ANALÜÜS | Kaoseteooria rakendamisest epideemiate kriisijuhtimisel

Kriisiuuringute Keskus alustab erirubriigiga ANALÜÜS, milles avame kriisijuhtimise, elanikkonnakaitse ja julgeoleku valdkonna olulisi mõisteid, teooriaid ja käsitlusi ning vaatleme nende tähendust ja praktilist rakendamist. Rubriigi avaartiklis käsitlevad teadurid Anne-May Nagel ja Sofiia Kostytska kaoseteooriat, mida seostatakse sageli liblikaefektiga – arusaamaga, et esmapilgul väikesed muutused võivad teatud tingimustel kaasa tuua ulatuslikke ja raskesti ennustatavaid tagajärgi. Mida kaoseteooria tegelikult tähendab ning kuidas võiks selle põhimõtteid rakendada epideemiate ja teiste ulatuslike kriiside juhtimisel?

COVID-19 pandeemia näitas, kui keeruline on prognoosida nakkushaiguse levikut ühiskonnas, kus inimeste käitumine, riikide otsused ja tervishoiusüsteemide suutlikkus on omavahel tihedalt seotud. Epideemia kulgu ei määra üksnes haigustekitaja bioloogilised omadused, vaid ka keskkond, milles haigus levib, ning inimeste ja institutsioonide reaktsioonid sellele. Seetõttu võib nakkushaiguse levik kujuneda kiiresti muutuvaks protsessiks, mille prognoosimiseks ei piisa alati lihtsustatud matemaatilistest mudelitest.

Mis on kaoseteooria?

Kaoseteooria kuulub matemaatika valdkonda ning uurib keerukate dünaamiliste süsteemide käitumist. Selle üheks keskseks mõisteks on deterministlik kaos – olukord, kus süsteemi arengut juhivad kindlad matemaatilised seaduspärasused, kuid süsteemi pikaajaline käitumine võib olla äärmiselt tundlik algtingimuste suhtes. Kaoseteooria üheks rajajaks peetakse Ameerika meteoroloogi Edward Lorenzi, kes näitas 1963. aastal avaldatud uurimuses, et isegi lihtsustatud ilmastikumudel võib käituda viisil, kus väikesed erinevused lähteandmetes viivad aja jooksul väga erinevate tulemusteni.1 Sellest kujunes hiljem tuntud liblikaefekti kujund. See ei tähenda siiski, et liblika tiivalöök põhjustaks tingimata tormi või et iga väike eksimus viiks katastroofini. Kaoseteooria kirjeldab olukordi, kus süsteemi areng sõltub algtingimustest sedavõrd tugevalt, et pikaajaliste prognooside täpsus muutub piiratud mõõtmisvõimaluste tõttu järjest väiksemaks. Näiline juhuslikkus ei tähenda seega tingimata seaduspärasuste puudumist, vaid võib peegeldada keerukat dünaamikat, mille täpne prognoosimine on praktiliselt raskendatud.

Kaoseteooriat on rakendatud meteoroloogias, ökoloogias, astronoomias ja populatsioonidünaamika uurimisel, kuid selle põhimõtted on olulised ka epidemioloogias. Nakkushaiguste levikut mõjutavad üheaegselt viiruse omadused, inimestevahelised kontaktid, elanikkonna immuunsus, käitumisharjumused ning riikide rakendatavad tõrjemeetmed. Need tegurid ei toimi üksteisest sõltumatult, vaid võivad luua vastastikuseid seoseid, mille tulemusena kujuneb epideemia areng raskesti prognoositavaks. Näiteks võivad valitsuse kehtestatud piirangud muuta inimeste käitumist, mis omakorda mõjutab nakkuse levikut ja tervishoiusüsteemi koormust. Haiglaravi vajaduse suurenemine võib sundida riiki rakendama täiendavaid meetmeid, millel on omakorda mõju majandusele, haridusele ja inimeste igapäevaelule. Selliste seoste uurimisel võivad kaoseteooriast lähtuvad meetodid täiendada tavapäraseid epidemioloogilisi mudeleid, aidates mõista süsteemi võimalikku mittelineaarset käitumist. Samas tuleb eristada matemaatilist kaost üldisest keerukusest, määramatusest ja juhuslikkusest, sest kõik raskesti prognoositavad protsessid ei ole tingimata kaootilised.

