Modely versus evidence

Modely versus evidence

Nemoc COVID-19 odhalila zápolení dvou filosofií vědeckého poznání. Abychom tuto krizi zvládli, musíme čerpat z obou filosofií.

Zřejmě nesmazatelnou ikonou pandemie COVID-19 se stane graf, který vyjadřuje ‚zploštění křivky‘. Tento graf je dnes všem dobře známý: Gaussova křivka měřící počet případů nákazy koronavirem se tyčí nad horizontální osou (kapacitou zdravotního systému). Neviditelná síla, která vede ke zploštění křivky, reprezentuje „ne-farmaceutické intervence“ jako například uzavření škol, sociální odstup nebo plošné uzávěrky.

Jak si tyto koronavirové modely, které produkují zmíněné hypotetické křivky, vedou ve vztahu k evidenci? Jakou roli modely a evidence během pandemie hrají? Odpovědi na tyto otázky si vyžadují skloubit dvě soupeřící filosofie, které můžeme ve vědě o COVID-19 najít.

Epidemiologie veřejného zdraví a klinická epidemiologie se do jisté míry řadí k odlišným tradicím zdravotnické péče: jsou to soupeřící filosofie vědeckého poznání.

V jednom táboře nalezneme epidemiology infekčních nemocí, kteří velmi úzce spolupracují s institucemi veřejného zdravotnictví. Pro tvorbu virtuálních světů, ve kterých simulované viry prochází simulovanými populacemi (někdy bez zábran, jindy přes virtuální zábrany v podobě sociálních intervencí), používají celou řadu modelů. Velké množství takto simulovaných výsledků hrálo významnou roli při rozhodování, zda uzavřít hranice, školy, či různé podniky. Avšak reálná data nevykazují onu uhlazenost hypotetických křivek. Někteří pochybují o tom, zda máme dobrou evidenci pro přijetí modelových předpokladů a zda evidence skutečně nasvědčuje tomu, že je nutné zavádět dramatická opatření, abychom pandemii udrželi na uzdě. V tomto druhém táboře je několik klinických epidemiologů, kteří běžně navrhují směrnice pro klinickou praxi, která se týká například efektivity medicínských intervencí, nikoli však veřejného zdraví.

Právě druhý tábor získal v poslední době značnou pozornost médií. Nadace Billa Gatese financuje výzkum zřejmě nejčastěji diskutovaného epidemiologického modelu v USA, který vyvinul Institute for Health Metrics and Evaluation (IHME) při Univerzitě ve Washingtonu. Sám Gates se obává, že COVID-19 by se mohl stát pandemií století. O tomto názoru však pochybuje John Ioannidis, který působí na Stanfordu a patří mezi klinické epidemiology. Ioannidis je meta-výzkumník a spolehlivý skeptik, kteří otevřeně vyjádřil názor, že pandemie koronaviru by se mohla stát fiaskem století, pokud jde o přístup k evidenci. Ioannidis argumentuje, že potřebujeme lepší data, abychom mohli skutečně zdůvodnit zavádění drastických opatření, které mají udržet pandemii na uzdě v USA i ve zbytku světa.

Ioannidis konkrétně tvrdí, že naše pandemická data jsou nespolehlivá a vedou k přemrštěným odhadům rizik. Mimo to také odkazuje k systematickému přehledu z roku 2011, který se zabýval otázkou evidence pro fyzické intervence, jež mají za úkol snížit šíření respiračních virů. Obává se přitom, že dostupná evidence není randomizovaná, a tedy čelí případným zkreslením. (V současné době již byl publikován systematický přehled týkající se specificky COVID-19, který uzavírá, že kvalita evidence je sice „nízká“ či „velmi nízká“, i tak ale podporuje použití karanténních a dalších nástrojů, které má veřejné zdravotnictví k dispozici.) Podle Ioannidise současné postupy nejsou založeny na evidenci.

