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

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s