சிறிய ஹன்டாவைரஸ் பரவலில் கைமுறை தொடர்புத் தடம்தொடர்தல் இன்னும் ஏன் முக்கியம்

டிஜிட்டல் exposure alerts என்பது பொது சுகாதாரத்திற்கான அனைத்துக்கும் பொருந்தும் பதில் அல்ல

Covidக்கு பிந்தைய தொழில்நுட்ப காலத்தின் நிலையான பழக்கங்களில் ஒன்று, ஒருகாலத்தில் ஒரு app மூலம் தீர்க்கப்பட்ட பிரச்சனை எப்போதும் app மூலமே தீர்க்கப்பட வேண்டும் என்று கருதுவதாகும். ஹன்டாவைரஸ் exposure குறித்த ஒரு புதிய விவாதம் அந்த சிந்தனையின் வரம்பை காட்டுகிறது. ஹன்டாவைரஸ் பாதித்த ஒரு க்ரூஸ் கப்பலில் மூன்று பேர் இறந்த பிறகு, அதிகாரிகள் ஏற்கனவே கப்பலை விட்டு வெளியேறிய 29 பேரைத் தேடும் பணியைத் தொடங்கினர். இது உலகளாவிய, உழைப்பை அதிகம் தேவைப்படுத்தும், மற்றும் காலக்கெடு முக்கியமான பணியாகும். முதற்கண் பார்க்கும்போது, இது டிஜிட்டல் தொடர்புத் தடம்தொடர்தல் உருவாக்கப்பட்ட சூழல்போலத் தோன்றுகிறது.

ஆனால் WIRED-க்கு பேட்டியளித்த நிபுணர்கள், app-அடிப்படையிலான contact tracing மிகவும் குறைவாகப் பயன்படும் outbreak இதுவே என்று கூறுகிறார்கள். Johns Hopkins University-யின் epidemiologist Emily Gurley, இந்த ஹன்டாவைரஸ் outbreak-இல் apps-க்கு பயன்பாடு இல்லை என்று கூறினார்; காரணம், வழக்குகள் குறைவாக உள்ளன, மற்றும் பரவலைத் தடுக்க அதிகாரிகள் எல்லா தொடர்புகளையும் துல்லியமாகத் தடம்தொடர வேண்டியுள்ளது. இந்தக் கருத்து, அதிக தரவு சேகரிப்பு தானாகவே மேம்பட்ட outbreak management-ஐ உருவாக்கும் என்ற பொதுவான எண்ணத்துக்கு பயனுள்ள திருத்தமாக உள்ளது.

Public health response, கருவிகளை பிரச்சனையின் வடிவத்துடன் பொருத்துவதில் சார்ந்துள்ளது. Covid pandemic, பரவலான automated proximity logging-ஐ கவர்ச்சிகரமாக்கிய சூழலை உருவாக்கியது; காரணம், தொற்றுகள் பரவலாக இருந்தன, தொடர்புகள் அதிகமாக இருந்தன, மற்றும் public health அமைப்புகள் அளவின் அழுத்தத்தில் இருந்தன. அந்த சூழலில், முழுமையற்ற எச்சரிக்கைகள்கூட சாத்தியமான வெளிப்பாடுகளை அடையாளம் காணவும், self-quarantine-ஐ ஊக்குவிக்கவும் உதவின. ஆனால் ஒரு குறிப்பிட்ட இடத்துடன் இணைந்த சிறிய outbreak என்பது வேறுபட்ட பிரச்சனை.

