Biến động và kiểm soát COVID: Ý kiến của hai nhà toán học (phần 2)

Trong phần thứ hai này, chúng tôi sẽ phác thảo những nguyên tắc khoa học, cụ thể là toán học trong nghiên cứu các bước tiến triển của một dịch bệnh. Bao gồm: Sự khám phá ra virus mới, đặc tính cơ bản của nó, xét nghiệm sự tồn tại của virus trong cơ thể người; Dữ liệu về sự phát triển của Covid-19 trong một quần thể dân cư; Nỗ lực phân tích toán học và dự báo sự phát triển đó sử dụng đường cong đại dịch, hay cách mô tả đại dịch tương tự bằng mô hình ngăn chặn, cách để chấm dứt một đại dịch bằng vaccine và cuối cùng là chúng ta có thể học được gì và nên làm gì?

Virus SARS-CoV-2 mới

Sau sự bùng phát của dịch bệnh viêm phổi không rõ nguyên nhân vào năm 2019 từ Vũ Hán, trong tháng 1/2020, các nhà khoa học Trung Quốc đã xác định được một virus mới là nguồn gốc dịch bệnh. Họ theo một quy trình thông thường, đó là, chỉ ra 26 kháng nguyên thường gặp gây bệnh đường hô hấp trong các bệnh nhân đó. Và họ phát hiện ra không có kháng nguyên nào trong số đó ở mức độ đủ lớn để gây bệnh. Họ nghi ngờ SARS-CoV nhưng cũng không tìm thấy dấu vết của virus này. Sau đó họ xem xét tất cả các loại vi khuẩn tương tự (sự trùng khớp hệ gene ở một mức nhất định) với SARS-CoV và phát hiện ra một loại virus xuất hiện một lượng lớn trong mẫu bệnh phẩm lấy từ đường hô hấp của các bệnh nhân. Sử dụng kính hiển vi điện tử và các phân tích dạng thức toán học (mathematical pattern analysis) cho thấy nó cùng một loài với SARS-CoV-1 và MERS-CoV; nên họ đặt tên nó là SARS-CoV-2. 

Bắt đầu từ nghiên cứu của Trung Quốc, xuất hiện rất nhiều công bố về đặc trưng của kháng nguyên này và cách thức hoạt động của nó. Ở khía cạnh virus học mà nói, việc giải trình tự gene có ý nghĩa quyết định. Virus này được cho là có nguồn gốc từ động vật nhưng nó nhanh chóng thiết lập cách thức lây nhiễm từ người sang người. Mang đặc trưng kết hợp của SARS và cúm mùa, thể hiện ở việc chủ yếu lưu trú trong hệ hô hấp của bệnh nhân và lây lan nhanh, khiến COVID-19, căn bệnh do SARS-CoV-2 gây ra đặc biệt nguy hiểm. 

Xét nghiệm ở TP Hồ Chí Minh. Ảnh: Trương Thanh Tùng

Về khía cạnh lâm sàng, nhiều giai đoạn tiến triển của bệnh đã được xác định: Thời gian ủ bệnh thông thường là 5,2 ngày, thời gian để người bệnh có khả năng lây cho người khác trung bình là 4,6 ngày, nghĩa là, giai đoạn lây nhiễm thực ra bắt đầu trước cả khi người bệnh có những biểu hiện triệu chứng. Khoảng thời gian lây nhiễm là 6 ngày đối với những ca bệnh nhẹ hoặc không có triệu chứng còn với những ca nặng hoặc nguy hiểm đến tính mạng, thời gian này trung bình là 22 ngày và kết thúc bằng việc người bệnh hồi phục hoặc tử vong. 

Có rất nhiều giải pháp kiểm soát dịch bệnh dựa trên đặc điểm virus học và đặc điểm lâm sàng của SARS-CoV-2 sẽ được trình bày ở những phần tiếp theo. Những nghiên cứu này vẫn đang tiếp diễn và thậm chí nghiên cứu sau có thể phản bác lại nghiên cứu trước. Tuy nhiên, trong bài báo này, chúng tôi sẽ chỉ nói về yếu tố cơ bản nhất làm nên một giải pháp được thiết kế tốt, đó là xét nghiệm lây nhiễm. 

