استفاده از داده‌ها برای کاستن از اثرات مخرب کرونا بر آموزش
قرنطینه‌های سراسری ناشی از همهگیری منجر به تعطیلی کسب و کارها و ورشکستگی آنها شده است. در سال ۲۰۲۰، کاهش ۸/ ۸ درصدی در ساعات کاری موجب بیکاری بیش از ۱۱۴ میلیون نفر شد. همچنین تعطیلی مدارس آموزش را با اختلال مواجه کرده است و در نتیجه بیش از ۱۰۰ میلیون کودک به زیر حداقل سطح مهارت خواندن سقوط کرده‌اند. این پیامدها به‌‌ویژه در کشورهای در حال توسعه مانند فیلیپین که نابرابری‌‌ها بیشتر است، آشکار است.
به طور ناگزیر دیجیتالی شدن تکالیف مدرسه به نفع افراد ممتاز است زیرا تنها ۵۵ درصد دانشآموزان در پایتخت این کشور به اینترنت دسترسی دارند.
با توجه به این چالش‌ها، چه راهبردهایی می‌تواند به بازگشایی مدارس و ادارات و توقف شکاف بین فقیر و غنی کمک کند؟ یکی از راه‌های توسعه یک استراتژی مناسب، استفاده از داده‌های همهگیر و ارائه آنها در یک مدل محاسباتی به نام SEIR است که در اپیدمی‌‌های گذشته استفاده می‌شد. اگرچه دقت مدل به سوابق داده‌ها بستگی دارد، اما می‌تواند به تصمیم‌گیرندگان در ارزیابی مستمر طرح‌ها قبل از اجرا کمک کند. این مدل با تفکیک افراد به حالت‌های بیماری زیر کار می‌کند:
مستعد- افراد سالم
در معرض بودن - افرادی که با یک فرد آلوده در تماس بودند.
آلوده - افراد مبتلا به عفونت تایید شده و قابل انتقال کووید- ۱۹
بهبودیافته - افرادی که با مرگ یا بهبودی از این بیماری رها شده‌اند.
با دسته‌بندی افراد به این روش، می‌توانیم نرخ حرکت آنها در گروه‌ها را بر اساس زمان شبیه‌‌سازی کنیم. این ترتیب‌‌بندی امکان تجسم دینامیک عفونت و پیش‌‌بینی انتقال با مداخلات مختلف به عنوان مثال، میزان بازگشایی، فاصله‌‌گذاری فیزیکی و زدن ماسک را فراهم می‌کند. استفاده از داده‌های همهگیری برای پیش بینی اینکه چگونه اعمال نفوذ روی انتقال عفونت تاثیر می‌گذارد، احتمالا مستلزم قوانین قرنطینه و بازگشایی استراتژیک‌تری خواهد بود. با این حال، پیاده‌‌سازی یک رویکرد در سطح ملی ممکن است باعث سرعت بخشیدن به جلوگیری از شیوع شود اما پیامدهای بهداشتی و اقتصادی نامطلوبی دارد. پس چگونه می‌توانیم این را به یک خط‌‌مشی تبدیل کنیم؟ با تکیه بر این رویکرد که بر‌اساس مفهوم حباب کووید - روشی که در آن بیش از یک خانوار (معمولا دو خانواده) می‌توانند در طول محدودیت‌ها تماس فیزیکی داشته باشند - در نیوزیلند، استرالیا و بریتانیا به کار گرفته شده است، سیاست‌های بازگشایی مبتنی بر داده‌ها را می‌توان شهر به شهر اجرا کرد. اما به چه صورت؟
۱- با یک شهر، یک حباب شروع کنید. انتخاب یک شهر واحد برای اجرای یک مطالعه آزمایشی می‌تواند تعیین کند که آیا استراتژیهای بازگشایی مبتنی بر مدل کارآمد هستند یا خیر. شهر منتخب باید دارای سیستم ردیابی تماس کارآمد بوده و کانون کووید-۱۹ نباشد تا خطر انحراف طرح آزمایشی به حداقل برسد.
۲-ابتدا مدارس را بازگشایی کنید. داده‌های ما نشان می‌دهد بازگشایی مدارس بدون توجه به استراتژی بازگشایی، منجر به عفونت کم در بین دانشآموزان ابتدایی و متوسطه می‌شود،
برخلاف مکان‌‌های کاری که بازگشایی ۵۰درصد و ۱۰۰درصد ممکن است به‌طور قابل توجهی جمعیت کارکنان آلوده را افزایش دهد. با وجود این، استراتژیهای کاهشی مانند واکسیناسیون پرسنل مدرسه و جداسازی زودهنگام موارد مشکوک باید در نظر گرفته شود.
۳- بازگشایی با توجه به گروه سنی.مطالعات نشان داده است کودکان در مقایسه با بزرگسالان کمتر مستعد ابتلا به کووید- ۱۹ هستند. با وجود آن، نرخ عفونت مشابه را در بازگشایی مدرسه و محل کار می‌توان مشاهده کرد - برخی کودکان احتمالا بدون علامت هستند اما می‌توانند والدین خود را آلوده کنند. همچنین بازگشایی و رفع محدودیت‌ها از گروه سنی که کمتر مستعد هستند، نظارت دقیق عفونت‌‌های جدید را ممکن می‌‌سازد. این کار با رعایت اقدامات احتیاطی بیشتر مانند محدود کردن ساعات مدرسه، کاهش تعداد دانشآموزان در کلاس‌ها و ایجاد گروه‌های ویژه کنترل عفونت تقویت می‌شود.
۴- این سیاست را در شهرهای دیگر تطبیق داده و اعمال کنید. در مرحله آزمایش، فهرستی از آنچه انجام شده و کار نکرده است، برای بهبود مدل با داده‌های مربوط به اثربخشی واکسن، موارد بدون علامت و انواع ویروس مهم است. این یادگیری‌ها می‌تواند به مقیاس و تکرار این استراتژی‌‌ها در شهرهای دیگر کمک کند. این بیماری همهگیر اهمیت همکاری بین سیاستگذاران، ارائه‌دهندگان مراقبت‌های بهداشتی، دانشمندان، مربیان و رهبران کسب و کار را برای اطمینان از استراتژیهای بازگشایی سیستماتیک و ایمن نشان می‌دهد. از آنجا که کشورهای در حال توسعه منابع مراقبت‌های بهداشتی محدودی دارند، رویکرد حباب شهر می‌تواند توازن بین شیوع عفونت و آسیب‌های ناشی از اختلالات طولانی‌مدت در مدرسه و محل کار را مورد توجه قرار دهد.
