A pandemia revelou maneiras de acelerar a ciência

A pandemia pôs em evidência grandes problemas na investigação científica: muitos estudos eram inflacionados, falhos ou mesmo fraudulentos, e a desinformação poderia espalhar-se rapidamente. Mas ela também mostrou o que é possível.

Embora normalmente sejam necessários anos para testar medicamentos contra uma nova doença, desta vez demorou menos de um ano para encontrar várias vacinas e tratamentos. Embora anteriormente os cientistas só descobrissem novas estirpes de vírus depois de um surto já ter ocorrido, agora podiam utilizar amostras de águas residuais para prever antecipadamente os surtos.

Nem todos encararam a velocidade destes avanços de forma positiva: por exemplo, uma das razões mais comuns pelas quais as pessoas adiaram a vacinação foi a crença de que as vacinas estão a ser “apressadas”. Muitas pessoas acreditam que os rápidos avanços na ciência significam abandonar os padrões e conduzir pesquisas desleixadas e até perigosas.

Mas nem sempre é assim, e a urgência da Covid-19 obrigou muitas pessoas a adaptar, criar e melhorar a investigação com uma qualidade e velocidade que poucos esperavam. Não só podemos evitar estes compromissos, como podemos melhorar a ciência acelerando-a – e a pandemia mostrou-nos como fazer isso.

Colete dados de rotina

Nos seis meses seguintes ao surto, foram obtidas mais de 30. 000 sequências genómicas do coronavírus, enquanto durante o mesmo período de 2003, os cientistas conseguiram obter apenas uma sequência do vírus SARS.

A velocidade de sequenciação dos genomas do coronavírus é uma história de sucesso, mas não nos mostrou o quadro completo. Embora o Reino Unido tenha sequenciado quase 3 milhões de genomas de coronavírus através de um importante programa genómico, muitos países sequenciaram apenas alguns milhares e alguns sequenciaram menos de uma centena.

Tais desproporções são comuns. Em muitos locais, uma grande quantidade de dados não é medida ou é ignorada sobre uma série de questões: a prevalência de doenças mentais, o PIB nacional e até mesmo o registo de mortes e as suas causas. Em vez disso, eles devem ser estimados com uma ampla variação.

É difícil e dispendioso para pequenos grupos de investigação recolher dados por conta própria, pelo que tendem a recolher o que é conveniente em vez de dados abrangentes. Por exemplo, em psicologia, os estudos são muitas vezes “estranhos” – de participantes brancos, instruídos, industrializados, ricos e democratas. Na história, os dados são coletados onde quer que haja registros; em economia, onde as empresas registram contas detalhadas de suas receitas e despesas.

Mais popular
A ciência
Uma bomba-relógio demográfica está prestes a atingir a indústria da carne bovina.
Matt Reynolds
Negócios
Dentro do complexo ultrassecreto de Mark Zuckerberg no Havaí
Guthrie Scrimgeour
Engrenagem
Primeiro, dê uma olhada no Matic, o aspirador robô redesenhado
Adriane So
Negócios
As novas alegações de Elon Musk sobre a morte de macacos estimulam novas demandas de investigação da SEC
Dhruv Mehrotra

Diferentes pesquisadores medem os mesmos dados de maneiras diferentes. Algumas pessoas são contatadas por vários grupos de pesquisa que estudam as mesmas questões, enquanto outras passam despercebidas.

Sem dados medidos de forma padronizada, é difícil responder a questões sobre se as pessoas diferem umas das outras e porque é que essas diferenças podem existir. Por exemplo, a ansiedade é mais comum nos países mais ricos ou é mais comummente identificada? Como a doença é subdiagnosticada em muitos países e a investigação é rara, não temos uma resposta clara.

Isto dá-nos uma ideia de como acelerar o progresso da ciência: Grandes instituições, como governos e organizações internacionais, devem recolher e partilhar dados regularmente, em vez de transferirem a carga para pequenos grupos de investigação. Este é um exemplo clássico de “economias de escala”, onde grandes organizações podem utilizar os seus recursos para criar ferramentas para medir, partilhar e armazenar dados de formas mais simples e baratas, e numa escala que as equipas mais pequenas não conseguem.

Isto ajudará os investigadores a evitar a replicação dos esforços limitados uns dos outros. Isto também será de grande benefício, uma vez que os dados de rotina podem ser utilizados por muitos investigadores para ver tendências, realizar análises comparativas e alertar para novos problemas.