Odkazy na „zkreslenou evidenci“ či na „intervence založené na důkazech“ jsou charakteristické pro komunitu medicíny založené na důkazech, která má blízko ke klinické epidemiologii. V jedné sérii příspěvků si Tom Jefferson a Carl Heneghan z Oxfordského centra pro medicínu založenou na důkazech postěžovali na pochybnou kvalitu dat a evidence, jež řídí rozhodovací proces během pandemie a jež dokonce naznačuje, že různé uzavírky jsou špatnou volbou.

Zatímco modely bez evidence jsou slepé, evidence bez modelů je „setrvačná“.

Na druhé straně stojí Marc Lipsitch, epidemiolog infekčních nemocí z Harvardu. Lipsitch sice souhlasí, že v mnohých ohledech nemáme dobrá data, ale na Ioannidisovu liknavost odpovídá: „Víme dost na to, abychom podnikli určité kroky; ve skutečnosti je potřeba jednat rychle a rozhodně.“ Podle tohoto argumentu si nemůžeme dovolit vyčkávat na lepší data, když nečinnost má hrozivé následky. Naopak máme dostatečné důvody k rozhodným činům.

Některé metody a expertízy jsou společné pro epidemiologii veřejného zdraví i klinickou epidemiologii. Ačkoli se obě specializace snaží zlepšit zdravotní stav prostřednictvím studia populací, do určité míry jde o odlišné tradice ve zdravotnictví a soupeřící filosofie vědeckého poznání. Epidemiologie veřejného zdraví včetně epidemiologie infekčních nemocí má tendenci preferovat teorii a diverzitu dat; je metodologicky liberální a pragmatická. Naproti tomu klinická epidemiologie upřednostňuje evidenci a kvalitu dat; metodologicky je konzervativnější a skeptičtější. (Pravdou je, že v současné době existuje hnutí v rámci epidemiologie veřejného zdraví, které má v některých ohledech blíže k filosofii klinické epidemiologie, ale tomuto hnutí se zde nebudu věnovat.)

Je potřeba dodat, že výše uvedená srovnání jsou fér jen při velkém zjednodušení. Popisují určitou ortodoxii v rámci disciplíny jako celku a nikoli práci nějakého konkrétního epidemiologa. I přesto však můžeme od sebe odlišit dvě různé epidemiologické filosofie, přičemž obě mají co nabídnout, pokud jde o současnou koronavirovou krizi ohledně modelů a evidence. Hlubší porozumění modelování a evidenci je klíčem nejen pro sloučení těchto různých vědeckých přístupů, nýbrž také pro vyřešení krize.

Modely

K modelování a pochopení vzorců a příčin nemocí používá epidemiologie veřejného zdraví teorii, převážně pak teorii, kterou si vypůjčuje z disciplín jako například mikrobiologie. Spousta epidemických modelů, které veřejnost a vědci z oblasti veřejného zdraví hltají plnými doušky (včetně modelů pocházejících z Imperial College London, kterými se řídili v UK a USA), patří do skupiny SIR modelů. Teorie, ze kterých tyto modely vychází, je stará a její kořeny sahají až ke Kermack-McKendrickově teorii z 20. a 30. let 20. století, případně až k teorii choroboplodných zárodků z druhé poloviny 19. století. V rámci SIR se populace rozčleňuje do alespoň tří skupin: susceptibilní (S), infekční (I) a ti, kteří se již buďto vyléčili, nebo zemřeli (R). K modelování dynamiky epidemie, tj. přelévání individuí z jedné skupiny do druhé, využívají SIR modely systém diferenciálních rovnic.

To nejdůležitější na modelech epidemie je v době krize přesnost jejich predikcí, nikoli přesnost jejich předpokladů. Jde tedy o praktický požadavek spíše než o požadavek teoretický.

Jiné modely, jež patří do skupiny SIR modelů, přidávají ke třem základním skupinám, do nichž populaci rozčleňují, několik dalších; příkladem je například skupina nakažených, kteří zatím nejsou infekční pro ostatní. Podobně i modely, založené na simulaci jednání a vzájemné aktivity aktérů (agent-based models), reprezentují tuto dynamiku (tzn. to, jak se počty nakažených vyvíjejí v čase), ale dosahují toho prostřednictvím modelace chování jednotlivých členů simulované populace. Optimalizační modely (curve-fitting models), které používá například IHME, jsou méně teoretické: vycházejí z předešlých křivek infekce a z nich pomocí extrapolace předvídají budoucí vývoj. Všechny tyto typy modelů se během pandemie COVID-19 používají. Množství přístupů společně s různými odhady modelových parametrů umožňují částečně vysvětlit, proč v rámci všemožných předpovědí existuje určitý rozptyl.

