số làm nghề nông. Đa số người trẻ đi làm công nhân ở các tỉnh thành khác (như Sài Gòn, Long An, Bình Dương), và miệt quê giờ đây chủ yếu là người xồn xồn hay cao tuổi. Mấy năm gần đây, theo đà đô thị hoá nên mật độ dân số tăng đáng kể. Rồi đường xá được làm mới nên việc giao thông đi lại giữa vùng quê và Rạch Giá rút ngắn đáng kể. Ngày nay, người ta có thể lái Honda đi lên Sài Gòn và ra tuốt Bình Dương luôn.

Trong trận dịch này, như chúng ta có thể đoán được là nhiều công nhân quay về quê vì không thể trụ lại ở các khu công nghiệp hay Sài Gòn. Chẳng ai biết họ có bị phơi nhiễm hay không, nhưng thỉnh thoảng cũng có vài ca dương tính, và cùng với báo đài ra rả mỗi ngày, đủ làm cho miệt quê yên bình trở nên … nhốn nháo.

Chích vaccine nanocovax cho học sinh?

Hôm qua, em tôi từ miền Tây điện qua hỏi ‘… bộ vaccine nanocovax được cho chích hả?’ Tôi hỏi sao có câu hỏi đó thì nó nói ‘vì nghe nói là tháng tới sẽ chích cho học sinh lớp 6 đến 12‘. Tôi giải thích rằng vaccine đó còn đang thử nghiệm, chưa có kết quả; chừng nào kết quả tốt thì Bộ Y tế mới ngồi xuống thẩm định và phê chuẩn.

Câu chuyện về ‘vaccine made in Vietnam’ rất lẫn lộn. Bắt đầu từ tháng 6 (có thể trước đó) báo chí đã chạy những cái tít về hiệu quả ‘sinh miễn dịch’ 99%, rồi ‘Hiệu quả 90%’, hay ‘chẳng kém vaccine ngoại’. Có những cái tít như ‘có thể đạt hiệu quả 90%’ làm tôi không hiểu nổi, vì tại sao “Có thể” ở đây. Hình như bất cứ bản tin nào cũng kèm theo câu đề nghị phê duyệt khẩn cấp.

Nhưng trong thực tế thì vaccine vẫn còn đang thử nghiệm, và cách dùng chữ đó gởi một thông điệp sai lệch (misleading) đến công chúng. Mới đây, cái thông điệp còn gây lẫn lộn hơn nữa. Có báo chạy cái tít ‘Hội đồng Đạo đức: Chưa thể đánh giá hiệu lực bảo vệ của vắc xin Nanocovax‘ (28/8). Nhưng trước đó 1 ngày cũng chính báo này viết ‘Hội đồng Đạo đức đã thông qua kết quả thử nghiệm vắc xin Nanocovax‘.

May be an image of text
Những tựa đề dễ gây lẫn lộn và mang tính gây áp lực.

Công chúng chỉ đọc và thấy chữ ‘thông qua’ và hiểu rằng đã được phê chuẩn. Có thể nói rằng báo chí đóng vai trò đưa tin lẫn lộn. Nhưng báo chí không thể đưa tin mà không có nguồn, và câu hỏi là nguồn từ đâu.

Qui ước Ingelfinger

Trong khoa học có Qui ước Ingelfinger (Ingelfinger Rule) mà tôi từng đề cập hơn 10 năm trước đây [1]. Theo Qui ước Ingelfinger, nhà khoa học không được tiếp xúc báo chí phổ thông để nói về một nghiên cứu nếu nghiên cứu đó chưa được công bố trên một tập san khoa học. Qui ước này được Bs Franz Ingelfinger (lúc đó là Tổng biên tập Tập san New England Journal of Medicine) đặt ra vào thập niên 1960 để bảo đảm thông tin đến với công chúng đã qua bình duyệt bởi đồng nghiệp, và tránh tình trạng lẫn lộn. Qui ước này được tuân thủ khá nghiêm ngặt [1].

Chẳng hạn như đầu năm nay, chúng tôi công bố một nghiên cứu trên eLife, thì tập san liên lạc tôi nhắc nhở rằng tôi không được tiếp xúc báo chí để nói về nghiên cứu trước ngày eLife công bố. Họ (eLife), Đại học UTS và Viện tôi thảo ra một thông cáo báo chí, và eLife nhứt định đòi cả 3 thông cáo báo chí xuất bản đúng 1 thời điểm, không ai được công bố trước. Và, sau đó thì tôi mới được phép tiếp chuyện báo chí.

May be an image of text that says 'Ingelfinger rule'
Qui ước Ingelfinger: nhà khoa học không tiếp xúc báo chí đại chúng khi kết quả nghiên cứu chưa qua bình duyệt và công bố.

Tuy nhiên, trong thời đại dịch này thì Qui ước Ingelfinger có khi bị … lờ đi. Chẳng hạn như tập đoàn Pfizer năm ngoái công bố trên báo chí rằng vaccine của họ đạt hiệu quả 95% dù bài báo chỉ mới nộp cho tập san New England Journal of Medicine (NEJM) và chưa qua bình duyệt. Khi bị phê bình về việc làm này, Pfizer cho biết rằng dữ liệu của họ đã được phê duyệt bởi Hội đồng theo dõi dữ liệu và an toàn của nghiên cứu, mà các thành viên cũng là những chuyên gia bình duyệt cho NEJM. Dĩ nhiên, cách giải thích của họ không thoả đáng, nhưng NEJM cũng bỏ qua cho họ vì tình huống khẩn cấp.

Câu chuyện xét nghiệm ở miệt quê

Em tôi mô tả về xét nghiệm ở dưới quê rất đáng báo động. Nó nói nhân viên y tế về ‘ngoáy ngoáy lỗ mũi đau gần chết‘. Tôi hỏi có thấy thay găng tay khi lấy mẫu ở người khác không, thì câu trả lời là không. Hỏi cách xử lí mẫu ra sao, nó nói các mẫu để gần nhau trong cái nắng chang chang. Chỉ cần 15 phút là có kết quả. Tôi đoán là xét nghiệm kháng nguyên nhanh.

Kết quả ra sao? Lộn xộn cả. Một gia đình bên kia sông có đến chục người dương tính! Hỏi về những triệu chứng quen thuộc, thì mới biết chẳng ai trong họ có triệu chứng gì cả. Tôi không biết kết quả như vậy có đáng tin cậy không nữa. Dĩ nhiên, người dân dưới quê đâu có biết gì về âm tính giả và dương tính giả, họ chỉ biết dương tính là ‘vướng covid’ và thế là nhốn nháo lên.

Ở miệt quê giờ này cũng có chương trình tiêm chủng. Nhưng người dân đã biết ‘vaccine Mĩ’ và ‘vaccine Tàu’ rồi, nên họ dứt khoát không chịu vaccine Tàu. Họ nói chỉ chích vaccine Mĩ thôi.

Tôi không rõ các vùng quê khác ở miền Tây ra sao, nhưng đoán là tình hình chắc chẳng khác gì làng quê tôi. Những làng quê này chưa bao giờ kinh qua hay biết gì về covid. Tôi sợ là với cách xét nghiệm đại trà, thiếu qui trình và thiếu suy tính cẩn thận này sẽ biến nhiều nơi thành tâm dịch và gây lãng phí cho xã hội.

Quan điểm của tôi là không làm xét nghiệm đại trà, chỉ xét nghiệm ở những người hay nhóm có nguy cơ cao thôi. Nếu ở làng quê, nơi chưa bao giờ có ai bị covid, thì chỉ nên xét nghiệm những người ở thành phố hay khu công nghiệp về quê vì họ có nguy cơ cao. Và, cũng nên thực hiện lấy mẫu đúng qui trình và xét nghiệm bằng PCR trong labo đàng hoàng. Vấn đề kế tiếp là phải làm gì với người có kết quả dương tính. Nếu không có kế hoạch cẩn thận thì rất dễ gây bất ổn ở miền quê.

____

[1] https://vietnamnet.vn/khoahoc/2008/02/768656

[2] https://www.bmj.com/content/369/bmj.m1744/rr

Tản mạn về tính khiêm cung và khoa học

Đối với nhiều bạn trẻ ngày nay, có lẽ họ chưa nghĩ tới tính khiêm cung, nhưng đó là yếu tố quan trọng quyết định sự thành bại của các bạn trong tương lai. Tôi nghĩ mình đang ở trong một giai đoạn trong sự nghiệp khoa học có thể chia sẻ vài bài học về sự khiêm cung và thành công trong khoa học cùng các bạn. Tựu trung lại, tôi thấy có 5 điểm có thể chú ý: biết trên biết dưới, biết mình đang ở đâu, biết sự hạn chế của mình, biết mình sẽ sai, và biết tính chuyên nghiệp là gì.

Mấy năm trước, một em bác sĩ người Việt ở đây kể một câu chuyện về sự ảnh hưởng của tính khiêm cung. Câu chuyện về một bác sĩ ICU còn trẻ, nhưng chẳng hiểu sao người này có thói hay cãi và nói xấu các đồng nghiệp cao cấp hơn. Dĩ nhiên là nói xấu sau lưng thôi. Nhưng trong thế giới chuyên ngành thì trước sau gì cũng tới tai các đồng nghiệp cao cấp. Hậu quả là sau này chị bác sĩ đó đi đâu trong nước Úc đều không có bệnh viện nào nhận. Sự nghiệp của chị ấy coi như đi vào ngõ cụt.

Chuyện thứ hai về một em postdoc (hậu tiến sĩ) mà tôi biết khá rõ vì làm chung một viện. Em này là một postdoc từ Pháp, tôi đánh giá thuộc hạng ‘brilliant’ (tức thông minh và sáng tạo). Người có tài hay có tật, và em này đúng là như thế. Trong các seminar, ai mà nói dở hay nghiên cứu dở là anh ta tỏ thái độ làm lơ, xem thường. Anh ta tuy mới postdoc nhưng hay chê người cấp trên của anh là làm biếng, kĩ năng kém, đi lên nhờ các mối quan hệ. Dĩ nhiên, người cấp trên của anh biết hết, nhưng ông rất điềm tĩnh và lịch sự. Cái lịch sự của ông là đến thời gian phải kí hợp đồng mới, ông từ chối kí, và anh postdoc mất việc. Anh không thể xin việc ở Úc, nên đành phải bỏ cái mộng định cư ở Úc và quay về Pháp. Ngay cả ở Pháp, anh ta cũng không xin được việc. Lần sau cùng tôi gặp anh ở Mĩ thì biết anh ta đã bỏ academia ra đầu quân cho kĩ nghệ, và tỏ ra hối hận cái thời … nông nổi.

