|

ریاضیات برای سلامت جامعه و بازگشایی مطمئن اقتصاد

بهنام هاشمی. دانشیار ریاضی کاربردی دانشگاه صنعتی شیراز-پژوهشگر غیرمقیم پژوهشگاه دانش‌های بنیادی در تهران

از زمان گسترش بیماری واگیر کووید-۱۹ و جهانگیرشدن آن بحث‌های زیادی درباره چگونگی حفاظت از جامعه مطرح شده است؛ به‌عنوان مثال در مورد لزوم یا عدم امکان قرنطینه کامل کشور یا برگزاری کلاس‌های درس در مدارس و دانشگاه‌ها به صورت حضوری یا عدم امکان آن. آنچه امروز مشخص است اینکه هنوز راه زیادی تا پایان این بیماری جهانگیر مانده است، به‌خصوص که فصل‌های پاییز و زمستان را پیش‌رو داریم. در اردیبهشت ۹۹ بود که «پآل رُمِر»، برنده جایزه نوبل اقتصاد در سال ۲۰۱۸، استاد دانشگاه نیویورک و اقتصاددان ارشد بانک جهانی کارزاری را برای جلب توجه بیشتر تصمیم‌گیران در ایالات متحده در مورد لزوم افزایش تعداد تست‌های کووید-۱۹ آغاز کرد. تعداد تستی که از نظر ایشان برای بازگشایی مجدد اقتصاد آمریکا به‌طور کامل لازم است بسیار بیشتر از توانایی فعلی است: براساس شبیه‌سازی‌های «رُمِر» (با درنظرگرفتن نرخ ۲۰ درصد منفی اشتباه و یک درصد مثبت اشتباه) لازم است روزانه هفت درصد کل جمعیت کشور تست شوند به‌طوری‌که تقریبا هر 15 روز همه جمعیت کشور یک بار تست داده باشند. به بیان دیگر لازم است هر فرد دو بار در ماه تست دهد تا افراد مبتلا، قرنطینه‌ شده و در صورت لزوم تحت‌نظر پزشک قرار گیرند و بقیه مردم به روال عادی زندگی کنند. در نتیجه آنچه «رُمِر» لازم می‌داند برای آمریکا معادل بیش از ۲۲ میلیون تست در روز است و اگر بخواهیم همان تخمین را برای ایران نیز به‌کار ببریم، چیزی بیش از پنج‌میلیون‌و 500 هزار تست در روز نیاز خواهد بود. جهت مقایسه با این حالت ایدئال، خوب است بدانیم که تعداد کل تست‌های روزانه در سرتاسر ایران در بهترین حالت ظاهرا حدود 70 هزار مورد بوده است. براساس اعلام دکتر «سیماسادات لاری»، سخنگوی وزارت بهداشت تعداد کل تست‌های انجام‌شده تا نهم شهریورماه ۹۹ حدود سه‌میلیون‌و 300 هزار مورد بوده است! گذشته از هزینه سرسام‌آور تست‌گرفتن در ابعادی به بزرگی مورد نظر «رُمِر»، اینکه آیا اصلا به لحاظ تکنیکی چنین کاری امکان‌پذیر خواهد بود یا خیر نیز ممکن است مناقشه‌برانگیز باشد. پس پرسش کلیدی این است که با این وجود، چطور می‌توان اقتصاد را به‌طور کامل بازگشایی کرد؟ پاسخ، استفاده از ریاضیات است، آن‌هم ریاضیاتی که درک آن بسیار ساده است! در حقیقت ریاضیات خیلی وقت پیش، ارزان‌ترین و سریع‌ترین روش‌های عملی را برای پاسخ به چنین پرسش‌هایی ارائه کرده است. به‌عنوان مثال دانشگاه کُرنِل که از معتبرترین دانشگاه‌های دنیاست، دقیقا با تکیه بر همان الگوریتم‌های ریاضی، شرایطی را فراهم کرده که بتواند تمام کلاس‌های ترم پاییز خود را به‌صورت «حضوری» در پردیس ایتاکا برگزار کند. آنچه در ادامه بیان می‌شود مروری کوتاه و در واقع تیتروار است بر برخی روش‌های جاافتاده در ریاضیات و آمار برای تست گروهی که در همه‌گیری‌های جهانی گذشته نیز استفاده شده است. به‌طور خاص ایده‌های دو روش قدیمی «تست سلسله‌مراتبی» و «تست آرایه‌ای» را به زبان ساده مرور خواهیم کرد. استفاده از الگوریتم‌های ریاضی برای افزایش چشمگیر ظرفیت تست کووید-۱۹، موضوعِ سخنرانی فاخری است که «دیوید دُنوهو»، ریاضی‌دان برجسته و استاد آمار دانشگاه استنفورد در کنفرانس ریاضیات علوم داده انجمن ریاضیات صنعتی و کاربردی (SIAM) در تیرماه ۹۹ ارائه کرده است. فرض کنید از ‌10 هزار نفر برای کووید-۱۹ نمونه‌گیری کرده‌ایم. در شرایط فعلی یعنی بدون استفاده از الگوریتم‌های ریاضی، به 10 هزار کیت تست PCR برای تعیین سالم یا آلوده بودن این افراد نیاز است. اما با روش‌های تست گروهی می‌توان همین کار را با استفاده از تعدادی بسیار کمتر (بسته به نرخ شیوع ویروس در جامعه هدف و سایر پارامترها) مثلا با تنها 300 کیت تست PCR برای تمام 10 هزار نفر انجام داد! با چنین راهکاری می‌توان تعداد تست‌ها را به طرز چشمگیری افزایش داده و در نتیجه از تمام جمعیت موردنظر در