Frissítenünk kell a halálozási arány modelljeit, vagy valóban véletlenszerű teszteket kell bevezetnünk, hogy megértsük a koronavírus valódi hatását.

Tegyük fel, hogy meg akarjuk becsülni, hogy hány autótulajdonos van az Egyesült Királyságban, és közülük hányan rendelkeznek Ford Fiestával, de csak arra van adatunk, hogy hányan látogattak meg a Ford újdonságait az elmúlt évben. Figyelembe véve a minta elfogultságát, ha a kiállítás látogatóinak 10% -a rendelkezne Fiestával, az országos szinten túlbecsülné a Ford Fiesta tulajdonosainak arányát.

vesszük

Ugyanez a vonal követi a COVID-19-ben szenvedők halálozási arányának becslését. Az Egyesült Királyságban, anélkül, hogy tovább mennénk, szinte az összes vizsgálatot már kórházi személyekkel végzik, akiknél a betegség tünetei vannak. Az írás idején az Egyesült Királyságban 29 474 megerősített COVID-19-es eset fordult elő (hasonlóan egy kiállítást felkereső autótulajdonosokhoz), ebből 2352 (egy kiállítást meglátogató Ford Fiesta-tulajdonosok). Ez a becslés azonban nem veszi figyelembe mindazokat az embereket, akik enyhe tüneteket mutatnak, vagy közvetlenül nem mutatják be azokat.

Arra a következtetésre jutva, hogy a COVID-19 halálozási aránya 8% (29 474-ből 2 352), sok embert figyelmen kívül hagynak, akik a betegségben szenvedés ellenére sem kerülnek kórházba vagy meghaltak (hasonlóan azokhoz a járműtulajdonosokhoz, akik kiállítást nem látogatott meg, vagy nem volt Ford Fiesta tulajdonosa). Ezért hibának felel meg annak megállapításának, hogy az Egyesült Királyságban az összes autótulajdonos 10% -a rendelkezik Fiestával.

Feltűnő példákat találhatunk az ilyen típusú következtetésekre. Az Oxfordi Egyetem COVID-19 tesztelő szolgálata átfogó statisztikai elemzésen dolgozik, amely felismeri a lehetséges szelekciós torzításokat, és olyan konfidencia intervallumokat ad hozzá, amelyek megmutatják, hogy mekkora hiba lehet a halálozások (potenciálisan félrevezető) arányában.

A munkacsoport számos olyan tényezőt emel ki, amelyek nagy különbségekhez vezethetnek az egyes országok között. Például az átlagos 8% -os "halálozási arány" az Egyesült Királyságban megdöbbentően magas, szemben a németországi 0,74% -kal. Ezek a tényezők különböző demográfiai változókat tartalmaznak, mint például az idős emberek százalékos aránya a lakosságban, valamint a halálokok jelentésének módja. Például egyes országokban minden olyan embert, aki a COVID-19 diagnosztizálása után hal meg, e betegség haláleseteként regisztrálják, még akkor is, ha nem ez volt a fő ok, míg más emberek anélkül is meghalhatnak, hogy vírust kaptak volna. diagnózis.kapcsolódó.

A statisztikai modellek azonban nem tartalmaznak kifejezett oksági magyarázatokat, amelyek lehetővé tennék az elérhető következtetések kidolgozását a rendelkezésre álló adatokból, beleértve a vírustesztekből kinyert információkat is.

Kidolgoztuk az oksági modell kezdeti prototípusát, amelynek felépítése a fenti képen látható. A különböző változókhoz csatlakozó nyilak kölcsönös függőségüket mutatják egy ilyen modellben.

Ezeket a kapcsolatokat, más ismeretlen változókkal együtt, valószínűségnek tekintjük. Az információk ismert és specifikus változók formájában történő megadásával az ismeretlen változó valószínűségei a Bayes-i következtetés nevű módszerrel frissülnek. A modell feltárja a COVID-19 halálozási arányt a mintavételi, elemzési és jelentési módszerek függvényében, mivel azt a legkiszolgáltatottabb népességcsoport fertőzési aránya határozza meg.

Ezért könnyű megfigyelni a halálozási arányok közötti különbségeket a különböző országokban. Ennek oka az, hogy különböző mintavételi és jelentési politikákat alkalmaztak; nem feltétlenül a vírus jobb vagy rosszabb kezelésének vagy annak a ténynek kell lennie, hogy nagyobb vagy kevesebb embert fertőzött meg.