Một câu chuyện khác về một bác sĩ mà tôi quen rất thân. Anh ấy từ Việt Nam sang đây học tiến sĩ trong Viện tôi, học xong rồi học/thi lại lấy bằng bác sĩ bên này. Trong thời gian thực tập ở bệnh viện, anh ấy lấy cảm tình của tất cả ai tiếp xúc, từ cấp thấp đến cấp cao. Anh ấy còn dùng các ‘võ nghiên cứu khoa học’ giúp các đồng nghiệp cao cấp hơn nhưng không có bằng tiến sĩ để làm nghiên cứu, và trở thành ‘ngôi sao’ ở bất cứ chỗ nào anh đến. Bây giờ thì cho dù anh ta bỏ ra làm tư, nhưng tất cả đồng nghiệp ai cũng giữ kỉ niệm đẹp.

Qua 3 câu chuyện trên, tôi muốn nói rằng thái độ và cách cư xử của chúng ta lúc còn trẻ với các đồng nghiệp rất ư là quan trọng.

1.  Biết trên biết dưới

Khoa học cũng như ngoài xã hội, tức là có tôn ti trật tự, hiểu theo nghĩa có người trên kẻ dưới. Tôi hay nói đùa nhưng sự thật là mỗi chuyên ngành khoa học là một “bộ lạc”. Trong cái bộ lạc đó, bất cứ ở đâu, có những ‘trưởng lão’ hay ‘già làng’ được thành viên bộ lạc ghi nhận và công nhận; có những người cấp cao, cấp trung, và cấp thấp. Trong đại học cũng thế, có cấp khoa trưởng, giáo sư thực thụ, giáo sư dự bị, hậu tiến sĩ, tiến sĩ, v.v. Ngay cả trong cấp giáo sư, cũng có người cấp cao và cấp thấp, chớ không phải trung bình hoá.

Trong khoa học, trước khi bước vào một bộ lạc, các bạn cần nên ‘nhìn trước xem sau’. Phải biết người trước đã làm gì và thành tích ra sao. Không biết những điều này dễ dẫn đến những phát biểu xem thường người trước, và những cách hành xử ngông cuồng, thậm chí hỗn hào. Chúng ta đã biết trong y khoa có hệ thống vai vế, mà trong đó đàn em phải biết đối xử lịch thiệp với đàn anh. Trong khoa học cũng vậy.

Đây là một trong những sai sót rất phổ biến ở những người trẻ, và tôi đã chứng kiến khá nhiều lần trong quá khứ. Có người mới tham gia nhóm, và muốn tạo tên tuổi cho mình, bèn vội vã đưa ra những ý tưởng mà họ nghĩ là mới, nhưng thật ra thì đã có người từng làm trước đây. Đáng lí ra là tìm hiểu và hợp tác, thì cách làm của người đó làm cho đồng nghiệp đánh giá nói theo tiếng Việt là ‘ngựa non háo đá’ và xem thường người đi trước. 

2. Biết mình đang ở giai đoạn nào trong chuyên ngành

Đây là điều quan trọng, vì như nói trên trong khoa học có hệ thống vai vế. Người mới tốt nghiệp tiến sĩ phải biết rằng họ chỉ mới học nghề xong, còn thấp hơn người hậu tiến sĩ; và người hậu tiến sĩ phải hiểu rằng họ chưa là nhà khoa học độc lập. Ngay cả có nhiều lecturer (giảng viên) và Associate Professor có khi cũng chưa là nhà khoa học độc lập. ‘Độc lập’ ở đây hiểu theo nghĩa ‘investigator’ và có labo nghiên cứu riêng và được tài trợ từ ngoài. Người độc lập có phát biểu với những trọng trách khác với người cấp thấp hơn.

Ngay cả trong hệ thống đẳng cấp khoa bảng, không phải ai mang chức danh ‘professor’ đều là như nhau. Trong cái hệ thống đó, chức danh không hẳn xác định vai vế của một cá nhân, mà là ‘track record’ (tạm hiểu là thành tích khoa học) mới là yếu tố quyết định. Người có kinh nghiệm chỉ cần nhìn qua ‘profile’ của một người là biết đẳng cấp người đó ở đâu.

Chức danh có thể hiểu sai lệch (hay nói theo tiếng Anh là ‘misleading’). Ở Úc này, người ta phân biệt chức danh chánh thức và chức danh danh dự. Chức danh chánh thức phải qua qui trình bổ nhiệm rất nghiêm túc và mất thì giờ, còn chức danh danh dự chỉ là một phương tiện ngoại giao, chẳng cần đánh giá gì nhiêu khê. Người có chức danh danh dự không thể sánh ngang hàng người có chức danh chánh thức, và hiểu sai điều này là không tốt chút nào.

Do đó, các đại học Úc yêu cầu người được bổ nhiệm chức danh danh dự phải đề rõ như thế trước tên họ. Chẳng hạn như họ không được quyền ghi là ‘Professor’, mà phải là ‘Honorary Professor’. Tuy nhiên, ở Việt Nam thì người ta lẫn lộn, và người ta có khi bỏ qua sự phân biệt tinh tế đó, rồi gây hiểu lầm về vai vế trong chuyên ngành.

3. Biết cái kém cỏi và hạn chế của mình

Nói ra thì chỉ thừa, nhưng cần nhắc lại rằng cái học là mênh mông và không ai có thể thấu hiểu hết được. Mỗi chúng ta, dù ở bất cứ ngôi bậc nào trong khoa học, chỉ biết một chút xíu thôi. Mà, cái khổ là cái biết của chúng ta lại có khi phụ thuộc vào cảm nhận chủ quan của mình. Nhà khoa học có xu hướng nhìn hiện tượng theo cách hiểu của chúng ta, chớ không theo bản chất của hiện tượng như nó xảy ra.

Thành ra, nói nôm na là tất cả chúng ta đều … dốt. Dốt không hẳn là vấn đề, vì nếu chúng ta biết sửa thì dốt là cơ hội để học và làm tốt hơn. Vấn đề là người dốt không biết họ dốt, và họ làm khổ người khác. Mấy người này rất tự tin, và họ lúc nào cũng cho rằng họ là chuyên gia thông minh. Sự tự tin của họ có thể gây tác hại cho cộng đồng vì họ làm sai.

Richard Feynman có một câu nói để đời rằng: ‘Khi bạn chết đi, bạn không biết mình chết, nhưng là nỗi khổ cho người khác. Tương tự, khi bạn ngu, bạn không biết mình ngu, nhưng cái ngu của bạn làm người khác khổ sở(When you are dead, you don’t know you are dead. It’s pain only for others. It’s the same thing when you are stupid.)

Một ngày nào đó, các bạn ‘chuyên gia’ tre trẻ sẽ trưởng thành. Lúc đó họ sẽ nhận ra rằng họ không biết cái mà họ không biết. Họ sẽ nhận ra rằng càng biết nhiều hơn thì cũng là lúc không biết nhiều hơn. Lúc đó thì có thể họ sẽ ăn năn, nhưng đã muộn. Thành ra, ngay từ bây giờ, các bạn ấy nên học để nhận ra cái mình chưa biết, để ghi nhận rằng kiến thức và kinh nghiệm của mình vẫn còn rất hạn chế. 

Frank M. Waechter #vaccinated on Twitter: ""The more you know, the more you  know what you don't know! What you know is inside a circle, what you don't  know is outside of
Trích câu nói của Richard Feynman: “Khi bạn biết nhiều hơn cũng là lúc bạn biết rằng mình không biết! Những gì bạn biết nằm trong cái vòng tròn. Bạn không biết cái ngoài vòng tròn. Khi kiến thức của bạn tăng lên, cái vòng tròn cũng rộng ra” (The more you know, the more you know what you don’t know! What you know is inside a circle, what you don’t know is outside of it. The circumference is what you know you don’t know. As your knowledge grows, the circle grows and the circumference expands”).

4. Biết rằng mình sẽ sai

Đây là điều hết sức quan trọng. Tôi có thể nói rằng đa số những khám phá, phát hiện trong khoa học ngày nay đều sai. Đa số ở đây có thể là 95%. Khi nghe ai đó phát hiện cái gì quá hay, tìm ra cái gì quá tuyệt vời, bạn hãy nghĩ rằng xác suất 95% là họ sai. “Họ” đây kể cả tôi và các bạn đang làm trong khoa học.

Chúng ta phải học cách nói bất định. Đừng nói gì quá khẳng định để rồi mình sai. Đó là kinh nghiệm của tôi. Hồi mới bước chân vào khoa học, Thầy tôi luôn dạy như vậy: ổng nói đi nói lại rằng trong khoa học không có gì là “chứng minh” cả (chỉ có toán mới có, mà toán thì không phải là khoa học), và do đó mình đừng nói gì quá xác định. Phải cả 20 năm sau tôi mới hiểu ý của Thầy mình.

Nhưng cái khổ là trong thế giới này chúng ta phải sống với những kẻ quá tự tin. Lúc nào họ cũng ‘ăn to nói lớn’ lấn át tiếng nói khiêm tốn của người khác. Bởi vậy Richard Feynman từng nói rằng “Một trong những vấn đề lớn nhứt với thế giới là những kẻ ngốc lúc nào cũng chắc chắn và tự tin về bất cứ vấn đề gì, và kẻ thông minh thì đầy những lưỡng lự và bất định”.

5. Biết tính chuyên nghiệp là gì

Tính chuyên nghiệp trong khoa học vô cùng quan trọng, nhưng rất tiếc đây là cái mà nhiều người Việt thiếu. Chuyên nghiệp tính trong khoa học bao gồm hành vi và hành động (hay nói chung là ‘hạnh kiểm’) nhứt quán với nguyên tắc thành thật, khiêm tốn và xuất sắc.

Một đặc điểm của tính chuyên nghiệp là tinh thần trách nhiệm. Là người có chuyên môn họ phải chịu trách nhiệm về suy nghĩ, phát biểu và việc làm của mình. Nếu làm sai họ phải chịu trách nhiệm cho việc làm mà không đổ lỗi cho người khác. Chẳng hạn như Gs Neil Furguson khi làm sai ông xin từ chức cố vấn về Covid cho Chánh phủ Anh.

Một đặc điểm quan trọng khác là tôn trọng đồng nghiệp. Người chuyên môn lúc nào cũng tỏ ra kính trọng đồng nghiệp và những người xung quanh, bất kể họ giữ địa vị gì trong xã hội. Tôn trọng đồng nghiệp cũng có nghĩa là không nói xấu, và tuyệt đối không xúc phạm đồng nghiệp. Nhà khoa học giải Nobel Y học Peter Doherty khuyên rằng nếu không có gì tốt để nói về đồng nghiệp thì nên im lặng.

Tính chuyên nghiệp còn có nghĩa là nếu cần phê bình thì phê bình ý tưởng, chớ không phê bình cá nhân. Chúng ta bàn về ý tưởng, chớ không phải cá nhân người đó là ai, làm gì, cá tánh ra sao.  Thế nhưng trong thực tế người Việt lại có thói quen dùng tấn công cá nhân để hạ thấp ý tưởng của người phát biểu, và đó không chỉ là một nguỵ biện mà còn là vô cùng thiếu chuyên nghiệp.