Ve snaze zodpovědět určitou vědeckou otázku spoléhá epidemiologie veřejného zdraví také na pestrost dat (z více regionů, z více použitých metod). Konkrétně u koronavirové pandemie využily výzkumné týmy odhady vícero klíčových parametrů epidemie (nemocnosti, průměrné doby trvání nemoci). Tyto odhady vychází z různých druhů studií (populační, laboratorní, klinické) a z různých zemí (Čína, Itálie). Epidemiologie veřejného zdraví je liberální v tom smyslu, že využívá řadu nástrojů včetně technik modelování (tým z Imperial College použil několik modelů) a simuluje různé možnosti prostřednictvím změn modelových předpokladů. Filosofie tohoto epidemiologického přístupu je pragmatická: přijímá teorii, pestrost dat a modelování jako prostředky, jak dospět k uspokojivým rozhodnutím v situacích, kdy evidence není zcela přesvědčivá a čas a další praktická omezení brání ve sběru lepší evidence.

Významným vědeckým milníkem pro tradici epidemiologie veřejného zdraví byl epidemiologický výzkum v 50. a 60. letech 20. století, který se věnoval souvislosti mezi kouřením a rakovinou plic. Ačkoli rakovina plic není infekčním onemocnění a SIR modelování v tomto výzkumu nehrálo roli, lze v tomto kontextu mluvit o určité podobnosti co do vědeckého přístupu a filosofického náhledu. Filosofie v epidemiologii veřejného zdraví hraje obzvlášť důležitou roli v ranných fázích epidemie nového patogenu, kdy množství neotestovaných předpokladů mnohonásobně převyšuje množství dostupných dat a kdy je nezbytné předvídat budoucí vývoj a činit různá rozhodnutí.

Neil Ferguson, jeden z čelních epidemiologů zodpovědných za vytvoření modelů z Imperial College, popisuje epidemické modelování jako „konstrukci zjednodušených reprezentací skutečnosti.“ Taková charakteristika je výstižná, neboť modely typu SIR obsahují proměnné a rovnice, které by měly popisovat skutečné vlastnosti modelovaných populací. (Jiné vědecké nástroje jako třeba black box neurální sítě, které se používají u strojového učení, fungují odlišně: nesnaží se zrcadlit svět, ale jednoduše předvídat jeho chování.) Proto si můžeme položit otázku, nakolik model typu SIR odráží realitu. Na druhou stranu je ale potřeba dodat, že hlavní využití modelů, zejména pak v začátcích epidemie, spočívá v jejich schopnosti předpovídat budoucí vývoje epidemie. Jejich užitek tedy neplyne z jejich schopnosti vysvětlit či porozumět epidemii. Z toho plyne, že nejdůležitější otázku, kterou můžeme takovému modelu během krize položit, není to, zda jsou jeho předpoklady přesné, ale to, do jaké míry přesně předpovídá budoucnost. Jde tedy o praktickou spíše než teoretickou otázku.

Epidemiologie veřejného zdraví je pragmatická v tom, že pracuje s teorií, rozmanitostí dat a modely jakožto nástroji pro vytváření různých doporučení.

Prediktivní síla samozřejmě není zcela odtržena od přesnosti, s jakou model reprezentuje vybrané aspekty. Jeden ze způsobů, jak zlepšit prediktivní schopnost modelu je sběr dat, které mohou přesnost modelových předpokladů potvrdit či vyvrátit. Není to ale jediný způsob. Tím, že necháme běžet simulaci téhož modelu za použití odlišných předpokladů (takzvaná analýza senzitivity či také citlivostní analýza), umožníme zjistit, do jaké míry jsou předpovědi citlivé na změnu modelových předpokladů. Studium několika takových různých modelů umožňuje dospět k robustnější predikci, která už není tolik citlivá na nepřesnosti v jednotlivých modelech. Obě strategie se použily během rozhodování o přístupu v UK.

