ویرگول
ورودثبت نام
نشریهٔ بارقه
نشریهٔ بارقهنشریۀ انجمن علمی-فرهنگی دانشکدۀ مهندسی برق دانشگاه صنعتی شریف (رسانا)
نشریهٔ بارقه
نشریهٔ بارقه
خواندن ۱۲ دقیقه·۶ سال پیش

قیل و قال

✅بخش علمی بارقه

?فربد یداللهی


چطور تئوری کنترل در کنترل covid-19 به ما کمک می کند؟

همه گیری کرونا یک مسئلۀ واضح یا تخصصی مهندسی نیست ولی از دیدگاه کلی کرونا یک سیستم باز ناپایدار است. اگر تدبیری اتخاذ نشود، کرونا همانطور که بارها شنیده¬ایم، به طور نمایی رشد می¬کند. با این حال نکتۀ مثبت این است که مانند هر سیستم مشابهی می¬توان با استفاده از مفاهیم تئوری کنترل و به ویژه استفاده از بازخوردها این سیستم را به طور موثر و بهینه¬ای پایدار کرد.

همه¬گیری کرونا به دلایل مختلف با سایر بیماری¬های همه¬گیر اخیر متفاوت است. یکی از دلایل تعداد بازتولید یا RO بالای آن است. RO یک معیار است که نشان می¬دهد هر فرد مبتلا می¬تواند چند نفر دیگر را با بیماری درگیر کند. RO مقدار ثابتی ندارد و بسته به چگالی جمعیت، سلامت عمومی جامعه، زیرساخت¬های بهداشتی، منابع در دسترس و عوامل بسیار دیگری مرتبط با اجتماع تغییر می¬کند. برای مثال RO برای آنفولانزا حدود 1.3 است در حالی که RO کرونا در ووهان چین برابر 2.6 و در ایتالیا بین 2.76 تا 3.25 است.

هدف از کنترل بیماری¬های واگیردار کاهش RO به زیر یک است، زیرا این به این معنا است که تعداد مبتلایان جدید در حال کاهش است و در انتها به 0 می¬رسد. ولی در مورد کرونا فوریت کنترل به طور عجیبی بالا است و این به خاطر نرخ کشندگی نسبتاً بالای آن است. نرخ کشندگی متغیر است و به عواملی چون سن، تناسب اندام، پاتولوژی موجود، منطقۀ جغرافیایی و دسترسی به مراقبت¬های پزشکی بستگی دارد. ولی به طور کلی این نرخ در مورد کرونا بسیار بالاتر از آنفولانزا است. بسیاری از افرادی که کرونا می¬گیرند دچار ذات¬الریه ویروسی می¬شوند که گاهی منجر به مرگ می شود. بسیاری از این بیماران نیاز به تنفس مصنوعی دارند و اگر تعداد آن¬ها از ظرفیت بخش¬های ICU بیمارستان¬ها بیشتر شود، تعدادی از آن¬ها و حتی شاید عمدۀ بیماران می¬میرند.

به همین دلیل، تلاش گستردۀ جهانی بر آن است تا شیب منحنی مبتلایان نسبت به زمان را کاهش دهد. یک منحنی با شیب تند و مقدار بالا موجب افزایش شدید تعداد مبتلایان در مدت زمانی کوتاه می¬شود. این اتفاق موجب می¬شود تعداد بیماران حاد از توانایی بیمارستان¬ها برای درمان بیماران بیشتر شود و منجر به مرگ¬و¬میر بالایی از مبتلایان شود. بنابراین قدم اول برای کاهش فشار بر کادر درمانی، کنترل موارد جدید بیماری است. در قدم بعد می¬توان بر مدیریت طولانی¬مدت بیماران در جهت بازگشت به حالت عادی تمرکز کرد و همزمان نرخ مرگ¬و¬میر و تأثیرات منفی بر اقتصاد را کاهش داد.

دو رویکرد برای کنترل گسترش بیماری وجود دارد: استراتژی کاهش که بر کند کردن گسترش بیماری و نه لزوماً بر متوقف کردن روند بیماری تمرکز دارد واستراتژی سرکوب که هدف آن معکوس کردن روند رشد اپیدمی است.