***

Những người làm việc trong các labo đàng hoàng được giáo dục về cách hành xử với đồng nghiệp. Anh bác sĩ chiếm lòng mọi người mà tôi đề câp chính là người làm trong labo nghiên cứu có văn hoá tử tế. Tuần nào họp labo, học cái nói, cách cư xử với người trên kẻ dưới riết thì cũng trưởng thành theo. Còn những người xong tiến sĩ hay thạc sĩ mà không có cơ hội làm việc trong các labo thì không thể nào biết hết được những ‘văn hoá’ khoa học, và họ có thể có những hành vi không khéo. ‘Không khéo’ là nói cho nhẹ, chớ trong thực tế nhiều người hành xử rất ư là kém chuyên nghiệp và hầu như không biết đến 5 tính khiêm cung trên là gì. Dễ thấy mấy người này trên báo chí.

Nhớ thời của tôi ở ĐH Sydney, giáo sư trong một bộ môn là người rất quan trọng và được kính nể. Có hôm đám sinh viên tụi tôi đang ngồi ăn trưa và tán dóc, thì Giáo sư AW bước vào pha cà phê, và như là một thói quen tất cả đều đứng dậy chào. Nhưng thầy AW rất bình đẳng, ổng bảo sinh viên ngồi xuống, và đừng có làm vậy, vì lần sau ổng không dám vào pha cà phê nữa. Mặc ổng nói gì thì nói, tụi tôi từ nghiên cứu sinh đến cấp giảng viên đều tỏ lòng kính trọng thầy.

Nhưng tôi quan sát trong thời gian chừng 30 năm qua ở Úc có sự thay đổi lớn trong văn hoá khoa học. Ngày nay, được đề bạt giáo sư dễ hơn ngày xưa (thời đó mỗi bộ môn chỉ có 1 giáo sư), một phần vì khoa học tiến bộ hơn và thế hệ mới có thành tích khoa học tốt hơn các bậc thầy ngày xưa. Nhưng dù có thành tích tốt hơn, chúng tôi vẫn phải giữ sự kính trọng các thầy cô mình, chớ không được xem thường. Tôi từng nghe một câu của thầy tôi nói ra có lẽ hơi ngẫu nhiên thôi (vì lúc đó ông đang giận một nghiên cứu sinh trẻ) rằng “Không dạy bọn này từ nay thì mai mốt chúng mang thêm cái danh ‘doctor’ chúng sẽ làm khổ biết bao nhiêu người.

Tôi hay đi đây đó, và quan sát văn hoá khoa học ở các nước thì thấy ở vài nước người ta vẫn còn giữ tinh thần ‘tôn sư trọng đạo’. Ở Nhật tôi thấy giáo sư có quyền uy ghê gớm, và mỗi lần họ xuất hiện là y như giáo sư AW mà tôi kể trên. Bên Hàn Quốc cũng giống như bên Nhật, các giáo sư được kính trọng và họ còn có vẻ phân chia giai cấp nữa. Trong buổi tiệc họ chia ra cấp giáo sư thấp ngồi bàn riêng, còn giáo sư cao hơn ngồi bàn riêng, y như ‘chiếu trên chiếu dưới’ ở VN chúng ta. Tôi thú thiệt là không thích cách phân chia đó chút nào. Còn ở Thái Lan, giáo sư có địa vị cao trong xã hội vì hình như chức danh đó được vua phong hay ban cho. Tôi nhớ hoài kỉ niệm ở một bệnh viện lớn Khon Kaen, những ngày đầu họ không biết tôi là ai, nên phải chen chút trong thang máy để lên lầu 10; nhưng sau đó 1 tuần thì họ biết qua seminar nên mỗi lần tôi đứng chờ thang máy là họ nhường ưu tiên cho tôi. Tôi dĩ nhiên không thích kiểu ưu tiên đó, nhưng họ nhứt định không vào thang máy nếu tôi không vào trước thì biết sao giờ … 🙂

Còn ở Việt Nam thì sao? Tôi nghĩ đa số thì vẫn như ở các nước Đông Á và Thái Lan thôi, tức là vẫn giữ tinh thần ‘tôn sư trọng đạo’. Có lẽ vài người trẻ ngày nay theo ‘Tây học’ không thích cái tinh thần đó. Tuy nhiên, tôi xin nói rằng tôi đây cũng là dân Tây học từ thời trung học, và cũng từng không thích cái câu nói đó, nhưng càng sống trong xã hội phương Tây và hiểu chút về xã hội đó, tôi thấy tinh thần đó rất ư là quan trọng và đáng duy trì.

Câu chuyện Ivermectin (IVM)

Một trong những câu chuyện khoa học kì dị nhứt trong dịch Covid có lẽ là thuốc IVM. Hiện nay, IVM không được khuyến cáo dùng cho điều trị covid, nhưng có vài công trình nghiên cứu với kết quả rất lẫn lộn. Hầu như bất cứ bài nào đề cập đến IVM đều bị các bigtech kiểm duyệt, thậm chí xoá bỏ. Nhưng nếu bình tỉnh lắng nghe các bác sĩ tuyến đầu và đọc dữ liệu cẩn thận, tôi nghĩ có lẽ các bạn sẽ suy nghĩ lại.

IVM là thuốc từng được sử dụng điều trị nhiễm trùng (như giun sán) rất có hiệu quả. Trong thời dịch Vũ Hán, một số thuốc được tái mục đích để điều trị Covid, và IVM là một trong những ứng viên đó. Đây là thuốc từng đem lại giải Nobel y sinh học 2015 cho William C. Campbell và Satoshi Ōmura, hai người khám phá ra Avermectin.

Nhưng IVM đang trở thành một chủ đề gây bất đồng ý kiến giữa giới y khoa.

Nếu các bạn hỏi google thì các trang ‘chánh thống’ đều khuyên là không dùng IVM cho bệnh nhân covid. Chẳng hạn như TGA của Úc (giống như FDA bên Mĩ) viết rõ rằng IVM không được phê chuẩn cho điều trị bệnh nhân covid-19 [1]. Tại sao không? Tại vì, TGA giải thích rằng, cần thêm chứng cớ từ nghiên cứu khoa học để xác định xem thuốc này có hiệu quả điều trị covid hay không. Họ còn ghi thêm rằng cần những nghiên cứu RCT lớn và kết quả nhứt quán thì mới xem xét.

TGA của Úc không khuyến cáo dùng IVM cho bệnh nhân covid. FDA cũng không khuyến cáo.

Nhưng IVM vẫn được nhiều người ‘ưu ái’. Một số bác sĩ đến chánh trị gia có đề cập đến thuốc này như là một giải pháp cho covid19, vì họ nói có nghiên cứu lâm sàng cho thấy thuốc có hiệu quả rất tốt. Tốt như thế nào? Họ nói IVM có thể giảm nguy cơ tử vong ở bệnh nhân covid19 đến 90% [2]. Tuy nhiên, bài báo này đã bị rút xuống vì nghiên cứu có vấn đề về dữ liệu mà tôi có dịp đề cập trước đây [3].

Nhóm FLCCC

Trong giới bác sĩ trực tiếp điều trị bệnh nhân covid, có một số người cho rằng IVM có hiệu quả chống covid. Họ thành lập một nhóm có tên là “Front Line Covid Critical Care” hay liên minh FLCCC và có trang web riêng. Đây không phải là nhóm bác sĩ tầm thường, mà toàn là những chuyên gia ‘nặng kí’ trong chuyên ngành hồi sức cấp cứu, có cả chuyên gia cấp giáo sư với thành tích nghiên cứu khoa học lừng lẫy. Có người giữ ghế ‘Endowed Professor’ (giống như Professorial Fellowship bên Úc, rất danh giá). Các bạn có thể đọc qua profile của những giáo sư này [4] để thấy đây là một nhóm nghiêm chỉnh.

Nhưng điều đáng nói là tiếng nói của họ bị dập tắt liên tục. Trong một webinar, họ đưa ra những con số về kiểm duyệt là chúng ta ai cũng kinh ngạc. Youtube xoá bỏ 11 video của nhóm, FB thì xoá bỏ 3 bài viết, và ngay cả vimeo cũng xoá 1 video. Chưa hết, họ còn bị các mạng xã hội như LinkedIn, Medium, prweb xoá bài, thậm chí tẩy chay.

“Tội” của FLCCC là gì? Họ trình bày dữ liệu cho thấy IVM có hiệu quả trong điều trị covid, và chi phí điều trị rất thấp so với các thuốc ‘designer’ khác.  Ấy vậy mà các bigtech này nói rằng họ tung tin giả! Làm sao bigtech biết được tin giả và tin thật? Nên nhớ rằng đây là những chuyên gia có tiếng trên thế giới, không phải hạng tầm thường, mà các bigtech dám nói là tin giả. Chỉ bao nhiêu đó cũng đủ thấy sự đánh giá của bigtech là chẳng có giá trị gì cả. Thế nhưng họ là các chủ nhân của các ‘platform’ nên họ có quyền cho ai nói, ai không được nói.

Chứng cớ khoa học

Trong hơn 1 năm qua, đã có 24 nghiên cứu RCT về hiệu quả của IVM ở bệnh nhân, đa số là ở các nước đang phát triển như Bangladesh, Ấn Độ, Mexico, Lebanon, Iran, Ai Cập, Pakistan, v.v. Những nghiên cứu này cỡ mẫu khá nhỏ (thường dưới 200 bệnh nhân). Trong đó có một nghiên cứu lớn nhứt từ Ai Cập với 400 bệnh nhân, nhưng vì vấn đề dữ liệu nên đã phải rút xuống.

Vậy bằng chứng khoa học về hiệu quả của IVM ra sao? Có lẽ tử vong là kết cục quan trọng nhứt ở bệnh nhân covid, và câu hỏi là IVM có giảm nguy cơ tử vong không? Từng nghiên cứu đơn lẻ thì chẳng có nghiên cứu nào cho thấy IVM giảm nguy cơ tử vong. Lí do là vì như nói trên số bệnh nhân còn quá thấp nên khó có thể kết luận.

Một cách khác để giải quyết vấn đề cỡ mẫu thấp là tổng hợp các nghiên cứu lại, rồi dùng phương pháp thống kê để ước tính ảnh hưởng của IVM. Phương pháp này trong y khoa gọi là ‘Meta-analysis’ hay Phân tích Tổng hợp.

Đã có một phân tích tổng hợp như thế từ một nhóm tác giả bên Anh. Kết luận của phân tích này là IVM giảm nguy cơ tử vong ở bệnh nhân Covid. Mức độ giảm khá lớn: 56%, và khoảng tin cậy 95% dao động từ 23% đến 75% [4].

Nhưng vấn đề của phân tích này là bao gồm dữ liệu từ nghiên cứu của nhóm Ai Cập được xem là có vấn đề [3]. Do đó, tôi làm lại phân tích này, loại bỏ dữ liệu từ Ai Cập, thì kết quả vẫn cho thấy IVM giảm nguy cơ tử vong khoảng 45%, và khoảng tin cậy 95% dao động từ 6% đến 68% (xem biểu đồ 1). Chỉ số đồng dạng khá thấp (I^2 = 0.32, và P = 0.19), chứng tỏ kết quả khá nhứt quán.