Kuidas võivad väikesed erinevused muuta epideemia kulgu?

Epideemiate kriisijuhtimisel kasutatakse olulise näitajana reproduktsioonikordajat ehk R-arvu, mis kirjeldab, mitu inimest üks nakatunu keskmiselt edasi nakatab. Kui kordaja on suurem kui üks, võib nakkuse levik kasvada, kuid kui see jääb püsivalt alla ühe, hakkab nakatunute arv üldjuhul vähenema. Tegelikkuses sõltub reproduktsioonikordaja ajast, elanikkonna immuunsusest, kontaktikäitumisest ja rakendatud meetmetest. Oletame lihtsustatud näitena, et epideemia alguses esineb 100 uut nakkusjuhtu. Kui üks nakatunu nakatab keskmiselt 0,95 inimest, oleks 15 järjestikuse nakkuspõlvkonna järel uute juhtude arv ligikaudu 46. Kui sama näitaja oleks 1,05, oleks juhtude arv samaks ajaks ligikaudu 208. Kuigi reproduktsioonikordajate erinevus on vaid 0,1, on kahe arengustsenaariumi tulemused märgatavalt erinevad. Tegemist on matemaatilise illustratsiooniga, mitte tegeliku epideemia prognoosiga, sest arvutuses ei arvestata immuunsuse, elanike käitumise ega teiste epidemioloogiliste tegurite muutumist. Näide kirjeldab eelkõige eksponentsiaalse kasvu tundlikkust, mitte iseenesest deterministlikku kaost, kuid aitab selgitada, miks võivad nakkushaiguse leviku suhteliselt väikesed erinevused aja jooksul omandada kriisijuhtimise seisukohalt suure tähenduse.

Kaoseteooria rakendamine epidemioloogias võimaldab uurida veelgi keerukamaid mittelineaarseid seoseid. Näiteks kasutasid Mangiarotti et al.(2020) kaoseteoorial põhinevat modelleerimismeetodit COVID-19 leviku analüüsimiseks Hiinas, Jaapanis, Lõuna-Koreas ja Itaalias.2 Uurimuses näidati, et epidemioloogiliste andmete põhjal on võimalik koostada alternatiivseid matemaatilisi mudeleid, mis aitavad kirjeldada nakkuse levikudünaamikat ja võimalikke arengustsenaariume. Ka Postavaru et al. (2021) on uurinud COVID-19 leviku modelleerimisel mittelineaarseid ja kaootilisi komponente, kasutades muu hulgas Hiina, Lõuna-Korea, Itaalia ja Ameerika Ühendriikide epidemioloogilisi andmeid.3 Selliste lähenemiste väärtus seisneb võimaluses uurida haiguse leviku käitumismustreid ka olukorras, kus süsteemi kõigi mõjutegurite kohta puudub täielik teave. Samas ei anna mudeli matemaatiline keerukus iseenesest garantiid, et selle prognoosid oleksid tavapärastest epidemioloogilistest mudelitest täpsemad. Nende eesmärk ei ole määrata tulevikku eksimatu täpsusega, vaid paremini mõista võimalikke arenguteid ning toetada otsustamist määramatuse tingimustes.

Üks kooriproov, kümned nakatunud: kuidas kujuneb ulatuslik levikusündmus?