در استراتژی کاهش، مقدار RO کاهش می¬یابد، اما همچنان بالای یک باقی می¬ماند، در حالی که در استراتژی سرکوب، مقدار RO به زیر یک می¬رسد. در هر دو استراتژی تغییر در RO مشهود است. مسئولان با استفاده از تعریف معیارهای اجتماعی مانند مسافرت¬های محدود، قرنطینۀ خانگی، فاصله-گذاری اجتماعی و... به این هدف می¬رسند. از این محدودیت¬ها با عنوان تدابیر غیر دارویی (NPI) نام برده می¬شود. چیزی که نویسندگان این مقاله پیشنهاد می¬دهند یک استراتژی سیستماتیک بر مبنای بازخورد است. این استراتژی RO را با توجه به مدل¬سازی NPI تغییر می¬دهد. این استراتژی بین استراتژی¬های کاهش و سرکوب تغییر می¬کند تا گسترش بیماری را در سطح تعیین شده نگه دارد.

این راهکار بنظر سر راست می¬آید ولی چالش¬های زیادی وجود دارد. بعضی از این چالش¬ها از ناشناخته بودن کرونا ناشی می¬شود. با وجود تلاش¬های زیادی که برای شناخت این ویروس انجام شده است، زیست¬شناسان هنوز نتوانستند دلیلی برای این مسئله بیابند که چرا تعدادی از بیماران نشانه¬های خفیفی از بیماری را تجربه می¬کنند در حالی که عده¬ای دیگر روز¬به¬روز بدتر می¬شوند و نشانه¬های شدید و غیرقابل کنترل سیستم ایمنی و حتی مرگ را تجربه می¬کنند. همچنین هیچ¬کس نمی¬تواند توضیحی برای علت غلبه مرگ¬و¬میر در مردان به نسبت زنان ارائه دهد.

موارد ناشناختۀ دیگر این بیماری شامل دور¬ۀ کمون طولانی آن – 14 روز بین ورود بیماری تا آشکار شدن علائم بیماری – و احتمال مبتلا شدن مجدد به بیماری است.

این چالش¬ها و پیچیدگی¬ها مانعی برای کنترل این همه¬گیری شده¬است. بر اساس نوشتۀ تحقیقی ایمپریال کالج، موارد غیرقطعی زیادی در مورد انتقال بیماری از شخصی ¬به ¬شخص دیگر، احتمال تاثیر¬بخشی سیاست¬های مختلف و شدت سازگاری جمعیت با سیاست¬های کاهشی وجود دارد. برای مثال مدت زمان طولانی دورۀ کمون و گسترش ویروس قبل از ظهور علائم را در نظر بگیرید. این دلیلی بر مقدار زیاد RO است. زیرا بیماران مبتلا با دیگران تعامل دارند و بیماری را به دیگران انتقال می¬دهد بدون اینکه آگاه باشند.

این تأخیر در ظهور علائم متناظر با تأخیر زمانی در تئوری کنترل سیستم است. استفاده از نوسانات در سیستم بسته کار مناسبی نیست بخصوص زمانی که این نوسانات با عدم قطعیت زیادی در خود مدل همراه است.

علاوه بر تأخیرها، عدم قطعیت¬های چشم¬گیری وجود دارد. برای مثال تست¬گیری از مردم در کشورهای مختلف به طور مناسب و مداوم انجام نمی¬گیرد. و این بی¬نظمی تعداد واقعی مبتلایان را تحت¬الشعاع قرار داده¬است. این موجب شده¬است تا مسئولان نتوانند از سطح واقعی همه¬گیری آگاه شوند. حتی رعایت NPI ها هم تغییر می¬کند. سطح رعایت NPI ها توسط عموم نیز 100 درصد نیست و حتی با دقت بالایی نیز قابل محاسبه نیست.

مردم ممکن است با گذر زمان این تدابیر را کمتر جدی بگیرند. همچنین ظرفیت بسترهای درمانی براساس افزایش تخت¬های بیمارستانی ممکن است زیاد شود و یا بر اثر افزایش تأثیر بیماری در جامعه کاهش یابد.

نکته این است که همه¬گیری پویا با شرایطی سریع پیش¬رونده است و تصمیمات نامناسب در ارزیابی و کنترل آن می تواند فاجعه¬بار باشد.

یکی از پیشنهادات پر ارجاع برای ایجاد حالت سکون در معیارهای فاصله¬گذاری اجتماعی رویکرد خاموش- روشن است. در این رویکرد بعضی از محدودیت¬ها هنگامی که تعداد مبتلایان جدیدِ نیازمند به مراقبت¬های ویژه از حد معینی کمتر شد اعمال نمی¬شوند و هنگامی که این تعداد از آن حد معین بیشتر شد اعمال می¬شوند. تحقیقات انجام شده در دانشگاه ایمپریال کالج نشان داده¬است که این استراتژی چطور موجب ایجاد قطعیت در موارد نامعین در مقدار RO و در شدت عملکرد ویروس می¬شود ونسبت به تدابیر ثابت قطعیت بیشتری حاصل می¬کند و همچنین امکان سازگاری¬های منطقه¬ای را نیز دارا می¬باشد.

