A Máscara de Rona

Revista ihu on-line

Diálogo interconvicções. A multiplicidade no pano da vida

Edição: 546

Leia mais

Cultura Pop. Na dobra do óbvio, a emergência de um mundo complexo

Edição: 545

Leia mais

Revolução 4.0. Novas fronteiras para a vida e a educação

Edição: 544

Leia mais

Mais Lidos

  • A “cristofobia” de Bolsonaro

    LER MAIS
  • “Maciel tinha uma capacidade incrível de manipular e enganar as pessoas”, revela ex-diretora vocacional dos Legionários de Cristo

    LER MAIS
  • A sabotagem social da prisão – Um olhar sobre o sistema carcerário

    LER MAIS

Newsletter IHU

Fique atualizado das Notícias do Dia, inscreva-se na newsletter do IHU


15 Abril 2020

"Não há solução matemática para tragédias, nem uma análise que nos livre da responsabilidade de fazer escolhas difíceis. Independente do que fizermos, haverá perdas terríveis. Que nossas decisões sejam guiadas por uma razão que conhece seus limites, e uma compaixão que não conhece nenhum", escrevem Liam Kofi Bright e Richard Bradley, professores do Departamento de Filosofia, Lógica e Método Científico da London School of Economics da Inglaterra, em artigo publicado por The Sooty Empiric, 01-04-2020. A tradução é de Samuel Maia e Mateus Leite, mestrandos em filosofia das ciências sociais na UFMG.

Eis o artigo.

Diante de uma pandemia global cuja escala e impacto são, para a maioria de nós, inteiramente novos, governos ao redor do mundo estão adotando políticas que interferem de maneira severa em nossas vidas cotidianas. Sei que muitas pessoas se perguntam se essas decisões podem de fato ser justificadas. E, mesmo se aceitarmos que essas ações sejam justificadas, ainda poderemos estar interessados em como raciocinar de modo sensível sobre ações diante de problemas sem precedentes. Portanto, com o objetivo de apresentar o tópico a um público mais amplo, no post de hoje sou acompanhado pelo meu colega Richard Bradley, um especialista sobre a tomada de decisões racionais sob condições de incerteza.

Sejamos claros sobre isto: não somos epidemiologistas, médicos ou cientistas sociais - portanto, não ofereceremos nenhum conselho específico sobre políticas públicas. Qual seja a política que deve ser adotada depende muito de particularidades empíricas, e os respectivos domínios de especialização para isso seriam bem distintos dos nossos. Não leia este blog para obter conselhos sobre políticas ou justificativas para políticas já existentes, e acadêmicos devem ser claros sobre o que não sabemos.

(Um de nós - Kofi - às vezes usa o twitter e considera o feed no twitter do Dr. Carl Bergstrom uma fonte de fato informativa com frequentes informações sobre a covid-19, conceitos de saúde pública e práticas úteis que podemos adotar como estados e indivíduos.)

Em vez disso, como mencionado, o que esperamos fazer nesta postagem de blog é fornecer uma introdução básica aos problemas de tomada de decisão sob extrema incerteza. Estamos usando a formulação de políticas para a covid-19 como um exemplo prático disso. Abordamos o assunto porque tem havido alguma preocupação pública sobre o tipo de ação dramática que muitas nações estão adotando, embora as evidências específicas que temos sobre o vírus sejam muito provisórias ou baseadas apenas em modelos. E as políticas governamentais anteriores do Reino Unido foram criticadas por cientistas precisamente porque elas foram consideradas como riscos muito grande a serem tomados à luz da escassez de evidências. Como dizem os cientistas nessa carta aberta, “não estamos convencidos de que se saiba o suficiente sobre “fadiga comportamental” ou até que ponto essas ideias se aplicam às atuais circunstâncias excepcionais. Tal evidência é necessária se quisermos nela basear uma estratégia de saúde pública de alto risco”. Se quisermos entender por que as pessoas podem pensar que essa é a abordagem errada, precisamos entender: como devemos raciocinar sobre escolhas de alto risco quando faltam as evidências ou elas não são claras?