Často je to tak, že jedna přesnější predikce založená na vysoce kvalitní evidenci není tolik užitečná jako určitý rozptyl modelových predikcí, které dokážou vystihnout nejlepší a nejhorší scénáře (jako například počet úmrtí, které na konci března prezentoval expertní tým Bílého domu pro boj s pandemií koronaviru). Prozíravost spočívá v plánování pro nejhorší scénář, nikoli pouze pro ten nejpravděpodobnější. Pragmatická filosofie obecně dobře slouží rozhodovacím činitelům v oblasti veřejného zdravotnictví.

Na druhou stranu v situaci, kdy určité predikce založené na plauzibilních modelových předpokladech by odpovědné činitele vedly k radikálně odlišným doporučením, je potřeba tyto předpoklady dále zkoumat a porovnat s další evidencí. Například tým z Oxfordské univerzity provedl několik simulací, aby ilustroval, že znepokojivé koronavirové predikce zcela klíčově závisejí na odhadech počtu jedinců, kteří byli dříve virem nakaženi a dnes jsou již imunní. Právě tento druh nejistoty dodává střelivo popíračům evidence.

Evidence

Kliničtí epidemiologové v této pandemii hrají svou roli: navrhují klinické testy léků na COVID-19. Příkladem takového klinického testu je tzv. solidární test (Solidarity trial), který probíhá v několika zemích pod záštitou Světové zdravotnické organizace. V souladu s vysokými standardy, které na evidenci klade hnutí medicíny založené na důkazech, jsou tyto testy randomizované: jedinci dle náhodného výběru dostávají jeden z léků (případně různou kombinaci léků). Ačkoli se názory ohledně předností randomizace v detailech rozchází, panuje všeobecná shoda na tom, že randomizace snižuje systematický zdroj zkreslení. Randomizace v klinickém testu eliminuje výběrové zkreslení, což vede k vytvoření skupin, které jsou reprezentativnější či lépe porovnatelné co do svých kauzálně relevantních vlastností. Randomizované studie jsou preferovány pro svou schopnost generovat evidenci, která je přesnější a méně náchylná ke zkreslení.

Tradice klinické epidemiologie nás varuje, že teorie mohou být někdy zavádějící – například tehdy, když vychází z nepodložených předpokladů, jejichž platnost není empiricky prokázána v lidské populaci.

Koncept evidence je pro klinickou epidemiologii a medicínu založenou na důkazech centrální. Zatímco výzkum v klinické epidemiologii evidenci produkuje, experti na EBM (z angl. evidence-based medicine, tj. medicína založená na důkazech – pozn. překl.) ji kriticky vyhodnocují. Podle této tradice pochází kvalitní evidence zejména ze studií klinické epidemiologie. Tato tradice je obecně podezřívavá k teorii a k argumentaci, která je založena na patofyziologii a na modelech nemoci. Často nás varuje, že teorie mohou být někdy zavádějící – například tehdy, když vychází z nepodložených předpokladů, jejichž platnost není empiricky prokázána v lidské populaci. V případě koronaviru modely předpokládají – na základě zkušenosti s jinými patogeny, nikoli na základě konkrétní evidence týkající se nového koronaviru –, že jedinci, kteří infekci prodělají a vyléčí se, získají také alespoň na krátkou dobu imunitu vůči reinfekci.

Hlavním zájmem této filosofie není rozmanitost dat, nýbrž jejich kvalita. Základním principem EBM je tvrzení, že nejlepší medicínská rozhodnutí jsou ta, která jsou založena na nejlepší dostupné evidenci a že evidence je o to lepší, pokud spočívá na datech vysoké kvality. EBM sice obsahuje vodítka k určení, která evidence je nejlepší, nicméně metody klinické epidemiologie jako například meta-analýzy neumožňují sloučit různé druhy evidence. Tato tradice je také konzervativní v tom, že své závěry zakládá pouze na dobře zdůvodněných empirických výsledcích. Pro spekulativní modelování nemá prostor a před hypotetickými simulacemi preferuje „zlatý standard“ v podobě randomizovaných studií. Tato tradice je také skeptická: zpochybňuje předpoklady, autoritu, dogma a vždy se snaží nalézt limity výzkumu a chyby v designu studií.