Embora as instituições tenham esta opção, muitas não o fazem porque não estão cientes dos benefícios ou não querem criar painéis sofisticados para apresentá-los. Mas os dados não precisam de ser atractivos – apenas precisam de ser precisos, representativos, normalizados e amplamente utilizados.

Organize experimentos

Ensaios clínicos randomizados – o procedimento simples de selecionar aleatoriamente participantes para receber tratamento ou placebo – são muito eficazes porque não permitem que preconceitos se insinuem nos dados. Mas a realização de ensaios é difícil e diferentes grupos de investigação repetem geralmente tentativas para os organizar. Normalmente são necessários vários anos, milhares de pacientes e dezenas de milhões de dólares para recrutar pacientes suficientes para testar um único medicamento ou vacina.

Mas isso não deve ser um obstáculo, pois nos mesmos ensaios clínicos randomizados muitos métodos de tratamento podem ser testados. Foi assim que foi concebido no estudo de recuperação, dentro da estrutura dos quais 20 medicamentos foram verificados no mesmo teste para o mesmo teste para o tratamento do Covid. Em junho de 2020, o primeiro remédio efetivo foi encontrado contra esta doença – dexametasona, que por nove meses economizou mais de um milhão de vidas.

Como o estudo foi associado ao registro de pacientes do Serviço Nacional de Saúde do Reino Unido, tornou possível recrutar rapidamente dezenas de milhares de participantes de todo o país que sofrem da mesma doença, para randomiz á-los para um dos muitos medicamentos e Estude os resultados que já foram medidos regularmente.

Esse método de teste é bastante novo e, em alguns países, não se encaixa nas estruturas de financiamento tradicionais. Mas novas idéias já estão sendo desenvolvidas: por exemplo, os pesquisadores só podem pagar pelo seu grupo no teste. A organização de tais operações para minimizar as dificuldades que os pesquisadores enfrentam requer esforço e custos, mas isso ocorre porque absorvem os custos indiretos de cada grupo, acelerando mais pesquisas.

Essa “racionalização” também pode funcionar em outros lugares quando dados semelhantes são analisados por diferentes grupos. Um dos exemplos é o British BioBank, uma grande variedade de dados nos quais há uma plataforma o n-line com a qual os pesquisadores podem analisar rapidamente dados de centenas de milhares de seqüências genômicas, sem a necessidade de armazenar todos esses dados em seus próprios servidores de computador.

Separação do trabalho em pesquisa

Muitos estudos não se encaixam nos modelos descritos acima: muitos pesquisadores trabalham com certos tipos de dados que não podem ser coletados juntos ou conduzem vários tipos de experimentos que não podem ser simplificados.

A ciência é extensa e constantemente expandida. Além disso, também se torna cada vez mais especializado, com um grande número de áreas e estudos mais profundos. Isso significa que os cientistas precisam reabastecer a base de conhecimento para fazer novas descobertas, e essa é uma das razões pelas quais os pesquisadores acreditam que a ciência está desacelerando.

Além disso, a atividade científica inclui muitas habilidades diferentes. Os cientistas devem entender a teoria, desenvolver experimentos, conduzir, armazenar dados, gerenciar laboratórios, escrever artigos, representar, comunicar e revisar o trabalho um do outro. Cada um desses papéis envolve uma curva legal de treinamento, que os cientistas têm pouco tempo, e juntos eles podem criar um local estreito que limita a qualidade da pesquisa e a velocidade das descobertas.

Mas não é necessário. Uma maneira de mudar a situação é a “divisão do trabalho” quando pessoas com habilidades e experiência diferentes trabalham juntas em diferentes partes do projeto. Pessoas com especialização podem usar seu conhecimento e experiência para identificar padrões e desenvolver novos métodos que melhorem o trabalho e acelera m-o.

Imagine como, na presença de tempo livre, um trabalhador de laboratório encontra novas maneiras de realizar testes e insignificantes com amostras. Ou o programador aprende a escrever um código que faça com que seu software funcione mais rápido e com mais eficiência do que antes. Para aprender a melhorar essas habilidades, você precisa dedicar tempo a elas; portanto, quando diferentes especialistas trabalham juntos em diferentes partes, eles podem tornar todo o processo mais produtivo.

Foi assim que muitos grupos desenvolveram conjuntos de dados globais para o Covid-19-as equipes incluíram não apenas pesquisadores acadêmicos, mas também engenheiros-programadores, gerentes de dados e jornalistas, cada um dos quais possuía várias habilidades. O economista calculou o número de mortes em excesso no mundo; O New York Times rastreou todas as vacinas desenvolvidas; O Financial Times e meus colegas do nosso mundo em dados mostraram vários indicadores Covid em painéis interativos.

