پنج گام مغفول‌مانده برای شناسایی سریع اپیدمی‌های نوپدید

طغیان مرگبار کنونی ابولا در آفریقا، جدیدترین مورد از زنجیره‌ای از بیماری‌هایی است که در سال‌های اخیر توجه رسانه‌ها را جلب کرده‌اند — از کووید-۱۹ تا امپاکس و هانتاویروس. طغیان‌ها اگر بتوان آن‌ها را زودتر شناسایی و مهار کرد، آسان‌تر قابل کنترل هستند. اما بسیاری از بیماری‌های نوظهور، در حال تکامل یا ناآشنا، از شکاف‌های سیستم‌های پایش فعلی فرار می‌کنند.

اپیدمی‌ها با سه رویکرد ردیابی می‌شوند. اول، ردیابی مبتنی بر رویداد منابع اطلاعاتی محلی — گزارش‌های رسانه‌ای، پست‌های شبکه‌های اجتماعی، هشدارهای جامعه و گزارش‌های کارکنان بهداشتی — را برای شناسایی سیگنال‌های اولیه طغیان نظارت می‌کند. دوم، توالی‌یابی ژنومی برای تأیید هویت عامل بیماری‌زا استفاده می‌شود^1,2. و سوم، پایش سندرمیک افرادی را که در معرض خطر ابتلا هستند، با شناسایی و نظارت بر کسانی که علائم مشخصه نشان می‌دهند، جستجو می‌کند.

اما این راهبردها این واقعیت را در نظر نمی‌گیرند که یک عامل بیماری‌زای نوظهور ممکن است با علائم غیرمعمول یا اتیپیک ظاهر شود. نحوه بروز علائم می‌تواند با گذشت زمان و تکامل پاتوژن تغییر کند³ و همچنین بین افراد با سطوح مختلف ایمنی متفاوت باشد. علاوه بر این، عفونت‌های همزمانی که علائمی مشابه آنچه توسط یک پاتوژن ایجاد می‌شود دارند، می‌توانند تشخیص را مبهم کنند⁴.

این خلأ در پایش بارها مشکلاتی ایجاد کرده است.

به عنوان مثال، در موج اولیه سارس‌کوو-۲ در اوایل ۲۰۲۰، تشخیص‌های اولیه بر وجود تب و تنفس دشوار استوار بود^5,6. در بسیاری از کشورها، ماه‌ها طول کشید تا علامت شایع دیگری، یعنی کاهش حس بویایی، به عنوان شاخصی برای کووید-۱۹ پذیرفته شود؛ امری که به افراد اجازه داد پروتکل‌های قرنطینه را دور بزنند. گونه‌های جدید ویروس نیز علائم متفاوتی به همراه داشتند: اومیکرون بیشتر با علائم شبیه سرماخوردگی و آنفلوانزا مرتبط بود تا با از دست دادن حس بویایی یا چشایی⁷.

در طغیان امپاکس در سال ۲۰۲۲ که عمدتاً اروپا و آمریکای شمالی را تحت تأثیر قرار داد، برخی افراد مبتلا به عفونت با زخم‌های ناحیه تناسلی و مقعدی ظاهر شدند، نه با بثورات پوستی گسترده‌ای که با امپاکس کلاسیک مرتبط است. این افراد ابتدا به اشتباه به سایر شرایط، از جمله عفونت‌های مقاربتی، تشخیص داده شدند که احتمالاً باعث تأخیر در شناسایی و اقدامات بهداشت عمومی شد⁸.

به طور مشابه، ویروس نیپاه در کلینیک‌های بنگلادش و هند تشخیص دشواری دارد، زیرا علائم آن می‌تواند بین التهاب بافت مغز (که باعث گیجی و تشنج می‌شود) و مشکلات تنفسی تغییر کند⁹.

مگر اینکه پزشکان بالینی درک کنند که علائم غیرمعمول نیازمند بررسی هستند، حتی پیشرفته‌ترین سیستم‌های ردیابی نیز قادر به همراهی نخواهند بود. در اینجا ما پنج گام برای بهبود توانایی سیستم‌های بهداشتی در شناسایی عوامل بیماری‌زای نوظهور ارائه می‌دهیم. این گام‌ها در مجموع یک حلقه را تشکیل می‌دهند که در آن سیگنال‌های بالینی شناسایی، اعتبارسنجی، به راهنمایی‌های پایش و تشخیص ترجمه و سپس به سرعت به پزشکان خط مقدم بازگردانده می‌شوند. ما این رویکرد را «آمادگی علامتی» می‌نامیم.