 


 

Podemos considerar como razoavelmente padrão uma teoria de tomada racional de decisões que segue mais ou menos assim: uma boa escolha é aquela que produz o maior benefício esperado. Explicar com qualquer detalhe o que isso significa é surpreendentemente complicado, mas a ideia aproximada será suficiente por enquanto. Nossas decisões devem ser guiadas por dois tipos de coisas. Primeiro, há o que queremos e quanto queremos. Quais são os resultados que consideramos desejáveis ou indesejáveis, e quanto estaríamos dispostos a sacrificar para alcançá-los. Segundo, há aquilo em que acreditamos. Como pensamos que o mundo realmente é antes de agirmos, quais possibilidades achamos que estão abertas para nós e quão provável acreditamos ser essas várias possibilidades, que tipo de interações com o mundo são possíveis e como podemos fazer as coisas acontecerem. As escolhas que produzem o maior benefício esperado são aquelas que combinam da melhor maneira o que é mais desejável (consideradas as nossas vontades), com aquilo que é mais possível de ser realizado (se considerarmos o que pensamos ser os fatos).

Por mais grosseira que seja essa representação, ela nos permite explicar melhor um dos benefícios sociais da ciência. A modelagem científica nos permite ser mais precisos sobre o que acreditamos e, esperamos, também através da investigação empírica, podemos tornar essas crenças mais precisas. Isso pode ser muito útil quando usamos técnicas de modelagem científica para representar nossas crenças no contexto da tomada de decisões - por exemplo, na orientação de políticas sociais. (Um de nós – Kofi – explorou, numa publicação, a ideia de que essa orientação para políticas públicas é de fato o principal objetivo para mantermos a ciência por perto.) Podemos começar a pensar com muita precisão sobre como esperamos que variáveis de interesse interajam e mudem em resposta a medidas potenciais. Também podemos usar a teoria das probabilidades para raciocinar com precisão sobre quão provável é que vários resultados ocorram. Essa maior precisão, juntamente com maior exatidão, nos permite dizer com muito mais confiança qual escolha produz o maior benefício esperado, dadas as nossas evidências.

Claro, esse trabalho científico é direcionado ao aprimoramento das nossas crenças, sem falar muito do lado dos desejos. Esse é um motivo para ficar desconfiado de pessoas que ao explicar o que estão fazendo dizem que estão seguindo a ciência; mesmo em nossa simplificada teoria padrão, isso pode ser no máximo metade da equação. Mesmo no modelo bastante simples, alguém de fato precisa avançar com a perguntae com qual objetivo?

De qualquer forma, considere a maneira como o agora famoso modelo do Imperial College raciocinou sobre os resultados associados à covid-19. (Nota: recentemente, essa equipe apresentou um modelo diferente que chegou a conclusões bastante semelhantes – mas descreveremos apenas o modelo inicial, pois as diferenças não são importantes para os apontamentos que queremos fazer aqui). Em suma, o modelo do Imperial College simula a propagação da doença através das populações britânicas e americanas em vários cenários correspondentes à adoção de diferentes políticas antiepidemia. Na situação em que nenhuma medida de distanciamento social foi introduzida, estimou-se que mais de 2 milhões morreriam nos EUA e mais de 500 mil morreriam no Reino Unido. E, a menos que uma combinação de medidas drásticas fosse adotada e mantida, ele previu que o vírus ainda sobrecarregaria os recursos de saúde de ambas as nações. Para detalhes de como isso é de fato modelado, há uma reportagem excelente e acessível aqui. Observo que alguns dos pontos sobre incerteza que faremos neste post também foram feitos por lá.

Parece que esse modelo foi muito influente para a mudança de estratégia do governo britânico e adoção de medidas de supressão mais agressivas. Portanto, aqui temos um exemplo aparente de política pública baseada numa reflexão precisa, em um modelo cientificamente bem informado, sobre diferentes medidas governamentais. Nossa teoria padrão nos dá motivos para ficarmos confiantes de que essa foi, em algum sentido intuitivo, a decisão mais racional?