Ühe kõneka näite COVID-19 leviku keerukusest annab 2020. aasta märtsis Ameerika Ühendriikides Washingtoni osariigis toimunud kooriproov. 10. märtsil kogunes Skagiti maakonnas 61 inimest ligikaudu kahe ja poole tunni pikkusele kooriproovile, millel viibis ka haigussümptomitega inimene. Ameerika Ühendriikide haiguste tõrje ja ennetamise keskuse (CDC) uurimise põhjal tuvastati üritusega seoses 52 teisest nakkusjuhtu, millest 32 kinnitati laboratoorselt ja 20 liigitati tõenäolisteks haigusjuhtudeks. Kolm inimest vajas haiglaravi ning kaks suri.4 Juhtum osutas sellele, kui oluline võib nakkushaiguse levikus olla konkreetne keskkond, inimestevaheliste kontaktide kestus ja tegevuse iseloom. Suhteliselt väike rühm inimesi viibis pikema aja jooksul lähestikku ning ühine laulmine võis soodustada viirust sisaldavate aerosoolide levikut. Kooriproovi näide ei tõesta deterministlikku kaost, kuid on dokumenteeritud näide nakkuse ülekandumise ebaühtlusest ehk olukorrast, kus üks sündmus võib põhjustada ebaproportsionaalselt suure hulga nakkusjuhte.

Kriisijuhtimise seisukohalt tõstatab selline juhtum küsimuse, kuidas tuvastada ja piirata suure levikupotentsiaaliga sündmusi enne, kui nende tagajärjed kanduvad üle laiemasse ühiskonda. Üksik nakkuskolle võib suurendada vajadust testimise, kontaktide jälgimise, isolatsiooni ja tervishoiuteenuste järele. Kui samal ajal tekib mitu ulatuslikku levikusündmust, võib nende koosmõju suurendada survet kogu tervishoiusüsteemile ning muuta vajalikuks täiendavate meetmete rakendamise. Seejuures ei saa üksnes keskmiste epidemioloogiliste näitajate põhjal alati hinnata, millistes keskkondades kujuneb nakkuse levik kõige intensiivsemaks. Seetõttu tuleb tähelepanu pöörata ka sellele, kus nakkus levib, millistes tingimustes see toimub ning millised tegevused võivad levikut ebaproportsionaalselt võimendada. Skagiti kooriproovi kogemus näitab, et kriisijuhtimises võib konkreetsete tegevuste ja keskkondade riskide mõistmine olla sama oluline kui nakkuse üldise levikutaseme jälgimine.

Mida õpetab 1918. aasta gripipandeemia?

Kriisijuhtimises tehtavate otsuste ajastuse tähtsust aitab mõista ka 1918.–1919. aasta gripipandeemia. Markel et al. (2007) uuring, mis kaardistas 43 Ameerika Ühendriikide linna kogemusi, keskendudes sellele, milliseid nakkuse levikut piiravaid meetmeid rakendati ning kuidas seostus nende ajastus ja kestus epideemia tagajärgedega.5 Uuring näitas seost varajaste, mitmekesiste ja piisavalt kaua kestnud mittefarmakoloogiliste meetmete ning väiksema suremuse vahel. Näiteks alustas St. Louis nakkuse levikut piiravate meetmete rakendamist suhteliselt kiiresti ning sealne epideemia esimese laine suremuse tipp jäi Philadelphia omast märgatavalt madalamaks. Philadelphias rakendati meetmeid hiljem ning epideemia esimene laine kujunes raskemaks. Uurimus ei võimalda kõiki erinevusi linnade vahel selgitada üksnes piirangute ajastusega, sest mõju võisid avaldada ka rahvastiku struktuur, kohalikud olud ja muud tegurid. Siiski illustreerib võrdlus kriisijuhtimise olulist põhimõtet: meetme võimalik mõju ei sõltu ainult sellest, mida otsustatakse teha, vaid ka sellest, millal ja kui järjekindlalt seda tehakse.

1918. aasta gripipandeemia kogemus on tähelepanuväärne ka seetõttu, et see näitab kriisijuhtimise ja epidemioloogilise dünaamika seotust ajas. Nakkushaiguse leviku varases etapis võib sekkumine mõjutada nakatumisahelate arengut enne, kui nakatunute arv jõuab tervishoiusüsteemi jaoks kriitilise tasemeni. Hilisem sekkumine võib nõuda märksa ulatuslikumaid ressursse ning selle mõju avaldumine võib võtta rohkem aega. Samas ei saa ajaloolisi tulemusi üks ühele üle kanda tänapäevastele nakkushaigustele, sest haigustekitajad, tervishoiusüsteemid, rahvastiku struktuur ja ühiskondlikud tingimused on erinevad. Küll aga kinnitavad sellised võrdlusuuringud vajadust hinnata kriisijuhtimise meetmeid koos nende rakendamise ajastuse, kestuse ja kohaliku kontekstiga. Kaoseteooria seisukohalt on tegemist laiema näitega sellest, kuidas ajas muutuvad tingimused võivad mõjutada keeruka süsteemi arengut, kuigi ajalooline võrdlus ise ei tõenda matemaatilise kaose esinemist.