این رویکرد خاموش – روشن مثالی از کاربرد بازخورد است. به طوری که متغیر بازخورد تعداد بیماران در بخش مراقبت ویژۀ بیمارستان¬ها است. مشکل این رویکرد این است که ممکن است شرایط بین دو یا چند حالت نوسان کند و اگر این شرایط شدید باشد ممکن است امکان رسیدگی کادر درمان به موارد بحرانی را کاهش دهد.

از فواید اصلی بازخورد در این رویکرد کاهش تأثیر عدم قطعیت مدل است. به عبارت دیگر اگر استراتژی به طور دقیق طراحی شود، آن استراتژی ممکن است مؤثر باشد هرچند مدلی که بر اساس آن استراتژی طراحی می¬شود دقیق نباشد.

در نبود ایمنی اجتماعی یا واکسیناسیون تنها راه سرکوب بیماری قرنطینه کامل است هرچند در طولانی-مدت امکان¬پذیر نیست. یک راه منطقی این است که سیاست بازخورد مناسبی اتخاذ کنیم تا مقدار RO را نزدیک 1 و نهایتاً با مقداری نوسان کوچک در هر یک از طرفین نگه¬داریم. اگر این مورد محقق شود، می¬توانیم موارد ویژۀ بیماری را در حد ظرفیت امکانات بهداشتی و بیمارستان¬ها نگه¬داریم. علاوه بر این نگه داشتن این نرخ در همچین بازه¬ای به مدت طولانی به جامعه این اجازه را می¬دهد تا آهسته و ایمن تعداد مردمی که در مقابل بیماری آنتی¬بادی دارند و یا در برابر بیماری واکسیناسیون شده¬اند را افزایش دهد. ترجیحاً مورد دوم بهتر است.

نکتۀ کلیدی این است که از دید یک مهندس کنترل طراحی این چنین سیاستی سخت¬گیرانه است اما از دید اپیدمیولوژیست¬ها، سیاست¬گذاران و کسانی که از مفاهیم تئوری کنترل آگاهی ندارند قابل درک و توجیه-پذیر است. این سیاست¬گذاری¬ها همچنین باید توانایی تولید سیستم¬های جدید محدودیت را دارا باشند به طوری که این سیستم¬ها به سیاست¬های عمومی عملی ختم شوند. اگر مکانیزم تغییر بسیار سخت¬گیرانه باشد – برای مثال بین حالت¬های فاصله¬گذاری اجتماعی و عدم استفاده از فاصله¬گذاری اجتماعی تغییر وضعیت دهد – می تواند نوسانات شدیدی ایجاد کند و در نتیجه شرایط کنترل بیماری از دست بیمارستان-ها خارج می¬شود. و همچنین ممکن است ناامیدی و خستگی از فاصله¬گذاری اجتماعی بین مردمی که باید به طور ناگهانی از قوانین متفاوتی تبعیت کنند، شایع شود.

ولی یک سیاست مبتنی بر بازخورد که به طور مناسب طراحی شده است و عدم قطعیت و پویایی را در بردارد، می¬تواند نتیجه¬ای پایدار به همراه داشته باشد. در نهایت همان¬طور که درصدی از جمعیت که بیماری را تجربه کرده¬اند و بهبود یافته¬اند به اندازه کافی بالا رود، تعداد مردم در معرض ابتلا به اندازۀ کافی کم خواهد بود به طوری که نرخ گسترش بیماری به طور طبیعی کاهش می¬¬یابد. این پدیده را ایمنی گروهی می¬نامند و همه¬گیری¬ها عمدتاً به این شیوه به مرور ریشه¬کن می‎شوند. البته این پرسش که این ایمنی در برابر covid-19 چگونه ساخته شود در مرحلۀ تحقیق و پژوهش است. به همین دلیل کنترل اوضاع بیماری و مدیریت NPIها به عنوان تابعی ازگسترش واقعی ویروس و نرخ بستری به¬ویژه مهم است.

