Các nhà dịch tễ học dùng nhiều mô hình chạy trên máy tính để ước tính số ca nhiễm, số ca tử vong, để chuẩn bị hệ thống bệnh viện hay ra các chính sách phong tỏa hoặc mở cửa lại.
Nhưng chất lượng của các mô hình phụ thuộc vào các dữ liệu đầu vào và kiến thức của chúng ta về dịch bệnh. Các giả thiết mới liên tục được đưa vào, khiến mô hình phải cập nhật, như khi hành vi con người thay đổi, hay có phát hiện khoa học mới về virus, theo Wall Street Journal.
Trước đó, ngày 3/5, Tổng thống Trump cho biết số ca tử vong ở Mỹ vì Covid-19 có thể lên tới 100.000, gấp đôi dự báo mà ông đưa ra hai tuần trước. Con số trên có thể vẫn là giảm nhẹ, theo New York Times, nhưng việc tổng thống Mỹ cập nhật dự báo cho thấy thách thức của việc mô phỏng dịch bệnh.
 |
| Giữa lúc số ca tử vong trong dự báo tăng gấp đôi, Tổng thống Trump vẫn kêu gọi mở cửa lại. Ảnh: New York Times. |
Tăng gấp đôi số ca tử vong ở Mỹ
Giới khoa học vẫn đang cố làm rõ nhiều khía cạnh căn bản về dịch bệnh, như độ lây lan. Các thống kê về số ca và số tử vong vẫn dưới mức thực tế, khiến giới chức y tế khó xác định rõ quy mô thật của đại dịch.
Chính vì những bất trắc này, các mô hình khác nhau có những dự báo khác nhau. Cuối tháng 4, các mô hình dự báo từ 70.000-170.000 ca tử vong vì Covid-19 ở Mỹ vào giữa tháng 5.
Giữa lúc chính quyền ông Trump phải tăng cao dự báo số tử vong, thì ngày 4/5, một mô hình công khai, được theo dõi rộng rãi của Đại học Washington, cũng đưa ra dự báo mới, trong đó số tử vong cũng tăng gấp đôi lên thành 135.000 vào tháng 8. Nguyên nhân nằm ở việc nhiều bang đang từng bước nới lỏng giãn cách.
Mô hình này gặp phải một số chỉ trích từ giới chuyên gia. Nhưng những người làm mô hình phản bác rằng các ý kiến chỉ trích đó chưa tính đến toàn bộ các diễn biến mới.
 |
| Tiến sĩ Deborah Birx, điều phối viên chống dịch Covid-19 của Nhà Trắng, đang bàn về các dự báo của Đại học Washington. Ảnh: AP. |
Dù không hoàn hảo, các mô hình vẫn có giá trị cho các nhà hoạch định chính sách, nhất là khi họ nhìn vào tổng thể nhiều mô hình. Khi nhìn tổng thể, họ có thể rút ra kết luận chung: giãn cách xã hội có tác dụng kiềm chế dịch, nhưng đồng thời, nhiều khả năng virus sẽ không biến mất trong tương lai gần.
“Mô hình chỉ tốt nếu dữ liệu đầu vào tốt. Dữ liệu đầu vào thường có nhiều lỗ hổng”, Jennifer Nuzzo, học giả tại Trung tâm An ninh Y tế của Đại học John Hopkins, nói với Wall Street Journal. “Nhưng chúng ta vẫn cần phải ra quyết định, và khá hữu ích khi có công cụ để định hướng các quyết định”.
 |
| Gia đình ôm lấy bác sĩ đang điều trị cho con mình ở bang Iowa. Ảnh: AP. |
Ước tính số ca nhiễm như thế nào?
Có nhiều loại mô hình, nhưng có hai loại nổi bật nhất trong việc mô phỏng đại dịch Covid-19, là phương pháp “khớp đường cong” và SEIR.
Khớp đường cong là phương pháp trước đây của mô hình Đại học Washington, vốn là mô hình được trích dẫn rộng rãi. Phương pháp này nhìn vào dữ liệu trên toàn cầu (dù là Vũ Hán, Lombardy hay New York) về số ca tử vong cũng như các biện pháp can thiệp đã thực hiện, để rồi tìm cách khớp đường cong số ca tử vong của Mỹ sao cho giống diễn biến ở các nơi khác.
Nhưng mô hình của Đại học Washington có điểm yếu là không tính đến các đặc tính riêng của căn bệnh (mà chú trọng hơn xem những nơi khác đã diễn biến thế nào, cho rằng diễn biến ở Mỹ phải giống như thế), và mô hình này có thể quá lạc quan.
Đại học Washington ban đầu chọn phương pháp “khớp đường cong” để dự báo số ca tử vong, vì có quá ít thông tin về các yếu tố khác như số ca nhiễm thực tế hay hệ số lây nhiễm của virus, Ali Mokdad, giáo sư chuyên về thống kê y tế của trường, nói với Wall Street Journal.