Egy kauzális modell segítségével, amely megmagyarázza az információk keletkezésének folyamatait, pontosabban megismerhetjük az országok közötti különbségeket, valamint pontosabban megtudhatjuk a fertőzött népesség valós arányát és az általunk nyert adatokból kivont halálozási arányokat. . Ez a modell kibővíthető a demográfiai tényezőkkel, valamint a társadalmi távolsággal és más megelőzési módszerekkel. Olyan hasonló problémák kezelésére összpontosítottunk modelleket, amelyek jelenleg információkat gyűjtenek annak érdekében, hogy teljes legyen az előző képen bemutatott (még készülő) modelltípus.

Véletlenszerű tesztek

A közösségi szintű tesztelési rendszer hiányában a randomizált populációs tesztekben rejlik az alternatíva annak, hogy közelebb kerüljünk a tünetmentes vagy gyógyult COVID-19-es betegek számához. A fertőzés és a halálozás valódi arányának megismeréséhez tudnunk kell, hogy hány ember tünetmentes. Ezenkívül a randomizált tesztek lehetővé tennék a vizsgálatok eredményességének megállapítását (hamis pozitív és hamis negatív arányok).

Így a randomizált tesztek a leghatékonyabb módszerek a szelekciós torzítások elkerülésére és a statisztikában látható torzulások csökkentésére. Ideális esetben viszont a bizonyítékokat kauzális modellekkel kombinálnák.

Jelenleg az állami protokoll létrehozása a közösség számára végzett véletlenszerű tesztek kidolgozásához egyetlen ország tervei között sem szerepel. Spanyolország megpróbálta, de a COVID-19 kimutatásához jelentős mennyiségű gyors tesztre volt szükség, és a kormány felfedezte, hogy a Kínából érkező tesztek egy része nagyon alacsony megbízhatóságot és pontosságot mutatott (30%), ami nagy számban adott hamis pozitív eredményt.

Az olyan országok, mint Norvégia javasolják a véletlenszerű tesztelés bevezetését, de még mindig van némi bizonytalanság arról, hogyan lehet törvényileg ösztönözni az állampolgárokat a tesztelésre, és hogyan lehetne létrehozni egy megfelelő randomizációs protokollt. Izlandon önkéntes mintavételeket végeznek, amelyek már a lakosság 3% -át lefedték, de ezek nem véletlenszerűek. Egyes országok, amelyek nagyszabású tesztelési rendszerrel rendelkeznek, megközelíthetik a kívánt véletlenszerűséget, mint például Dél-Korea.

A randomizált tesztek kidolgozása azért olyan nehéz, mert számos gyakorlati és pszichológiai tényezőt figyelembe kell venni. Hogyan lehet véletlenszerű mintákat kapni? Az önkéntesektől származó minták összegyűjtése nem biztos, hogy elegendő, mivel ez nem kerüli el az önszelekciós torzítást.

A H1N1 vírus által okozott 2009–2010-es influenza A-járvány során az általános szorongás tömeges pszichogén betegséghez vezetett. Ez a jelenség akkor fordul elő, amikor az adott tünetek iránti túlérzékenység az egészséges embereket a vírus öndiagnózisához vezeti, ami azt jelenti, hogy különleges hajlamot mutatnának be a tesztelésre. Ez a helyzet részben hozzájárulhat a hamis pozitív ráták inflációjához, ha a tesztek érzékenységét és specifitását nem ismerjük teljesen.

Noha az önszelekciós torzítás nem szüntethető meg, a terepi munkával csökkenthető. Ehhez önkéntes minták kérésére lenne szükség azon helyek lakosságától, ahol akár karanténban is hajlandóak lennének részt venni a teszteken. Ezenkívül mintákat kell gyűjteni azoktól az egyénektől is, akik önként házukba zárták magukat.

Mindenesetre meg kell magyarázni a statisztikák korlátait, amikor a média előtti megjelenésekben ki vannak téve. És pontosan le kell írni a lakosságra és az egyénekre vonatkozó releváns adatokat. E tekintetben megértjük, hogy a jelenlegi válság közepette jelentős kommunikációs kudarcok tapasztalhatók.

Ez a cikk a Beszélgetés c

Élvezze a korlátlan hozzáférést és az exkluzív előnyöket