Modellerin Geliştirilme Aşamaları

Modeller biyolojik olarak mantıksal olup, gerçeği yansıtması modellemenin önemli bir noktasıdır. Thrusfield’e göre geçerli model biyolojik olarak akla uygun olmalıdır.

Model, hastalıkla ilgili bütün güncel epidemiyolojik bilgileri içermelidir. Ayrıca etkene ait değerleride doğru bir şekilde tespit edip edemediğide önemlidir. Diğer bir deyişle, modeli güçlendirmek için “iyi kalitede yeterli veri mevcut mu?” sorusunun cevabı alınmalıdır. Model oluşturma sürecinde temel faktörlerde eksiklik var ise ya da kesin bir şekilde modelde parametrelerle ifade edilemiyorsa, modelin geçerliliği konusunda risk var demektir. Miller’de, bir modelin mekanizmalarının sezgisel olarak da kabul edilebileceğini ifade etmiştir. Model biyolojik ve matematiksel

106

olarak uygun bir yolda hareket etmelidir. Örneğin; uygun değişkenlere duyarlı olmalıdır. Güncel biyolojik bilgilere göre modellerin sonuçlarını açıklamak mümkün olmalıdır. Modellemenin faydalarından birisi de modellenen enfeksiyonun dinamiklerinin daha iyi anlaşılmasını sağlayabilmesidir. Geçerli modeller tasarlandıkları kullanıma uygun olmalıdırlar. Modellerin geçerli olup olmadığını karar verirken, modelin faydalı olup olmadığı sorgulanmalıdır. George Box’a göre

“Bütün modeller yanlıştır, fakat bazıları faydalıdır.” (Taylor 2003, Can 2009).

Model oluşturma sürecine, kapsamını sağlamak için cevaplanması gereken belirli sorularla başlanmalıdır. Model seçimi, bir hastalığın epidemiyolojisinin ne kadar iyi anlaşıldığına, mevcut verilerin miktarına, kalitesine ve modeli oluşturanların arka planına bağlı olacaktır. Bir modele dahil edilecek karmaşıklık düzeyi bir bilim olduğu kadar bir sanattır. Ek elemanlar eklemek model çıktılarının kalitesini artırmadan karmaşıklığı artırabilir. Öte yandan bir hastalığın epidemiyolojisinde açıkça önemli olan faktörleri göz ardı etmek yanıltıcı model bulgularına neden olabilir (Dube ve ark. 2007). Veri setinin kalitesi, sıklıkla hastalığın teşhisi, mekânsal yeri ve bildirim sıklığı (haftalık, aylık veya yıllık) açısından doğruluğuyla ilgilidir (Choisy ve ark. 2007). Kullanılması düşünülen modelin geliştirilmesinde hastalıkla ilgili verilerin miktarı ve ulaşılabilirliği önemlidir. Bu veriler modelin simülasyonunda kullanılacak değerlerdir. Genel olarak planlanan bir modelleme çalışmasında, öncelikle modelin oluşturulması sonrasında ise doğruluğunun kontrol edilmesi olarak iki aşamada gerçekleştirilmekle birlikte daha geniş bir ifadeyle modelleme süreci problemin belirlenmesi, problemi etkileyen faktörlerin ve bunlar arasındaki ilişkilerin incelenmesi, kullanılacak sistemin özellikleri, burada meydana gelen olaylar ve işleyen süreçlerin tanımlanması ve modelin amaçlarının belirlenmesi, var olan hipotezler dikkate alınarak modelin uygun bir matematiksel denkleme dönüştürülmesi, modelle ilgili verilerin analizlerinin gerçekleştirilmesi ve hesaplamalar yapılarak modelin oluşturulması, akabinde modelin uygunluğunun test edilmesi, doğrulanması ve duyarlılık analizlerinin gerçekleştirilmesi, son aşamada ise modelin bir karar destek aracı olarak uygulamaya konulması faaliyetlerinin tümünü kapsamaktadır (Can 2009).

107

Taylor, Law ve Sargent'in çalışmasından uyarlanmış olan epidemiyolojik hastalık modellerini geliştirmek için 10 maddelik bir akış şeması önerilmektedir:

1. Çalışma konularını ve modeli oluşturmak için sistemi belirleme,

2. Enfeksiyon ve hastalık epidemiyolojisi ile çalışma popülasyonu hakkında bilgi ve verileri toplama,

3. Kavramsal bir model geliştirme, 4. Kavramsal modeli geçerli kılma,

5. Modeli formüle etme ve/veya programlama, 6. Modeli doğrulama,

7. Çalışmadaki geçerliliğini belirleme, 8. Duyarlılık analizi,

9. Çalışma yapma,

10. Sonuçları açıklama ve çıktıları yorumlama,

Sonuç olarak, model tahminlerinin sonuçlarını kullanma ve bu kararlardan etkilenenlerin hem avantajlarını hem de kullanılan modelleme yaklaşımının sınırlamalarını karar vericilerin anlamaları önemlidir (Garner ve Hamilton 2011).

Bu model oluşturma sürecini daha geniş bir perspektifte ele aldığımızda, öncelikle problem tespit edilmelidir. Model, amacın net bir ifadesi olmalıdır.