در طراحی سیستم کنترل ما از این نکته که NPI ها باینری نیستند بهره می¬گیریم. این بدین معنا است که NPI ها می¬توانند یک سری از مقادیر را به خود بگیرند و سیاست¬گذاران می¬توانند از این طریق مدل را توسعه دهند. برای مثال دستورالعمل¬های ماندن در خانه می¬تواند به یک گروه مشخص از مردم که به علت سن و یا بیماری¬های زمینه¬ای در معرض ابتلا قرار دارند به طور تصادفی اعمال شود. سپس می-توان تعداد مردمِ تحت این دستورالعمل ها را با تغییر دستورالعمل مبنی بر اینکه چه کسانی در معرض ابتلا قرار دارند کاهش یا افزایش داد. به طور مشابه می¬توانیم تعریف مردمی که ویژه اطلاق می¬شوند و در نتیجه از اجرای دستورالعمل¬ها معاف می¬شوند را گسترش یا کاهش دهیم. جلسات عمومی نیز ممکن است برای n نفر مسدود شود به طوری که اگر شرایط بهتر شد مقدار n افزایش یابد.

منحنی مرگ و میر
منحنی مرگ و میر

ناتوانی در پاسخگویی به بیماری¬های کشنده و بسیار واگیردار منجر به ایجاد پیک در موارد بحرانی و پر شدن ظرفیت بیمارستان¬های محلی می¬شود.

یک پیک بزرگ و طولانی به شدت بالاتر از تخت¬های موجود در بخش مراقبت¬های ویژه نشان¬دهندۀ موارد زیادی از بیماران است که ممکن است بمیرند. به همین دلیل بسیاری از کشورها معیارهایی برای جلوگیری از ایجاد پیک و هموار کردن نمودار انجام داده¬اند.

حال اگر تعداد بیماران کاهش یابد چه کار خواهیم کرد؟ همان¬طور که شبیه¬سازی دوم به وضوح نشان می¬دهد رها کردن محدودیت¬ها وقتی که تعداد بیماران کاهش می¬یابد تنها منجر به ایجاد پیک دوم در تعداد بیماران می¬شود. این پیک دوم نه تنها ظرفیت بیمارستان¬ها را پر می¬کند بلکه نرخ کشتار را نیز نسبت به پیک اول افزایش می¬دهد، همان طور که در چند شهر آمریکا در طول همه¬گیری آنفولانزای اسپانیایی در 1918 اتفاق افتاد.


برداشتن محدودیت ها بعد از آنکه تعداد بیماران به مقداری کم کاهش یافت منجر به چرخۀ دیگری از فراگیری می¬شود که پیک آن بیشتر از چرخۀ اول است.

حال یک رویکرد قرنطینۀ سادۀ خاموش– روشن را در نظر بگیرید که در آن محدودیت¬های معمول شامل اجتماعات، مسافرت و برخوردهای اجتماعی، با کاهش موارد جدید بیماران ICU به زیر سطحی پایین و مشخص برداشته می¬شود و هنگا¬می که از سطحی بالاتر و مشخص می¬گذرد دوباره وضع می¬شود. در این مورد RO بین مقداری بالاتر از دو و مقداری پایین¬تر از یک تغییر می¬کند، همان¬طور که با نمودار آبی در تصویر زیر مشخص است. این رویکرد منجر به نوسان می¬شود و اگر بسیار سخت¬گیرانه انجام شود سطح بالای آن منجر به پر شدن ظرفیت بیمارستان¬ها می¬شود. مشکل بعدی این رویکرد با عنوان خستگی فاصله¬گذاری اجتماعی نام برده می¬شود. مردم از تغییر مکرر در برنامۀ روزانه¬شان خسته می-شوند. این¬که باید برای چند هفته به سر کار بروند و دوباره چند هفته در خانه بمانند و این چرخه ادامه یابد.

وضع و برداشتن محدودیت¬های سختگیرانۀ اجتماعی منجر به تغییرات ناگهانی در مقدار Ro می¬شود. این تغییرات موجب نوسان در موارد بیماری می شود که می¬تواند منجر به پر شدن بیمارستان¬های محلی شود.

ما می¬توانیم بهتر کار کنیم. برای آزمایش سوم سناریویی را توسعه می¬دهیم که در آن90 درصد ظرفیت مراقبت¬های ویژۀ بیمارستان¬ها را هدف قرار می¬دهیم. برای رسیدن به این هدف ما یک سیاست مبتنی بر بازخورد با استفاده از اصول تئوری کنترل سیستم طراحی می¬کنیم.