May be an image of text that says 'Mahmud Niaee Hashim Okumus Kirti 0.14 [0.01, 2.70] Rezai 0.18[0.06, 0.55] Abd-Elsalam 0.33 [0.07, 1.60] Gonzalez 0.67 [0.27, 1.64] Lopez-Medina [0.01, 2.09] Fonseca 2.92 [0.12, RE Model 0.75[0.17, 3.25] 0.86 (0.29, 2.56] 0.16 [0.01, 3.99] 1.04 [0.57, 1.91] 0 0.02 0.55 [0.32, 0.94] 0.14 1 7.39 Risk Ratio (log scale) 54.6 403.43'
Biểu đồ 1: Phân tích tổng hợp hiệu quả của IVM và tử vong. Nguồn: dữ liệu do tôi phân tích.

Nhưng cũng như bất cứ phân tích tổng hợp nào, chất lượng của kết quả tuỳ thuộc vào chất lượng của dữ liệu gốc. Mà, dữ liệu gốc thì công bằng mà nói không mấy cao, vì cách thiết kế còn khá nhiều khiếm khuyết cần phải bàn thêm. Tuy nhiên, những kết quả phân tích này cho thấy IVM có tiềm năng.

Nghiên cứu từ Do Thái

Theo một nghiên cứu trên 89 người bị nhiễm covid từ Do Thái, sau 6 ngày điều trị IVM trị dứt 72% so với 50% trong nhóm chứng [5]. Bác sĩ Do Thái nói rằng Covid có thể điều trị với chi phí dưới 1 USD/ngày.

May be an image of text that says '1.0 Product-Limit Survival Estimates With Number of Subjects at Risk and 95% Hall-Wellner Bands 0.8 Logrank p=0.0123 0.6 #abbg Sung 0.4 0.2 0.0 2 4 8 10 12 6 Days from 1st symptoms Ivermectin Placebo 14 Ivermectin 36 33 16 36 33 18 36 33 Ivermectin 34 31 30 28 Placebo 15 19 7 12 2 6 2'
Kết quả nghiên cứu từ Do Thái [5] cho thấy IVM có thể giúp bệnh nhân bình phục nhanh hơn so với nhóm chứng.

Chỉ có một RCT lớn và hệ thống hơn mới trả lời câu hỏi về hiệu quả của RCT. Nếu tôi là người trong cuộc ở Việt Nam, tôi sẽ đề nghị thực hiện một RCT về IVM để có câu trả lời dứt khoát cho thế giới. Đây là cơ hội đóng góp của y học Việt Nam, nhưng ai sẽ là người xung phong làm.

____

PS: Theo tôi biết một số bác sĩ ở Việt Nam đã dùng IVM cho hàng trăm bệnh nhân covid, và họ cho biết thuốc có hiệu quả rất tốt, dung nạp cũng tốt, và chưa thấy có biến chứng nào cả.

[1] https://www.tga.gov.au/media-release/risks-importing-ivermectin-treatment-covid-19

[2] https://www.researchsquare.com/article/rs-100956/v4

[3] https://bit.ly/3ksDmjd

[4] https://covid19criticalcare.com/about/the-flccc-physicians

[5] https://www.medrxiv.org/con…/10.1101/2021.05.31.21258081v1

Trò chuyện với báo Pháp Luật TP về mô hình tiên lượng

Hôm 25/8 tôi có một buổi trò chuyện với phóng viên của báo PLO (Pháp Luật TP) chung quanh mô hình tiên lượng dịch Covid.Bài trò chuyện thì hơi dài nhưng báo đăng thì chỉ ngắn thôi [1]. Dưới đây là bản đầy đủ mà tôi xin chia sẻ cùng các bạn.

Hỏi: Theo kinh nghiệm của Thầy thì vai trò của các mô hình tiên lượng đại dịch là gì?

Đáp: Có nhiều loại mô hình cho dịch Covid: (1) mô hình ứng dụng trong lâm sàng, nhận dạng những người có nguy cơ cao, giúp cho việc phân định và ưu tiên hoá bệnh nhân cho điều trị; (2) mô hình tiên lượng qui mô và diễn biến của dịch trong cộng đồng, giúp việc hoạch định chánh sách tốt hơn; và (3) mô hình dự báo thì chỉ nhắm đến dự báo số ca nhiễm trong tương lai.

Tất cả các mô hình này đều có vai trò quan trọng vì dựa vào đó mà chánh phủ đề ra chánh sách. Ví dụ như mô hình nổi tiếng bên Anh của Gs Neil Ferguson dự báo số ca tử vong quá cao, nên chánh phủ Anh lập tức phong toả cả nước. Ở Úc, chánh phủ cũng dựa vào mô hình của Viện Doherty để ra chánh sách tiêm chủng và phong toả thành phố.

Hỏi: Yếu tố nào sẽ tham gia vào quá trình tiên lượng tình hình dịch covid-19?

Đáp: Xây dựng và triển khai một mô hình thường phải qua 4 bước:

  • Bước thứ nhứt là chọn mô hình khả dĩ. Trong thực tế có nhiều mô hình có thể xem xét (như mô hình dịch tễ truyền thống, mô hình thống kê, mô hình tương tác), nhưng chỉ có vài mô hình có thể phù hợp với địa phương và tình hình dữ liệu, nên đây là bước quan trọng.
  • Bước thứ hai là thu thập dữ liệu và tham số. Đây là bước quyết định chất lượng của mô hình. Thường, mô hình dịch tễ học đòi hỏi rất nhiều dữ liệu chi tiết, như phân bố của dân số theo nhóm tuổi, phân bố thời gian nằm viện, phân bố thời gian nằm ICU, xác suất biến chuyển từ nhẹ sang nặng, v.v. Không có những dữ liệu này thì rất khó xây dựng mô hình nghiêm chỉnh.  
  • Bước thứ ba là viết chương trình máy tính để ước tính các tham số. Đây là bước kĩ thuật, từ mô hình dịch tễ toán đến tính toán phải qua sử dụng các ngôn ngữ máy tính. Chỉ cần 1 dòng code sai thì có thể dẫn đến toàn bộ mô hình đều sai. Nên vai trò của người viết chương trình máy tính có thể nói là quan trọng chẳng kém gì bước thu thập dữ liệu.
  • Bước thứ tư là kiểm định mô hình. Sau khi có mô hình, cần phải kiểm tra mô hình xem kết quả có hợp lí hay không. Thường, người ta dùng máy tính công suất cao để mô phỏng một quần thể vài triệu người để xem ‘hành vi’ của mô hình ra sao. Chỉ khi nào mô hình đã qua kiểm định thì mới triển khai.

Bất cứ mô hình tiên lượng nào cũng dựa vào một số giả định. Mô hình tiên lượng dịch tễ học rất phức tạp, vì nó tiên lượng diễn biến của một quần thể đi từ tình trạng phơi nhiễm sang nhiễm, từ nhiễm sang nhập viện, từ nhập viện đến tử vong.

Mà, mỗi cá nhân có những yếu tố nguy cơ riêng có thể ảnh hưởng đến sự diễn biến đó. Chẳng hạn như người cao tuổi có diễn biến nhanh và cao hơn người trẻ tuổi. Tất cả những yếu tố như thế gọi là tham số, và một mô hình có thể có hàng chục tham số như vậy. Ví dụ như mô hình SEIR mà chúng tôi hay sử dụng có chừng 25 tham số. Nói chung, xây dựng mô hình tiên lượng rất nhiêu khê và tốn rất nhiều thời gian.

Hỏi: Bản thân Thầy từng trãi hoặc chứng kiến những thất bại trong mô hình tiên lượng trong y học ra sao? Bài học sau thất bại ấy là gì?

Đáp: Nói một cách ngắn gọn, không có mô hình nào là hoàn hảo cả, nhưng có một số mô hình có ích. Trong chuyên ngành loãng xương, những mô hình mà chúng tôi nghiên cứu và triển khai cần đến 20 năm để có dữ liệu, và sau khi công bố thì phải cần đến 5 năm sau mới triển khai trong lâm sàng. Lí do là vì mô hình có ảnh hưởng đến quyết định điều trị bệnh nhân, bên phải qua thẩm định của các hiệp hội y khoa, và pháp lí nữa để bảo đảm tính hợp lí khoa học và hợp pháp.

Trong dịch Covid thì có thể nói rằng đa số các mô hình đều sai. Cách đây hơn 1 năm, tập san British Medical Journal điểm qua hàng trăm mô hình về chẩn đoán covid và tác giả kết luận rằng các mô hình đó đều khó áp dụng trong thực tế vì vi phạm các giả định khoa học và dữ liệu quá nghèo nàn.

Mô hình dự báo của Imperial College bên Anh thì sai nghiêm trọng. Giáo sư Neil Furguson (một chuyên gia lừng danh về dịch tễ toán học ở Anh và là cố vấn cho Chánh phủ Anh về Covid) xây dựng một mô hình tiên lượng nổi tiếng trên thế giới. Mô hình này ước lượng rằng dịch Vũ Hán sẽ gây ra 500,000 cái chết nếu Chánh phủ Anh không có hành động. Chánh phủ Anh lập tức ra chánh sách hạn chế đi lại, giãn cách xã hội, và phong toả. Đó là một mô hình có ảnh hưởng lớn trên thế giới. Thế nhưng mô hình sai nghiêm trọng. Những gì xảy ra không như mô hình của ông tiên lượng. Vài nhóm nghiên cứu trên thế giới chỉ ra một số sai sót về giả định và kĩ thuật của mô hình. Có người thậm chí còn chê rằng những mã / codes trong mô hình đó chưa đạt trình độ chuyên nghiệp.

Ngay cả trước đây ông cũng có mô hình tiên lượng số ca tử vong liên quan đến dịch cúm gia cầm (bird flu) sẽ gây ra 200 triệu người chết trên thế giới. Thế nhưng trong thực tế thì chỉ có 282 người chết trong thời gian 2003 đến 2009. Mô hình này cũng sai nghiêm trọng, và có chuyên gia chỉ ra rằng ông đã dùng chương trình máy tính quá xưa để dự báo cho dịch ngày nay.

Sau này, Giáo sư Ferguson từ chức cố vấn Chánh phủ Anh vì sự thất bại của mô hình và bản thân vi phạm qui định trong thời gian phỏng toả.

Hỏi: Là một nhà khoa học quan sát tình hình dịch của Việt Nam, theo ông để có những mô hình tiên lượng hiệu quả thì VN nên chú ý những vẫn đề nào?

Đáp: Tôi nghĩ dữ liệu và chất lượng dữ liệu là yếu tố quan trọng nhứt. Giới dịch tễ học có câu “Đầu vào là rác thì đầu ra cũng là rác”. Do đó, dữ liệu kém chất lượng thì dự báo sai. Dự báo sai dẫn đến chánh sách sai.

Vấn đề thứ hai cần lưu ý là phải có chuyên gia có kinh nghiệm về mô hình tiên lượng. Xây dựng mô hình tiên lượng không chỉ đòi hỏi kĩ năng về toán, thống kê, máy tính mà còn kiến thức dịch tễ học nữa. Ở Úc, người lãnh đạo xây dựng mô hình tiên lượng có chức danh giáo sư và kinh nghiệm hơn 20 năm trong lãnh vực mô hình dữ liệu.