Bước đầu tiên của một chương trình xét nghiệm là xác định quần thể đích. Chúng ta sẽ xét nghiệm ai? Những người đã tiếp xúc với các trường hợp bị nhiễm bệnh? Hay với những người kêu ca về những triệu chứng của cơ thể mình giống người bị nhiễm COVID-19? Hay tất cả mọi người đến từ vùng có dịch? 

Tiếp theo, mục đích của việc xét nghiệm là gì? Để xác định sự có mặt của virus hay một loại kháng thể nào đó trong cơ thể người được xét nghiệm? Dựa trên mục tiêu xét nghiệm, ta có loại xét nghiệm virus và xét nghiệm huyết thanh. Xét nghiệm virus thông thường gọi là xét nghiệm PCR (xét nghiệm chuỗi phản ứng Polymerase). Hàng chục xét nghiệm huyết thanh với đủ loại chất lượng cũng đang được phát triển và thậm chí còn được thực hành rộng rãi ở một số nước. Chỉ ra các đặc điểm của một loại xét nghiệm dựa trên quần thể đích và mục tiêu xét nghiệm là vấn đề kinh điển của ngành dịch lễ học lâm sàng. 

Trở về với vai trò của xét nghiệm trong các chiến lược kiểm soát dịch bệnh, chúng tôi chỉ muốn nói rằng ở các quốc gia bất kể giàu nghèo với các cán bộ y tế công cộng thiếu cẩn trọng, việc lựa chọn quần thể xét nghiệm thường được quyết định bởi sự thiếu hụt kit xét nghiệm và bởi lợi ích nhóm (những cơ quan, tổ chức muốn vơ vét kit xét nghiệm cho mình).

Nhân khẩu học: Dịch tễ học mô tả

Đây là thống kê y khoa kinh điển, dùng để biểu diễn một dịch bệnh cụ thể bằng số ca nhiễm và số người tử vong cùng với dữ liệu về thời gian, địa điểm và vài dữ liệu đi kèm như giới tính, tuổi và đôi khi cả nghề nghiệp của những ca bệnh. 

Biểu đồ cho thấy số ca nhiễm và số người mất vượt mức tại 16 quốc gia trong những ngày phong tỏa. Nguồn: Financial Times.

Về mặt nguyên tắc, các phương pháp tìm số người nhiễm bệnh và số người tử vong do COVID-19 là giống như tất cả các dịch bệnh khác. Và có sự chênh lệch rất lớn giữa cách tính toán các quốc gia. Cả việc chẩn đoán ca bệnh lẫn cách mô tả nguyên nhân tử vong đều chỉ mang tính chính xác tương đối hay nói cách khác là hầu như không đáng tin cậy. Cụ thể là, việc đưa ra chẩn đoán chính xác cho một người dựa trên mô tả của họ về tình trạng sức khỏe phụ thuộc rất nhiều vào cách truy vết quốc quốc gia đó và trình độ của hệ thống y tế. Một khó khăn khác nữa đó là có nhiều bệnh nhân mắc SARS-CoV-2 nhưng không thể hiện bất kì một triệu chứng nào.

Chúng tôi đã nói về Việt Nam ở phần trước, nơi đã sử dụng hệ thống thông tin sức khỏe và nhân khẩu học thông thường. Và trong dữ liệu của họ bao gồm cả những trường hợp không có triệu chứng được phát hiện nhờ truy vết tiếp xúc. Nhiều quốc gia khác sử dụng dữ liệu về số ca nhiễm và tử vong từ “hệ thống báo cáo y tế”. Những hệ thống như vậy một phần nào đó dựa trên phương pháp lấy mẫu từ nhiều nguồn, như từ các bệnh viện và các trạm y tế. Ở Đức, Viện Robert Koch, viện trung ương chuyên về các bệnh truyền nhiễm, sẽ báo cáo các dữ liệu về COVID-19. Ở Mỹ, Đại học Johns Hopkins đóng vai trò tương tự. Có cả các quốc gia khác sử dụng dữ liệu từ các văn phòng bảo hiểm y tế. 

