Ciência, incerteza e a resposta COVID-19

A nova pandemia causa preocupação no mundo todo: quais são as dimensões desse vírus? Questionando a amplitude da ciência, Ian Scoones discorre do tema mostrando a ambiguidade e incerteza acerca do coronavirus – mostrando que até mesmo a ciência pode ser temerária as vezes. Em uma efetiva tradução de Danielle Ichiruka, conheça o texto do IDS que tem circulado o mundo todo. Texto de Ian Scoones.

Uma das imagens permanentes do surto de coronavírus (COVID-19) no Reino Unido foi o primeiro-ministro Boris Johnson, parecendo nervoso e desconfortável, ladeado por seus consultores científicos nas conferências de imprensa regulares. Com três homens brancos de terno em uma sala com painéis de madeira, o objetivo presumivelmente era projetar um senso de controle e autoridade. A retórica – de que a resposta do governo sempre foi “liderada pela ciência” – foi reforçada.

Certamente, os assessores do governo do Reino Unido foram calmos, claros e convincentes, articulando posições efetivamente em toda a mídia. Mas logo surgiram debates no Reino Unido sobre a conveniência de cancelar reuniões de massa, isolar grupos de risco e o fechamento de escolas. A posição do Reino Unido estava aparentemente desequilibrada com outras políticas ‘lideradas pela ciência’ em outros lugares. “A ciência” de repente não parecia tão singular e certa, como visões científicas concorrentes se confrontaram.

Várias incertezas

Como todos os cientistas envolvidos sabem, as coisas são muito incertas. Definir uma política é uma decisão de julgamento, baseada na avaliação de muitas posições concorrentes. De fato, muitas das decisões estão sendo tomadas no momento da ignorância – onde os resultados e suas probabilidades simplesmente não são conhecidos. A lista de incertezas é enorme: não sabemos o período de incubação, nem a infectividade antes dos sintomas. Não sabemos as dimensões sazonais da doença. Temos poucas pistas sobre a especificidade da doença para certos grupos populacionais. Não temos idéia se a reinfecção pode ocorrer e se a imunidade de rebanho é possível. Nem sabemos os números cruciais para a epidemiologia – o número R 0 (o número de infecções posteriores de um único caso) ou a taxa de mortalidade – ou apenas vastas faixas possíveis.

Como Graham Medley , professor de modelagem de doenças infecciosas da Escola de Higiene e Medicina Tropical de Londres, afirmou recentemente em uma entrevista à BBC: “quem disser que sabe o que acontecerá em seis meses está mentindo”. Ele tem razão. Então, por que há tanta coisa colocada na “ciência”, quando é tão plural, contestada e incerta? Deveríamos realmente ser tão dependentes dos ‘modelos’ que oferecem previsões e orientam o planejamento de emergência?

Confiando em modelos

Com os parâmetros tão incertos, a modelagem é, obviamente, apenas uma adivinhação informada. Pode ser muito bem informado, por quem tem muita experiência, mas não devemos reificar o processo, nem confiar totalmente nos resultados. Os modelos podem restringir a experiência, excluindo outras perspectivas, e, é claro, também podem estar errados, como qualquer modelador que se preze admitirá prontamente.

Um excelente exemplo disso foi a experiência do surto de febre aftosa de 2001 no Reino Unido, quando um modelo específico desenvolvido por uma das equipes fortemente envolvidas hoje em dia foi usado como aconselhamento científico básico, ignorando as opiniões dos agricultores, veterinários de linha e outros que vivem no campo (incluindo a realeza). O resultado foi apelidado de “carnificina por computador” , envolvendo o fechamento do campo e o abate em massa de animais. É claro que não existem contrafactuais disponíveis para avaliar se esse foi o movimento certo ou não, mas a estreiteza dos conselhos científicos tem sido amplamente criticada.