___

Bản trên báo PLO:

[1] https://plo.vn/thoi-su/gs-nguyen-van-tuan-chia-se-chuyen-du-bao-ve-dich-covid19-1011010.html

Tiêm vaccine và cao huyết áp

Có bạn ở trong nước hỏi tôi khi tiêm vaccine người ta có hỏi tôi bị cao huyết áp hay có đo huyết áp hay không. Lí do là có nhiều nơi ở Việt Nam không tiêm vaccine covid cho người cao huyết áp. Tôi xin chia sẻ kinh nghiệm cá nhân như sau:

Khi đi tiêm vaccine, tôi nhớ là không có đo huyết áp, nhưng có đo thân nhiệt. Ngoài ra, còn có một danh sách về các bệnh và triệu chứng mà tôi phải khai báo để xem mình có đáp ứng tiêu chuẩn tiêm chủng. Nhìn qua danh sách các triệu chứng tôi hiểu họ tầm soát nguy cơ covid. Sau này tôi biết rằng họ có hẳn một qui trình tiêm chủng mà các nhân viên y tế phải tuân theo. Qui trình đó được mô tả chi tiết từng bước ở đây [1,2].

Không thấy có nói gì đến cao huyết áp. Thật ra, cao huyết áp là một yếu tố nguy cơ bị covid, nên chẳng có lí do gì loại trừ các bệnh nhân này. Thật vậy, CDC khuyến cáo người mắc bệnh tim mạch nên tiêm vaccine [3] và điều này cũng nhứt quán với khuyến cáo của các hiệp hội tim mạch Hoa Kì [4].

Trong khi tìm hiểu vấn đề tôi thấy có một câu hỏi là sau khi tiêm vaccine thì huyết áp có tăng không? Có một báo cáo quan sát rằng một số bệnh nhân (cụ thể là 6 trên 113 người được tiêm vaccine) tăng huyết áp sau khi tiêm [5]. Trong số này có 4 người cần phải dùng thuốc để hạ huyết áp. Nhưng vì đây chỉ là quan sát thôi, nên khó có thể nói tăng huyết áp sau tiêm vaccine là do vaccine, vì có thể là do yếu tố khác. Hiệp hội cao huyết áp Pháp kết luận rằng không có mối liên quan nào giữa tiêm vaccine covid và tăng huyết áp [6].

No photo description available.

Tóm lại, các chuyên gia bệnh tim mạch khuyến cáo là người mắc các bệnh tim mạch, kể cả cao huyết áp, nên đi tiêm chủng vaccine covid. Những chứng cớ cho đến nay cho thấy vaccine không có ảnh hưởng đến cao huyết áp.

____

[1] https://www.health.nsw.gov.au/Infectious/covid-19/Pages/screening-procedure-nsw-health-facilities.aspx#%3A%7E%3Atext%3DAll%20staff%20and%20visitors%20entering%2Ccheck%20and%20an%20exposure%20assessment

[2] https://www1.health.nsw.gov.au/pds/ActivePDSDocuments/PD2021_013.pdf

[3] https://www.cdc.gov/vaccines/adults/rec-vac/health-conditions/heart-disease.html

[4] https://newsroom.heart.org/news/heart-disease-and-stroke-medical-experts-urge-public-to-get-covid-19-vaccinations

[5] https://www.ejinme.com/article/S0953-6205(21)00212-0/fulltext

[6] https://www.sfhta.eu/wp-content/uploads/2021/02/Statement-SFHTA-english-final-17022021.pdf

Hiểu con số 6000 ca dương tính trên 170,000 xét nghiệm như thế nào?

Một bản tin nhỏ nhưng quan trọng trên báo Tuổi Trẻ: TPHCM làm 170,000 xét nghiệm nhanh và phát hiện 6000 mẫu dương tính. Anh Phó giám đốc Sở Y tế nói rằng tỉ lệ này là ok vì ‘vẫn thấp hơn tỉ lệ 5% của Tổ chức Y tế thế giới.’  Không phải đâu. Thấy vậy mà không phải vậy. Tôi nghĩ tỉ lệ đó đáng báo động.

Vấn đề là tỉ lệ nhiễm thật là bao nhiêu? Nhấn mạnh là ‘thật’, hay nói theo ngôn ngữ dịch tễ học là ‘true prevalence’.

Nếu phương pháp xét nghiệm nhanh có độ chính xác 100% (tức 100 người bị nhiễm thì nó sẽ cho ra 100 ca dương tính, và 100 người không bị nhiễm nó sẽ cho ra 100 ca âm tính) thì tỉ lệ thật là 6 / 170 = 3.5%.

Nhưng phương pháp xét nghiệm nhanh có 2 sai sót: dương tính giả và âm tính giả. Theo nghiên cứu trong y văn [2], cứ 100 người bị nhiễm thì phương pháp nhanh sẽ phát hiện chừng 50 ca dương tính (tức tỉ lệ âm tính giả là 50%). Và, cứ 100 người không bị nhiễm thì phương pháp nhanh sẽ cho ra 99 ca âm tính (tức tỉ lệ dương tính giả là 1%). Do đó, con số chúng ta quan sát 3.5% ca dương tính KHÔNG có nghĩa là tỉ lệ nhiễm thật là 3.5%.

Vậy tỉ lệ nhiễm thật là bao nhiêu? Không biết chính xác. Nhưng có thể ước tính qua tỉ lệ dương tính (P = 0.035) và độ nhạy (Se = 0.50) và độ đặc hiệu (Sp = 0.99) như sau:

PREV = (P + Sp – 1) / (Se + Sp – 1) = (0.035 + 0.99 – 1) / (0.50 + 0.99 – 1) = 5.1%

Nói cách khác, tỉ lệ nhiễm thật trong cộng đồng là 5.1%, tức cao hơn mức độ của WHO (5%).

Câu chuyện không ngưng ở đó. Vấn đế là con số 3.5% dương tính đó là lấy từ một mẫu. Câu hỏi là nếu các giới chức tiếp tục lấy mẫu nhiều nhiều lần thì tỉ lệ nhiễm nhật (PREV) là dao động ra sao? Nói cách khác, khoảng tin cậy 95% của PREV là bao nhiêu?

Trả lời câu hỏi này hơi khó, vì phải tính phương sai của PREV. Tuy nhiên, cũng có cách tính mà tôi không mô tả ở đây, nhưng các bạn có thể đọc qua ở đây [3]. Các bạn có thể viết mã R giải phương trình, và kết quả là từ 4.99% đến 5.34%, tức vẫn cao hơn cái tỉ lệ 5% của WHO khuyến cáo.  

Tuy nhiên, cần nói thêm rằng đây là tỉ lệ ở những người có nguy cơ cao, vì cách lấy mẫu tập trung vào nhóm có nguy cơ cao. Do đó, tỉ lệ thật của toàn dân số thành phố có thể thấp hơn con số 5% này.

Ở Sydney, tỉ lệ dương tính ở người có nguy cơ trung bình và cao là chừng 0.5% [4]. Tỉ lệ ở SG cao  hơn Sydney gấp 10 lần. Do đó, khác với anh phó giám đốc Sở Y tế (cho rằng tỉ lệ này ‘chấp nhận được’), tôi cho rằng tỉ lệ 5% đó đáng báo động.

____

[1] https://tuoitre.vn/tp-hcm-test-nhanh-170-000-mau-6-000-mau-duong-tinh-20210824175718283.htm

[2] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7927591/

[3] https://onlinelibrary.wiley.com/doi/10.2307/3315916

[4] https://tuanvnguyen.medium.com/to-live-with-this-virus-not-to-live-in-fear-of-it-b3823192be43

Trường hợp Iceland: vaccine không phải là viên đạn bạc

Có lẽ cần phải lặp lại câu nói đó để nhắc nhở rằng các biện pháp y tế công cộng khác cũng quan trọng. Trường hợp Iceland là một ví dụ tiêu biểu cho câu nói đó.

Iceland là một quốc đảo vùng Bắc Âu, với dân số chỉ 357,000 người. Nói là ốc đảo, nhưng quốc gia này có trình độ khoa học, nhứt là di truyền học, thuộc hàng ‘đỉnh’ trên thế giới. Đó cũng là một nơi được xem là thí nghiệm tự nhiên và được nhiều người trong giới khoa học phân tích để hiểu tình hình dịch bệnh.

Iceland bắt đầu tiêm chủng vaccie vào cuối năm 2020. Tính đến nay (8/2021) thì 77% dân số đã được tiêm 2 liều vaccine. Các vaccine phổ biến ở đây là Pfizer, J&J, AstraZeneca.

Tính từ đầu năm ngoái (2020) đến nay, Iceland đã trải qua 3 đợt dịch bùng phát. Đợt thứ nhứt là khoảng tháng 3/2020, đợt thứ hai là tháng 9-10/2020, và đợt hiện nay bắt đầu từ giữa tháng 7/2021.

Tính từ đầu năm 2021 đến giữa tháng 7/2021, số ca nhiễm dao động trong khoảng 1-2 ca mỗi ngày, và cao nhứt là 7 ca. Nhưng từ giữa tháng 7 trở đi thì số ca tăng đột biến, có khi lên đến 87 ca một ngày.

Dịch bùng phát ở Iceland. Đa số (82%) các ca nhiễm mới là đã được tiêm vaccine đầy đủ 2 liều. Nguồn: www.covid.is/data

Nhưng con số đó chưa nói hết vì số ca nhiễm chẳng có ý nghĩa gì nhiều. Có 3 điều đáng chú ý mà con số đó chưa nói:

  • Thứ nhứt là trong số những ca nhiễm mới, 82% đã được tiêm vaccine đầy đủ 2 liều.
  • Thứ hai là 97% những ca nhiễm mới là nhẹ hay không có triệu chứng.
  • Thứ ba là chỉ có 18 ca cần nhập viện.
  • Từ tháng 4/2020 đến 10/2020 (chưa tiêm vaccine) không có ca tử vong. Từ đầu tháng 1/2021 đến nay (tức đã tiêm vaccine) có thêm 2 ca tử vong.

Những con số này nói lên điều gì? Tôi nghĩ trước hết nó cho thấy nhiễm đột phát (breakthrough infection) sau khi tiêm vaccine là khá cao, và ở đây Iceland, hiệu quả của vaccine có vẻ khiêm tốn vì ngay cả số ca tử vong chẳng thay đổi bao nhiêu trước và sau tiêm vaccine, nhưng số liệu còn quá ít để khẳng định.

Tóm lại, vaccine có hiệu quả, nhưng không phải là viên đạn bạc chống covid-19, và các biện pháp giãn cách xã hội có lẽ vẫn phải duy trì sau khi tiêm chủng vaccine.