Bem, não exatamente. Por um lado, o modelo em si não diz respeito a muitas das dinâmicas com as quais realmente nos preocupamos e que precisamos conhecer para que tomemos nossa decisão de maneira racional. O modelo do Imperial College trata o resultado que interessa como o número de pessoas que, sob cada cenário, provavelmente morrerão. Isso porque eles "não consideram as implicações éticas ou econômicas" das estratégias que discutem. Mas suas suposições sobre a taxa de mortalidade do vírus assumem que, ao longo dos diferentes cenários, ela será constante. Como afirmam os autores, eles “não estão levando em conta os potenciais efeitos negativos sobre a mortalidade dos sistemas de saúde estarem sobrecarregados".

Mas nós sabemos que, se nossos recursos de saúde forem sobrecarregados, isso levará a uma taxa de mortalidade pelo vírus mais alta. Quantos mais morrerão, e qual será a diferença produzida nesse número quando surgir o momento dessa sobrecarga e quando várias das políticas que eles modelaram fizerem diferença na maneira como isso se desenrola? Com base nesse modelo, não sabemos, dado que o modelo não foi projetado para responder tais perguntas. E isso é o próprio reflexo do fato de que não conhecemos respostas precisas para essas questões. Como tal, mesmo restringindo nossa atenção apenas para a mortalidade pelo vírus, o modelo não nos diz e não pode nos dizer o que esperar de todos os resultados que interessam. E, é claro, a mortalidade pelo vírus não é, presumivelmente, a única coisa com a qual realmente nos preocupamos em um resultado – embora, uma vez que o contraste frequentemente seja feito com implicações econômicas das medidas, deve ser observado que o contraste entre fatores econômicos e outros fatores é um tanto artificial e as recomendações vindas de especialistas em economia não parecem ser substancialmente diferentes.

Para além disso, é necessário fazer suposições sobre a taxa de infecção e sobre quantas pessoas iniciaram o período em questão infectadas. Isso é necessário para saber quanto tempo nós temos para agir, que tipo de efeitos diferentes medidas teriam em momentos diferentes, e quão mortal o vírus é e quão rapidamente ele se espalha. No entanto, como já foi, graças a um modelo diferente de uma equipe de Oxford, bastante discutido (por exemplo) no caso do Reino Unido, nós também não sabemos isso! Para deixar claro, a equipe do Imperial College fez suposições bastante razoáveis (à luz de algumas evidências) sobre quando o vírus chegou ao Reino Unido e com qual rapidez ele se espalhou a partir dessa exposição inicial. Mas, e eles foram perfeitamente francos quanto a isso, essas foram suposições que se basearam em outras suposições que – como o modelo de Oxford deixa claro – estão abertas a disputas e incertezas.

Não acreditamos que toda essa incerteza, nos apressamos a acrescentar, seja porque o modelo do Imperial College fosse um modelo ruim. Não estamos qualificados para avaliar suas especificidades. Mas falando em geral sobre modelagem, é correto e apropriado fazer suposições simplificadoras, e os autores não devem ser culpados, e sim elogiados, por realizarem de maneira rápida pesquisas relevantes para o público, ao mesmo tempo em que deixam suas limitações claras. É bem possível que isso seja o melhor que podemos fazer no nosso estágio inicial de conhecimento sobre a covid-19 – veja aqui uma discussão interessante sobre isso. Isso significa apenas que devemos ter consciência sobre o que podemos e o que não podemos obter a partir desse tipo de trabalho de modelagem. Ele não pode nos fornecer uma confiança bem fundamentada de que estamos tomando uma decisão que trará o maior benefício. Mas se formos honestos com nós mesmos sobre nosso alto grau de incerteza, e tentarmos e encontrarmos uma maneira de trabalhar com ela, isso poderá, de maneira sensata, ainda assim guiar nossas decisões.

