På senaste tiden har de rapporterats om på många sätt exceptionella teman. Diskussionen om modeller har också varit exceptionell. Den allmänna diskussionen om modeller är så ny och förvirrande att lämpliga ord inte har fastslagits.
”De skulle kanske kunna vara lite mer realistiska”, kommenterade någon prognoser i coronamodeller. Men vad är det som gör en modell realistisk? För att kunna svara frågan borde man kanske förstå vad en modell är och vad den kan berätta. En modell är inte en exakt kopia av världen utan en förenklad beskrivning. Önskan om en mer realistisk modell gömmer tanken om att den som önskar det vet bäst. I efterhand kan man jämföra och se om prognoserna uppfylldes, för det finns ju ingen klokskap större än efterklokheten. Men i komplicerade system motsvarar den tidigare utvecklingen inte nödvändigtvis den kommande, och modellens giltighetsområde kan bli snäv.
Modeller tillämpas också på den mikrobiologiska livsmedelssäkerheten, till exempel i form av tillväxt- och inaktiveringsmodeller för bakterier. Det har kanske varit möjligt att modellera tillväxt av bakterier i livsmedel endast inom ett begränsat pH-område och i vissa temperaturer varför resultaten inte direkt kan utnyttjas för annorlunda förhållanden. I ett helt annat sammanhang kunde man modellera hållbarheten av tätningsringar för rymdskyttlars raketer i huvudsakligen positiva temperaturer under verkliga uppskjutningsförhållanden, och uppskattningen gällde inte i kölden 28 januari 1986. En modell i sig kan vara realistisk men data för modellen är begränsade. Och även om mera data samlas, kan de vara fel för ändamålet. Det finns fall där inte ens en enorm mängd av data kan skapa mervärde! Detta kallas för ett strukturellt identifierbarhetsproblem. Ibland minskar osäkerheten när mera data samlas.
Genom att planera försöken grundligt kan man få mer informativ data, men det kostar att göra försök. Vanligen samlas data i samhället för helt andra ändamål än för riskvärderingsmodeller, och de är inte nödvändigtvis särskilt tillämpliga för sådana modeller. Det finns situationer som inte ens en modell kan beakta. Även om en tillväxtmodell för bakterier hade gjorts upp så att den kan tillämpas på otaliga olika förhållanden i kylskåpet, är det möjligt att den inte stämmer om någon har ännu ett annat sätt att förvara sin mat. Är det då modellen som har fel? Modellen kan inte förutsäga allt vad människan kommer på, och människan är vanligen den avgörande faktorn när det gäller människors hälsa. Modellen kan prognostisera att ”om du gör så här, är resultatet sannolikt det här”, men om du gör något annat ... good luck!
Även osäkerheten på bedömningen kan bedömas
Vad är då möjligt? Ofta gäller det helt enkelt att göra den bästa möjliga bedömningen på grund av den information som man har. Men osäkerheten på bedömningen kan ofta också bedömas – beskrivande och kalkylmässigt. Att kalkylera osäkerheterna och integrera dem i modellerna hör till utvecklande forskning och är nödvändigt vid kvantitativ riskvärdering. Detta sker redan i nutiden. Då utgörs prognosintervallen inte endast av ett imaginärt scenario för det bästa och värsta alternativet utan ett helt spektrum där vissa resultat är mer sannolika än andra. Hur sannolika, det beror på den nya evidens som finns tillgänglig tillsammans med den befintliga informationen. Och när evidensen uppdateras, behövs självlärande modeller som uppdateras i takt med evidensen. En modern modell betyder inte en stelnad samling av lösa hypotetiska parametervärden, utan en helhet som grundar sig på sannolikhetskalkyl med en prognos som definieras av den kontinuerligt ändrande informationen. Beslut stöder sig mot forskningsrön som ska uppdateras allt snabbare. Modellerna ska även vara öppna och reproducerbara. Detta behov tillgodoses med utveckling av olika portaler för publicering av modeller. RAKIP är ett exempel på en sådan portal för riskbedömningar inom livsmedelssäkerheten.
Det talas om evidenssyntes när det gäller utnyttjande av flera informationskällor. En hel produktionskedja gäller såväl djur, miljö som människor, och av alla dessa samlas information som ska analyseras och modelleras för kvantitativ riskvärdering. Det är inte någonting som man sätter igång i en handvändning. Därför ska man långsiktigt utveckla beredskapen och metoderna i förväg, även då det inte ännu finns ett akut behov. Europeiska riskvärderingsorgan har vaknat till insikt om att det inte finns systematisk och helhetsinriktad utbildning i riskvärdering och riskvärderingsmetoder vid ett enda universitet. Medlemsländerna samarbetar för att rätta situationen, men det tar tid. Medan du väntar kan du läsa mer om metoder i denna nya bok.
Jukka Ranta FD, Doc.
forskningsprofessor
enheten för riskvärdering
Twitter: @jukka_ranta
En bild av estimering av dos–effektmodellens parametrar för en sjukdom orsakad av campylobacter.