Nhưng Iceland không phải là ca ngoại lệ, vì Do Thái cũng đang trải qua một đợt dịch mới dù 78% dân số đã được tiêm vaccine, chủ yếu là Pfizer. Số ca nhiễm mỗi ngày tăng gần đạt đỉnh điểm so với thời gian trước khi tiêm vaccine. Ngay cả số ca nhập viện cũng tăng 31% so với tuần trước, và đa số đều đã được tiêm vaccine.

Bài báo cho biết tính đến ngày 15/8/2021, 514 người đã nhập viện, và trong số này gần 60% là đã được tiêm đủ 2 liều vaccine [1]. Tác giả cho biết con số nhiễm đột phá quá nhiều, đến nổi chiếm đa số bệnh nhân nhập viện.

Một phân tích mới công bố trên MedrXiv cho thấy hiệu quả của vaccine suy giảm theo thời gian [2]. Một viên chức y tế gởi một thông điệp đến các nước giàu có rằng “Đừng nghĩ rằng tiêm thêm liều vaccine (booster) là giải pháp.” Còn giải pháp tốt nhứt là gì thì ông cũng chưa biết.

____

PS: Các bạn có thể tải số liệu của Iceland về và tự phân tích từ đây: www.covid.is/data. Ở xứ người ta số liệu rất minh bạch và công bố cho công chúng xem xét.

[1] https://www.sciencemag.org/news/2021/08/grim-warning-israel-vaccination-blunts-does-not-defeat-delta

[2] https://www.medrxiv.org/content/10.1101/2021.07.29.21261317v1.full.pdf

Tất cả mô hình tiên lượng Covid đều sai!

Nhiều bạn thắc mắc tại sao mô hình dự báo covid ở VN quá sai. Tôi dành ra khá nhiều thì giờ để suy nghĩ và làm về tiên lượng [1], nên có thể chia sẻ những khó khăn đằng sau để các bạn biết. Không phải ai có kĩ năng toán hay thống kê học là có thể xây dựng mô hình tốt đâu. Xây dựng mô hình tiên lượng tốt đòi hỏi những kiến thức chuyên ngành, kinh nghiệm thực tế, và kĩ thuật thật tốt. Cái note này giải thích tại sao các mô hình covid đều sai và nên sử dụng mô hình như thế nào.

Có lẽ các bạn còn nhớ tuần qua tôi có ‘tâm sự’ nỗi khổ của người làm Academic Editor khi phụ trách mấy bài nghiên cứu về covid. Trong cái note đó tôi có đề cập đến Giáo sư Neil Furguson (một chuyên gia lừng danh về dịch tễ toán học ở Anh và là cố vấn cho Chánh phủ Anh về Covid) xây dựng một mô hình tiên lượng nổi tiếng trên thế giới. Mô hình này ước lượng rằng dịch Vũ Hán sẽ gây ra 500,000 cái chết nếu Chánh phủ Anh không có hành động. Chánh phủ Anh lập tức ra chánh sách hạn chế đi lại, giãn cách xã hội, và phong toả. Đó là một mô hình có ảnh hưởng lớn trên thế giới.

Thế nhưng mô hình với 15,000 dòng codes [2] của Ferguson sai. Sai nghiêm trọng. Những gì xảy ra không như mô hình của ông tiên lượng. Vài nhóm nghiên cứu trên thế giới chỉ ra một số sai sót về giả định và kĩ thuật của mô hình. Có người thậm chí còn chê rằng những mã / codes trong mô hình đó chưa đạt trình độ chuyên nghiệp [3]!

Ngay cả trước đây ông cũng có mô hình tiên lượng số ca tử vong liên quan đến dịch cúm gia cầm (bird flu) sẽ gây ra 200 triệu người chết trên thế giới. Thế nhưng trong thực tế thì chỉ có 282 người chết trong thời gian 2003 đến 2009. Mô hình này cũng sai nghiêm trọng, và có chuyên gia chỉ ra rằng ông đã dùng chương trình máy tính quá xưa để dự báo cho dịch ngày nay.

Rồi chính ông vi phạm qui định về phong toả năm 2020, và thế là Ferguson quyết định từ chức cố vấn cho Chánh phủ Anh. Một kết cục buồn. Nhưng tôi hoàn toàn hiểu và thông cảm cho nỗi khổ của ông ấy. Không ai hoàn hảo, huống chi là một mô hình với 15,000 dòng codes.

Ở bên Mĩ, một trong những mô hình được Chánh phủ đề cập nhiều là của Institute of Health Metrics and Evaluation (IIHME) [4]. Mô hình này dự báo số ca tử vong cho mỗi tiểu bang trong 4 tháng. Nhìn bề ngoài thì nó có vẻ ok đối với người không am hiểu dịch tễ học, nhưng nhìn từ góc độ chuyên môn thì mô hình có vấn đề. Chẳng hạn như mô hình này giả định rằng hệ số phản ảnh ảnh hưởng giãn cách xã hội giống như những gì quan sát ở Vũ Hán, trong khi môi trường sống ở Vũ Hán rất khác so với Mĩ.

Ngay cả con số tử vong dự báo của mô hình cũng chẳng dựa vào dịch tễ học mà lệ thuộc vào số ca tử vong trước đây, nhưng số ca tử vong đó được báo cáo không đầy đủ. Hậu quả là mô hình đầy triển vọng này cho ra nhiều dự báo sai nghiêm trọng, ảnh hưởng đến việc hoạch định chánh sách.

Chỉ vài ví dụ trên để chúng ta thấy rằng mô hình toán học và mô hình dịch tễ học chỉ là một dạng ‘thể thao trí não’ (không phải ‘trí tuệ’ nghen). Mô hình là những công cụ có ích, nhưng đừng nên quá lệ thuộc vào chúng để dự báo tương lai xa. Tôi sẽ giải thích dưới đây tại sao mô hình rất dễ sai. Và chính vì sai nên giới lãnh đạo không nên quá lệ thuộc vào mô hình để hoạch định chánh sách có thể gây ảnh hưởng đến hàng triệu người.

1.  Hai bộ môn dịch tễ học

Tiên lượng bệnh tật là chuyên môn của giới dịch tễ học. Nhưng có lẽ đa số các bạn, kể cả người trong ngành y, không biết rằng có hai nhánh dịch tễ học. Một nhánh tạm gọi là Dịch tễ học Lâm sàng (clinical epidemiology), là các môn học liên quan đến ứng dụng các khái niệm căn bản như thiết kế nghiên cứu, điều tra dịch tễ, diễn giải và ứng dụng kết quả cho điều trị, v.v. Đây là những môn hay được giảng dạy cho bác sĩ và nhân viên y tế nói chung. Cá nhân tôi và vài đồng nghiệp hay tổ chức những lớp học như thế này ở Việt Nam và vài nước Á châu.

Một nhánh khác gọi là Dịch tễ Toán học (mathematical epidemiology). Đây là môn học đòi hỏi người theo học phải biết về y khoa, bệnh truyền nhiễm, và giỏi toán thống kê và máy tính. Người theo học phải có kiến thức về những môn như xác suất, qui trình ngẫu nhiên, phương trình vi phân, phương pháp Bayes, mô phỏng, v.v. Rất ít ai dạy môn này ở đại học cho bác sĩ hay các nhà dịch tễ học lâm sàng, nhưng những ai làm nghiên cứu thì phải học môn này.

Có thể nói rằng 100% người Việt chúng ta chỉ học dịch tễ học lâm sàng. Còn dịch tễ toán học thì rất hiếm ai học qua một cách bài bản, hay có kinh nghiệm ở trình độ nghiên cứu (research level).

Khi nói về mô hình dịch covid, chúng ta nói về nhánh dịch tễ toán học, chớ không phải dịch tễ học lâm sàng. Lí do đơn giản là các phương pháp dịch tễ toán học cung cấp hàng loạt ‘phương tiện’ để mô hình hoá. Các mô hình này có thể chia thành 2 nhóm: tiên lượngdự báo.

Tiên lượng và Dự báo

Có lẽ vài bạn chưa hiểu rõ sự khác biệt giữa 2 khái niệm prediction (tiên lượng) và forecasting (dự báo), nên tôi xin có một giải thích ngắn gọn như sau:

  • Prediction hay tiên lượng là dùng tham số để giải thích một biến cố trong tương lai. Ví dụ như tôi dùng các yếu tố như hệ số lây nhiễm và cơ cấu dân số để hiểu dịch đang xảy ra như thế nào và dùng đó để giải thích rằng ảnh hưởng của phong toả là như thế nào.
  • Forecasting hay dự báo là sử dụng dữ liệu quá khứ để ước tính xác suất một biến số xảy ra trong tương lai. Chẳng hạn như tôi dùng số ca nhiễm hàng ngày trong tháng qua để dự báo số ca nhiễm tháng tới với một xác suất nào đó.

Những mô hình tiên lượng và dự báo trong dịch tễ học thì rất nhiều. Các bạn có thể xem qua trang này [5] để biết trên thế giới người ta đã làm đến đây về mô hình dịch tễ học. Tôi nghĩ tựu trung lại có 3 dạng mô hình chánh:

  • Mô hình SEIR
  • Mô hình Agent
  • Mô hình thống kê

Dưới đây, tôi xin giải thích cho các bạn rõ hơn sự khác biệt giữa 3 dạng mô hình đó. Nên nhớ rằng mỗi dạng như thế có hàng chục mô hình khác nhau (chớ không phải chỉ 1), tuỳ thuộc vào sự phức tạp của môi trường dịch tễ.

2. Mô hình SEIR (susceptible – exposed – infection – recovery)

Mô hình SEIR đại khái phân chia quần thể thành 4 tình trạng (còn gọi là compartment): S là số người có thể bị nhiễm; E là số người bị phơi nhiễm; I là số người có thể lây lan cho người khác; và R là số người bình phục.

Mỗi chuyển biến tư S sang E, từ E sang I, và I sang R chịu sự chi phối của hàng loạt tham số. Chẳng hạn như từ S sang E, nhà nghiên cứu phải biết số lần tiếp xúc trong mỗi đơn vị thời gian và xác suất chuyễn từ S sang E. Tương tợ, từ E sang I lệ thuộc vào thời gian ủ bệnh và xác suất những ca không triệu chứng. Cụ thể, mô hình này đòi hỏi nhà nghiên cứu phải có những dữ liệu sau đây:

  • Dân số phân bố theo từng độ tuổi và giới tính;
  • Xác suất số ca nhiễm nhẹ sẽ đến khám ở phòng mạch bác sĩ;
  • Xác suất cố ca nhiễm nhẹ nhập viện;
  • Xác suất số ca do bác sĩ gia đình điều trị sẽ nhập viện;
  • Xác suất ca xuất viện và cần bác sĩ điều trị;
  • Xác suất số ca nhiễm nặng;
  • Xác suất số ca nhiễm nặng cần nhập viện;
  • Xác suất số ca nhiễm nặng cần nhập ICU;
  • Xác suất số ca nhiễm nặng cần thở máy;
  • Phân bố thời gian nằm viện;
  • Phân bố thời gian nằm ICU;
  • Chỉ số turnover giường bệnh và ICU.  