A primeira coisa, e talvez a mais importante, é obter algum tipo de representação da incerteza que enfrentamos ao usar modelos científicos para apoiar nossas decisões. O modo como modelos, tal como o modelo do Imperial College que estamos analisando, informam políticas públicas é realizando previsões sobre como se dará o futuro se o sistema for deixado sozinho versus se nele intervirmos de alguma maneira. Mas essas previsões são muito sensíveis às mensurações das condições iniciais (tais como quantas pessoas já estão infectadas), aos valores dos parâmetros do modelo (tais como qual é a taxa de mortalidade entre os infectados) e suposições sobre as relações entre as variáveis que estão sendo modeladas (tais como aquela entre a taxa de transmissão da infecção e a frequência dos contatos sociais).

A incerteza sobre as condições iniciais pode ser capturada se fizermos previsões probabilísticas de resultados, como, por exemplo, oferecendo previsões da forma “Com probabilidade x, mais de 100.000 pessoas morrerão, com probabilidade x + y, serão mais de 10.000, …”. Mas ainda precisamos levar em consideração as outras incertezas, tais como as relacionadas à verdadeira taxa de mortalidade e os fatores que influenciam a transmissão. Se não fizermos isso, corremos o risco de induzir uma confiança injustificada nas previsões do modelo. Isso pode, por exemplo, levá-los a pensar que se pode esperar que um curso de ação traga mais benefícios do que outro, quando a situação real é que, se isso é verdade ou não, depende de valores de parâmetros muito particulares ou de suposições sobre relações causais.

Uma maneira de capturar a incerteza remanescente, que encontrou crescente apoio em tempos recentes, é pela especificação não apenas de uma única distribuição de probabilidade sobre os resultados que interessam, mas de uma família delas. Se pensarmos em cada membro da família como sendo a distribuição que obtemos das escolhas particulares de valores para parâmetros e das suposições da modelagem, então podemos ver que o tamanho da família fornecerá uma medida de quão incertos estamos sobre as escolhas corretas a serem tomadas.

Essa nova maneira de pensar sobre nossa extrema incerteza permite que os fazedores de políticas públicas escolham as ações que podem nos dar a expectativa de produzir benefícios em uma ampla variedade de cenários. Pode-se preferir essas ações àquelas que são benéficas apenas em uma gama estreita de cenários, mesmo que entre as últimas estejam aquelas que, para alguns valores de parâmetros muito específicos, são ótimas. Pode-se até ser tão cauteloso a ponto de se exigir que não só as ações sejam benéficas em uma ampla variedade de cenários, mas somente escolher ações que tenham conseqüências aceitáveis (esperadas) em todos os cenários possíveis. Suponha, por exemplo, que você tenha que escolher entre fazer dois investimentos, cada um custando R$ 1000, um dos quais com a garantia de um lucro pequeno (por exemplo, R$ 2000) e o outro com dois resultados possíveis, nada ou, caso você o conclua com sucesso, R$ 21.000. Se, neste último caso, a probabilidade de sucesso for maior do que 5%, seu retorno esperado será maior do que o primeiro. Suponha que sua melhor estimativa da probabilidade seja 6%, mas considere razoável qualquer estimativa entre 1% e 15%. Então, embora a segunda ação seja ótima, ela não é robusta – em algumas estimativas, é esperado que você perca seu investimento. Por outro lado, a primeira ação é benéfica de uma forma robusta, embora longe da ideal segundo sua melhor estimativa.

Então, longe de levar à indecisão, essa nova maneira de representar e, assim, de reconhecer nossa extrema incerteza pode produzir conselhos práticos úteis. E este é um conselho prático que é distinto daquele emitido pela teoria padrão e, ao contrário dessa teoria, não exige que nós possamos dizer exatamente o quão provável são os vários resultados. Uma vez concedido que podemos usar isso para fazer escolhas, resta a questão de quais escolhas devemos fazer. Por que, por exemplo, devo escolher uma opção apenas porque me dá, no mínimo, uma conseqüência esperada aceitável em todas as possibilidades que estou considerando?