Problemi etkileyen faktörler incelenmeli ve bunlar arasındaki ilişkilere modelde yer verilmelidir. Bu durum, faktörlerin ilişkileri altında, sistemin esas bileşenlerini belirlemeyle yönelik olmalıdır. Bu faktörler ve karşılıklı ilişkilerin, sayısal verilerin üzerine eklenebileceği, matematiksel(mantıksal) model yapısına dönüştürülmektedir.

Bu aşamada modeli tasarlayanlar ve konu uzmanları arasındaki işbirliği önem arz etmektedir. Modelin formülasyonu bilgisayarda uygulanması gereken adımlardan oluşmaktadır. Olası varsayımlar dikkate alınarak model uygun bir matematiksel dile dönüştürülmekte, modelle ilgili verilerin analizleri gerçekleştirilmekte ve hesaplamalar yapılarak model oluşturulmaktadır (Taylor 2003, Can 2009).

Modellerin yararlı olabilmesi için, amaca uygun olması ve uygun şekilde doğrulanması ve onaylanması gerekir. Doğrulama modelin mantığı, formülleri ve bilgisayar kodunun model tasarımcısı tarafından tasarlanan mantıksal çerçeveyi doğru bir şekilde yeniden üretmesini sağlayan süreç olarak tanımlanır (Dube ve ark.

108

2007). Modelin doğrulama işlemi, modelin araştımacının çalışma konusuyla uygun olup olmadığının kontrol edilmesidir. Modelin geçerliliği de, epidemiyolojik olarak modelin saha çalışmaları için doğru olup olmadığını kontrol etmeyle alakalıdır.

Maalesef modelin geçerliliğinin değerlendirilmesi için ölçülebilir ve genel kabul görmüş yöntemler mevcut değildir. Ancak genel literatürde bulunan modeller üzerindeki bazı ortak temalar bu konuda yardımcı olmaktadır (Taylor 2003, Can 2009). Modeli geçerli kılma yaşama uygun olmasını sağlar. Bu modelin altında yatan varsayımların doğru olduğunu ve modelin incelenen sistemi temsil etmesinin hedeflenen amaç için mantıklı olduğunu gösterir (Dube ve ark. 2007).

Duyarlılık analizinin iki amacı vardır: Bunlardan ilki modelin düşük kalitedeki verilere duyarlılığını kontrol etmek, diğeri ise sistem parametrelerindeki bilinen değişimlere duyarlılığını kontrol etmektir. Bu aşama özellikle kaliteli verilerin eksikliğinde parametrelerde oluşan belirsizlik için kullanılmaktadır. Belirsiz parametre değerleri modelin çıktıları üzerindeki etkisini görmek için çeşitlendirilmektedir. Modelin parametre değerlerine hassasiyeti ölçülmektedir.

Gerçek hayatta değiştiği ve sonucun duyarlı olduğu bilinen parametrelerin bulunması, yönetim için doğrudan kurallar sağlama konusunda fayda sağlamaktadır.

Çünkü eğer bunlar hastalık kontrol faaliyetlerinden etkilenebilecek parametreler ise bir epidemi sırasında izlenmesi ve kontrol edilmesi gereken kritik kontrol noktaları haline gelmektedir. Belirli bir parametreye daha duyarlı olan modelin duyarlılık analiziyle, gerçek hayatta bu duyarlılığın daha fazla olduğu ortaya konabilmektedir.

Bu durum modelin yeniden formüle edilmesi ve onaylanmasının gerekliliğini ortaya koymaktadır (Taylor 2003, Can 2009).

Son aşamada, modelin çıktıları karar vericiler tarafından diğer bilgilerle birleştirilmelidir. Akabinde model, bir karar destekleme aracı olarak kullanıma sunulmalıdır. Tüm bu aşamalardan geçilmesine rağmen yeni bilgiler ve modelin beklenmedik sonuçları modelde hızlı bir değişikliğe sebep olabilmekte, hatta modelleme için hedeflerin yeniden tanımlanmasını gerektirebilmektedir (Taylor 2003, Can 2009).

Modeller, koşullar değiştikçe problemin çözümünde ne gibi değişiklikler olabileceğinin öngörülmesinde ve ileriye dönük tahminler yapılabilmede kullanılır.

109

Medikal alanda, çok karmaşık ve zamanla değişen yapısal özelliklerinden dolayı canlı dokuların matematiksel modelini oluşturma çabasının zorluğu, hastalıkla ilgili en sağlıklı sonuçlar elde edilebilmesinde tek çare olarak epidemiyoloji karşımıza çıkarmaktadır (Saraç 2011). Bir dizi yeni teknolojiyi kullanan çok disiplinli yaklaşımlar, daha karmaşık hayvan hastalığı modelleri oluşturmayı mümkün kılmaktadır. Yeni nesil epidemiyolojik modeller, hastalığın fiziksel, ekonomik, teknolojik, sağlık, medya ve politik altyapılar bağlamında incelenmesini sağlar.

Politika geliştirmede yararlı olmak için modeller amaca uygun olmalı ve uygun şekilde doğrulanmış ve onaylanmış olmalıdır. Bu, modelin çalışılan sistemin yeterli bir temsili olmasını ve çıktılarının amaçlanan hedef için yeterince doğru ve kesin olmasını sağlamayı içerir. Son olarak, modeller teknik danışmanlık sağlamak için sadece bir araçtır ve deneysel ve saha çalışmalarından elde edilen verilerden ayrı olarak düşünülmemelidir (Garner ve Hamilton 2011).