یک فاصله زمانی نسبتا کوتاه چندین‌بار تست کووید-۱۹ گرفت. تست گروهی، شامل روش‌هایی برای اجرای تست‌های مشترک روی مخلوط‌هایی از نمونه‌ها، به‌نام خزانه، به صورت یک‌جا است. در حالت ایدئال، اگر هریک از نمونه‌های موجود در یک خزانه، آلوده باشد، نتیجه این تست مشترک، مثبت بوده و در غیر این صورت نتیجه منفی خواهد بود. با توجه به اطلاعات محدودی که در یک نتیجه مثبت موجود است، نیاز خواهد بود که نمونه‌های مشخصی را چندین مرتبه یا به صورت موازی (برای تمام نمونه‌ها) یا به‌صورت پشت سر هم (فقط برای نمونه‌هایی که نتیجه تست آنها مثبت بوده) تکرار کرد. در اولین مرحله از تست‌های سلسله‌مراتبی هر نمونه دقیقا در یک خزانه قرار می‌گیرد و در هر یک از مراحل بعدی، گروه‌هایی که نتیجه آنها مثبت بوده است، به گروه‌هایی کوچک‌تر و بدون همپوشانی تقسیم شده و مجددا تست می‌شوند و تمام نمونه‌های موجود در گروه‌های با نتیجه منفی حذف شده و دور انداخته می‌شوند. در سال ۱۹۴۳، «دُرفْمَن» روشی مبتکرانه پیشنهاد کرد که در واقع یک تست گروهی سلسله‌مراتبی دومرحله‌ای است. به‌عنوان مثالی ساده فرض کنید از ۴۹ فرد نمونه‌گیری کرده‌ایم و می‌خواهیم تعدادی بسیار کمتر از ۴۹ کیت تست را استفاده کرده و در عین حال نتیجه آزمایش هر ۴۹ نفر را مشخص کنیم. در اولین گام از روش ساده تست سلسله‌مراتبی، تمام ۴۹ نمونه را به صورتی شبیه آنچه در شکل یک آمده، مرتب می‌کنیم (این یک ماتریس 7 در 7 است که به دانش‌آموزان دوره دبیرستان آموزش داده می‌شود). هر دایره نمایش‌دهنده نمونه یک شخص است و دایره‌های قرمزرنگ، نمونه‌های آلوده هستند که باید آنها را بیابیم. در عمل ابتدا نمونه‌ها را سطر به سطر در یک خزانه آمیخته و برای هر سطر، یک تست گروهی را با استفاده از یک کیت تست انجام می‌دهیم. اگر نتیجه تستی مثبت شد، این بدان معناست که فرد یا افرادی در آن سطر آلوده هستند. وقتی نتایج تست گروهی مشخص شد، آنها را می‌توان برای مرحله بعدی به کار برد. در نتیجه به‌جای ۴۹ کیت تست، تا اینجا فقط هفت کیت را استفاده کرده‌ایم و در ادامه نیز لازم است فقط نمونه‌هایی را مجددا تست کنیم که در خزانه یکسانی با یکی از نمونه‌های آلوده قرار داشته‌اند. از آنجا که اجرای تست‌های سلسله‌مراتبی با تعداد زیادی مرحله نسبتا پیچیده بوده و اجرای خودکار آنها ممکن است سخت باشد، استراتژی تست آرایه‌ای استفاده می‌شود. در این روش ابتدا نمونه هر فرد به دو قسمت تقسیم می‌شود، اما همچون قبل نمونه‌ها در یک آرایه دوبُعدی آرایش می‌یابند. سپس تمام نمونه‌های یک ستون آمیخته شده و یک خزانه را می‌سازد. همین کار برای نمونه‌های موجود در یک سطر نیز انجام شده و از نمونه‌های هر سطر نیز یک خزانه ساخته می‌شود. در نتیجه هر نمونه دقیقا در دو خزانه قرار خواهد داشت. نهایتا تمام نمونه‌های موجود در محل برخورد دو خزانه با نتیجه تست مثبت، مشخص شده و مجددا در مرحله بعدی تست خواهند شد، اما تعداد چنین تست‌هایی می‌تواند بسیار کمتر از طراحی «دُرفْمَن» باشد. شکل دو الگوریتم تست آرایه‌ای را برای ۴۹ نمونه قبل که در آنها دو نفر آلوده هستند، توصیف می‌کند. در اینجا به‌جز 14 تست کیتی که در اولین مرحله استفاده شده‌اند، نیاز به تنها چهار کیت دیگر برای تست نمونه‌های شماره ۱۶، ۱۹، ۳۰ و ۳۳ خواهد بود؛ یعنی عملا به‌جای ۴۹ کیت تنها از 18 کیت استفاده می‌شود. همان‌گونه که مشاهده کردیم، با تکیه بر ایده‌های هوشمند آمار و ریاضی که اتفاقا درک آن ایده‌ها نیز کار ساده‌ای است، می‌توان ظرفیت تست کووید-۱۹ را چندین برابر کرده و به سلامت روحی و جسمی جامعه و همچنین به بازگشایی مطمئن اقتصاد کمک شایانی کرد. آنچه در این مقاله کوتاه بیان شد به هیچ وجه ایده‌هایی صرفا تئوریک یا تخیلی نیست بلکه راهکارهایی است عملی که به تازگی به تأیید رسمی سازمان غذا و داروی ایالات متحده نیز رسیده است. ازجمله ایده‌های جدیدتری که در این مقاله کوتاه به آن نپرداختیم، راهکار مبتنی بر سنجش فشرده است.

برای اطلاع از آخرین اخبار و تحلیل‌ها به کانال شرق در «تلگرام» بپیوندید.