Um de nós – Bradley – já disse antes que “operações de proteção [hedging] parecem particularmente atraentes quando, para cada estado do mundo, os custos e benefícios de uma ação resultam de maneira diferente para indivíduos diferentes, pois nesse caso reduzir a discrepância pode servir ao objetivo de tratar indivíduos de modo mais igual” (Decision Theory with a Human Face - pg. 272). E aqui observamos que a pandemia da covid-19 é exatamente o tipo de cenário que poderia tornar esse raciocínio tentador. Os piores cenários do modelo discutido acima envolviam centenas de milhares de mortes desnecessárias no Reino Unido. A calamidade seria distribuída de maneira muito desigual ao longo da população, com os idosos e os enfermos sofrendo muito mais e mais diretamente do que outros setores da população. Diante desse tipo de resultado potencial, pode parecer uma regra tentadora tomar ações que aliviam um pouco a dor e, desse modo, evitam o pior cenário.

Outra preocupação que se pode ter é manter a maior flexibilidade possível pelo maior tempo possível. Em situações de extrema incerteza, essas táticas de adiamento são úteis. Um exemplo é se a presente incerteza deixar tantas possibilidades em aberto que não seja claro como devemos agir, mas seja possível que desenvolvimentos futuros tornem relativamente claro que tipo de ação deveríamos priorizar. Por exemplo, suponha que você ache que seja possível um tratamento experimental vir a ser considerado muito eficaz na redução dos danos causados pela pandemia. Se e quando tais tratamentos forem identificados, será desejado que sejam distribuídos amplamente. Haveria, então, algum motivo para realizar ações que você, ao menos, sabe que podem efetivamente retardar a propagação da doença, a fim de preservar o funcionamento da infraestrutura de assistência à saúde que seria necessária para implementar, em larga escala, as opções experimentais. Esses seriam exemplos da estratégia geral de manter a flexibilidade, preservando pelo maior tempo possível a chance de ações melhores serem realizadas.

Nós teremos de responder à covid-19 na falta do tipo de conhecimento que, quando estamos realizando decisões racionais de grande importância social, idealmente deveríamos preferir. No Reino Unido, a esperança atual, se é que assim pode ser chamada, é que possamos ao menos manter o número de mortos abaixo de 20.000. Para que mesmo isso seja alcançado, precisamos decidir de maneira responsável e justa sobre como distribuir os vários ônus, especialmente quando nos lembramos da observação de Sartre de que às vezes não fazer escolha alguma é, por si só, uma escolha moralmente importante. Assim, nesse momento é importante para nós pensar de forma clara sobre os princípios que podem basear, sob extrema incerteza, a tomada racional de decisões.

Não há solução matemática para tragédias, nem uma análise que nos livre da responsabilidade de fazer escolhas difíceis. Independente do que fizermos, haverá perdas terríveis. Que nossas decisões sejam guiadas por uma razão que conhece seus limites, e uma compaixão que não conhece nenhum.

Nota dos tradutores:

Este texto foi publicado originalmente no blog de Liam Bright que assina o texto juntamente com Richard Bradley, ambos professores do Departamento de Filosofia, Lógica e Método Científico da London School of Economics da Inglaterra. Em seu início, o professor Bright faz algumas advertências importantes: os autores não pretendem oferecer qualquer conselho específico sobre políticas públicas para o enfrentamento da pandemia. Seu objetivo é resolver mal-entendidos e apresentar a um público mais amplo os problemas enfrentados quando queremos que a adoção de políticas públicas num momento como o da pandemia da covid-19 se dê de forma racional e informadas pela melhor ciência disponível. Os autores falam sobre o que precisamos ter em mente quando resultados de modelos epidemiológicos, como aquele do Imperial College de Londres e outro da Universidade de Oxford (amplamente divulgadas pela mídia britânica e brasileira), são usados para basear medidas governamentais num momento delicado como o presente.

 

Leia mais

Comunicar erro

close

FECHAR

Comunicar erro.

Comunique à redação erros de português, de informação ou técnicos encontrados nesta página:

A Máscara de Rona - Instituto Humanitas Unisinos - IHU

##CHILD
picture
ASAV
Fechar

Deixe seu Comentário

profile picture
ASAV