சிறிய பரவல்களுக்கு approximation அல்ல, துல்லியம் தேவை

குறைந்த exposure event-இல் அதிகாரிகள் அறியப்பட்ட பாதிக்கப்பட்ட நபர்களிலிருந்து தொடங்கி, கவனமாக வெளியே நோக்கிச் சென்று, ஒவ்வொருவரும் எங்கு சென்றார், யாரை சந்தித்திருக்கலாம் என்பதை மீண்டும் கட்டமைக்கிறார்கள். இந்தச் செயல்முறை automated notification system-ஐவிட மெதுவானது, ஆனால் இது துல்லியமாக இருக்க வடிவமைக்கப்பட்டது. வழக்குகளின் எண்ணிக்கை போதுமான அளவு குறைவாக இருக்கும் போது, public health agencies statistical approximation-க்கு பதிலாக விரிவான தடம்தொடர்தலை முயற்சிக்க முடியும்.

இந்த வேறுபாடு முக்கியமானது, ஏனெனில் app-அடிப்படையிலான tracing, குறிப்பாக Bluetooth proximity-ஐ அடிப்படையாகக் கொண்ட அமைப்புகள், குறுகிய எல்லைகளுக்குள் உள்ள outbreak-க்கு தேவையான துல்லியமான chain-of-contact evidence-ஐ உருவாக்குவதில்லை. Phones, சூழல் இல்லாமல் அருகாமையைப் பதிவு செய்யலாம். அவை exposure-ஐத் தவறவிடலாம் அல்லது மிகைப்படுத்தலாம். சாத்தியமான தொடர்பைச் சுட்டிக்காட்டுவதில் அவை உதவும், ஆனால் every at-risk individual-ஐ கண்டறிய வேண்டிய போது outbreak investigators-க்கு தேவைப்படும் துல்லியமான interpersonal map-ஐ அமைப்பது அவசியமில்லை.

Covid pandemic காலத்தில் app-based tracing பெரும்பாலும், மக்கள் தொகையின் எந்த பகுதிகள் பாதிக்கப்பட்டிருக்கலாம் என்பதைப் புரிந்துகொள்வதும், மக்கள் தனிமைப்படுவதற்கான வாய்ப்பை வழங்குவதுமாக இருந்தது என்று WIRED-ன் செய்தி குறிப்பிடுகிறது. இது, ஒரு கப்பல் மற்றும் தெரிந்த பயணிகள் குழுவுடன் தொடர்புடைய exposure-க்கு பிறகு நேரடியாக follow-up தேவைப்படும் ஒவ்வொரு நபரையும் கண்டறிவதிலிருந்து அடிப்படையில் வேறுபட்டது.

Covid காலப் பாடங்கள் நேரடியாக பொதுமைப்படவில்லை

Covid அனுபவம், டிஜிட்டல் contact tracing-க்கு கலந்த முடிவுகள் இருந்ததைவும் காட்டியது. கட்டுரையின் படி, இந்த கருவிகள் மிகவும் கவனமாக நிர்வகிக்கப்பட்ட European நாடுகளில் சிறப்பாக வேலை செய்தன, ஆனால் United States-இல் பரவலை மெதுவாக்கவில்லை. இந்த கலந்த பதிவின் முக்கியத்துவம், digital tracing உருவாக்கப்பட்ட சூழலில்கூட, முடிவுகள் governance, public-health integration, public compliance, மற்றும் technical accuracy மீது அதிகமாக சார்ந்திருந்ததை காட்டுகிறது.

வேறு வார்த்தைகளில் சொன்னால், கேள்வி phones அருகாமையை கண்டறிய முடியுமா என்பது மட்டும் அல்ல. அந்த detection-ஐச் சுற்றியிருக்கும் அமைப்பு, குழப்பமான signal-களை செயல்படுத்தக்கூடிய public-health நடத்தையாக மாற்ற முடியுமா என்பதே. உலகளாவிய pandemic-இல், பெருமளவு கவனம் மற்றும் அபூர்வமான அவசர நடவடிக்கைகள் இருந்தபோதிலும் அது கடினமாக இருந்தால், மிகவும் சிறிய மற்றும் துல்லியமான tracing பிரச்சனையில் இதே கருவிகளை நம்புவது இன்னும் கடினமாகிறது.

