Her er hvorfor Coronavirus-dødelighedsmodellerne ændrer sig - og hvorfor det ikke betyder, at vi overreagerede


Det er virkelig svært at modellere en pandemi. Hvem ville have gættet?

Adobe Stock / Angelina Bambina

Det tog ikke lang tid for mange af os at indse, at coronaviruspandemien ville være en dødbringende kraft, der ændrede vores liv på meget betydningsfulde måder, muligvis i meget lang tid. Men ifølge nogle større fremskrivninger kan antallet af hospitalsindlæggelse og død på grund af COVID-19 være lidt bedre end eksperter oprindeligt troede.

I slutningen af ​​marts forventede en ofte citeret model fra Institute for Health Metrics and Evaluation (IHME) ved University of Washington's School of Medicine, at USA ville se omkring 81.000 dødsfald - men muligvis op til 162.000. I begyndelsen af ​​april var modellen skiftet noget. Selvom det stadig forudsagde, at vi ville udholde omkring 81.000 dødsfald, kom det højeste skøn ned til omkring 136.000. Dens skøn over antallet af hospitals-ICU-senge og ventilatorer, vi ville have brug for, blev også reduceret.

Betyder det, at vi overreagerede med at lukke skoler, virksomheder og næsten hele byer? Altså nej. Som det viser sig, er fremskrivninger som disse meget vanskelige at sammensætte, og de fleste af dem ender med at være forkert på en eller anden måde. Men selvom en model ikke ender med at afspejle virkeligheden fuldstændigt, betyder det ikke, at den ikke kan være nyttig. En ændring i fremskrivninger betyder ikke nødvendigvis, at du gjorde noget forkert - det kan faktisk betyde, at du gjorde noget rigtigt.

Hvad går der i at skabe en model for spredning af smitsomme sygdomme?

Kort svar: meget.

Det lange svar? Nå, gør dig klar. I det væsentlige er der et par hovedtyper af modeller, som forskere kan oprette, fortæller Jeffrey Shaman, ph.d., professor i miljøhygiejnisk videnskab og direktør for klima- og sundhedsprogrammet ved Columbia University Mailman School of Public Health.

Den første slags er en matematisk model, der beskriver den komplekse transmissionsproces inden for en slags konstruktion, som hvordan mennesker i en by vil blive inficeret med det nye coronavirus, siger Shaman, der har ført Columbia Universitys arbejde med at skabe COVID-19-modeller. .

I nogle typer matematiske modeller, kaldet agentbaserede modeller, er forskere i stand til at tage højde for mange forskellige faktorer, der har indvirkning på hinanden. Det betyder, at modellen måler forskellige individuelle "aktører", der går på arbejde, shopper osv. Og beregner, hvordan deres sygdomsstatus - uanset om de er inficeret eller ej - vil ændre sig over tid baseret på hvem de ellers kommer i kontakt med og hvilke miljøer de går i.

Matematiske modeller som denne er ”beregningsdyr”, siger Shaman, og de er nødt til at antage en hel del antagelser om folks adfærd og hvordan virussen fungerer, måske eller måske ikke rigtig.

Der er forenklede versioner af matematiske modeller, kaldet rummodeller, som forskere kan bruge i en sag som denne. En meget almindelig er en SI- eller SIR-model, der estimerer antallet af modtagelige, inficerede og inddrevne individer i en bestemt situation over tid, forklarer Shaman.

Med denne type model forsøger du at måle "hastigheden, når folk bevæger sig mellem de forskellige rum fra at være modtagelige, til at blive smittet, til at blive fjernet fra befolkningen, fordi de er genoprettet eller døde," Amesh A. Adalja, MD, seniorforsker ved Johns Hopkins Center for Health Security, fortæller SELV.

For eksempel en model offentliggjort i International Journal of Infectious Diseases af forskere i USA og Kina, tager en SEIR (modtagelig, udsat, inficeret, fjernet) tilgang til modellering af udbruddet i Wuhan. Og i en undersøgelse, der i øjeblikket er i fortrykt brug, brugte Sherman og hans medforfattere en dynamisk metapopulationsmodel, der fungerer som et netværk af rummodeller for at undersøge den rolle, som de med milde eller asymptomatiske infektioner havde for at sprede udbruddet i Kina.