Ebola epideemia: kaoseteooria kui modelleerimise tööriist

Kaoseteooria kasutamine nakkushaiguste uurimisel ei alanud COVID-19 pandeemiaga. Mangiarotti et al. (2016) uuringus analüüsiti Lääne-Aafrika Ebola epideemia levikudünaamikat aastatel 2013–2016,6 milleks kasutati Maailma Terviseorganisatsiooni ja asjaomaste riikide tervishoiuasutuste avaldatud andmeid, keskendudes registreeritud nakkusjuhtudele ja surmadele. Uurimistöö käigus koostati neljamõõtmeline dünaamiline mudel, mis võimaldas analüüsida epideemia arengut, eristada selle erinevaid faase ja uurida süsteemi kaootilisi omadusi. Selle lähenemise üks tähelepanuväärseid võimalusi oli tuletada matemaatilisi seoseid vaadeldud aegridade põhjal, ilma et kõiki süsteemi juhtivaid seoseid oleks eelnevalt täpselt teada. Selline lähenemine võib olla epidemioloogias väärtuslik, sest uue nakkushaiguse ilmnemisel ei ole otsustajatel enamasti täielikku teavet haiguse omaduste, levikumehhanismide ega tulevaste käitumismustrite kohta.

Ebola epideemia modelleerimise kogemus osutab kaoseteooriast lähtuvate meetodite potentsiaalile epidemioloogilise analüüsi täiendamisel, kuid selle rakendusvõimalusi tuleb hinnata kriitiliselt. Konkreetse matemaatilise mudeli võime kirjeldada ühe epideemia levikudünaamikat ei tähenda automaatselt, et sama mudel sobiks teise nakkushaiguse, riigi või ajaperioodi jaoks. Mudeli kasutatavust mõjutavad muu hulgas andmete kvaliteet, haigustekitaja omadused ja modelleerimisel tehtud eeldused. Kriisijuhtimise seisukohalt võib selliste meetodite väärtus seisneda võimaluses märgata andmetes muutumismustreid, mida tavapäraste analüüsivahenditega oleks keerulisem tuvastada. Samas ei saa matemaatiline mudel asendada epidemioloogilist eksperdihinnangut, institutsioonide praktilisi teadmisi ega poliitilist vastutust otsuste langetamisel. Pigem tuleks kaoseteoorial põhinevaid mudeleid käsitleda ühe täiendava tööriistana laiemas otsustamist toetavas analüüsisüsteemis.

Mudelid ei anna vastuseid kõigile küsimustele

COVID-19 pandeemia alguses kujunes epidemioloogiliste mudelite kasutamine kriisijuhtimise oluliseks töövahendiks. Nende abil hinnati nakkuse võimalikku levikut, haiglaravi vajadust, tervishoiusüsteemi koormust ning erinevate tõrjemeetmete võimalikku mõju. Samas tuleb mõista mudelite olemuslikke piiranguid, sest nende tulemused sõltuvad alati kasutatud lähteandmetest, matemaatilistest eeldustest ja modelleerimise eesmärgist. Stuart et al. (2020) kohaselt peab epidemioloogiliste mudelite kasutamisel teadma nende eesmärki, eeldusi ja kasutatud andmete kvaliteeti.7 Näiteks võib üks mudel vastata küsimusele, kui palju haiglakohti võib lähinädalatel vaja minna, samal ajal kui teine hindab nakatumise võimalikku arengut ilma täiendavate piiranguteta ning kolmas võrdleb erinevate sekkumiste teoreetilist mõju. Need on erinevad küsimused, millele vastamiseks kasutatakse erinevaid eeldusi. Probleem tekib siis, kui tingimuslikku prognoosi käsitletakse kindla tulevikuennustusena ega arvestata võimalusega, et tegelik olukord võib prognoosi aluseks olnud tingimustest erineda.