Tuy nhiên, rất nhiều quốc gia không có hệ thống thông tin y tế hay hệ thống báo cáo y tế, hoặc có thì họ không dùng cho COVID-19. Một loạt các phương pháp thay thế được áp dụng. Chẳng hạn, Pháp chỉ đếm các trường hợp bị nhiễm trong bệnh viện và các trường hợp tử vong trong bệnh viện hoặc trong nhà dưỡng lão có kết nối với hệ thống y tế. 

Chúng ta có thể nói rằng dữ liệu về số ca nhiễm và dữ liệu về số ca tử vong của COVID-19 trong nhiều công bố ở thời kì đầu dịch bệnh là không đáng tin cậy trừ một số rất ít các trường hợp ngoại lệ. Hơn nữa là họ cũng xuất bản nguồn gốc của các dữ liệu đó. 

Một ý tưởng thay thế khác khá quan trọng là so sánh tình trạng hiện tại với những năm trước đó. Chúng ta tạm giả thiết rằng, tần suất xuất hiện số ca bệnh ngày càng lớn, sẽ dẫn đến số người mất ở quốc gia đó tăng lên, và con số người mất tăng thêm này chính là do Covid-19. Như đã chỉ ra ở trên về những khó khăn trong việc chẩn đoán, ý tưởng này chỉ áp dụng cho việc đếm số ca tử vong chứ khó mà có thể đếm các trường hợp nhiễm COVID-19 khác. Như vậy, trong phương pháp tính “số ca tử vong vượt mức”, chúng ta chỉ tính số người mất vì bất cứ lí do nào của năm diễn ra dịch bệnh nhiều hơn bao nhiêu số người mất cùng thời điểm trong quá khứ. Đối với Anh chẳng hạn, tính đến 1/6/2020, Cơ quan Dịch vụ Y tế Quốc gia của nước này đưa ra con số 41,128 người tử vong vì COVID-19. Trong khi Cơ quan Thống kê Quốc gia của nước này thì tính được số người mất ở thời điểm đó nhiều hơn 62,000 người cùng kì năm trước!

Cuối cùng, chúng tôi muốn giới thiệu một ý tưởng thú vị khác dựa trên hình thức cổ điển nhất của một mô hình thống kê toán học. Biểu đồ trên tờ Financial Times cho thấy ở mỗi trong 16 quốc gia được chọn, các điểm trên biểu đồ thể hiện mối tương quan lần lượt giữa số lượng ca nhiễm trên một triệu dân và số người mất vượt mức cùng thời điểm trong những ngày phong tỏa. Chỉ cần nhìn qua thì chúng ta cũng thấy là nó tỉ lệ thuận với nhau. Một phân tích tương quan đơn giản dựa trên biểu đồ như vậy cũng cho phép chúng ta từ giá trị này có thể tính được giá trị còn lại ở bất cứ quốc gia nào.

Nhân khẩu học cao cấp

Khái niệm này trong nhiều trường hợp vượt ra ngoài thống kê y tế cổ điển, và tất cả các trường hợp đó đều liên quan đến COVID-19. Đầu tiên, người ta thực hiện các điều tra lấy mẫu thay vì sử dụng dữ liệu của toàn bộ “quần thể đích”. Các điều tra này, ví dụ, được dùng để nghiên cứu ảnh hưởng của các yếu tố xã hội lên tiến triển của nhiều khía cạnh của dịch bệnh. Đặc biệt là các yếu tố mang tính chất nguyên nhân – kết quả được nghiên cứu rất kĩ lưỡng trong một vài quốc gia. Thứ hai, nhiều loại dữ liệu về ca nhiễm và các ca tử vong sẽ được thu thập hơn, chẳng hạn như là tỉ lệ nhiễm và tỉ lệ tử vong theo nhóm tuổi. Thứ ba, các bộ dữ liệu không những được công nhận và có thể xuất bản, mà có thể được biến đổi và lý giải theo nhiều cách khác nhau. Để làm được điều đó, dữ liệu phải trải qua một quy trình chuẩn hóa (standardization). Một ví dụ tưởng tượng là tỉ lệ tử vong về COVID-19 ở Đan Mạch, nếu Đan Mạch chia các nhóm tuổi giống như Việt Nam thì trong mỗi nhóm tuổi, tỉ lệ này ở hai nước phải giống nhau. 