Pandemic கால infrastructure-ஐ பின்னர் வரும் outbreak-களுக்கு மீண்டும் பயன்படுத்தலாம் என்ற எண்ணம் புரிந்துகொள்ளத்தக்கது. 2020 முதல், அரசுகள், platform நிறுவனங்கள், மற்றும் public-health அமைப்புகள் exposure notification frameworks-இல் மிகுந்த முயற்சியை முதலீடு செய்தன. Apple மற்றும் Google, பிறகு Covid positive என உறுதிப்படுத்தப்பட்டவருக்கு அருகில் இருந்ததை கண்டறிய Bluetooth-அடிப்படையிலான அமைப்புகளை செயல்படுத்தின. இந்த திறன்கள் ஒருமுறை கிடைத்துவிட்டால், அவை எதிர்கால நோய் நிகழ்வுகளுக்கான நிலையான digital utility ஆக செயல்படலாம் என்று நினைப்பது எளிதாக இருந்தது.

ஆனால் இங்கு விவரிக்கப்பட்ட ஹன்டாவைரஸ் வழக்கு, public-health technology நோய்கள் அல்லது outbreak வகைகளில் ஒன்றுக்கொன்று மாற்றிக்கொள்ளக்கூடியதல்ல என்பதை நினைவூட்டுகிறது. ஒரு epidemiological pattern-க்கு உருவாக்கப்பட்ட அமைப்பு, மற்றொன்றுக்கு மோசமான பொருத்தமாக இருக்கலாம்.

தனியுரிமை மற்றும் துல்லியம் structural limits-ஆகவே உள்ளன

கட்டுரை, pandemic ஆண்டுகளுக்குப் பிறகும் மறையாத இரண்டு பிரச்சனைகளைக் காட்டுகிறது: தனியுரிமை கவலைகள் மற்றும் முழுமையற்ற துல்லியம். பயனுள்ள app-அடிப்படையிலான தொடர்புத் தடம்தொடர்தலுக்கு பரவலான பயன்பாடு தேவை, மேலும் பொதுவாக இது device-level proximity information-க்கு தொடர்ச்சியான அணுகலை நம்புகிறது. இது கண்காணிப்பு, தவறான பயன்பாடு, மற்றும் எப்போதும் செயலிலிருக்கும் monitoring infrastructure-ஐ சாதாரணமாக்குவதின் சமூகச் செலவு குறித்த பரிச்சயமான கவலைகளை எழுப்புகிறது.

தனியுரிமையைத் தவிர்த்தாலும், data quality பிரச்சனையைத் தாண்டுவது கடினம். Bluetooth signals, மருத்துவ ரீதியாக முக்கியமான exposure-க்கு நேரடி அளவுகோல் அல்ல. சுவர்கள், device-இன் நிலை, சுற்றுச்சூழல் இடையூறு, மற்றும் ஒழுங்கற்ற பயன்பாடு ஆகியவை “contact” என்பதற்கான அர்த்தத்தை மாற்றி அமைக்கலாம். இதன் விளைவாக false positives நேரத்தை வீணடித்து தேவையற்ற பதற்றத்தை ஏற்படுத்தலாம், அல்லது false negatives எச்சரிக்கப்பட வேண்டியவர்களைத் தவறவிடலாம்.

ஒரு சிறிய outbreak-இல், investigator-கள் கோட்பாட்டில் எல்லா வெளிப்பட்ட நபர்களையும் அடையாளம் கண்டு தொடர்புகொள்ள முடிந்தால், இவ்வாறான பலவீனங்கள் சிறிய விஷயமல்ல. அவை தகுதி நீக்கம் செய்யும் அளவுக்கு முக்கியமானவை. அதிகாரிகளுக்கு ஏற்கனவே தொடர்புடைய சூழல் தெரிந்திருந்தால், மேலும் அவர்கள் நபர்களை நேரடியாகத் தடம்தொடர முடிந்தால், பரவலான automated system கூடுதல் சிக்கலை மட்டும் சேர்க்கும்; துல்லியத்தை அல்ல.