Mudelite usaldusväärsust mõjutavad oluliselt ka kasutatavate andmete puudused. Schneider (2020) on juhtinud tähelepanu Ameerika Ühendriikide COVID-19 testimisandmete puudulikkusele ja sellest tulenevatele raskustele pandeemia tegeliku ulatuse hindamisel.8 Kui testimismahud, andmete kogumise viisid või juhtude registreerimise põhimõtted piirkonniti erinevad, võib epidemioloogiliste andmete võrdlemine olla eksitav. Samuti võivad andmete avaldamise viivitused põhjustada olukorra, kus kriisijuhid langetavad otsuseid juba muutunud epidemioloogilise olukorra põhjal koostatud hinnangutele tuginedes. Puudulikest lähteandmetest koostatud matemaatiliselt täpne mudel ei pruugi seetõttu anda usaldusväärset pilti tegelikust olukorrast. Seejuures võib andmete kvaliteedi probleem osutuda eriti oluliseks kriisi algfaasis, mil usaldusväärset teavet napib, kuid otsustamise vajadus on suur. Seetõttu peab kriisijuhtimise korraldus võimaldama prognoose uute andmete lisandumisel kiiresti ajakohastada ning vajaduse korral seniseid otsuseid ümber hinnata.

Miks ei toimi kõikides riikides ühesugused lahendused?

Üheks COVID-19 pandeemia oluliseks õppetunniks kujunes tõdemus, et eri riikides rakendatud meetmete tulemusi ei ole lihtne otseselt võrrelda. Näiteks on Gibney (2020) käsitlenud teadlaste püüdlusi selgitada välja, millised pandeemia tõkestamiseks kasutatud meetmed olid kõige tõhusamad.9 Selliste hinnangute andmist raskendavad erinevused riikide elanikkonnas, tervishoiusüsteemides, testimises ja piirangute rakendamises. Sageli võetakse mitu meedet kasutusele korraga, mistõttu on keeruline eristada iga üksiku otsuse mõju. Näiteks võib nakkuse levik väheneda liikumispiirangute, inimeste vabatahtliku käitumismuutuse, kaugtöö kasutamise ja muude samaaegsete tegurite koosmõjul. Kui nakkusjuhtude arv seejärel väheneb, ei saa üksnes selle põhjal määrata, kui suur osa muutusest tulenes konkreetsest meetmest. Matemaatiline modelleerimine aitab neid seoseid uurida, kuid ei kõrvalda vajadust tulemusi kriitiliselt tõlgendada ega võimalda alati eristada kõiki samaaegselt toimivaid mõjutegureid.

McBryde et al. (2020) rõhutas samuti, et epidemioloogilised mudelid võivad toetada nii tervishoiuressursside planeerimist kui ka rahvatervise meetmete hindamist, kuid otsustamisel tuleb arvestada mudelite piirangute ja laiemate ühiskondlike tagajärgedega.10 Ühes riigis tõhusaks osutunud meetme rakendamine teises riigis ei pruugi anda samasugust tulemust, sest ühiskondlikud ja institutsionaalsed tingimused võivad oluliselt erineda. Näiteks võivad elanike usaldus riigiasutuste vastu, tervishoiusüsteemi võimekus ja ühiskondlik valmisolek piiranguid järgida mõjutada seda, kuidas konkreetne meede praktikas toimib. Seetõttu ei saa kriisijuhtimine põhineda üksnes teiste riikide edukaks peetud lahenduste ülevõtmisel, vaid eeldab nende sobivuse hindamist kohalikus kontekstis. Kaoseteooria ja komplekssete süsteemide uurimise vaatenurgast on oluline mõista, et sarnased sekkumised ei pruugi erinevates tingimustes viia identsete tulemusteni ning otsuste võimalikud tagajärjed sõltuvad sageli paljude omavahel seotud tegurite koosmõjust.