Ở phần dưới đây, chúng tôi sẽ nhắc đến mô hình thống kê toán học như một công cụ toán học cơ bản để phát triển phương pháp phòng ngừa COVID-19. Với sự giúp đỡ của công cụ này, một người có thể nghiên cứu ảnh hưởng của nhiều yếu tố lên vài kết quả của một biến số E đáng quan tâm nào đó trong một thử nghiệm lâm sàng. Ở đây, khi xem xét ảnh hưởng của yếu tố này, cần nhớ đến việc kiểm soát một yếu tố khác, cũng có thể gây nhiễu hành động của biến E. Có vẻ như một mặt, hầu hết những nhà nhân khẩu học và mặt khác là phần lớn các nhà dịch tễ học lâm sàng, quên mất rằng quy trình toán học của chuẩn hóa cũng giống như kiểm soát một yếu tố gây nhiễu. Tuy nhiên, một nhà toán học như tôi không ngạc nhiên về điều đó!

Mô hình đường cong dịch tễ

Giả thiết C là một dịch bệnh, V là một vùng địa lý và t0 là thời điểm xuất hiện ca nhiễm đầu tiên của C tại V, và hàm f(t) với t ≥ 0 số ca nhiễm được báo cáo và quan sát của C tại V trước hoặc tại thời điểm t nhất định. Thì f được gọi là đường cong đại dịch của C tại V. Đo f(t) theo thời gian đều liên quan đến những nhánh của nhân khẩu học. Quá trình này bởi vậy phải đối mặt với tất cả những bất cập sẽ được nói sau đây. 

Tìm hiểu các tính chất của f các khu vực V khác nhau là mối quan tâm chính của người dân ở một quốc gia bị tấn công bởi C. Hiểu biết đó cũng thiết yếu đối với các cơ quan y tế muốn kiểm soát C. Càng nhiều thông tin càng tốt. Hiện chúng ta có thể biết được thêm cách thức lây bệnh của C như thế nào bằng cách quan sát hàm f(t)? Cụ thể hơn, có cách nào dự báo được những đặc điểm trong sự tiến triển của C ở tương lai, sau khi quan sát các giá trị của f(t) qua một thời gian nhất định? 

Số ca tử vong do dịch bệnh theo chiến lược “không làm gì” của Neil Ferguson, được vẽ lại dưới sự cho phép
của Khoa Y tế công cộng, Đại học Hoàng gia London.

Câu trả lời cho những câu hỏi này nói chung là dựa vào việc mô hình hóa f, nghĩa là phải đưa ra một vài giả thiết về hình dáng của mô hình này và ước tính một vài biến số trong đó. Rất nhiều công bố khoa học đã đề cập đến vấn đề này. Một vài trong số đó sử dụng các phương pháp của toán kinh tế.

Chúng tôi sẽ chỉ đề cập đến một ứng dụng, gọi là hệ số lây nhiễm cơ bản R0. Nó xuất hiện liên tục trong các công bố nổi tiếng. Để định nghĩa nó, hãy cùng nhìn vào một đối tượng s bị nhiễm bệnh ở thời điểm t* ≥ t0. Hàm µ(s, t*) là số lượng tất cả những người khác bị lây bệnh từ s sau thời gian t* bao gồm cả nhiễm vòng thứ hai và vòng thứ ba. R0 là trung bình µ(s, t*) của tất cả các s. Bởi vậy, nó phụ thuộc vào t*. T* chính xác là điều mà nhiều người quan tâm: nếu giá trị của R0 nhỏ hơn 1 thì nghĩa là sau thời gian t* C sẽ bị biến mất. Trong trưởng hợp C=Covid-19, ngay từ đầu R0 được đưa ra đã là 5.7, nghĩa là t* là thời điểm rất gần với khi bùng phát dịch của C. 