அதிக பயனுள்ள பாடம் கட்டுப்பாடே

WIRED விவரித்த ஹன்டாவைரஸ் பதிலை பொதுவாக டிஜிட்டல் public-health கருவிகளை மறுக்கும் வகையில் பார்க்கக் கூடாது. தொழில்நுட்பம் இருக்கிறது என்பதற்காக değil, அது பொருத்தமானதா என்பதற்காகத் தேர்ந்தெடுக்கப்பட வேண்டும் என்பதற்கான நினைவூட்டல் அது. Manual tracing, app-mediated systems-ஐவிட பழமையானது போலக் காட்டப்படலாம், ஆனால் இலக்கு வைக்கப்பட்ட outbreak control-இல் அது verification-ஐ volume-ஐவிட முக்கியமாகக் கருதுவதால் அதிக முன்னேறிய தேர்வாக இருக்கலாம்.

இது குறிப்பாக பல ஆண்டுகளாக, health technology குறித்த பொது விவாதம் scale மற்றும் automation-ஐ முன்னிலைப்படுத்திய பிறகு முக்கியமானது. மில்லியன் கணக்கான interactions-இல் visibility இழக்காமல் இருக்க மாற்று இல்லாதபோது இந்த கருவிகள் பயனுள்ளதாக இருக்கும். ஆனால் outbreak போதுமான அளவு கட்டுப்படுத்தப்பட்டிருக்கும் போது, துல்லியமான, நபர்-நபரான வேலை இன்னும் சாத்தியமானால், அவை குறைவாக கவர்ச்சிகரமாகும்.

இதில் ஒரு பெரிய கொள்கை சிந்தனையும் உள்ளது. பொதுச் சுகாதார அமைப்புகள் எப்போதும் மிகவும் தெளிவாகத் தொழில்நுட்பமாகத் தோன்றும் பதிலைப் பயன்படுத்துகின்றனவா என்பதைக் கொண்டு மதிப்பிடப்படக் கூடாது. நோய், வழக்குகளின் எண்ணிக்கை, கிடைக்கும் ஆதாரம், மற்றும் தலையீட்டின் நடைமுறை இலக்கு ஆகியவற்றுக்கு மிகச் சிறந்த முறையை பயன்படுத்துகிறதா என்பதைக் கொண்டு மதிப்பிடப்பட வேண்டும். சில நேரங்களில் அது digital tools ஆக இருக்கும். சில நேரங்களில் trained investigators, phone calls, passenger manifests, மற்றும் நேரடி follow-up ஆக இருக்கும்.

க்ரூஸ்-ஷிப் ஹன்டாவைரஸ் வழக்கில், இரண்டாவது அணுகுமுறை சரியானதாகத் தெரிகிறது. சவால், சாதனங்களிலிருந்து மேலும் ambient data உருவாக்குவது அல்ல. சவால், குறிப்பிட்ட நபர்களை உயர் நம்பிக்கையுடன் கண்டறிந்து, துல்லியமான தகவலின் அடிப்படையில் விரைவாக செயல்படுவதாகும். Covid காலம் app-அடிப்படையிலான tracing-ஐ ஒரு பரிச்சயமான கருத்தாக மாற்றியது, ஆனால் பரிச்சயம் பொருத்தத்துடன் சமமல்ல. சிறிய outbreak-கள் இன்னும் துல்லியத்தையே வெகுமதியாக்குகின்றன, மேலும் துல்லியம் பெரும்பாலும் மனித செயல்முறையாகவே தொடர்கிறது.

இந்தக் கட்டுரை Wired-ன் செய்திப்பரப்பின் அடிப்படையில் உள்ளது. மூலக் கட்டுரையைப் படிக்கவும்.