Den anden hovedtype model er en statistisk model, der skaber en fremskrivning af, hvordan situationen kan se ud på et eller andet tidspunkt i fremtiden, baseret på data, vi allerede har indsamlet om, hvad der skete tidligere. Den ofte citerede COVID-19-model oprettet af IHME er en sådan statistisk model, der bruges til at forudsige behovet for hospitalsudstyr såvel som antallet af dødsfald på grund af det nye coronavirus i USA og over hele verden.

Alle disse modeller skal tage højde for forskellige faktorer om virussen og de mennesker, den inficerer, såsom hvor hurtigt sygdommen spredes, hvor mange mennesker hver inficeret person fortsætter med at inficere, og hvor lang inkubationsperioden er, siger Dr. Adalja, hvis arbejde indebærer vurdering af pandemisk beredskab. Men i starten er det kun antagelser - og vi ved måske ikke, hvor nøjagtige disse antagelser er i et stykke tid. ”Alle disse modeller er baseret på visse antagelser, der skal forfineres, når udbruddet udfolder sig,” siger han.

Det er virkelig, meget svært at oprette en model til en ny virus, der spredes i realtid.

Oprettelse af en model til spredning og virkninger af en smitsom sygdom tager altid meget tid og kompliceret gætteri. Men situationer som dette coronavirus giver nogle meget unikke udfordringer, der gør det endnu sværere at skabe nøjagtige fremskrivninger om, hvad der kunne ske.

Tag f.eks. Sæsoninfluenzaen. Selvom dette er en infektionssygdomshændelse, der sker samtidig med, at forskere forsøger at skabe statistiske fremskrivninger omkring, hvor alvorlig den pågældende influenzasæson vil være, ændrer vores behandlinger og forebyggelsespraksis ikke så meget fra år til år, siger Shaman. Det gør det lettere at skabe en mere præcis model for, hvordan influenzasæsonen vil gå.

Men i tilfældet med det nye coronavirus, “vi er nødt til at antage, hvad samfundet vil gøre,” siger han, herunder når der gives sociale distanceringsordrer, hvor godt folk følger dem, og når folk begynder at gå tilbage til arbejde.

Andre store udfordringer har med testprocessen at gøre, siger Shaman. Vi ved, at der er et tidsvindue - op til 14 dage i langt de fleste tilfælde - mellem når nogen er smittet, og når de begynder at opleve symptomer, der får dem til at blive testet. Så når vi ser på testresultater, "ser vi, hvad der skete for omkring to uger siden," siger han, ikke resultatet af nye politiske ændringer, der er implementeret i de sidste par dage, og bestemt ikke, hvad der faktisk sker lige nu.

Tilgængeligheden af ​​tests, og når folk beslutter at søge test, spiller også en rolle. For eksempel, tidligere i udbruddet, har en person med mild forkølelse måske ikke følt det nødvendigt eller endda tænkt at få en test for COVID-19. Men senere, med denne virus top-of-mind for stort set alle, er det meget mere sandsynligt, at nogen med selv milde symptomer vil søge test. Også, hvis efterspørgslen efter tests er stor, men der ikke er nok tests til, at alle kan få en, giver det dig ikke nødvendigvis et fuldstændigt billede af antallet af positive tests. Derudover rapporterer ikke alle stater antallet af negative tests, de får.

Alle disse variabler hjælper med at give forskere et bedre billede af det sande antal tilfælde derude, og hvordan de spredes - og alle ændrer sig stort set konstant. Det har virkelige virkninger på, hvordan regeringer, hospitaler og enkeltpersoner forbereder sig på pandemien.

Eksempelvis har testproblemer nedad linjen gjort det vanskeligt at fortolke nøjagtigt de data, vi har, og estimere indlæggelsesraten. Oprindeligt viste data fra andre lande (som Spanien), at et meget stort antal mennesker, der var inficeret med det nye coronavirus, ville kræve indlæggelse, siger Dr. Adalja. Og ifølge CDC-data var indlæggelsesraten oprindeligt ret høj (over 30% for nogle aldersgrupper). Men for nylig har indlæggelsesprocenten i USA været meget lavere. Så hvorfor var de oprindelige fremskrivninger forkerte?

"Vi ved, at vi undervurderer en række sager på grund af testbegrænsninger," siger Dr. Adalja. Og hvis det er tilfældet, så "betyder det, at vi overvurderer forholdet mellem gæstfrihed og dødsfald."

