Negara ini melihat lebih dari 5.100 kasus baru setiap minggu. Setidaknya di satu provinsi, tenda berfungsi sebagai pusat perawatan sementara untuk menangani serbuan pasien. Filipina menyatakan wabah itu sebagai epidemi nasional pada Agustus.
Filipina tidak sendiri.
Di Bangladesh, wabah demam berdarah adalah yang terburuk di negara itu.
Banyaknya pasien demam berdarah – beberapa hari ada lebih dari 2.000 kasus baru hanya dalam waktu 24 jam – membebani sistem kesehatan. Ada kekurangan alat tes cepat yang bisa mendeteksi tahap awal DBD. Permintaan darah dan trombosit tampaknya melebihi persediaan di banyak pusat donasi.
Di Kamboja, perwakilan salah satu rumah sakit mengatakan wabah tersebut berpotensi menjadi yang terburuk sejak rumah sakit dibuka 20 tahun lalu.
Rumah Sakit Anak Angkor telah merawat lebih dari 2.937 pasien demam berdarah sejauh ini pada tahun 2019—42 persen lebih banyak dari waktu yang sama pada tahun 2012, yang sebelumnya merupakan tahun demam berdarah terburuk di rumah sakit tersebut.
Dan kasusnya lebih serius dari biasanya.
“Biasanya dengan demam berdarah, kasus yang parah sekitar 10 persen masuk,” kata Dr. Ngeth Pises, direktur medis Rumah Sakit Angkor mengatakan kepada Asia News Network.
“Tapi tahun ini, lebih dari 50 persen kasus dirawat di rumah sakit. Kami telah melihat kasus yang lebih parah dari sebelumnya,” tambahnya.
Rumah sakit kehabisan ruang untuk pasien dan telah memutuskan untuk memasang kasur di lantai koridor.
Tidak semua tahun demam berdarah seburuk ini. Salah satu ciri terpenting dari penyakit ini adalah tahun-tahun wabah puncak datang dalam siklus, biasanya berjarak sekitar 3-4 tahun. Tetapi para ilmuwan tidak sepenuhnya memahami mengapa ini terjadi, atau, yang lebih penting, bagaimana memprediksi kapan dan di mana wabah besar akan terjadi.
Dan itu berarti bahwa meskipun demam berdarah telah lama mewabah, tempat-tempat seperti Filipina, Bangladesh, dan Kamboja dapat lengah.
Ini sebagian berkaitan dengan cara unik virus dengue bekerja. Tapi ini juga sebagian karena masalah pengumpulan data kami: untuk memprediksi demam berdarah, kami membutuhkan data yang lebih baik dan lebih banyak lagi.
Richard Maude adalah kepala Departemen Epidemiologi di Unit Penelitian Pengobatan Tropis Mahidol-Oxford. Timnya yang berbasis di Bangkok memberikan dukungan kepada pemerintah di Thailand, Myanmar, dan secara tidak langsung di Filipina. Salah satu bentuk dukungan yang dilakukan adalah pemodelan matematika.
Tim tersebut menggunakan pendekatan baru untuk memperhitungkan variabel yang sebelumnya sulit untuk diperhitungkan — pergerakan orang, misalnya — untuk mengembangkan model yang dimaksudkan untuk memprediksi wabah demam berdarah di masa depan.
Untuk membuat model khusus Thailand yang memperhitungkan orang dan kedatangan dan kepergian mereka, Maude dan timnya beralih ke perangkat pembuat data yang kita semua simpan di saku: ponsel kita.
Tim Maude mengambil data dari pengguna telepon Thailand yang telah dilucuti dari informasi yang dapat diidentifikasi, mengubah informasi tersebut menjadi matriks tentang berapa banyak orang yang pindah dan menghubungkannya ke dalam model yang merujuk silang data tersebut dengan tempat di mana virus dengue muncul. waktu.
Ukuran nyata keberhasilan model seperti ini, kata Maude, adalah bahwa “prediksi ini harus cukup baik sehingga pemerintah dapat menggunakannya untuk membuat rencana, untuk menanggapi prediksi tersebut.”
Misalnya, jika pemerintah mengetahui tahun yang buruk akan datang, mereka mungkin dapat mencegah kekurangan tes demam berdarah dan tempat tidur rumah sakit yang saat ini terjadi di Bangladesh, Kamboja, dan Filipina.
Namun masih banyak pekerjaan yang harus dilakukan sebelum model seperti ini bisa digunakan seperti itu.
“Kinerja model prediktif ini bagus di beberapa tempat dan tidak begitu bagus di tempat lain dan Anda berakhir dengan banyak model berbeda yang berfungsi di area berbeda.”
Sejauh ini, “tidak ada model prediksi tunggal yang secara akurat memprediksi demam berdarah,” kata Maude.
“Salah satu alasannya,” jelas Maude, “adalah karena ada beberapa faktor yang berbeda yang mempengaruhi kemungkinan epidemi demam berdarah dan faktor tersebut belum tentu dipahami dengan baik.”