وقتی RO بالا باشد، محدودیت¬ها وضع می¬شوند. مردم به طور عمده در قرنطینۀ خانگی به سر می¬برند و خدمات به حد مینیمم مورد نیاز جامعه محدود می¬شود. سپس وقتی شرایط بهبود می¬یابد و این توسط معیار بازخورد برای ظرفیت تخت¬های بیمارستانی آشکار می¬شود، خدمات دیگر به تدریج ارائه می¬شوند. بیماران درمان شده می‌توانند آزادانه به هرجایی بروند زیرا دیگر بیماری را انتقال نمی¬دهند. همچنین مردم می¬توانند به رستوران¬ها البته با فاصله¬گذاری اجتماعی بروند. بعضی از شرکت¬های کوچک تحت شرایطی مشخص باز می¬شوند یا گروه¬های سنی مشخصی اجازه دارند محدودیت¬های کمتری را رعایت کنند. نکته مهم این است که محدودیت¬ها به تدریج و وابسته به نتایج بدست آمده از بازخورد قابل برداشتن هستند.

این استراتژی به یک پاسخ پایدار منجر می¬شود که نرخ احیاء را بیشینه می¬کند. علاوه بر این تقاضا برای تخت¬های ICU از حد مشخصی بیشتر نمی¬شود و این به دلیل قرار دادن حدی زیر حد بیشینه است. همچنین این استراتژی موجب برداشتن تدریجی محدودیت¬ها می¬شود و وقتی تعداد بیماران بهبود یافته و افراد ایمن بیشتر می¬شود NPI ها به تدریج برداشته می¬شوند.

یک پاسخ بر مبنای اصول تئوری کنترل مقدار RO را نزدیک یک نگه‌می¬دارد. هنگامی که موارد بیماری کم می¬شود مسئولین می-توانند محدودیت¬ها را آسان¬تر کنند و RO را طوری کنترل کنند که به تدریج به یک نزدیک شود. این استراتژی موارد بیماری را در محدودۀ ظرفیت بیمارستان¬ها حفظ می¬کند.

این مثال ساده شده نشان می¬دهد که چگونه استفاده از بازخورد برای مدل¬سازی محدودیت¬ها بر جامعه برای تغییر RO به سیاست¬های محکم و قوی منجر می¬شود. برای مثال در آغاز این همه¬گیری عدم قطعیت زیادی در مورد RO وجود داشت زیرا تست¬ها به صورت منظم گرفته نمی¬شد و بسیاری از مردم بدون آگاهی از بیماری خود به آن مبتلا بودند. این عدم قطعیت¬ها مانند سوخت موجب افزایش موارد بیماری در آغاز می¬شد. با این حال به محض اینکه تعداد موارد بیماری با استفاده از سیاست¬های محدود کنندۀ اولیه پایدار شد سیاست¬های مبتنی بر بازخورد نشان داده¬اند که به تغییرات RO مقاوم هستند. همان طور که نمودار زیر نشان می¬دهد بعد از چند ماه مقدار RO اهمیتی ندارد و هر چه باشد موارد بیماری به علت استفاده از بازخورد از ظرفیت بیمارستان¬ها بیشتر نمی¬شود.


در بازه های طولانی زمانی مقدار RO اهمیتی ندارد و با استفاده از بازخورد می¬توان پس از چند ماه موارد بیماری را پایدار کرد و از سطح معینی پایین¬تر نگه داشت.

به عنوان فایده¬ای دیگر، استفاده از بازخورد سیاست¬ها را مؤثر جلوه می¬دهد هرچند مردم به طور کامل قوانین وضع شده را رعایت نکنند. عدم رعایت سیاست¬ها ممکن است موجب شود حدود مثلا 10 درصد سیاست¬ها کمتر موثر واقع شوند اما با استفاده از بازخورد، سیاست¬ها به طور خودکار سختگیرانه¬تر می-شود تا این تأثیر را خنثی کند.


مسئولین هیچگاه نمی توانند مقدار دقیق این قضیه را که مردم چقدر به سیاست ها پایبند هستند تعیین کنند ولی اگر سیاست ها بر پایۀ بازخورد باشد، عدم رعایت های منطقی اختلاف اندکی را با پیش بینی ها ایجاد می کنند.


همکاری مهندسین کنترل در کنار اپیدمیولوژیست¬ها، مسئولین سیاسی و... می¬تواند موجب طراحی سیاست¬هایی شود که مضرات و مشکلات را تحت کنترل درآورد. اینگونه همکاری¬ها در مشکلات آتی می¬تواند جان افراد بی‌شماری را نجات دهد.


منابع:

https://spectrum.ieee.org/biomedical/diagnostics/how-control-theory-can-help-control-covid19


ما را در تلگرام بارقه دنبال کنید.

۰
۰
نشریهٔ بارقه
نشریهٔ بارقه
نشریۀ انجمن علمی-فرهنگی دانشکدۀ مهندسی برق دانشگاه صنعتی شریف (رسانا)
شاید از این پست‌ها خوشتان بیاید