Nhưng ngày 4/5, mô hình này được cập nhật, trở thành mô hình “lai”, kết hợp cả phương pháp “khớp đường cong” và phương pháp SEIR, giữa bối cảnh ưu tiên của các nhà hoạch định chuyển từ việc ước tính xem đỉnh dịch lên cao tới đâu (giúp hệ thống bệnh viện khỏi quá tải), sang nới lỏng phong tỏa như thế nào.
 |
| Người đứng đợi bên ngoài siêu thị ở Medford, bang Massachusetts ngày 4/4, tuân thủ việc giữ khoảng cách. Ảnh: Reuters. |
Phương pháp SEIR được cho là cách tiếp cận phổ biến hơn, đặt cộng đồng dân số vào trong các nhóm “có rủi ro nhiễm” (Susceptible), “đã tiếp xúc mầm bệnh” (Exposed), “đã nhiễm” (Infected) và “đã hồi phục” (Recovered) - vì vậy có tên viết tắt SEIR. Sau đó, mô hình mô phỏng quá trình lây nhiễm dựa trên nhiều yếu tố như hệ số lan truyền, xác suất mọi người tiếp xúc với nhau, hay mùa trong năm.
“Mọi người được xếp vào các nhóm, các nhóm tương tác với nhau, chẳng hạn khi một người ‘có rủi ro nhiễm’ (Susceptible) gặp người ‘đã nhiễm’ (Infected), có xác suất nhất định là người thứ nhất sẽ bị lây bệnh”, Ron Brookmeyer, nhà thống kê sinh học và trưởng khoa y tế cộng đồng của Đại học California, Los Angeles, nói với Wall Street Journal.
“Quá trình này được mô phỏng theo thời gian, từng ngày một, và bạn có thể thấy virus lây lan”.
Một số mô hình tính thêm cả dữ liệu về số người di chuyển, do các công ty Google, Facebook, hay các nhà mạng cung cấp.
 |
| Gia đình của Anthony Schilizzi, 75 tuổi, phải giữ khoảng cách trong đám tang ông ở quận Staten Island, thành phố New York, sau khi ông qua đời vì Covid-19. Ảnh: New York Times. |
Thách thức của mô phỏng Covid-19
Thách thức đối với việc mô phỏng vẫn còn đáng kể. Chẳng hạn, giới chức y tế chưa biết thực sự bao nhiêu người đã nhiễm bệnh - con số tối quan trọng để hiểu được chính xác tỷ lệ nhiễm bệnh và tỷ lệ tử vong. Số ca tử vong và số ca nhiễm đa phần đang được ghi nhận thấp hơn thực tế, và cách thống kê khác nhau ở các nước khác nhau.
Việc mô phỏng và dự đoán hành vi con người, xem các cộng đồng tuân thủ lệnh giãn cách đến đâu, cũng không hề dễ dàng. Chẳng hạn các nhà nghiên cứu ở Đại học Columbia phải dự báo theo ba kịch bản: là các lệnh giãn cách sẽ giảm tiếp xúc giữa người với người 20%, 30%, hay 40%.
Dẫn chứng nổi bật cho thấy các mô hình có thể rất khác nhau là ở hệ số lây nhiễm R0 - hệ số cho thấy trung bình một người nhiễm virus đang lây cho bao nhiêu người khác. R0 lớn hơn 1 có nghĩa dịch bệnh đang lan rộng, còn R0 nhỏ hơn 1 có nghĩa con người đang sắp kiểm soát được dịch.
Trong 20 nghiên cứu mà Wall Street Journal tham khảo, có nhiều ước tính khác xa nhau về hệ số R0 quan trọng này, từ 2 đến 6,5. R0 đầu vào khác nhau sẽ ảnh hưởng tới kết quả của mô hình.
Các ước tính R0 có thể phụ thuộc vào khu vực được nghiên cứu, vốn rất khác nhau. Chẳng hạn, tâm dịch đầu tiên là Vũ Hán, là thành phố đông đúc có 11 triệu dân, chưa kể còn nằm giữa vùng lân cận, có tổng cộng 19 triệu dân. Trong khi đó, hầu hết người Mỹ sống trong những vùng ngoại ô xung quanh các thành phố cỡ trung, nhỏ hơn hẳn so với Vũ Hán.
Dù có các kết quả khác nhau, khi nhìn tổng thể, chuyên gia Christopher Murray của Đại học Washington, rút ra nhận định: “Chúng ta lẽ ra đã có dịch bệnh lớn hơn và số tử vong lớn hơn, nếu không phải nhờ yếu tố quyết định là giãn cách xã hội”.
“Giữa bối cảnh mà các lệnh giãn cách đó đang được nới lỏng, chúng ta nên cảnh giác vì nguy cơ lây lan vẫn còn đó”.