Dan, hal-hal yang lebih rumit, faktor-faktor yang seharusnya secara logis menunjukkan peningkatan risiko demam berdarah tidak selalu bertindak dengan cara yang dapat diprediksi.
Misalnya: “Kami tahu Anda bisa mendapatkan nyamuk demam berdarah dalam jumlah besar (dalam hal ini Aedes aegypti) dan kemudian tidak memiliki banyak demam berdarah di beberapa tempat, tidak selalu demikian,” kata Maude.
Mungkin masalah terbesar yang menahan model prediktif ini adalah datanya.
“Kami tahu tentang curah hujan yang mendorong jumlah nyamuk, kami tahu bahwa orang menyebarkan demam berdarah saat bepergian,” kata Maude. “Tapi ada juga hal-hal yang tidak bisa kami sertakan – seperti kekebalan terhadap demam berdarah dari waktu ke waktu dalam populasi.”
Data tentang kekebalan populasi sangat penting untuk memprediksi bagaimana demam berdarah akan menyebar melalui komunitas, serta seberapa parah kasus tersebut nantinya. Pasien yang sembuh dari infeksi salah satu serotipe dengue akan memiliki kekebalan seumur hidup terhadap jenis virus tersebut. Tetapi infeksi selanjutnya oleh serotipe lain meningkatkan risiko orang tersebut mengalami demam berdarah yang parah. Namun, sayangnya, data tentang kekebalan tidak cukup sering dikumpulkan untuk menjadi faktor dalam model ini.
Demikian pula, data yang dapat dipercaya tentang prevalensi demam berdarah empat strain unik, atau serotipe, sulit didapat oleh peneliti seperti Maude. Faktanya, menurut Maude, “sebagian besar negara hanya memiliki sedikit orang yang memiliki informasi tentang serotipe yang mereka miliki.”
“Mencoba mengembangkan model menggunakan data itu sejauh ini terbatas,” jelas Maude.
Data tentang iklim—suhu, curah hujan, dll.—dapat tidak jelas, dan pada tingkat yang sangat mendasar, data kasus demam berdarah tidak selalu dapat diandalkan. Jumlah kasus dapat dilebih-lebihkan – dalam sistem kesehatan yang memilih untuk mengobati gejala mirip demam berdarah tanpa benar-benar menguji demam berdarah – dan diremehkan – di tempat-tempat di mana orang memiliki virus tetapi tidak mencari pengobatan.
Maude dengan cepat menunjukkan bahwa kesenjangan dalam data demam berdarah belum tentu merupakan kesalahan dari program pengendalian demam berdarah di negara mana pun.
“Seluruh sistem kesehatan dan populasi yang bertanggung jawab atas data itu,” kata Maude.
Untuk mendapatkan data yang lengkap dan akurat, Maude mengatakan para ilmuwan pada dasarnya “mengandalkan banyak orang untuk melakukan sesuatu secara konsisten.” Permintaan besar, bahkan dalam situasi terbaik.
Tidak ada insentif bagi setiap dokter untuk melaporkan setiap kasus demam berdarah.
Seperti yang dikatakan Maude, pengumpulan data itu, “hanya lebih banyak pekerjaan.”
Apakah ada negara yang sudah menggunakan model prediksi untuk perkiraan wabah demam berdarah?
Satu-satunya pemerintah yang diketahui Maude yang sudah menggunakan model prediktif adalah Singapura.
Satu model yang dikembangkan menggunakan pembelajaran mesin di Singapura mampu memprediksi wabah demam berdarah besar pada tahun 2013 dan 2014 lebih dari 10 minggu sebelumnya, memungkinkan pemerintah menyiapkan tempat tidur rumah sakit, alat diagnostik, mengerahkan staf tambahan untuk nyamuk di lapangan. pengendalian dan penjangkauan masyarakat.
Negara-kota tersebut menggunakan informasi dari model prediktif ini sebagian untuk memobilisasi kampanye informasi untuk meningkatkan kesadaran akan demam berdarah ketika data memprediksi tahun yang buruk.
“Model ini memungkinkan kami untuk dengan percaya diri memperingatkan publik bahwa mungkin ada wabah,” kata Lee-Ching Ng, direktur Badan Lingkungan Nasional Singapura, dalam artikel jurnal tahun 2016 tentang model prediksi khusus ini.
“Sangat sulit untuk terjaga setiap saat. Anda lelah. Pesan publik tidak bisa dilakukan setiap saat, (jadi) model itu menyarankan kapan memperkuat pesan kita atau memobilisasi masyarakat,” tambahnya.
Tetapi Singapura memiliki beberapa keunggulan penting: data berkualitas sangat tinggi di wilayah geografis yang sangat kecil.
Dalam kasus negara lain, “seberapa baik (model ini) bekerja tergantung pada seperti apa data di setiap negara, apa yang tersedia dan format informasi itu.”
Hingga ketersediaan data dan keakuratan data meningkat, inovasi dalam ruang peramalan akan berjalan lambat.