Ústředím momentem pro tradici klinické epidemiologie byla studie z roku 1948, kterou provedl britský Medical Research Council a která se zaměřila na streptomycin pro léčbu tuberkulózy. Šlo přitom zřejmě o první randomizovaný klinický test moderní podoby. Filosofie tohoto přístupu může být obzvlášť užitečná v době, kdy se epidemie nového patogenu rozšíří a kdy již začíná být dostupnější evidence, pomocí níž lze kriticky vyhodnocovat předešlé předpoklady a odpovídat na doposud otevřené otázky. Klinická epidemiologie disponuje potřebnou expertízou s ohledem na získávání této evidence.

Pokud jde o zavádění opatření v kontextu veřejného zdraví, Ioannidis hájí přístup, který je založen na evidence. Ioannidis přitom navrhuje, abychom intervence jako například sociální odstup otestovali prostřednictvím randomizovaných testů. Kvůli několika různým úrovním samosprávy, jež mají kontrolu nad zaváděním pravidel sociálního odstupu, však jeho návrh zřejmě není proveditelný ve Spojených státech. Nicméně návrh, že bychom měli studovat efektivitu intervencí v rámci veřejného zdraví, je stejně důležitý, jako je očividný, a klinická epidemiologie je v pozici, aby k tomuto úsilí přispěla. Zatímco epidemiologie veřejného zdraví je zběhlá ve studiu distribuce a determinantů nemocí, klinická epidemiologie se cítí jako doma, pokud jde o studium efektivity intervencí v zdravotní péči. (Nechci tím naznačit, že by snad epidemiologie veřejného zdraví neměla nástroje, jak studovat své vlastní intervence. Za příklad může posloužit tato inteligentní studie dopadů z Imperial College London.)

Měření dopadu opatření v oblasti veřejného zdraví není nikterak triviální. Sociální odstup není intervence: je to změť z části dobrovolného a z části nedobrovolného individuálního chování. Toto chování se v epidemickém modelu simuluje prostřednictvím sníženého počtu sociálních interakcí. Modely někdy předpokládají, že určité intervence jako například zavření škol či podniků povedou k určitým vzorcům sociálního promíchávání. Avšak dopady specifických intervencí na vzorce sociálního promíchávání nejsou cílem klasických modelů typu SIR. Modelář totiž tyto sociální interakce využívá jako vstupní parametr; tyto vzorce tedy nejsou výsledkem modelování. (Je třeba však podotknout, že takzvané modely chování nemoci modelují sociální dynamiku společně s virální dynamikou.) Za účelem separace dopadů individuálních intervencí, které se často zavedly ve stejnou dobu a které jsou tedy těžko oddělitelné od nezávislých změn v chování, je potřeba provést rigorózní výzkum. Navíc je docela možné, že intervence mají nezávislý dopad (na zdraví, na ekonomiku) a epidemický model není dostatečně obecný na to, aby tyto dopady předvídal.

Institucionalizovaný skepticismus je ve vědě i rozhodovacím procesu důležitý. Na jednu stranu příliš skepticismu vede k paralýze, na druhou stranu k neblahým důsledkům.