Epideemia mõju ulatub tervishoiust kaugemale

Epideemiate kriisijuhtimist teeb keerukaks asjaolu, et nakkushaigus ei mõjuta ainult tervishoiusüsteemi, vaid võib põhjustada ulatuslikke häiringuid kogu ühiskonnas. Haigestumise tõttu võivad väheneda töötajate arv ja ettevõtete tootmisvõime, liikumispiirangud võivad mõjutada haridust, transporti, kaubandust ja sotsiaalteenuseid ning tervishoiusüsteemi ümberkorraldamine võib muuta teiste haigustega patsientide võimalusi õigeaegset ravi saada. Näiteks käsitlesid Boon et al. (2021) COVID-19 pandeemia mõju kiiritusravile ning vajadust muuta ravikorraldust, kasutada kaugteenuseid ja kohandada seniseid tööprotsesse.11 Selline näide osutab, et ühe tervishoiukriisi lahendamiseks vajalikud ümberkorraldused võivad avaldada mõju ka inimestele, kes ei ole konkreetse nakkushaigusega nakatunud. Kui näiteks nakkushaiguse leviku vähendamiseks piiratakse haiglates plaanilist ravi, võib see vabastada tervishoiutöötajaid ja haiglavõimekust kriisi lahendamiseks, kuid samal ajal võib osa patsientide ravi edasi lükkuda. Kui ravi edasilükkamine põhjustab terviseseisundi halvenemist, võivad hilisemad ravivajadused suureneda, tekitades täiendava koormuse tervishoiusüsteemile.

Sellised sündmuste ahelad illustreerivad kriisijuhtimisega kaasnevaid süsteemseid vastasmõjusid, mille võimalikku ulatust ja kestust ei pruugi olla võimalik kriisi alguses täielikult hinnata. Samas ei tähenda see, et iga tervishoiusüsteemi ümberkorraldus peaks põhjustama kirjeldatud negatiivseid tagajärgi, sest tegelik mõju sõltub meetme ulatusest, kestusest ja rakendamise tingimustest. Kaoseteooria ja laiemate komplekssete süsteemide käsitluste väärtus seisneb siin eelkõige vajaduses mõista, et kriisijuhtimise otsused võivad avaldada nii otseseid kui ka kaudseid mõjusid erinevates ühiskonna valdkondades. Seetõttu tuleb otsuste võimalikke tagajärgi hinnates arvestada mitte ainult vahetu eesmärgiga, näiteks nakkuse leviku vähendamisega, vaid ka sellega, kuidas valitud meede võib mõjutada teiste avalike teenuste toimimist, elanike heaolu ja ühiskonna pikaajalist taastumisvõimet. Selline lähenemine eeldab sektoritevahelist koostööd ja suutlikkust hinnata kriisi arengut tervikliku protsessina.

Mida saab kaoseteooriast õppida kriisijuhtimises?

Kaoseteooria ei anna kriisijuhile valmis vastust küsimusele, milline meede tuleb järgmisena rakendada, kuid pakub täiendava vaatenurga keerukate ja kiiresti muutuvate olukordade mõistmiseks. Esiteks tuleb arvestada, et otsustamine algab sageli puuduliku teabe tingimustes, mistõttu ei saa kriisijuhtimine tugineda üksnes ühele prognoosile või muutumatule tegevuskavale. Teiseks tuleb arvestada otsuste ajastusega, sest epideemia varases faasis võib sekkumine mõjutada nakkuse leviku arengut olukorras, kus hilisemate meetmete rakendamine nõuaks juba märksa suuremaid ressursse. Kolmandaks tuleb mõista, et keerukates süsteemides võivad erinevad mõjud üksteist võimendada või nõrgendada ning nakkushaiguse levik, tervishoiusüsteemi koormus, inimeste käitumine ja majanduslikud tagajärjed ei ole üksteisest sõltumatud nähtused. Sellest tulenevalt peab kriisijuhtimise töökorraldus võimaldama otsuseid uue teabe põhjal korrigeerida, sest mudelite kasutamise üks olulisemaid eeliseid seisneb võimaluses hinnata erinevaid arengustsenaariume ning võrrelda nende võimalikke tagajärgi.

