Khí hậu và bệnh truyền nhiễm: Khi phân tích nhân quả mở đường cho dự báo chính xác hơn

Dòng Dọc

15-04-2025

– Wisdom shines when the mind is steady. If the mind is disturbed, wisdom becomes clouded.

Trích “Meditation Master”; Wild Wise Weird [1]

Khi khí hậu toàn cầu ấm lên, một mối lo ngại cấp bách đang nổi lên: nhiệt độ tăng và thời tiết biến đổi sẽ ảnh hưởng thế nào đến sự lây lan của các bệnh truyền nhiễm? [2–4]. Các tác nhân gây bệnh như sốt rét, tả, và cúm đã được chứng minh là rất nhạy cảm với các yếu tố môi trường như nhiệt độ và độ ẩm. Tuy nhiên, việc dự đoán tác động của biến đổi khí hậu lên động lực truyền bệnh vẫn là một thách thức khoa học chưa có lời giải—chủ yếu vì phần lớn các nghiên cứu hiện tại dựa vào dữ liệu quan sát, khiến việc phân biệt giữa tương quan và quan hệ nhân quả trở nên khó khăn.

Một nghiên cứu gần đây của Barrero Guevara và cộng sự [5], công bố trên Nature Ecology & Evolution, đã giới thiệu một khung phân tích mạnh mẽ để giải quyết khoảng trống này. Dựa trên lý thuyết suy luận nhân quả (causal inference), nhóm nghiên cứu đề xuất sử dụng đồ thị có hướng không chu trình (directed acyclic graphs – DAGs) kết hợp với mô hình truyền bệnh để làm rõ ảnh hưởng nhân quả thực sự của thời tiết lên động lực dịch tễ [6,7]. Cách tiếp cận này giúp phát hiện các thiên lệch (biases) tiềm ẩn trong nghiên cứu hiện tại và hướng dẫn thiết kế nghiên cứu vững chắc hơn.

Một vấn đề trung tâm mà họ chỉ ra là thiên lệch đo lường (measurement bias). Do số ca bệnh quan sát được bị chi phối bởi nhiều yếu tố—gồm tốc độ lây truyền, miễn dịch cộng đồng, v.v.—chúng không phản ánh chính xác các yếu tố thúc đẩy dịch bệnh. Do đó, các mô hình dựa trên dữ liệu ca mắc thô có thể ước lượng sai tác động của khí hậu.

Nghiên cứu cũng khai thác khái niệm thí nghiệm tự nhiên (natural experiments). Bằng cách phân tích dữ liệu từ các vùng khí hậu khác nhau—chẳng hạn như Lübeck (Đức, ôn đới) và Bogotá (Colombia, nhiệt đới)—nhóm nghiên cứu chỉ ra rằng việc lựa chọn địa điểm chiến lược có thể giúp tách biệt ảnh hưởng riêng biệt của nhiệt độ và độ ẩm. Những tương phản “gần như thực nghiệm” này giúp cô lập các biến số thường thay đổi đồng thời.

Bên cạnh đó, các tác giả cảnh báo về thiên lệch nhiễu (confounding bias), khi sự khác biệt về không gian trong mô hình bệnh tật có thể bị hiểu sai là do lan truyền dịch bệnh, trong khi nguyên nhân thực sự là sự khác biệt về khí hậu nền. Nếu không mô hình hóa cẩn trọng, những diễn giải sai này có thể làm lệch hướng các chiến lược y tế công cộng.

Cuối cùng, nghiên cứu cho thấy tác động của khí hậu lên bệnh tật thường diễn ra qua các con đường gián tiếp phức tạp. Ví dụ, nhiệt độ không chỉ ảnh hưởng trực tiếp đến truyền bệnh, mà còn tác động đến độ ẩm—với hiệu ứng đôi khi trái chiều.

Sức khỏe con người gắn bó sâu sắc với hệ thống khí quyển mà chúng ta sinh sống. Khi hiện tượng nóng lên toàn cầu tiếp diễn, việc hiểu rõ các mối liên hệ nhân quả này không chỉ quan trọng để dự báo rủi ro bệnh tật, mà còn giúp chúng ta tôn trọng mạng lưới phức hợp kết nối khí hậu và phúc lợi con người [8,9].

Tài liệu tham khảo

[1] Vuong QH. (2024). Wild Wise Weird. https://www.amazon.com/dp/B0BG2NNHY6/ 

[2] National Center for Emerging and Zoonotic Infectious Diseases. (2021). Our risk for infectious diseases is increasing because of climate change. https://www.cdc.gov/fungal/media/pdfs/ncezid-climate-change-and-infectious-diseases.pdf 

[3] Robert Koch Institute and Statistisches Bundesamt. (2023). Impact of climate change on infectious diseases and antimicrobial resistance – Part 1 of the German Status Report on Climate Change and Health 2023 - Journal of Health Monitoring S3/2023. https://www.rki.de/EN/News/Publications/Journal-of-Health-Monitoring/GBEDownloadsJ/JHealthMonit_2023_S3_Status_report_climate_change_health_part1.html 

[4] Cissé G, et al. (2022). Climate change 2022: Impacts, adaptation and vulnerability. IPCC. https://www.ipcc.ch/report/ar6/wg2/ 

[5] Barrero Guevara LA, et al. (2025). Causal inference concepts can guide research into the effects of climate on infectious diseases. Nature Ecology & Evolution, 9, 349-363. https://www.nature.com/articles/s41559-024-02594-3  

[6] Digitale JC, et al. (2022). Tutorial on directed acyclic graphs. Journal of Clinical Epidemiology, 142, 264-267. https://doi.org/10.1016/j.jclinepi.2021.08.001 

[7] Mina MJ, et al. (2020). A Global lmmunological Observatory to meet a time of pandemics. Elife, 9, e58989. https://doi.org/10.7554/elife.58989 

[8] Ho MT, Nguyen DH. (2025). Of Kingfisher and Man. https://philarchive.org/rec/HOOKAW 

[9] Nguyen MH. (2024). How can satirical fables offer us a vision for sustainability? Visions for Sustainability. https://ojs.unito.it/index.php/visions/article/view/11267