Mô hình khoanh vùng

Chúng tôi đã đề cập đến nguồn gốc lịch sử của mô hình này trong kì trước. Chúng tôi phân biệt hai dạng mô hình toán học về sự tiến triển của dịch bệnh. Mô hình loại thứ nhất thể hiện diễn biến tạm thời của một số lượng đối tượng nhất định tại một trạng thái nhất định, chẳng hạn trạng thái “bị nhiễm bệnh”. Ngược lại, mô hình khoanh vùng cũng thể hiện những thay đổi của trạng thái đó ở một số thời điểm nhất định nhưng dưới dạng di chuyển của một đối tượng từ vùng này sang vùng khác. 

Trong mô hình SIR mà chúng tôi từng đề cập ở kì trước, được sử dụng rất phổ biến vào những năm 1920, đặc biệt đơn giản và đóng vai trò tiền đề cho rất nhiều mô hình khác, đặc biệt là các mô hình của COVID-19. Mô hình này liên quan đến ba vùng: S là susceptible – dễ bị tổn thương, những đối tượng chưa bị nhiễm bệnh, I là infected – đối tượng đã bị nhiễm bệnh và R là removed – loại bỏ, bao gồm những đối đã hồi phục và có miễn dịch hoặc tử vong. Sự dịch chuyển giữa ba vùng này được biểu diễn bằng các phương trình dành cho số lượng của các đối tượng trong S(t), I(t) và R(t) trong thời gian t. Các phương trình này liên quan đến một số biến nhất định như xác suất vùng này chuyển thành vùng kia. Dưới một loạt giả thiết, kết quả của các phương trình cho S, I, R có thể chỉ là biểu thức hoặc con số cụ thể. 

TP. HCM những ngày giãn cách xã hội theo chỉ thị 16. Ảnh: Trương Thanh Tùng.

Ứng dụng quan trọng đầu tiên của mô hình này là để ước tính hệ số lây nhiễm R0. Nó có thể được biểu diễn bởi những biến cơ bản. 

Thứ hai, S∞ của S(t) với t -> ∞ bắt buộc phải dương, nghĩa là luôn có một số phần nhất định trong dân cư sẽ không bao giờ bị nhiễm. Nó dẫn tới khái niệm miễn dịch cộng đồng, tuy vậy, lại gây ra nhiều lúng túng cho những người tưởng rằng họ hiểu về vấn đề này. 

Sau sự bùng nổ của Covid-19, rất nhiều mô hình khoanh vùng được đưa ra và phân tích. Trong các mô hình này, họ phải đưa vào những tham số liên quan đến chiến lược kiểm soát dịch của quốc gia đó. Chẳng hạn như chiến lược “không làm gì cả” hay chiến lược “hạn chế” sẽ bao gồm ít các yếu tố chính xác hơn so với chiến lược “tầm soát – dập dịch”. Trong công bố được thảo luận rất nhiều bởi Neil Ferguson và cộng sự mô tả hình dáng của hàm I, cho thấy số ca nhiễm của chiến lược “không làm gì cả”. Số ca nhiễm từ khi giá trị 0, sẽ tăng dần, đạt đỉnh, giảm xuống và cuối cùng là đạt đến 0 ở thời điểm tvui, điều này hẳn là truyền động lực cho những nước như Anh, Mỹ, Thụy Điển và Brazil thực hiện chiến lược “không làm gì” trong một thời gian quá dài, lờ đi những gì mà Ferguson đã dự báo là có 500 nghìn ca tử vong vì dịch bệnh ở Anh và 2.2 triệu người chết ở Mỹ trước khi dịch bệnh kết thúc ở khoảnh khắc tvui.