Tất cả những tham số đó rất khó có. Khi dịch mới khởi phát thì làm sao nhà nghiên cứu có những tham số đó. Thành ra, cách mà họ làm là đưa ra một con số nào đó cho mỗi tham số. Nhưng thử tưởng tượng, một mô hình như SEIR nếu đơn giản thì cần đến ít nhứt là 9 tham số, tức là nhà nghiên cứu có hàng trăm mô hình khả dĩ.

Minh hoạ cho mô hình SEIR. Nguồn: https://tuanvnguyen.medium.com/move-away-from-lockdowns-ad24fe2d995b

Trong tình huống thiếu thốn dữ liệu thì chỉ có cách là mô phỏng. Nhưng mô phỏng lại tuỳ thuộc vào hàng loạt tham số kĩ thuật khác mà nhà nghiên cứu có khi không biết hết, và một lần nữa họ phải … võ đoán.

3.  Mô hình Agent

Mô hình này còn gọi là ABM (Agent-based Model) trong dịch tễ học. Mô hình ABM hoàn toàn dựa vào mô phỏng bằng máy tính loại công suất cao (như supercomputer chẳng hạn). ABM thường được ứng dụng để nghiên cứu về tương tác giữa người với người, giữa các môi trường, địa phương, và thời gian. Đây là mô hình hoàn toàn dựa vào xác suất, và có thể xem như là một dạng ‘system modeling’ chớ không đơn giản như mô hình thống kê truyền thống.

Các bạn thử tưởng tượng người ta mô hình các mối tương tác giữa 10 triệu người thuộc 100 địa điểm và suốt 365 ngày. Ông A gặp ông B ở địa điểm 1 trong thời gian t1; ông Ba tiếp xúc bà C tại địa điểm 2 trong thời gian t2; v.v. Rất phức tạp và tuỳ thuộc vào rất nhiều tham số. Vì tính phức tạp, nên mô hình này thường đòi hỏi phải có máy tính công suất lớn, kể cả siêu máy tính.

Minh hoạ cho mô hình ABM. Nguồn: https://www.sciencedirect.com/science/article/pii/S1755436517300221

Nhưng mô hình ABM nếu đúng thì có thể giúp nhà nghiên cứu biết được các biện pháp giãn cách xã hội có hiệu quả như thế nào.

4.  Mô hình thống kê truyền thống

Đây là các mô hình tôi xếp vào nhóm ‘truyền thống’ như mô hình dữ liệu dãy thời gian (time series models như ARMA, ARIMA, SARIMA), mô hình hồi qui (regression models), hay những kĩ thuật gọi chung là ‘curve fitting’. Những mô hình này nói chung là khá đơn giản, vì chỉ sử dụng conn số ca nhiễm hay tử vong mỗi ngày và tìm một phương trình tiên lượng cho tương lai.

Các mô hình thống kê này chỉ có thể ứng dụng cho dịch trong một thời gian ngắn và đơn giản. Tuy vậy, các mô hình này vẫn phải dựa vào nhiều giả định liên quan đến kĩ thuật và can thiệp. Chẳng hạn như nhà nghiên cứu phải giả định rằng biện pháp can thiệp sẽ diễn ra vào lúc nào và hiệu quả ra sao, tức là những tham số không thể nào biết trước được.

Đối với dịch phức tạp và có nhiều can thiệp như covid thì những mô hình truyền thống này không được ứng dụng. Dĩ nhiên, trong thực tế cũng có người ‘mạo hiểm’ ứng dụng các mô hình này, nhưng dân trong chuyên ngành chỉ cần nhìn qua là biết không phải người trong ‘bộ lạc’.

Dĩ nhiên, còn nhiều mô hình khác nữa mà tôi không đề cập ở đây. Chẳng hạn như có người dùng Machine Learning để dự báo dịch covid cũng rất hay [6]. Nhưng cá nhân tôi thì không mặn mà với mô hình loại này, vì nó thiếu các nguyên lí dịch tễ đằng sau. Mô hình cần phải có lí thuyết và nguyên lí, chớ thiếu yếu tố này thì chỉ là ‘hộp đen’ mà thôi.

5.  Mô hình nào cũng sai

Ở trên, tôi đã giải thích sự phức tạp và qui mô của mô hình tiên lượng SEIR và ABM. Phức tạp là vì các mô hình này tuỳ thuộc vào quá nhiều tham số và giả định. Những tham số đó thường không có sẵn. Còn giả định thì có thể sai. Sai là vì nhà nghiên cứu nhìn hiện tượng theo cảm nhận của mình, chớ ít khi nào theo sự vật. Nói như Einstein là “assumptions are made and most assumptions are wrong” (Giả định là cái mình tự đặt ra và đa số giả định đều sai).

Như tôi trình bày trên, tính hợp lí của mô hình lệ thuộc vào 3 yếu tố: giả định và phẩm chất của dữ liệu. Một trong những giả định quan trọng là thời gian ủ bệnh, hệ số ảnh hưởng của giãn cách xã hội, và chỉ số lây lan (reproduction ratio). Vấn đề là trong thời điểm dịch mới bùng phát thì dữ liệu rất hạn chế, có thể do báo cáo tư cơ sở không đầy đủ, do xét nghiệm kém chính xác, hay do số liệu được thu thập còn quá rời rạc. Một trong những vấn đề về dùng dữ liệu gộp từ nhiều nguồn là nó bỏ qua sự khác biệt giữa các địa phương. Những yếu tố lâm sàng như bệnh đi kèm, độ tuổi, yếu tố nguy cơ, v.v. bị trung bình hoá, thành ra dẫn đến một nghịch lí là mô hình có vẻ rất tốt cho tất cả địa phương, nhưng lại rất kém cho mỗi địa phương!

Các mô hình phải có tính minh bạch. Minh bạch hiểu theo nghĩa nhóm nghiên cứu nên công bố chi tiết kĩ thuật về mô hình cho thế giới xem và đánh giá. Điều này cũng giống như làm nghiên cứu khoa học thì phải công bố kết quả và phương pháp nghiên cứu. Chẳng hạn như nhóm của Neil Furguson [7] hay nhóm Doherty [8] người ta công bố mô hình bằng những bài báo khoa học hay trên các trạm như MedrXiv.

Nhà thống kê học trứ danh George Box [9] (con rể của Ronald Fisher) từng nói một câu nổi tiếng rằng ‘Tất cả các mô hình đều sai, nhưng một số mô hình vẫn có ích’ (‘All Models Are Wrong, Some are Useful). Nhiều người hiểu sai câu này và biện minh cho cái sai của mình. Nhưng câu đó phải hiểu đúng như sau: tất cả các mô hìn đều sai, bởi vì bản chất của mô hình là xấp xỉ với thực tế (và xấp xỉ thì phải sai).

Tại sao ‘một số mô hình có ích’? Tại vì các mô hình được xây dựng theo đúng phương pháp và có dữ liệu tốt thì nó vẫn có thể giúp cho việc hoạch định chánh sách và nhìn thấy trước viễn cảnh. Câu nói đó không biện minh cho những mô hình sai từ kiến thức đến phương pháp.

6.  Tiêu chuẩn 4R cho mô hình tiên lượng

Để xây dựng một mô hình nghiêm chỉnh, một mô hình mà tôi gọi là ‘actionable model’ (tức mô hình có thể giúp lãnh đạo hành động) thì đòi hỏi nhiều hơn là một bài tập toán dịch tễ học. Bây giờ nghĩ lại, tôi thấy giá trị của một mô hình actionable được xác định bởi người làm ra nó và 4 tiêu chuẩn mà tôi gọi là 4R.

Ai cũng có thể xây dựng một mô hình tiên lượng hay dự báo, nhưng mô hình đó có được ‘công nhận’ hay không và công nhận bởi ai là một chuyện khác. Mô hình tiên lượng như là một công cụ, và công cụ có thể xem như một món hàng. Khách hàng khi lựa chọn mua món hàng, họ muốn biết ai là người sản xuất ra món hàng, nhà sản xuất đã có kinh nghiệm làm món hàng như thế chưa, và uy tín của nhà sản xuất ra sao. Một nhà sản xuất đùng một cái tuyên bố rằng họ làm ra [ví dụ] thuốc điều trị ung thư, nhưng họ chưa bao giờ có tên tuổi trong ngành, thì rất khó được công nhận. Trong mô hình tiên lượng cũng vậy, tác giả mô hình là một yếu tố khá quan trọng.

Xin chia sẻ một câu chuyện trong chuyên ngành loãng xương chúng tôi. Chuyên ngành này có 3 mô hình tiên lượng (một của nhóm tôi, một của WHO, và một của một nhóm bên Anh), nhưng chỉ có mô hình của nhóm tôi và WHO là được đồng nghiệp công nhận và sử dụng trong lâm sàng. Tại sao mô hình bên Anh cũng làm khá tốt mà không được sử dụng? Phải một thời gian sau người ta mới nhận ra lí do: vì họ không phải là người trong ‘bộ lạc’. Họ không có những ‘track record’ như nhóm chúng tôi và WHO (hiểu theo nghĩa từng công bố những nghiên cứu trong lãnh vực mô hình tiên lượng và quá quen mặt trong các hội nghị quốc tế). Họ xuất hiện khá … đột ngột. Một lí do khác là mô hình của họ quá phức tạp để bác sĩ có thể sử dụng.

Mô hình tiên lượng covid cũng vậy. Trong hàng trăm mô hình khắp thế giới, người ta biết chọn mô hình nào? Đầu tiên là người ta phải xem thành tích khoa học của tác giả, họ xuất phát từ đâu và đã từng làm trong lãnh vực này bao lâu. Chẳng hạn như ở Úc này, giữa mô hình của nhóm Viện Doherty và Viện Burnet, có lẽ đa số sẽ chọn mô hình của Viện Doherty vì người đứng đầu có một thành tích khoa học khá lâu trong lãnh vực này.

Muốn xây dựng một mô hình tiên lượng tốt, cần phải đạt tiêu chuẩn gì? Xin ‘khoe’ với các bạn là cách đây 5 năm khi tôi được bổ nhiệm ở UTS [1], và theo truyền thống của đại học, tôi có một bài nói chuyện gọi là ‘ra mắt’. Bài này khá quan trọng vì qua đó mà người ta đánh giá mình trong faculty của đại học. Trong bài nói chuyện đó, tôi nói về “Predictive Medicine in the Genomic Era”, và đề ra tiêu chuẩn 4R cho một mô hình lí tưởng. Tôi có đề cập đến 4 tiêu chuẩn này trong cuốn sách mới xuất bản ở Việt Nam [10].  

  • Reliable (tin cậy)
  • Relevant (liên đới)
  • Real world (thực tế)
  • Realtime (trực tuyến)

Tiêu chuẩn Reliable ở đây có nghĩa là mô hình phải đạt độ chính xác có thể chấp nhận được (nhưng không thể 100%). Để đạt được độ chính xác đó thì giá trị tiên lượng của mô hình phải unbiased, có nghĩa là không chịu ảnh hưởng bởi các yếu tố nhiễu. Ngoài ra, mô hình đó phải mang tính tái lập (reproducible), có nghĩa là người ta có thể lặp lại mô hình — nếu họ muốn.