Oluline on ka kriisijärgne õppimine, mis ei tohiks piirduda üksnes küsimusega, kas lõpptulemus vastas soovitule. Uurida tuleb sedagi, millised eeldused otsuste tegemise ajal kehtisid, millist teavet otsustajatel kasutada oli ning kuidas oleks alternatiivne tegevus võinud kriisi kulgu mõjutada. Selline analüüs võimaldab tuvastada nii puudujääke kriisieelses valmisolekus kui ka otsustamisprotsesside korralduses ning aitab parandada organisatsioonide suutlikkust järgmisteks kriisideks valmistuda. Kriisijuhtimise eesmärk ei saa olla kogu määramatuse kõrvaldamine, vaid suutlikkus teha põhjendatud otsuseid ka olukorras, kus määramatus jääb püsima.

Kaoseteooriast lähtuv mõtteviis aitab mõista pikaajaliste prognooside piiranguid ning selle ühendamine epidemioloogilise modelleerimise, süsteemse riskianalüüsi ja kohanemisvõimelise juhtimisega võib toetada paremini põhjendatud kriisiotsuseid. COVID-19 pandeemia ja varasemad nakkushaiguspuhangud näitavad, et kriiside arengut mõjutavad nii bioloogilised tegurid kui ka ühiskondlikud ja institutsionaalsed valikud. Mida paremini mõistetakse nende tegurite vastastikmõju, seda suuremad on võimalused kriisi varakult märgata, reageerida muutustele ning vähendada selle mõju ühiskonnale.

Soovituslik viitamine:

🟠 Nagel, A.-M., & Kostytska, S. 2022. ANALÜÜS | Kaoseteooria rakendamisest epideemiate kriisijuhtimisel. 27.04.2022, Kriisiuuringute Keskus. 

🔺Teksti, videote ja piltide kasutamine, levitamine, muutmine või avaldamine on lubatud üksnes eelneval kirjalikul kokkuleppel MTÜ Kriisiuuringute Keskusega; nende loata kasutamine ei ole lubatud.
Allikad
1 Lorenz, E.N. 1963. Deterministic nonperiodic flow. Journal of the Atmospheric Sciences, 20(2), 130–141.
2 Mangiarotti, S., Peyre, M., Zhang, Y., Huc, M., Roger, F., & Kerr, Y. 2020. Chaos theory applied to the outbreak of COVID-19: An ancillary approach to decision making in pandemic context. Epidemiology & Infection, 148(e95).
3 Postavaru, O., Anton, S.R., & Toma, A. 2021. COVID-19 pandemic and chaos theory. Mathematics and Computers in Simulation, 181, 138–149.
4 Hamner et al., 2020. High SARS-CoV-2 attack rate following exposure at a choir practice — Skagit County, Washington, March 2020. Morbidity and Mortality Weekly Report, 69(19), 606–610.
6 Mangiarotti, S., Peyre, M., & Huc, M. 2016. A chaotic model for the epidemic of Ebola virus disease in West Africa (2013–2016). Chaos, 26(11): 113112.
7 Stuart, E.A., Polsky, D., Grabowski, M.K., & Peters, D. 2020. 10 tips for making sense of COVID-19 models for decision-making. 27.04.2020, Johns Hopkins Bloomberg School of Public Health.
8 Schneider, E.C. 2020. Failing the test — The tragic data gap undermining the U.S. pandemic response. The New England Journal of Medicine, 383(4), 299–302. 
10 McBryde et al., 2020. Role of modelling in COVID-19 policy development. Paediatric Respiratory Reviews, 35, 57–60.
11 Boon et al., 2021. Digital healthcare and shifting equipoise in radiation oncology: The butterfly effect of the COVID-19 pandemic. Journal of Medical Imaging and Radiation Sciences, 52(1), 11–13.

Jaga postitust: