מיטוב תגובה למגפה באמצעות אסטרטגיות חיסון בעזרת רשתות נוירונים

מדוע תוכניות חיסון חכמות יותר חשובות

מגפות מכריחות ממשלות להגן על בריאות הציבור תוך שמירה על תפקוד החברה והכלכלה. מאמר זה מראה כיצד כלים מודרניים מבוססי נתונים יכולים לסייע בעיצוב תוכניות חיסון חכמות שלא רק מצילות חיים אלא גם מקטינות עלויות כוללות. בעזרת קוֹוִיד‑19 בויקטוריה, אוסטרליה, כמקרה מבחן, המחברים משלבים תמחור מחלה, כלכלה ורשתות נוירונים כדי לחפש לוחות זמנים לחיסון שעובדים טוב יותר מחוקים פשוטים או החלטות אקראיות.

לחלק את ההתפרצות לגורמים ברורים

המחקר מתחיל בתיאור כיצד וירוס מתפשט באוכלוסייה. במקום רק לספור מי בריא, חולה, מחלים או נפטר, המחברים משתמשים תמונה עשירה יותר עם שמונה קבוצות, כולל מחוסנים, מאומתים שנדבקו אך עדיין לא מראים תסמינים, ומטופלים עם מחלה קלה, מצב הדורש אשפוז או טיפול נמרץ. מבט רב־שכבתי זה מאפשר לקשר את מספר המקרים החמורים למיטות אשפוז, שימוש ביחידות טיפול נמרץ ולתמותה. הם גם מתייחסים לשינויים אקראיים בקצב המעבר בין הקבוצות, כהשתקפות של אי־הוודאות בהתפרצויות אמיתיות ושינויים בתנאים לאורך הזמן.

להפוך בריאות וכלכלה למדד אחד

לאחר מכן המחברים בונים עדשה כלכלית מעל מודל הבריאות. הם מסכמים ארבעה סוגי עלויות של ממשלה בזמן מגפה: רכישה והפצת חיסונים, תשלומי תמיכה בבידוד, תפעול מערכת הבריאות והפסדי תוצר כאשר אנשים אינם יכולים לעבוד. במסגרת שלהם, מנגנון המדיניות המרכזי הוא שיעור החיסונים לאורך הזמן. על ידי שינוי קצב מתן המנות, הממשלה יכולה לחתוך שימוש בבתי חולים ותמותה אך תשלם יותר מראש על מבצע החיסונים. המודל מאחד את הכוחות הללו למדד אחד של הוצאה כוללת כך שניתן להשוות בין תכניות חיסון שונות על בסיס שווה.

ללמד רשתות נוירונים למצוא אסטרטגיות טובות יותר

מכיוון שהמודל כולל מצבים רבים והלם אקראי, כלים מתמטיים סטנדרטיים הופכים לאטיים מדי או לא מדויקים. כדי להתמודד עם זה, המחברים פונים לרשתות נוירונים — צורת למידת מכונה. תחילה הם משתמשים ברשת נוירונים המושתתת על עקרונות פיזיקליים כדי לכוונן את מודל המחלה כך שהמסלולים המדומים שלו יתאימו לנתוני קוֹוִיד‑19 מויקטוריה. שלב זה קובע כמה מהר אנשים עוברים בין מצבי בריאות ומהו ה’רעש’ האקראי במערכת. לאחר מכן רשת עמוקה שנייה מתאמנת לפעול כמקבל החלטות: בכל נקודת זמן היא מציעה שיעור חיסון, המודל מדמה את התוצאות, והרשת מתאמת את בחירותיה כדי לצמצם את החיוב הכולל של עלויות בריאות וכלכלה.

מה מגלים במקרה המבחן על תזמון והשפעה

כשמיישמים את המסגרת על נתוני קוֹוִיד‑19 של ויקטוריה, המחברים משווים ארבע תרחישים: ללא חיסון, קצב חיסון קבוע, מהלך החיסונים בפועל שנקטה הממשלה, והתכנית האופטימלית מבוססת הנתונים. האסטרטגיה הטובה ביותר מתחילה בקצבי חיסון גבוהים מאוד מוקדם ואז מתמתנת בהדרגה ככל שמספר הזיהומים יורד. בהשוואה לאי־חיסון, גישה זו מקטינה ימי אשפוז ביותר מ־85 אחוז, תמותה ביותר מ־80 אחוז ואת העלויות הכוללות בכ־22 אחוז. היא גם עולה על המבצע הממשלתי בפועל, תוך קיצוץ בשימוש בבתי חולים, בתמותה ובהוצאות הכוללות בעוד כמה נקודות אחוז. התוצאות מרמזות כי הקדמה של הוירוס בהתפרצות — באמצעות גל חיסונים מוקדם — יכולה להניב תועלת מאוחר יותר בפחות מקרים חמורים ובהפסדים כלכליים קטנים יותר, אף על פי שהתשלום הראשוני גבוה יותר.

כיצד כלי זה יכול לתמוך בהחלטות עתידיות

מעבר לקוֹוִיד‑19, המחברים טוענים כי המסגרת שלהם ניתנת לעדכון עם נתונים חדשים ושימוש חוזר עבור מגפות שאינן קטסטרופליות, כמו התפרצויות דמויות שפעת. מקבלי מדיניות יכולים להתאים הנחות עלויות, להזין נתונים מקומיים ולחקור כיצד מסלולי חיסון שונים משפיעים גם על הבריאות וגם על התקציבים. בעוד ששאלות אתיות ונושאי צדק דורשים טיפול נפרד, המסר המרכזי פשוט: על ידי שילוב מודלי מחלה מפורטים עם חשיבה כלכלית ורשתות נוירונים, ממשלות יכולות לתכנן תוכניות חיסון שהן גם יעילות יותר וגם חסכוניות יותר.

ציטוט: 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

מילות מפתח: מודליזציה של מגפות, אסטרטגיית חיסון, רשתות נוירונים, אפידמיולוגיה כלכלית, מדיניות קוֹוִיד‑19