Denník N

Ako malé opatrenia spôsobujú veľké zmeny a ako čítať naše výstupy.

Väčšine z nás sa môže rozdiel medzi scenárom a predikciou zdať zanedbateľný a mnohí tieto pojmy považujú za synonymá. Často preto dochádza k vnímaniu všetkých modelov šírenia koronavírusu ako garantovaných predikcií.V skutočnosti je medzi týmito dvoma pojmami výrazný rozdiel. Scenáre popisujú simulácie na záklafde stanovených fixných predpokladov. V prípade koronavírusu to môže byť napríklad to, ako dôsledne nosíme rúška, ako sa vírus šíri v marginalizovaných komunitách, či ako veľmi cestujeme. Analýza scenárov sa v praxi používa najčastejšie ako kapacitný test zdravotného systému. Inak povedané, ak by bol vývoj situácie rovnaký ako doteraz, koľko personálu, postelí, či ventilácií by sme potrebovali.

Úloha scenárov je dôležitá, umožňujú nám porovnávať rozličné situácie

Tento blog sme sa rozhodli napísať aj preto, lebo sami sme komunikačne pochybili a tiež sa nám stalo, že sme si pojem scenár a predikcia zamenili. To však nemení nič na podstate toho, aké scenáre robíme a to sa budeme snažiť teraz vysvetliť. Scenáre nám umožňujú porovnávať rozličné situácie, ktoré sú pre potreby analýzy zjednodušené do simulovaných podmienok ktoré dokážeme matematicky vystihnúť a opísať. Poskytujú nám odpovede na otázky ako by vyzerala situácia na Slovensku, keby sme zaviedli špecifické opatrenia pre marginalizované komunity, staršiu časť populácie, alebo otvorili škôlky. Výsledky týchto rozličných scenárov vedia následne epidemiológovia vyhodnotiť a spracovať, čo výrazne uľahčuje rozhodovanie. Scenáre sme použili aj pri rokovaniach ohľadom uvoľnenia ekonomiky, výsledky ktorých boli prezentované v pondelok 20.4. na tlačovej besede.

Analogicky by sme prirovnali užitočnosť scenárov k nasledovnému príkladu. Predstavte si, ako idú vlaky v protismere na jednej koľaji. Scenár nám umožňuje staticky sa pozrieť na situáciu, všimnúť si že idu proti sebe 2 vlaky a odhadnúť kedy a akou rýchlosťou sa zrazia. My však vďaka takémuto pohľadu vieme koľko máme času aby sme prehodili výhybku. Vlaky sa aj vďaka tomuto pohľadu minú aj keď sa mali zraziť. Náš scenár sa našťastie nenaplnil, pretože sme vďaka nemu mohli reagovať. Scenár by sa ale mohol stáť predikciou, ak by sme do veci nezasiahli.

Presné predikcie nie sú možné, malé zmeny opatrení prinášajú veľké zmeny výsledku

Naše modely sú scenáre, nie predikcie. Robiť presnú predikciu nie je v súčasnej situácii možné už len preto, že ľubovoľná zmena opatrení môže priniesť veľkú zmenu výsledku. Jeden nezodpovedný človek, jedno nové opatrenie, či už na Slovensku alebo v okolitých krajinách, môže všetko zmeniť. Áno, simulovali sme v našom vzorci superšíriteľov, ale rôznorodosť možných zmien je tak veľká, že to sa bez „tipovania“ nedá.  Vírus je stále veľmi mladý, nevieme ako sa bude správať pri vyšších teplotách, nevieme ako bude mutovať či ako budú na kontakt s ním reagovať už vyliečení pacienti , a preto nie je k dnešnému dátumu možné pripraviť predikčný model, ktorý by sa neaktualizoval na dennej báze. Príkladom je predikcia IHME, ktorá bola opakovane prepočítavaná a ešte v polke apríla predikovala, že  na Slovensku do konca mesiaca zomrú stovky ľudí na Covid-19.

