Altoparlante
|
Trascrizione
|
| Roland Jones |
Ciao, mi chiamo Roland Jones. Lavoro per Amazon Lab 126 è un ingegnere dell'affidabilità. |
| |
Quando io e la mia squadra |
| |
abbiamo messo insieme i nostri abstract per la proposta all'inizio di maggio, eravamo preoccupati che il COVID 19 sarebbe diventato una notizia vecchia entro ottobre. |
| |
Al momento della registrazione, il 21 agosto, questo è tutt'altro che vero. Spero davvero che quando lo guarderai in ottobre, ci sarà... le cose saranno sotto controllo e la vita tornerà alla normalità, ma sospetto che non sarà così. |
| |
Con tutta la potenza di JMP, si è tentati di inserire i dati nello strumento e vedere cosa ne viene fuori. La pandemia di COVID 19 è un eccellente caso di studio |
| |
del perché questo non dovrebbe essere fatto. Le complicazioni di dati incompleti e talvolta manipolati, ambienti mutevoli, comportamenti mutevoli e conoscenze e informazioni mutevoli, rendono particolarmente pericoloso semplicemente inserire i dati nello strumento e vedere cosa succede. |
| |
Scopri cosa sta succedendo nel sistema sottostante. Una volta compreso il sistema, si possono prendere in considerazione gli effetti dei fattori che ho elencato. |
| |
Consentire alla modellazione e all'analisi di essere appropriate per ciò che sta realmente accadendo nel sistema, evitando di analizzare o essere distratti dalle imperfezioni dei dati. |
| |
Rende anche l'analisi più semplice. Il tema principale di questa presentazione è mantenere le cose il più semplici possibile, ma non più semplici. |
| |
Ci sono alcune aree verso la fine della presentazione che sono tutt'altro che semplici, ma anche qui stiamo ancora lavorando per mantenere le cose il più semplici possibile. |
| |
Abbiamo iniziato osservando l'epidemia in Corea del Sud. Aveva un alto tasso di infezione precoce ed era una fonte di dati affidabile e trasparente. |
| |
Per inciso, tutti i dati nella presentazione provengono dal database Johns Hopkins così com'era il 21 agosto quando questa presentazione è stata registrata. |
| |
Questo è un set di dati difficile da adattare a una linea di tendenza. |
| |
Sappiamo che la malattia cresce naturalmente in modo esponenziale. Quindi proviamo qualcosa di esponenziale. |
| |
Come puoi vedere, questa non è una buona misura. Ed è difficile vedere come qualsiasi funzione possa adattarsi all'intero set di dati. |
| |
Qualcosa che sembra un esponenziale è visibile qui nei primi 40 giorni. Quindi adattiamoci a quella sezione. |
| |
C'è un buon adattamento esponenziale. |
| Roland Jones |
Quello che possiamo fare è suddividere i dati in diverse fasi e adattare le funzioni a ciascuna fase separatamente. |
| |
1, 2, 3, 4 e 5. |
| |
Sono state scelte partizioni in cui la curva sembra passare a un diverso tipo di comportamento. |
| |
I parametri nella funzione di adattamento sono stati ottimizzati per noi nello strumento di adattamento non lineare di JMP. I dettagli su come utilizzare questo strumento sono nell'appendice. |
| |
Non lineare ha anche prodotto i risultati dell'errore quadratico medio, il sigma dei residui. |
| |
Quindi, per la prima fase, abbiamo adattato un esponenziale; la seconda fase era logaritmica; la terza fase era lineare; quarta fase, un'altra logaritmica; quinta fase, un'altra lineare. |
| |
Puoi vedere che abbiamo un buon adattamento per ogni fase, l'errore quadratico principale della radice è incredibilmente basso. Tuttavia, poiché i punti di partizione sono stati scelti in modo specifico in cui il comportamento della curva cambia, è prevedibile un'area quadrata media bassa. |
| |
Le linee di tendenza hanno una capacità predittiva trascurabile perché i punti di partizione sono stati scelti osservando i dati esistenti. Lo si può vedere nei dati presenti dall'analisi, che è stata effettuata il 19 giugno. |
| |
Laddove sono disponibili dati extra, potremmo scegliere diversi punti di partizione e ottenere un adattamento migliore, ma questo non ci aiuterà a prevedere oltre i nuovi dati. |
| |
I punti di partizione mostrano dove cambia il comportamento dell'epidemia, ma questo potrebbe essere visto prima dell'esecuzione dell'analisi. |
| |
Inoltre non viene fornita alcuna indicazione sul motivo per cui le diverse fasi hanno una diversa funzione di adattamento. |
| |
Questo esercizio illustra la difficoltà di modellare l'epidemia, ma non ci fornisce molte informazioni utili su ciò che sta accadendo o su dove si sta dirigendo l'epidemia. Abbiamo bisogno di qualcosa di più semplice. |
| |
Abbiamo a che fare con un sistema che contiene l'autoapprendimento. |
| |
Mentre noi come società, come società, impariamo di più sulla malattia, modifichiamo il comportamento per una diffusione limitata, cambiando la traiettoria dell'epidemia. |
| |
Esaminiamo i meccanismi di ciò che sta guidando l'epidemia, iniziando dai numeri stessi e lavorando a ritroso per vedere cosa li sta guidando. |
| |
Le notizie sono piene di numeri di COVID 19, gli Stati Uniti toccano 5 milioni di infezioni e 150.000 morti. La California ha contagi più alti di New York. Le infezioni giornaliere negli Stati Uniti potrebbero superare i 100.000 al giorno. |
| |
I singoli numeri non sono così utili. |
| |
I grafici aiutano a contestualizzare i numeri. |
| |
I grafici giusti ci aiutano a vedere cosa sta succedendo nel sistema. |
| |
La malattia cresce esponenzialmente. Una persona ne infetta due, che ne infettano quattro, che ne infettano otto. |
| |
Gli occhi umani distinguono male tra diversi tipi di curve, ma distinguono bene tra curve e linee rette. Il tracciato su scala logaritmica modifica la crescita esponenziale e il declino esponenziale in linee rette. |
| |
Anche sulla scala logaritmica i primi dati sono ora visibili dove non erano visibili sulla scala lineare. Molti paesi mostrano uno, a volte due altipiani, che non erano visibili |
| |
nel grafico lineare. Quindi potete vedere qui per la Corea del Sud, c'è un plateau, due plateau e, più recentemente, sta iniziando a crescere per la terza volta. |
| |
Come possiamo modellare questo tipo di comportamento? |
| |
Continuiamo a scavare. |
| |
La pendenza sul grafico del log delle infezioni è la percentuale di crescita. |
| |
Tracciare la percentuale di crescita ci fornisce informazioni più utili. |
| |
La crescita percentuale aiuta a evidenziare dove le cose sono cambiate. |
| |
Se osservi il calo dei numeri degli Stati Uniti, la linea arancione qui, puoi vedere che il declino ha iniziato a rallentare a metà aprile e si può vedere che si sta invertendo qui a metà giugno. |
| |
Questo è visibile ma non è così chiaro nei grafici delle infezioni. È molto più facile vederli nel grafico della crescita percentuale. |
| |
Molti paesi mostrano un calo lineare della crescita percentuale se tracciati su scala logaritmica. L'Italia ne è un esempio particolarmente bello. |
| |
Ma può anche essere visto chiaramente in Cina, |
| |
in Corea del Sud, |
| |
e in Russia, e anche in misura minore in molti altri paesi. |
| |
Perché sta succedendo? |
| |
Intuitivamente, mi aspetto che quando il comportamento cambia, la crescita scenda a una percentuale inferiore e rimanga lì, non diminuisca esponenzialmente verso lo zero. |
| |
Ho iniziato a tracciare grafici su COVID 19 alla fine di febbraio, non per prevedere l'epidemia, ma perché ero frustrato dai grafici che venivano pubblicati. |
| |
Dopo aver visto questo calo lineare della crescita percentuale, ho iniziato a interessarmi alla previsione. |
| |
Estrapolare quella linea di crescita percentuale attraverso la regressione lineare in realtà funziona abbastanza bene come predittore, ma funziona solo quando la crescita è in calo. Non funziona affatto bene quando la crescita è in aumento. |
| |
Di nuovo, tornando alla linea arancione degli Stati Uniti, se estrapoliamo da questa piccola sezione qui, dove sta aumentando che va da metà giugno alla fine... all'inizio di luglio, |
| |
possiamo prevedere che vedremo un aumento del 30% intorno al 22 luglio, che salirà al 100% di crescita settimanale entro il 20...26 agosto, e continuerà a crescere da lì, sempre più in alto e su. |
| |
Chiaramente, questo modello non corrisponde alla realtà. |
| |
Tornerò più avanti su questo calo esponenziale della crescita percentuale. Per ora, continuiamo a guardare cosa sta accadendo fisicamente mentre la malattia si diffonde. |
| |
Le persone passano dall'essere suscettibili alle malattie all'essere infette fino all'essere contagiose |
| |
all'essere sintomatico all'essere non contagioso all'essere guarito. |
| |
Questo è il modello Markoff SIR. SIR sta per suscettibile, contagiato, guarito. I tre stadi aggiuntivi di contagioso, sintomatico e non contagioso ci hanno aiutato a modellare la diffusione della malattia e in relazione a ciò che possiamo effettivamente misurare. |
| |
Nota la differenza tra infetto e contagioso. Infetto significa che hai la malattia; contagioso significa che puoi diffonderlo ad altri. È facile confondere i due, ma sono diversi e verranno utilizzati in modi diversi più avanti in questa analisi. |
| |
