تحسين الاستجابة للجائحة عبر استراتيجيات التطعيم باستخدام الشبكات العصبية

لماذا تهم خطط التطعيم الأذكى

تجبر الجائحات الحكومات على حماية الصحة العامة مع إبقاء المجتمعات والاقتصادات عاملة. تُظهر هذه الورقة كيف يمكن لأدوات البيانات الحديثة أن تساعد في تصميم خطط تطعيم أذكى لا تنقذ الأرواح فحسب، بل تقلل أيضاً التكاليف الإجمالية. باستخدام كوفيد-19 في فيكتوريا بأستراليا كحالة اختبار، يجمع المؤلفون بين نمذجة المرض والاقتصاد والشبكات العصبية للبحث عن جداول تطعيم تعمل أفضل من القواعد البسيطة أو القرارات الارتجالية.

تفكيك التفشّي إلى عناصر واضحة

تبدأ الدراسة بوصف كيفية تحرك الفيروس عبر السكان. بدلاً من الاكتفاء بعدّ من هم أصحاء أو مرضى أو متعافون أو متوفون، يستخدم المؤلفون صورة أغنى تتضمن ثمانية مجموعات، بما في ذلك الأشخاص الملقّحون، والمصابون لكن غير الظاهر عليهم الأعراض بعد، والمرضى ذوي الحالات الخفيفة، أو المتطلبين دخول المستشفى، أو العناية المركزة. تتيح هذه الرؤية ذات الطبقات ربط عدد الحالات الشديدة بأسرة المستشفى، واستخدام العناية المركزة، والوفيات. كما يتيحون وجود تقلبات عشوائية في سرعة انتقال الناس بين هذه المجموعات، ما يعكس عدم اليقين في التفشيات الحقيقية والتغيرات في الظروف مع مرور الوقت.

تحويل الصحة والمال إلى مقياس واحد

بعد ذلك، يبني المؤلفون عدسة اقتصادية فوق نموذج الصحة هذا. يحسبون إجمالي أربعة أنواع من التكاليف التي تواجهها الحكومة أثناء الجائحة: شراء وتسليم اللقاحات، ودعم الحجر الصحي، وإدارة نظام الرعاية الصحية، وفقدان الإنتاج الاقتصادي عندما لا يستطيع الناس العمل. في إطارهم، الأداة الرئيسية للسياسة هي معدل التطعيم مع مرور الوقت. بتغيير سرعة إعطاء الجرعات، يمكن للحكومة تقليل استخدام المستشفيات والوفيات لكنها ستتحمل نفقات مقدمة أعلى لعملية التوزيع. يجمع النموذج هذه القوى في مقياس واحد للإنفاق الكلي حتى يمكن مقارنة خطط التطعيم المختلفة على قاعدة متكافئة.

تدريب الشبكات العصبية لإيجاد استراتيجيات أفضل

بما أن النموذج يتضمن حالات عديدة وصدمات عشوائية، تصبح الأدوات الرياضية التقليدية بطيئة أو غير دقيقة للغاية. للتعامل مع ذلك، يلجأ المؤلفون إلى الشبكات العصبية، وهو شكل من أشكال التعلم الآلي. أولاً، يستخدمون شبكة عصبية مطابقة للفيزياء لضبط نموذج المرض بحيث تتطابق المسارات المحاكاة مع بيانات كوفيد-19 الحقيقية من فيكتوريا. يثبت هذه الخطوة سرعة انتقال الناس بين الحالات الصحية وكمية الضوضاء العشوائية في النظام. ثم تُدرّب شبكة عميقة ثانية لتعمل كمتخذ قرار: في كل نقطة زمنية تقترح معدل تطعيم، يحاكي النموذج ما يحدث، وتُعدّل الشبكة اختياراتها لتقليل الفاتورة الإجمالية عبر التكاليف الصحية والاقتصادية.

ما تكشفه دراسة الحالة عن التوقيت والتأثير

بتطبيق الإطار على بيانات كوفيد-19 في فيكتوريا، يقارن المؤلفون أربعة سيناريوهات: لا تطعيم، ومعدل تطعيم ثابت، والطرح الفعلي الذي استخدمته الحكومة، والخطة المثلى القائمة على البيانات. تبدأ الاستراتيجية الأفضل بأعلى معدلات تطعيم مبكراً جداً ثم تخفف تدريجياً مع تراجع الإصابات. مقارنة بعدم وجود تطعيم، تقلل هذه المقاربة أيام استخدام الأسرة في المستشفى بأكثر من 85 في المئة، والوفيات بأكثر من 80 في المئة، والتكاليف الكلية بنحو 22 في المئة. كما تتفوق على الطرح الفعلي في العالم الحقيقي، حيث تقلل استخدام المستشفيات والوفيات والإنفاق الكلي ببضع نقاط مئوية إضافية. تشير النتائج إلى أن المسار المبكر المكثف للتطعيم يمكن أن يؤتي ثماره لاحقاً بانخفاض الحالات الشديدة والخسائر الاقتصادية، رغم أن المصروف الأولي أعلى.

كيف يمكن لهذه الأدوات دعم القرارات المستقبلية

بعيداً عن كوفيد-19، يجادل المؤلفون بأن إطارهم يمكن تحديثه ببيانات جديدة وإعادة استخدامه لأوبئة غير كارثية أخرى، مثل موجات تشبه الإنفلونزا. يمكن لصانعي السياسات تعديل افتراضات التكلفة، وإدخال بيانات محلية، واستكشاف كيف تؤثر مسارات التطعيم المختلفة على كل من الصحة والميزانيات. في حين تظل الأسئلة الأخلاقية وقضايا العدالة بحاجة إلى اهتمام منفصل، فإن الرسالة الأساسية بسيطة: من خلال الجمع بين نماذج مرضية مفصلة والتفكير الاقتصادي والشبكات العصبية، يمكن للحكومات تصميم خطط تطعيم أكثر فاعلية وكفاءة.

الاستشهاد: Zhai, C., Chen, P., Jin, Z. et al. Optimising pandemic response through vaccination strategies using neural networks. Sci Rep 16, 14815 (2026). https://doi.org/10.1038/s41598-026-45396-2

الكلمات المفتاحية: نمذجة الجائحات, استراتيجية التطعيم, الشبكات العصبية, الوبائيات الاقتصادية, سياسة كوفيد-19