Scenáre sú užitočné, ukázali nám aj to, že sa treba zamerať na testovanie marginalizovaných komunít

V piatok 24.4. sme na tlačovej besede prezentovali súčasný model šírenia vírusu na Slovensku. Hlavný záver bol ten, že ak sa pozrieme na scenáre šírenia, nachádzame sa medzi nižšie prezentovanými krivkami. Prvá (označená ako scenár 2) popisuje scenár, kedy sa vírus rozšíri medzi marginalizované osady (kvôli ich vyššiemu R0) a tie spôsobujú v čase postupné malé ohniská (ako bolo napr. v Žehre), čo výrazne predlžuje trvanie infekcie. Druhý scenár (krivka označená ako scenár 3) predpokladá opak, čiže do osád sa vírus nedostal a nevznikajú preto mikroregionálne ohniská. Ak sa potvrdí tento scenár, máme najhoršie už za sebou a vírus je na ústupe. Ak sa potvrdí prvý scenár, tak nás čakajú ešte týždne malých regionálnych ohnísk.

Nikto nevie kde presne sa medzi týmito krivkami nachádzame.

Ak by sme však robili predikciu, v súčasných podmienkach by sme len „tipovali“ a povedali, že napr. 10 % marginalizovaných osád je infikovaných.

Takto to ale nerobíme. Uvádzame, že máme 2 hraničné scenáre, a musíme preto zamerať sily na testovanie a analýzu týchto oblastí, aby sme si boli istí kde presne sa v grafe nachádzame. Áno, osobne si myslíme, že sa približujeme k spodnej krivke. Kým však nemáme reálne čísla, je to len náš odhad, nie fakt.

Viac informácií získame po kompletnom pretestovaní marginalizovaných osád, a preto sme epidemiologickému tímu na úrade vlády navrhli, aby sa sústredili kapacity testovania týmto smerom. Marginalizované rómske komunity, Domovy sociálnych služieb a zahraničné prípady sú kľúčové. Presne pre tento účel sa robia scenáre. Takýmto spôsobom máme nasimulované desiatky iných prípadov, ktoré postupne, podľa potreby, posielame epidemiológom, verejným zdravotníkom, či komukoľvek, kto pracuje na projekte. Model im preto pravidelne aktualizujeme, aby mali čo najaktuálnejšie čísla a scenáre.

Pozn. graf 1 zo štúdie bez prvej atlernatívy R0 1,1

Prečo sme zaznamenali taký prepad v číslach?

V piatok sme prezentovali tretiu verziu nášho modelu.  Jedná sa o tretiu verejne dostupnú štúdiu. Jej výrobné číslo je však 7, nakoľko sme v čase pravidelne aktualizovali podklady pre politické vedenie štátu. Pripravovali sme podklady ohľadom „blackoutu“ (protiargumenty), opatrení počas Veľkej noci, či uvoľnenia ekonomiky, a priebežne sme upravovali premenné. Až táto verzia dostala „zelenú“. Vedenie teda vždy má aktuálne scenáre a rozhoduje sa na základe aktuálnych údajov. Ak by sme model publikovali s každou jeho aktualizáciou, tak by prepady boli postupné, rovnako ako je to vo vyššie uvedenej štúdií IHME alebo iných.

Tak či onak, radi by sme vysvetlili hlavné rozdiely modelov.

V čase zverejnenia prvej analýzy, ktorú sme pôvodne neplánovali zverejňovať, predikovala štúdia prof. Fergusona (z 15.3.) prevalenciu COVID-19 v Británii pre viac ako 80 % populácie a Angela Merkelová 10.3.  tvrdila, že v Nemecku prevalencia dosiahne minimálne 60 %. Tieto čísla nie sú nerealistické – pred lockdownom vo Wuhane bolo reprodukčné číslo koronavírusu na úrovni 3,86, pri extrémne infekčných chorobách (napr. osýpky) dosahuje R0 hodnoty viac ako 10 (efektívne R0 je pri osýpkach znižované vakcináciou, ktorá pri súčasnom koronavíruse zatiaľ neexistuje). Prvý model IZP vychádzal z pár dní údajov a mal preto veľa zjednodušení. Jeho cieľom bolo len ilustrovať ako kľúčové je, aby sa včas zaviedli reštriktívne opatrenia a naše čísla boli vtedy porovnateľné s ostatnými zahraničnými štúdiami.

