Há um exercício de pensamento que eu gosto de fazer com meus estudantes de estatística. Imagine um médico que joga fora todos os swabs e apenas diagnostica todos os pacientes como doentes. Em certo sentido, a abordagem é precisa: nenhum paciente doente não é diagnosticado. Se é inofensivo dizer às pessoas que elas estão doentes, não há problema.
Mas não é inofensivo: pacientes e famílias podem enfrentar estresse indevido, se isolar ou gastar muito tempo e dinheiro em testes e tratamentos desnecessários. Isso pode se tornar um grande problema, especialmente se não muitas pessoas estão realmente doentes. Eu uso este exemplo que é tão extremo que é ultrajante – nenhum médico faria uma coisa dessas! Eu nunca pensei que um presidente e seus consultores usariam essa abordagem exata.
Como pesquisador de saúde pública, estou profundamente alarmado com os cortes drásticos e repentinos que o presidente Trump, Elon Musk e sua nova equipe estão fazendo ao governo federal, inclusive nas agências de saúde. Esses cortes afetam os programas cruciais para a saúde, ajuda internacional, educação e muitas outras áreas importantes. Eles alegaram que muitos desses cortes, congelamentos e demissões devem reduzir o desperdício e a fraude nos gastos públicos, sem evidências credíveis para apoiar isso. Essa alegação ganhou alguma simpatia mesmo daqueles que geralmente não apóiam as políticas de Trump. Mas se eles realmente desejam fortalecer as funções do governo e reduzir os gastos, erguendo fraudes e resíduos, o governo precisa de uma abordagem diferente, informada por algumas lições básicas da probabilidade, estatística e exames médicos.
Eu ensinei muitos alunos sobre os conceitos de sensibilidade e especificidade de exames médicos, filtros de spam e outros métodos de classificação. A idéia de probabilidade principal é que o entendimento do desempenho de um teste ou algoritmo requer saber o quão bem eles desempenham duas funções: classificar corretamente os verdadeiros positivos (sensibilidade) e negativos verdadeiros (especificidade). Para muitos testes, incluindo testes de PCR nasais de SWAB para covid-19 e gripe, o teste possui uma medida quantitativa que se transforma em um resultado positivo ou negativo com base em algum limite. Parte da minha pesquisa está no valor dessas informações.
Existem duas maneiras principais de mudar o desempenho de um teste em uma população; Podemos alterar o limite para classificar positivos versus negativos ou melhorar a precisão subjacente do teste. Trump, Musk e Companhia estabeleceram seu limiar desaparecer e fizeram essas “determinações” sem provas ou evidências. Eles parecem começar com a presunção de que todo dólar gasto que não os beneficia ou seus amigos é um desperdício. Se pensarmos em seus cortes como classificando os gastos como fraudulentos, essa abordagem tem alta sensibilidade – ela interromperá qualquer fraude por aí. Mas possui especificidade incrivelmente baixa e joga muitos gastos importantes, justificados e legalmente obrigatórios. É como se o médico assumisse que todo teste é positivo.
Isso nos leva a outro recurso -chave da avaliação do desempenho do teste: a função de custo. Cada classificação errada tem algum custo associado a ela. Avaliar o desempenho de um teste depende do equilíbrio das decisões corretas e erradas. Musk afirmou que qualquer erro pode ser desfeito, restaurando o financiamento posteriormente. Mas o governo federal não é como o Twitter: os erros têm consequências do mundo real. Embora o custo de permitir que um pagamento desperdiçado seja medido seja medido em dólares, o custo de interromper um pagamento válido pode ser danos a longo prazo às organizações, economias locais e confiança no governo. Também pode causar danos graves e imediatos à saúde do público e prejudicar as pessoas em todo o mundo. Esses riscos assimétricos tornam este um plano incrivelmente perigoso.
Na verdade, reduzir o desperdício e a fraude nos programas governamentais exige melhorar a sensibilidade e a especificidade de detectá -los, não apenas declarando tudo fraudulento. Isso requer pesquisa cuidadosa, pessoal dedicado monitorando suas áreas de especialização e processos estáveis e consistentes. Infelizmente, Trump e Musk prejudicaram os três, desde o início. Um de seus primeiros atos foi demitir pelo menos 17 inspetores gerais, os líderes dos escritórios geralmente responsáveis por identificar fraudes e má conduta nas agências governamentais. Eles também reduziram as agências estatísticas, agências de supervisão e subsídios de avaliação que podem avaliar o impacto de vários programas de gastos e causaram estragos nos funcionários federais – os responsáveis por essa supervisão – de maneira mais geral.
Bem antes deste ano, várias agências governamentais começaram a implementar algoritmos de aprendizado de máquina para detecção de fraude. Os investigadores humanos que treinam e usam esses algoritmos avaliam essas mesmas trade-offs. Mas os funcionários com esse conjunto de habilidades, juntamente com outros funcionários públicos dedicados, agora enfrentam demissões em massa, movimentos forçados para diferentes locais (em desacordo com recomendações para o desenvolvimento dessa força de trabalho) e a equipe de Musk frequentemente interrompendo seu trabalho real.
Se o médico fictício encomendasse um teste com especificidade zero para o paciente, estaria cometendo negligência. É exatamente isso que Trump e Musk estão fazendo com nosso governo federal.
Lee Kennedy-Shaffer é educador e pesquisador de bioestatística da Escola de Saúde Pública de Yale.