مکانیزم‌های رسمی لازم است تا پزشکان بالینی بتوانند بر اساس شهود خود مبنی بر مواجهه با چیزی غیرمعمول، مانند چند نفر که مجموعه علائم ناشناخته یکسانی را نشان می‌دهند، اقدام کنند. آژانس‌های ملی بهداشت عمومی و وزارتخانه‌های بهداشت باید رویه‌های گزارش‌دهی برای مستندسازی چنین «رانش بالینی» از طریق ابزارهای پایش دیجیتال موجود، مانند پلتفرم آنلاین نرم‌افزار اطلاعات سلامت منطقه‌ای ۲ (DHIS2)، فراهم کنند.

برای جلوگیری از هشدارهای مثبت کاذب، یک پزشک ارشد دوم یا متخصص اپیدمیولوژی بیمارستان باید تأیید کند که خوشه غیرمعمول است. سپس پزشکان می‌توانند الگوریتمی را روی DHIS2 یا ابزار معادل آن اجرا کنند که از بررسی‌های آماری برای تأیید این موضوع استفاده می‌کند که این علائم بعید است ناشی از بیماری‌های فصلی معمول باشند. پس از تأیید، این گزارش‌ها به طور خودکار هشدارهای دیجیتال محلی را به مراکز اطلاعات بهداشت عمومی ملی ارسال می‌کنند، جایی که اپیدمیولوژیست‌ها قبل از فعال شدن اقدامات رسمی پایش، داده‌های منطقه‌ای را متقاطع بررسی می‌کنند¹⁰.

مدل‌های یادگیری ماشین که روی داده‌های بالینی برچسب‌گذاری شده زمانی و مکانی آموزش دیده‌اند، ممکن است در آینده به پزشکان در شناسایی موارد اتیپیک کمک کنند، با شناسایی افرادی که علائم آن‌ها با الگوهای معمول مشاهده شده در همان جمعیت متفاوت است. این مدل‌ها نباید تشخیص ارائه دهند، اما می‌توانند مواردی را که نیاز به بررسی بیشتر دارند، علامت‌گذاری کنند. به این ترتیب، ابزارهای هوش مصنوعی قضاوت بالینی را تقویت می‌کنند، نه اینکه جایگزین آن شوند^11,12.

چنین سیستم‌های هوش مصنوعی در حال توسعه هستند — هرچند در حال حاضر در مراحل اولیه خود قرار دارند¹³. پیاده‌سازی آن‌ها نیازمند اتصال مطمئن به اینترنت، کیفیت مناسب داده‌ها، آزمایش و ارزیابی در محیط محلی مورد نظر، نظارت مداوم بر عملکرد و حفاظت از حریم خصوصی است.

محیط‌های با منابع کم ممکن است فاقد امکانات لازم برای اجرای یک مدل هوش مصنوعی باشند. اما کارکنان بهداشتی می‌توانند اطلاعات بالینی ناشناس را از طریق یک اپلیکیشن تلفن همراه، سیستم گزارش‌دهی مبتنی بر پیام کوتاه (SMS) یا رجیستری‌های الکترونیکی موجود به یک سیستم متمرکز هوش مصنوعی در سطح کشور ارسال کنند. سیستم هوش مصنوعی در صورت نیاز یک هشدار برگردانده خواهد شد.

مقامات بهداشت عمومی باید از استفاده انحصاری از معیارهای بالینی استاندارد ارائه شده توسط آژانس‌هایی مانند سازمان جهانی بهداشت برای طبقه‌بندی موارد بیماری فاصله بگیرند. در عوض، آن‌ها باید تعاریف موردی پویا و چندسطحی را اتخاذ کنند که موارد مشکوک، احتمالی و قطعی را از هم متمایز می‌سازند.

کمیته‌های متخصصان اپیدمیولوژی معیارهای تشخیصی را در سطوح مختلف طبقه‌بندی کرده و آن‌ها را به صورت پویا — هفتگی یا غلتکی — با ظهور داده‌های بالینی بلادرنگ به‌روزرسانی خواهند کرد¹⁰. به عنوان مثال، علائم استاندارد امپاکس به طور سنتی شامل بثورات پوستی عمومی بود. اگر یک سیستم تشخیص پویا در سال ۲۰۲۲ موجود بود، مقامات بهداشت عمومی می‌توانستند ظرف چند روز پس از شناسایی خوشه‌های غیرمعمول، تعریف «موارد مشکوک» را برای شامل کردن زخم‌های موضعی تناسلی گسترش دهند. این سازگاری سریع می‌توانست به شناسایی زودتر افراد بدتشخیص کمک کند.