Druhá analýza už vychádzala zo slovenských údajov a presnejšej mobility, kde sme rátali s nižšou hodnotou reprodukčnej sily vírusu (R0) vo výške 1,65. Na základe porovnania údajov z ČR či projektu pod vedením The London School of Hygiene & Tropical Medicine (LSHTM) vieme dnes povedať, že odhad 1,65 bol korektný: v Česku dosahovala hodnota R0 v danom období hodnoty 1,2-1,8 a podľa LSHTM sme mali na Slovensku hodnotu R0 približne 1,4. Medzi druhým modelom a tým súčasným sme pripravili niekoľko aktualizácií hodnôt (mobility, R0, iných premenných) a na pravidelnej báze sme informovali politické vedenie krajiny. Práve hodnota R0 je kľúčová. Malá zmena v R0 má veľký vplyv na tvar aj veľkosť krivky, ako vo svojom blogu vysvetľuje Vlado Boza: https://dennikn.sk/blog/1870096/na-rovinu-predikcie-sirenia-virusu-nepohoreli/ Hodnote R0 budeme venovať samostatný blog.

Postupom času sme pripravili aktualizáciu s R0 1,2 – 0,8, ktoré zostalo ako základný scenár v analýze 3. V tejto analýze máme aj presnú mobilitu obyvateľstva z dát od operátorov, ako aj ďalšie prvky (napr. možný príchod infikovaných zo zahraničia), ktoré zvyšujú presnosť modelu a umožňujú modelovať ďalšie scenáre, ako zobrazuje nasledovné porovnanie:

Parameter v1 v2 v3
Deň 0 15.3.2020 28.3.2020 16.4.2020
vrchol šírenia 110 dní 110 dní Podľa infikovanosti MRK (od týždna až na 147 deň)
% populácie na vrchole 10% 3,10% Podľa MRK (0.05% – 0.1%  )
R0 4 – horná hranica 1,65 0,8
Model S-I-R S-I-R S-E-I-R
Mobilita/Alfa – scenáre 100%, 40%, 20% 100%, 70%, 30%, 35% využiívané sú dáta od mobilných operátorov
Mobilita/Alfa historické dáta historické dáta telecom dáta
Mobilita jednotka obec obec spádová oblasť / obec
Zohľadnenie interakcií obyvateľov nie áno áno
Tau – časť dňa kedy sa vyskytujú interakcie nie áno – 2/3 (odhad) áno – 2/3
Teplota a rýchlosť šírenia nie nie nie
Index rizika (MRK) nie áno áno
Superšíritelia nie áno áno
Repatriácia/príchod zo zahraničia nie nie áno

V súčasnosti máme pripravený aktualizovaný model a čakáme na dáta o mobilite po otvorení prvej fázy ekonomiky, aby sme vedeli vyhodnotiť riziko. Dáta sú a budú verifikované celým tímom odborníkov a veríme,  že budú použité pri rozhodovaní o ďalšej fáze otvorenia ekonomiky. Na našich modeloch totiž spolupracujeme s tímom, ktorý pozostáva z 39 ľudí – tvoria ho epidemiológovia, virológovia, verejní zdravotníci, klinici, odborníci zo Slovenskej akadémie vied, Univerzity Komenského a mnoho iných – ktorí nám pomáhajú tieto čísla čo najviac zlepšiť tak, aby to nebolo len o matematike, ale aj o skúsenostiach odborníkov.

Nasledujúce dni pripravíme sériu blogov, v ktorej vysvetlíme kľúčové vstupy do modelov, či iné predpoklady, ktoré ovplyvňujú naše scenáre. Za našou prácou si stojíme a vieme ju obhájiť.

Ďakujeme za Váš čas a záujem.

s pozdravom

Tím Inštitútu zdravotnej politiky

 

 

 

Teraz najčítanejšie