At få disse tal så rigtige som muligt er utroligt vigtigt, hvis du f.eks. Er en hospitalplanlægger. Dette tal fortæller dig måske, at du ”får brug for så mange hospitalssenge, så mange ICU-senge, så mange ventilatorer,” siger Dr. Adalja. "Og det kan være forkert, hvis antallet af indlæggelsesfrekvenser er overvurderet."

Modeller som disse var designet til at ændre sig efterhånden som tiden går.

Efterhånden som vi lærer mere om sygdommen, når lokale politikker for social distancering er på plads, og når vi ser, hvordan folk rent faktisk opfører sig, er det helt normalt, at fremskrivningerne ændrer sig.

”Husk, at modeller stadig ikke er en erstatning for virkelige data. De er værktøjer, der anvendes af politikere til at tænke over forskellige scenarier, ”siger Dr. Adalja. ”De er ikke jernklædte; Du kan forvente, at modeller ændres, når der kommer flere data ud. ” Faktisk ender de fleste modeller med at være forkert af en eller anden grund, siger han. Det er også vigtigt at huske, at alle modeller har et område med usikkerhed eller en række mulige resultater, ikke kun et specifikt resultat, siger Shaman. Og jo længere vi ser ind i fremtiden, jo mere usikker er de forventede resultater.

Desværre, når du støder på en nyhedshistorie eller bare et tweet, der taler om en model af virkningen af ​​coronavirus, vil det simpelthen ikke være i stand til at tage den fulde kompleksitet af modelens detaljer eller de data, forskerne arbejdede med. Siger Dr. Adalja. Nuancerne og antagelserne om modellen såvel som de mange involverede mulige resultater går ofte tabt i oversættelsen.

Men nogle gange, som i dette tilfælde, er årsagen til, at modeller skifter, faktisk opmuntrende. "Når folk taler om at udjævne kurven, er det noget, der sker på grund af menneskelig indblanding," siger Shaman. Det er ikke en behandling eller en vaccine, men det er noget, som mennesker - mennesker som dig og mig! - gør, der har en reel indflydelse på forløbet af udbruddet, og de fremskrivninger, forskere laver for vores fremtid.

Disse tidlige modeller tog social afstandsforanstaltninger i betragtning, men det er ikke så let som at tilføje endnu et tal til ligningen. Du er nødt til at tænke over, hvornår ordrene er på plads, om de er en ægte ordre eller bare et forslag, og hvor godt folk virkelig vil følge disse ordrer. I en række simulationskort oprettet af Washington Post ved hjælp af data fra forskere ved Johns Hopkins University Center for Systems Science and Engineering kan du se, at streng social distancering har en langt mere signifikant effekt på kurven end et halvt forsøg, så vi vidste altid, at det ville være nyttigt.

Men at tage højde for social distancering og estimere dens sande effekt på kurven har været lidt af en udfordring, og selv IHME-modellen så tidligt opdateringer til dens socialt distancerende målinger, der har gjort det til en stadig mere kompliceret foranstaltning. For at bestemme virkningerne af social distancering i IHME-modellen kombinerer forskere nu faktisk resultaterne af adskillige andre modeller baseret på skøn over tre sociale distanceringsforanstaltninger (lukninger af skolen, hjemme-ordrer og ikke-essentielle lukninger) . De bruger derefter hver af disse værdier til at skabe både kort- og langvarige dødsfaldsmodeller.

Nogle mennesker kan se forskellene i fremskrivninger efter disse ændringer i modellen og fortolke dem som et tegn på, at vores sociale distancering og lukning af ikke-vigtige virksomheder var en overreaktion. Men det er den forkerte konklusion at drage. Hvis det er noget, er det et tegn på, at den sociale afstand har været en succes - måske endnu mere end de oprindelige modeller projicerede. Faktisk er det, som Shaman siger, hvad det betyder at "flade kurven."

Så hvad skal du tage væk fra disse modeller? Ved, at forskere over hele landet og kloden arbejder hårdt på at finde de svar, der holder så mange af os så sikre som muligt. De kan bruge modeller til at projicere, hvordan fremtiden vil være, og hvilke forberedelser vi skal gøre. Når vi først har set disse modeller, vil den måde, hvorpå vi handler på denne information, naturligvis have en effekt på det forventede resultat. Det er en god påmindelse om, at selv i en pandemi, der får os til at være hjælpeløs det meste af tiden, kan mange af os stadig gøre noget: blive hjemme.