Ionnidis dále přichází s řešením problému nepřesných pandemických statistik: měli bychom upřednostnit testování reprezentativních vzorků populace před spoléháním se na vzorky, které podléhají výběrovému zkreslení. Abychom odhadli počet infikovaných lidí a časový nárůst pandemie, mohli bychom opakovaně diagnosticky testovat vzorky z demografických skupin. Reprezentativní výběr vzorků a analýzy protilátek také mohou pomoci s odhadem počtu doposud nakažených jedinců, kteří mohou být imunní vůči reinfekci. Tyto informace by mohly vyloučit oxfordský scénář, ve kterém je náchylná populace řádově menší, než se domníváme. Mohly by také objasnit poměr zemřelých vůči infikovaným, neboli proporci pacientů s COVID-19, kteří infekci podlehnou. Ioannidis argumentuje, že odhad tohoto poměru byl v určitém kontextu kvůli zkreslenému testování značně nadsazen. Testování protilátek se v USA a dalších zemích již rozběhlo: například Ioannidis se svými kolegy vypracoval studii, která ovšem ještě neprošla recenzním řízením (v čase publikace tohoto člájku – pozn. překl.) a která naznačuje, že v okresu Santa Clara je výskyt nemoci COVID-19 mnohem vyšší, než jakou uvádí oficiální statistiky. Je poněkud ironické, že tuto studii řada vědců od začátku kritizuje i proto, že se testovaný vzorek populace rekrutoval z Facebooku, což může situaci zkreslovat.

Klíčem k řádnému výběru reprezentativních vzorků je oblíbené moto klinické epidemiologie: randomizace! Náhodný výběr vzorku dokáže překonat výběrové zkreslení, které k zamoření koronavirem dodává navíc ještě zamoření modelové projekce. Tradice klinické epidemiologie, která si zakládá na nezkreslené evidenci, nabízí řešení naléhavého problému, kterému čelí epidemiologie veřejného zdraví.

Poslední příspěvek, který klinická epidemiologie nabízí, je její skeptická dispozice. Institucionalizovaný skepticismus je ve vědě i rozhodovacím procesu důležitý. Jeho přemíra je na jednu stranu paralyzující, a to zejména v situaci, kdy nedisponujeme dostatkem informací, což volá po pragmatických řešení (jako například v začátcích epidemie nového patogenu, kdy není k dispozici zlatý standard evidence, který by naše jednání usměrňoval). Na druhou stranu nečinností riskujeme neblahé důsledky. Skeptická optika klinické epidemiologie může nabídnout jakousi kontrolu nad pragmatickým étosem epidemiologie veřejné zdraví a ochránit nás před ukvapenými opatřeními.

Zaměřit se čistě na evidenci by však bylo krátkozraké a epidemiologii by to spíše poškodilo. Kdybychom intervence z oblasti veřejného zdraví podrobily randomizovaným testům, získali bychom evidenci, která by byla platná pouze v lokálním kontextu, ve kterém byl test proveden. Dopady zdravotnických intervencí (koneckonců všech intervencí) záleží na tom, jaké další kauzální faktory hrají roli. Nemůžeme jednoduše extrapolovat z jednoho kontextu na jiný. Stejně tak bychom neměli slepě extrapolovat statistiky ohledně infekce z jedné oblasti na jinou, neboť všechny tyto parametry – reprodukční číslo, míra zasažení, poměr zemřelých k infikovaným – jsou citlivé vůči kontextu. Žádná z těchto statistik neodráží nějakou vnitřní vlastnost viru či našich intervencí; statistiky vyvstávají z interakce mezi intervencemi, patogenem, populací a lokalitou.

Teprve teorie společně s širokým spektrem dat činí koronavirovou evidenci z jedné oblasti relevantní pro jinou oblast. Evidence ohledně dopadu intervencí na sociální interakce se musí zkombinovat s epidemickými modely, které tyto interakce reprezentují. Aby byla evidence ohledně věkové stratifikace v poměrech zemřelých k infikovaným jakkoli užitečná pro předpovědi počtu úmrtí v populaci, musí se zkombinovat s lokálními daty, jež se týkají věkové struktury populace. Během epidemie jsou modely bez evidence slepé, zatímco evidence bez modelů je bezmocná.

Co je výsledkem tohoto střetu rozdílných přístupů? Ve své vlastní práci jsem modeloval predikci v medicíně založené na důkazech jako řetězec inferencí. Každá inference v řetězci představuje předpoklad, který musí být podpořen evidencí; pokud se jakýkoli předpoklad ukáže chybným, řetězec je porušen. V knize Evidence-Based Policy (2012) filosofka Nancy Cartwright a ekonom Jeremy Hardie reprezentují predikce o efektivnosti určitého postupu prostřednictvím pyramidy. Na vrcholu je hypotéza, že daný postup bude fungovat v určitém lokálním kontextu. Tato hypotéza spočívá na řadě předpokladů, které se samy opírají o další předpoklady a tak dále. Bez evidence o platnosti předpokladů se celá struktura zbortí.