Pessoas talentosas que não têm experiência em círculos acadêmicos geralmente se encontram além do lado da ciência, sem acesso a pesquisas e redes acadêmicas. Mas seu envolvimento na comunidade científica deve se tornar uma prioridade nos tempos comuns, e não apenas em situações de emergência.

Faça da ciência “código aberto”

Tradicionalmente, os pesquisadores publicam seu trabalho em revistas acadêmicas e vão além das paredes remuneradas, inacessíveis para a maioria das pessoas em todo o mundo.

A maioria dos pesquisadores não compartilha seus dados. Se você já leu as palavras “dados fornecidos mediante solicitação” em um artigo científico e escreveu aos autores para solicit á-los, a probabilidade de você realmente obter dados é de apenas 7 %. Em outros casos, os autores perderam o acesso aos seus dados, alterados e-mail ou estão muito ocupados ou não querem.

Sem acesso a dados, é difícil identificar erros no trabalho que podem alterar os resultados. E como esses são documentos estáticos, a correção de erros leva muito tempo, mesmo que sejam notados. Em média, são necessárias revistas por mais de um ano para retirar artigos nos quais o plágio foi descoberto, ou cinco anos, se os dados foram fabricados.

A pouca ciência é dano e a perda de tempo, já que os pesquisadores passam anos na implementação de idéias que eram originalmente errôneas. O problema é que muitas vezes não sabemos quem o conhecimento científico parecerá valioso e quem pode melhor á-los.

Para ser transparente em suas pesquisas e compartilhar dados e codifica r-os subjacentes, os cientistas podem mudar a situação. Eles podem permitir que outros pesquisadores e pessoas em todo o mundo contribuam para o código e identifiquem erros nos dados. Foi exatamente o que aconteceu com os dados globais da CoVid, porque muitas equipes fizeram seu trabalho de código aberto, publicando dados e código em plataformas como o GitHub.

Existem outras vantagens: as pessoas com as quais os pesquisadores nunca se conheceram também podem usar esses dados para seu trabalho e criar seus próprios painéis de informação, e isso fornece tais vantagens que não podem ser previstas.

Reforma de uma avaliação especializada

Trabalho científico rápido pode ser arriscado e, durante a pandemia, houve inúmeros exemplos de como a pesquisa descuidada entrou nas notícias antes que outros especialistas conseguissem expressar sua opinião. Muitas pessoas expuseram pesquisas fraudulentas e investigaram sérios conflitos de interesses.

Isso ocorre porque nossos sistemas de avaliação de especialistas estão atrasados. O exame geralmente é organizado por revistas: quando os editores da revista recebem um artigo, eles o enviam a vários colegas de pesquisadores para receber críticas.

Os pesquisadores escrevem resenhas para diferentes revistas, e essas revistas funcionam separadamente, por isso é difícil para seus editores rastrear o tempo e os interesses dos pesquisadores a quem estão associados. Muitos deles não respondem aos pedidos ou os rejeitam, porque não têm tempo ou experiência para comentar o estudo. Isso leva a um enorme atraso na publicação da pesquisa, bem como ao fato de que a maioria dos trabalhos científicos recebe comentários de apenas dois ou três cientistas. Em média, a publicação do trabalho no campo das ciências naturais leva nove meses. Na economia, esse indicador é em média três anos.

Em parte, esse processo pode ser acelerado, oferecendo à remuneração dos revisores sem prejuízo da qualidade, mas outros métodos também podem funcionar, por exemplo, plataformas centralizadas para rastrear o tempo e os interesses dos revisores. No entanto, isso não será suficiente: muitos cientistas já preferem publicar suas pesquisas na forma de pr é-impressão, cuja popularidade vem crescendo há vários anos. E não podemos apenas confiar no trabalho voluntário.

Os institutos podem se relacionar com a revisão como especialização, investindo em pessoas, para que desenvolvam habilidades para fazer isso melhor: criar novas ferramentas para verificar erros, plágio e falsificações, além de novas plataformas que facilitam a localização de críticas a outros especialistas.

No total, nos últimos dois anos, a pesquisa científica salvou milhões de vidas. Muitos desses esforços extraordinários eram incomuns, as pessoas adaptadas à medida que não se adaptariam nos tempos comuns. Mas a pandemia nos mostrou que uma grande ciência pode ser feita rapidamente.

Melhorar a ciência deve ser uma das principais prioridades do mundo, e isso não precisa ocorrer devido à velocidade. Nós podemos fazer as duas coisas.