Bất cứ mô hình nào cũng phải qua giai đoạn xây dựng trước rồi kiểm định sau. Có khi mô hình xây dưng rất tốt trên nền một dữ liệu ở Anh, nhưng có thể khi kiểm định ở Việt Nam thì sẽ thất bại. Chuyện này xảy ra khá thường xuyên. Tuyên bố rằng mình đã có một mô hình vẫn chưa đủ, mà phải chứng minh rằng mô hình đó reliable thì mới đáng xem xét (chưa nói đến sử dụng).

Tiêu chuẩn Relevance đề cập đến mô hình phải ‘actionable’, tức có thể dựa vào đó mà hành động. Nói cách khác, mô hình có thể dùng làm cơ sở để hoạch định chánh sách. Nhiều mô hình xây dựng cho đẹp, nhưng không sử dụng được vì có thể nó chỉ là ‘hộp đen’.

Có những mô hình có quá nhiều tham số và giả định, mà người sử dụng rất khó kiểm tra tính hợp lí của chúng. Những mô hình này có thể cho ra kết quả tiên lượng hay dự báo khá tốt, nhưng nó không mang tính liên đới. Chẳng hạn như mô hình với 20 tham số, và có tham số liên quan đến yếu tố A, và người sử dụng mô hình sẽ hỏi “Nếu tôi can thiệp vào A, thì kết quả sẽ ra sao?” Nếu kết quả can thiệp A không làm thay đổi giá trị tiên lượng thì mô hình đó được xem là irrelevant, không mang tính liên đới. Một mô hình loại đó chỉ làm như là một trò toán học thôi, không có giá trị thực tế.

Tiêu chuẩn Realworld là phải phản ảnh thực tế và có giá trị kinh tế. Đó là mô hình phản ảnh thực trạng của một địa phương, thay vì mô hình chung chung. Mỗi địa phương có những yếu tố đặc thù, và mô hình lí tưởng cần phải xem xét đến các yếu tố đó.

Có nhiều mô hình khả dĩ để xây dựng, và người xây dựng phải dung hoà giữa 2 thái cực: phức tạp và đơn giản. Mô hình đơn giản thì không phản ảnh đầy đủ sự phức tạp của dịch. Còn mô hình quá phức tạp thì khó diễn giải, và có khi không phù hợp với dịch tễ và sinh học. Do đó, phải tìm một mô hình trung dung giữa 2 thái cực để phù hợp với tình hình thực tế.

Tiêu chuẩn Realtime là phản ảnh sự biến chuyển theo thời gian của các yếu tố nguy cơ hay các tham số. Nói theo triết lí Vô Thường là không có yếu tố nào là cố định cả, cho nên mô hình tốt phải uyển chuyển theo thời gian. Đa số các mô hình tiên lượng thất bại ở tiêu chuẩn này vì giả định rằng các tham số của mô hình là cố định.

Trong các mô hình tiên lượng hay dự báo covid, cái sai sót lớn nhứt là thiếu tính realtime. Chẳng hạn như quay lại các giả định trong mô hình SEIR, chúng ta thấy tất cả đều có thể thay đổi theo thời gian. Vả lại, nhà chức trách sẽ áp dụng các biện pháp giãn cách xã hội khác để kiểm soát dịch, nhưng nhiều mô hình tiên lượng không xem xét đến — hay có xem xét nhưng không đầy đủ — dễ dẫn đến sai lầm trong tiên lượng.

7.  Hướng đi tương lai: hợp tác

Khi đại dịch xảy ra, có nhiều cá nhân và nhóm tự hình thành để góp một vài ý kiến hay việc làm cụ thể. Điều đó cũng dễ hiểu, vì mỗi chúng ta đều có tấm lòng với quê hương. Nhưng sự bất lợi của các nhóm tự phát là rời rạc và không có liên kết chặt chẽ. Một điểm yếu khác có lẽ là sự tự tin của các cá nhân rằng họ là chuyên gia và biết tất cả, mà không cần tham vấn những người ngoài nhóm.

Nói chung, sự hình thành các nhóm ‘tự phát’ phản ảnh một phần cái văn hoá của người Việt chúng ta. Nhiều người trong chúng ta hay nghĩ mình là nhứt, và vì thế họ thấy không cần hợp tác với người ngoài có chuyên môn nhưng họ bất đồng chánh kiến.

Trong khi ở Úc và các nước phương Tây thì người ta có văn hoá hợp tác rất tốt. Chẳng hạn như các chuyên gia ở Mĩ và Úc, họ qui tụ thành các nhóm và làm tư vấn cho chánh phủ. Có nhóm chuyên về lâm sàng và y học thực chứng, chuyên đánh giá chứng cớ khoa học của các nghiên cứu và ra khuyến cáo. Có nhóm chuyên về tiên lượng và dự báo, huy động những chuyên gia từ các bộ môn dịch tễ học lâm sàng, dịch tễ toán học, toán học, thốg kê học, khoa học máy tính, IT, vật lí, v.v. Kết quả là họ có những mô hình khả dĩ dùng làm cơ sở khuyến cáo chánh phủ.

Tôi nghĩ hướng đi tương lai là chúng ta nên hợp tác với nhau và làm việc vì mục tiêu chung. Chúng ta phải học cách làm việc của người phương Tây, vì sự phức tạp của các mô hình tiên lượng đòi hỏi người ta phải làm việc theo nhóm. Trong nhóm phải có người ‘chỉ huy’ cấp giáo sư có ‘track record’ trong chuyên ngành, và có nhiều chuyên gia có kinh nghiệm thực tế tốt. Các bạn thử xem cách Viện Doherty của Úc xây dựng mô hình tiên lượng ra sao. Ai cũng có thể xây dựng mô hình, nhưng mô hình có sử dụng hay có ích hay không còn tuỳ thuộc vào uy tín khoa học của người lãnh đạo.

Tôi hình dung ra nhóm nghiên cứu có những ‘tổ’ nhỏ như sau. Tổ chuyên thu thập và đánh giá phẩm chất dữ liệu. Tổ phân tích dữ liệu dịch tễ học và công bố báo cáo thường xuyên cho công chúng biết sự diễn biến của dịch. Tổ chuyên nghiên cứu mô hình dịch tễ học thích hợp nhứt cho Việt Nam; tổ này bao gồm những người có chuyên môn về dịch tễ toán học. Tổ chuyên viết chương trình máy tính và xây dựng website, hỗ trợ tổ phân tích và tổ mô hình. Mỗi tổ có một người đứng đầu và chịu trách nhiệm với trưởng nhóm.

Tóm lại, một mô hình tiên lượng dựa vào rất nhiều giả định và có nhiều tham số mà nhà nghiên cứu không bao giờ có đầy đủ. Ở Việt Nam tình trạng thiếu thốn dữ liệu còn trầm trọng hơn nữa, mà ngay cả có dữ liệu thì chất lượng rất kém. Xây dựng mô hình trên dữ liệu với chất lượng thấp thì kết quả sai là đương nhiên. (Cũng xin nhắc các bạn đừng gởi msg cho tôi nói rằng Việt Nam có đầy đủ dữ liệu. Mất thì giờ. Không có đâu. Loại dữ liệu cần cho mô hình không phải là dữ liệu hành chánh). Tôi nghĩ hướng đi, nếu ai còn tha thiết, cho tương lai có lẽ là:

(1) Hợp tác. xây dựng một mô hình tiên lượng là một việc làm rất khó khăn, đòi hỏi sự đóng góp của nhiều người có kinh nghiệm cao, và cần thời gian để thử nghiệm trước khi triển khai. Không thể và không nên xây dựng những mô hình theo ý mình (đa số giới khoa học là vậy) mà nên mô hình theo hiện tượng thực tế.

(2) Dữ liệu. Mô hình nào cũng cần dữ liệu với phẩm chất cao, bởi vì dữ liệu hay đầu vào là rác thì đầu ra của mô hình cũng là rác rưởi mà thôi (Garbage in, Garbage out). Do đó, cần phải có hệ thống thu thập dữ liệu cho thật tốt để phục vụ cho phân tích, và điều này thì tôi đã có đề nghị cụ thể trước đây [8].

(3) Mô hình chỉ là tham khảo. Tất cả các mô hình tiên lượng và dự báo không bao giờ được xem là ‘sự thật’ hay ‘fact’, bởi vì các mô hình này dựa vào nhiều giả định và phán xét của tác giả. Do đó, lệ thuộc vào mô hình để ra chánh sách là một sai lầm nguy hiểm.

(4) Khiêm tốn. Trong dịch tễ học người ta có câu hiểu nôm nà là “không có mô hình toán học nào có thể xác định được diễn biến của dịch, chỉ có con virus quyết định diễn biến của dịch.” Điều này có nghĩa là mô hình phải có yếu tố ‘Vô Thường’, hiểu theo nghĩa uyển chuyển thích ứng với tình huống mỗi ngày. Quên câu nói này có thể dẫn đến nhiều hậu quả khó lường.

Trong khi chờ mô hình Việt Nam, các bạn có thể dùng mô hình của Úc để có một cái nhìn ngắn hạn về diễn biến dịch ở Việt Nam tại đây:

https://covid19forecast.science.unimelb.edu.au

______

[1] Một trong những chức danh của tôi là Professor of Predictive Medicine. Dịch nôm na sang tiếng Việt thì Predictive Medicine là Y khoa Tiên lượng. Nhưng trong thực tế thì không hẳn như thế, danh xưng đó có nghĩa là Y học Cá nhân hoá (Personalized Medicine hay gần đây là Precision Medicine). Y học Cá nhân hoá có nghĩa là bộ môn khoa học có mục tiêu khám phá gen và sử dụng gen để tiên lượng nguy cơ bệnh tật và dự báo hiệu quả của điều trị cho mỗi cá nhân. Đó chính là lí do tại sao tôi dành nhiều thì giờ nghiên cứu về tiên lượng y khoa.

[2] https://github.com/mrc-ide/covid-sim

[3] https://www.nature.com/articles/d41586-020-01685-y

[4] Mô hình của IHME: http://www.healthdata.org/covid

[5] https://covid19forecasthub.org hay trang này cũng có nhiều mô hình để tham khảo: https://www.aha.org/guidesreports/2020-04-09-compendium-models-predict-spread-covid-19

[6] https://www.jmir.org/2021/6/e24285

[7] https://doi.org/10.25561/77482 

[8] https://www.doherty.edu.au/uploads/content_doc/McVernon_Modelling_COVID-19_2.pdf

[9] https://tiasang.com.vn/khoa-hoc-cong-nghe/george-box-va-hanh-trinh-den-khoa-hoc-thong-ke-3496

[10] https://nguyenvantuan.info/2020/11/13/gioi-thieu-sach-moi-mo-hinh-hoi-qui-va-kham-pha-khoa-hoc

[11] https://nguyenvantuan.info/2021/08/07/dich-vu-han-va-van-de-du-lieu