Měli bychom přijmout obě soupeřící epidemiologické filosofie. Spolupráci ve společnosti by měla odpovídat spolupráce napříč disciplínami.

Obě pojetí (tj. predikce jako řetězec inferencí, nebo jako pyramida – pozn. překl.) fungují jako metafora pro vztah mezi evidencí a modely. Evidence je potřebná pro zdůvodnění modelových předpokladů – teprve pak můžeme vytvářet preciznější a přesnější předpovědi. Evidence je také potřebná pro vyloučení alternativních předpokladů, a tedy i alternativních předpovědí. Modely reprezentují široké spektrum možných budoucích vývojů událostí. Evidence pomáhá předpovídat, který z možných vývojů nakonec nastane, a činí tak dvěma způsoby: přímo, vyplněním kontur daného modelu; a nepřímo, eliminací jiných hypotetických světů.

Potřeba dostupné evidence a modelování nezmizí ani po vyřešení současné krize. Pro vyhodnocení efektivity našich rozhodnutí, která jsem učinili, budeme potřebovat předpověď, co by nastalo za jiných okolností. Úsudek tohoto typu spočívá v porovnání skutečného světa, ve kterém k událostem došlo, se světem hypotetickým, který popisuje jiné události. Kolika úmrtím na COVID-19 se předešlo díky sociálnímu odstupu? Prostřednictvím počítání jednotlivých případů dokážeme odhadnout počet úmrtí na COVID-19 v našem světě, ve kterém se zavedlo pravidlo sociálního odstupu. Abychom však odhadli počet úmrtí na COVID-19 ve světě, ve kterém se pravidlo sociálního odstupu nezavedlo, potřebovali bychom oprášit naše modely a evidenci.

Právě tak jako bychom měli přijmout za své oba modely a soubory dat, měli bychom být otevření oběma soupeřícím modelům filosofie epidemiologie. Může to znít jako nudný závěr, ale v rámci koronavirové pandemie není vítězů ani na nikoho nečeká sláva. Spolupráci ve společnosti by měla odpovídat spolupráce napříč disciplínami. Běžný proces vědeckého zkoumání a recenzního řízení poněkud ustoupil tiskovým prohlášením, novinovým nadpisům a rozhodovacím komisím. Potřeba kritického zkoumání z různých úhlů pohledu však zůstává.

Dříve jsem zmínil, že objev, že kouření způsobuje rakovinu plic, byl úspěchem, který dal vzniknout epidemiologii veřejného zdraví. Oproti tomu studie streptomycinu, kterou provedl britský Medical Research Council, se stala definujícím momentem v historii klinické epidemiologie. V obou případech vědeckého úspěchu hrál roli epidemiolog Austin Bradford Hill. Hill prosazoval používání klinických studií a také představil devět kritérií („Hillova kritéria“), která se dodnes používají v epidemiologii veřejného zdraví za účelem odvození kauzálního vztahu z rozmanitých dat.

Podle Hillova vzoru by epidemiologie měla mít dvě tváře: měla by kombinovat teorii s evidencí a využívat rozmanitá data, a přitom by měla klást požadavek na stále kvalitnější data. V argumentaci by měla být liberální, ale v závěrech konzervativní. V procesu rozhodování by měla být pragmatická a zároveň by měla být skeptická. Musí být takříkajíc dílem obou hemisfér, čili na jedné straně jednat, a na druhé zároveň sbírat informace. Pouze tehdy, když využijeme oba způsoby myšlení, vypěstujeme si ten správný přístup k pandemii.

Dr. Jonathan Fuller je odborný asistent na katedře dějin a filosofie vědy na Pittsburghské univerzitě. Je držitelem doktorátu z filosofie i medicíny z Torontské univerzity.

Zdroj: Boston Review 20. 5. 2020. Publikováno se souhlasem autora. Český překlad Martin Zach.