Com o COVID-19, existem muitos outros modelos, associados a uma gama mais diversificada de cientistas (veja alguns links neste tópico do Twitter ). Há debate e deliberação no processo de planejamento de emergência entre eles. Tudo isso é saudável e provavelmente resultará em conselhos mais robustos. Incertezas estão sendo reconhecidas e vários cenários são oferecidos. Os cientistas aconselham e os políticos decidem, ou assim vai o ditado.

A ciência é ampla o suficiente?

Mas a ‘ciência’ – e, portanto, o conselho – é ampla o suficiente? Podemos aprender com a experiência de viver com uma pandemia de maneiras que abrem o debate e incentivam uma deliberação mais democrática? Isso não é fácil, pois o ritmo é tão rápido e a escala é enorme, mas é um desafio importante. ‘Modelos compartimentais’ epidemiológicos são apenas histórias sobre o mundo, com transmissão de doenças e impacto nas populações construídas em termos de fórmulas matemáticas. Mas também existem outras histórias, contadas por pessoas diferentes de maneiras diferentes, e essas podem ser igualmente importantes para entender e responder a uma nova doença.

Em nossos estudos de respostas ao surto de influenza aviária em meados da década de 2000, foram destacados os limites (de fato perigos) de uma abordagem baseada em risco ‘agregativa redutiva’ à modelagem e prescrição de políticas. Em 2005, publicações de alto perfil de modelos enquadraram a resposta em torno de ‘contenção na fonte’, resultando em uma série de medidas draconianas que afetam drasticamente os meios de vida dos produtores de frango no quintal do sudeste da Ásia. No entanto, havia possibilidades conflitantes, mas similarmente “baseadas em evidências”, emergindo de outras avaliações, mais apreciadas pela incerteza e complexidade dependentes do contexto.

Destacaram, por exemplo, a interação da ecologia viral e genética (por exemplo, padrões de mudança antigênica e deriva), mecanismos de transmissão (como o papel de aves selvagens, galinhas no quintal ou grandes fazendas de aves) e impactos (incluindo as consequências em indivíduos e populações imunocomprometidos). Eles sugeriram narrativas alternativas sobre causas e consequências e sugeriram respostas políticas bastante diferentes daquelas adotadas após os principais resultados da modelagem.

Lições de aprendizagem

Embora a gripe aviária não tenha sido tão facilmente transmitida entre os seres humanos quanto o COVID-19, é claro, existem algumas lições importantes dessa experiência. A primeira delas é a importância de reconhecer incertezas, abrir debate sobre possíveis resultados e aceitar que conhecimentos e perspectivas diversas e plurais são importantes.

Ao refletir sobre a modelagem de doenças zoonóticas (aquelas que se transferem de animais para seres humanos, assim como o COVID-19) mais geral, há alguns anos atrás um grupo de nós (incluindo modeladores matemáticos, antropólogos e praticantes de campo participativos) argumentou que é necessária uma abordagem plural à modelagem que combine 3Ps em uma abordagem de modelagem: processo (a maneira como a dinâmica da população de doenças funciona), padrão (a disseminação espacial da doença e a correlação com vários fatores) e participação (compreensão da dinâmica da doença da perspectiva das pessoas locais).

Este último, quase completamente ausente da resposta atual do COVID-19, é especialmente crucial, pois pode ajudar a melhorar a parametrização de outros modelos, mas mais importante ainda pode ajudar a encontrar resultados de cenários de modelos em contextos locais, com maior probabilidade de que as idéias sejam tomadas. Como aprendemos com a crise do Ebola na África Ocidental, sem vincular a resposta à doença com conhecimentos práticos locais e entendimentos culturais, há poucas chances de sucesso. Isso é muito mais do que mensagens da “ciência comportamental” e da “teoria do nudge” projetadas por especialistas e requer envolvimento com as pessoas afetadas e que vivem com a doença.

Pois, no final, as pandemias são melhor derrotadas por meio de formas locais de solidariedade, ajuda mútua e inovação baseadas em contextos particulares, e os modelos científicos e os planos de emergência devem trabalhar com esses processos. As respostas às doenças podem ser informadas pela ciência (ou melhor, por várias ciências), mas devem ser lideradas por pessoas.