Hiện tại, mô hình khoanh vùng thực ra không có vai trò thực tiễn nào cả, lí do chính bởi vì nó chứa quá nhiều các tham số mà ta không biết. Vài tham số như sự lây nhiễm được ước tính với sự hỗ trợ của mô hình đường cong dịch tễ, cũng không phải là một hướng đi thay thế thành công cho lắm. 

Những biện pháp phòng ngừa và chữa trị

Cho đến thời điểm hiện tại thì chưa có một biện pháp chữa trị nào chắc chắn. Chỉ có những phương pháp được dùng để chữa trị những khía cạnh không cụ thể của một ca bệnh, như là giảm đau, trợ thở hoặc rút ngắn thời gian hồi phục bằng thuốc kháng sinh. Vì vậy chúng tôi sẽ chỉ nói về các biện pháp phòng ngừa, nghĩa là tiêm chủng. 

Mục đích của tiêm chủng một vaccine phòng ngừa các tổn thương về sức khỏe liên quan đến COVID-cũng được xác định tương tự như với các loại bệnh khác. Trước tiên, cần phải xác định quần thể cần tiêm chủng: Chúng ta cần bảo vệ ai? Sau đó, những tổn thương sức khỏe nào chúng ta muốn ngăn ngừa? Chúng ta muốn biện pháp phòng ngừa này có tác dụng bao lâu? Đây là một khía cạnh quan trọng của vaccine, nhưng thường bị bỏ qua khi một vaccine mới được công bố. Chẳng hạn, vaccine sởi sẽ có tác dụng trọn đời với hầu hết các đối tượng. Với COVID-19, có thể các công ty chỉ hướng đến việc phát triển vaccine có tác dụng trong vài tháng, với hi vọng rằng SARS-CoV-2 sẽ biến mất sau đó. Cuối cùng, hiệu lực của vaccine cần phải được xác định, thể hiện tỉ lệ số người trong cộng đồng sẽ được bảo vệ.

Ngày nay, cộng đồng khoa học đều thống nhất một quy trình mà vaccine phòng chống căn bệnh truyền nhiễm nào cũng phải tuân thủ. Điều đó cũng đúng với COVID-19 và bởi vậy chúng tôi sẽ nhắc lại nó ở đây: 

Đầu tiên, một hoặc nhiều dự tuyển vaccine được đưa ra. Mỗi dự tuyển đó sẽ phải qua bước “thử nghiệm lâm sàng” để nghiên cứu thêm về những đặc điểm quan trọng của nó. Thử nghiệm lâm sàng bao gồm ba pha, I, II và III. Pha I xem xét chủ yếu là khía cạnh dược học của vaccine chẳng hạn như phản ứng phụ của các mức liều tiêm khác nhau. 

Các mô hình toán thống kê đặc biệt quan trọng với pha II và pha III. Pha II nhằm đưa đến những khái niệm ban đầu về hiệu lực của những vaccine được chọn. Bởi vậy, họ sẽ tạo ra một nhóm nhỏ những người thuộc quần thể đích. Ở đây, có hai vấn đề cơ bản sẽ xuất hiện. Vấn đề thứ nhất là xác định đầu ra của biến mà ta quan tâm. Thường thì chỉ có thể nghiên cứu được “tính sinh miễn dịch”- là sự hình thành kháng thể, nhưng chưa phải là khả năng bảo vệ trước dịch bệnh. Đây là một vấn đề đặc biệt phức tạp và nhiều chiều trong trường hợp của Covid-19. Thứ hai, quần thể đích cần phải bảo đảm là bên cạnh những người được tiêm vaccine, cần phải có cả những người không được tiêm vaccine và phơi nhiễm với mầm bệnh. Bởi vì tỉ lệ nhiễm COVID-19 trong dân số của một quốc gia có thể rất nhỏ, nhóm người này có thể sẽ phải trải qua thí nghiệm “thử thách”, có nghĩa là chủ động lây nhiễm cho họ. Họ thường là các tình nguyện viên và nguy cơ tử vong của họ rất nhỏ nếu họ không nằm trong nhóm tuổi mà tỉ lệ tử vong vì COVID-19 cao, như là người già. Đối mặt với vấn đề đạo đức này, Mỹ từng sử dụng tù nhân và đổi lại là rút ngắn hạn tù cho họ. Việt Nam cũng từng gửi mẫu vaccine trước đây của mình sang Mỹ để thử cho Pha II vì hội đồng đạo đức của Việt Nam không chấp nhận bất kì thí nghiệm nào kiểu “thử thách” như vậy. 

Thông thường có khi phải trải qua nhiều pha II mới có thể chọn được vaccine tiềm năng để tiếp tục đưa vào thử nghiệm ở pha III. Người ta gọi pha III là thử nghiệm thực địa (field study) theo nghĩa là mẫu đối tượng được lựa chọn mang tính đại diện cho toàn bộ cộng đồng dân cư mà ta quan tâm, chẳng hạn như toàn bộ người dân của một quốc gia trong một độ tuổi nhất định. Đầu ra của biến không phải là tính sinh miễn dịch mà khả năng bảo vệ đối với dịch bệnh ở mức hiệu lực ta mong muốn. Cỡ mẫu thử nghiệm được quyết định trước phụ thuộc vào nhu cầu ước tính hiệu lực. Như đã nói ở trên, quyết định về thời gian thử nghiệm là một yếu tố quan trọng. Nếu ta chỉ cần hiệu lực bảo vệ cao trong hai tuần sau khi tiêm là đủ thì thử nghiệm có thể dừng sau hai tuần; quan niệm này thể hiện rõ việc tiêm chủng chống cúm mùa. Nếu chúng ta hướng đến hiệu lực bảo vệ vaccine kéo dài trong 10 năm sau tiêm chủng, thì thử nghiệm sẽ phải kéo dài 10 năm. Đây là một trong những yếu tố kéo dài thời gian phát triển của vaccine Ebola. Chúng ta hi vọng các công ty không lập lờ điểu này chỉ mong để tung ra thị trường vaccine COVID-19 sớm. 

Thảo luận

Đại dịch hoạt động giống như một chiếc kính lúp. Ở một vài nơi, nó thể hiện một xã hội vận hành hiệu quả như thế nào. Ở những nơi khác, nó làm lộ ra những bê bối và sự bất bình đẳng xã hội không thể chấp nhận nổi. Đặc biệt, nó thể hiện tình trạng hệ thống y tế công công của một quốc gia. 

Bài báo này của tôi chỉ nhằm mục tiêu mô tả vai trò của toán học trong đại dịch. Như đã nói ở trên, có hai phần của phần thảo luận này. Giờ chúng ta hãy nói đến phần thứ nhất: Chúng ta có thể học hỏi được gì từ đại dịch? Ở kì trước, tôi đã đưa ra khái quát các nhánh của toán học đóng vai trò quan trọng trong việc phân tích dịch bệnh. Ở kì này tôi đưa ra những ứng dụng phổ biến nhất; cách chúng tôi đặt tên và sắp xếp các công cụ cũng khá là tương ứng với các nhánh của toán học. Bởi vậy, việc phân tích mẫu hình toán học trong các nghiên cứu trong phòng thí nghiệm và các mô hình toán học trong việc đánh giá chất lượng của chiến lược xét nghiệm; các phương pháp nhân khẩu học trong thu thập dữ liệu; rất nhiều cách để mô hình hóa sự phát triển của dịch bệnh dựa trên toán học và dịch tễ học lâm sàng trong việc phát triển vaccine. 

Bằng cách này, bài báo nhằm mục đích làm rõ vai trò của toán học trong việc đưa ra các quyết định. Một mặt, vai trò thực tiễn của đường cong đại dịch hay mô hình khoanh vùng thực ra hạn chế hơn nhiều so với những gì vẫn được “quảng bá” trên các tạp chí. Những quyết định dựa trên hai mô hình này thậm chí có thể đưa đến những hậu quả thảm khốc, chẳng hạn, những quyết định dựa trên ý tưởng toán học về miễn dịch cộng đồng. Bởi vậy, đặt niềm tin mù quáng vào các tranh luận toán học là không chấp nhận được.

Mặt khác, phủ nhận sự tồn tại nền tảng toán học trong chiến lược kiểm soát cũng tồi tệ không kém. Đây là điều mà Đan Mạch đã làm với chiến lược “truy vết và phong tỏa” đề xuất bởi một “nhóm chuyên gia” gồm những người nghiên cứu và cán bộ y tế, chỉ thể hiện ý muốn [phiến diện] của nhóm y tế, công nghiệp và nhà nước mà thôi. 

Bình luận này dẫn chúng tôi tới phần hai của phần thảo luận này, chúng ta phải làm gì trong tương lai? Chúng tôi đã nhấn mạnh điều này từ tháng năm khi bắt tay vào viết bài báo với dòng chữ: “Do đại dịch COVID-19 vẫn chưa kết thúc…” Và khi chúng tôi đặt dấu chấm hết cho bài báo của mình vào giữa tháng bảy, nó vẫn chưa kết thúc! Nó không chỉ tiếp tục hoành hành mà còn biến đổi dưới nhiều hình thức khác nhau. Bởi vậy, lẽ tự nhiên là phải phân tích những đặc điểm hiện tại của dịch bệnh dưới những công cụ mà chúng tôi đề cập phía trên và tự hỏi chính mình: Bài học nào chúng ta rút ra trong chiến lược kiểm soát mà giờ đây chúng ta có thể áp dụng? 

COVID-19 không còn lây lan từ chỉ một nguồn nữa. Nó tái xuất hiện lại trong những vùng lớn và nhỏ trên khắp thế giới, có thể là dưới nhiều hình thức và cách lây lan: trong một nhà dưỡng lão ở Pháp, trong hai quận ở Đức, trong một thành phố lớn như Bắc Kinh, trong toàn tỉnh như Tây Ban Nha hay toàn quốc như New Zealand. Chúng ta sẽ gọi chúng là các “ổ dịch” để phân biệt với các “nhóm lây nhiễm”, vốn chỉ bao gồm một nhóm người. Theo dõi sát sao tiến trình của các ca nhiễm trong các ổ dịch như vậy sẽ bắt gặp rất nhiều khó khăn. 

Vậy câu hỏi tiếp theo lại nảy ra sẽ là: Tại sao các ổ dịch đang hoạt động cứ âm ỉ duy trì và rồi lại bùng lên. Chúng tôi đã trình bày ba thành phần của những chiến lược kiểm soát thành công: truy vết tiếp xúc, phong tỏa và đeo khẩu trang. Trong khi truy vết tiếp xúc nhiều nước vẫn tiếp tục triển khai một cách do dự, thì phong tỏa và đeo khẩu trang thì phần lớn lại bị bỏ qua, hẳn là kết quả của các chính sách của chính phủ muốn được nổi tiếng. 

Tiếp theo, ta nên làm gì? Sử dụng các mô hình toán học ở đây thì chiến lược kiếm soát dịch bệnh sẽ phải chịu hậu quả nghiêm trọng. Chúng ta chỉ còn lại sự kết hợp của hai giải pháp: trong một ổ dịch, phải biện pháp phong tỏa nghiêm ngặt như yêu cầu giãn cách xã hội và ngăn cấm tụ tập đông người; còn ở biên giới thì hoặc là đóng cửa hoặc là cho phép người nhập cảnh nhưng phải đi kèm với việc cách li y tế. New Zealand, khi cả nước có thể coi là một ổ dịch, đã thực hiện những biện pháp chặt chẽ như vậy. Kết quả là không có ca nhiễm mới nào, ngoại trừ hai ca nhiễm vào ngày 14/7 trong “khu cách li đã được kiểm soát”. Chúng tôi hi vọng các ổ dịch khác cũng thực hiện tương tự như vậy. □ 

Hảo Linh dịch