I tempi indicati sono le migliori stime e possono variare notevolmente. Da infetto a sintomatico può durare da tre a 14 giorni e per alcune persone infette, |
| |
non sono mai sintomatici. |
| |
Gli unici dati a cui abbiamo accesso sono le infezioni confermate, che di solito provengono dai risultati dei test, che di solito derivano dall'essere sintomatici. |
| |
Anche se il test viene eseguito su persone non sintomatiche, c'è un ritardo di circa cinque giorni dall'infezione all'esito positivo del test. |
| |
Quindi esaminiamo sempre tutti i dati. Non possiamo mai osservare direttamente osservare il vero numero di persone infette. |
| |
Quindi la malattia progredisce attraverso i singoli individui dall'alto verso il basso in questo diagramma. |
| |
Abbiamo un pool di persone contagiose e quel pool è alimentato da persone che sono state recentemente infettate diventando contagiose e il pool è prosciugato da persone che sono contagiose diventando non contagiose. |
| |
La malattia si diffonde alla popolazione da sinistra a destra. |
| |
Nuove infezioni si creano quando persone suscettibili entrano in contatto con persone contagiose e si infettano. |
| |
I nuovi contagiati si mettono in coda in attesa di diventare contagiosi e il ciclo continua. |
| |
Questo ciclo è controllato dalla trasmissione. |
| |
Quanto è probabile che una persona contagiosa infetti una persona suscettibile al giorno. |
| |
il numero di persone che è probabile che una persona contagiosa infetti mentre è contagiosa. |
| |
L'intero ciclo ruota attorno al numero di persone contagiose e alla trasmissione o riproduzione. |
| |
Il tempo in cui gli individui rimangono contagiosi dovrebbe essere relativamente costante a meno che il COVID 19 non inizi a mutare. |
| |
La trasmissione può variare notevolmente a seconda del comportamento sociale e delle dimensioni della popolazione suscettibile. |
| |
La nostra stima migliore è che i giorni di contagio siano in media intorno alle nove. |
| |
Quindi possiamo stimare le persone contagiose come il numero di persone confermate infette negli ultimi nove giorni. |
| |
Per certi aspetti, questa è una sottostima perché non include le persone che sono infette, ma non ancora sintomatiche o che sono asintomatiche o che non hanno ancora un risultato positivo al test. |
| |
Per altri aspetti, è una stima sopravvalutata perché include persone che sono state infettate molto tempo fa, ma solo ora vengono testate come positive. È una stima. |
| |
Dalla stima dei contagiati, possiamo ricavare la percentuale di crescita dei contagiati. Non importa se il contagioso è sopravvalutato o sottovalutato. |
| |
Finché l'errore percentuale nella stima rimane costante, la crescita percentuale in contagiosa sarà accurata. |
| |
Crescita percentuale in contagioso, perché all'interno lo uso per derivare la trasmissione, |
| |
La derivazione di questa equazione relativa ai due può essere trovata nell'appendice. |
| |
Conoscere questa equazione permette di derivare la trasmissione e quindi la riproduzione dalla percentuale di crescita dei contagiati, ma non può dirvi la percentuale di crescita dei contagiati per una data trasmissione. |
| |
Questo può essere trovato solo risolvendo numericamente. |
| |
Ho delineato come farlo utilizzando lo strumento del modello di adattamento di JMP nell'appendice. |
| |
La riproduzione e la trasmissione sono strettamente collegate, ma la riproduzione ha l'avanzato... vantaggio della facilità di comprensione. |
| |
Se è maggiore di uno, l'epidemia si sta espandendo senza controllo. Le infezioni continueranno a crescere e non se ne vedrà la fine. |
| |
Se è inferiore a uno, l'epidemia si sta contraendo, venendo sotto controllo. Ci sono ancora nuove infezioni, ma il loro numero diminuirà gradualmente fino a raggiungere lo zero. La fine è in vista, anche se potrebbe essere molto lontana. |
| |
Il numero di persone contagiose è il motore sottostante che guida l'epidemia. |
| |
Le persone contagiose crescono e diminuiscono in modo esponenziale. Possiamo prevedere il percorso dell'epidemia estrapolando questa crescita o diminuzione delle persone contagiose. Qui lo abbiamo fatto per la Russia e l'Italia e per la Cina. |
| |
Ricorda l'interessante osservazione di prima, la percentuale di infezioni nella crescita percentuale di crescita diminuisce in modo esponenziale ed ecco perché. |
| |
Se la riproduzione è inferiore a uno e costante, le persone contagiose diminuiranno esponenzialmente verso lo zero. |
| |
Le persone contagiose guidano l'epidemia. |
| |
La percentuale di crescita dei contagi è proporzionale al numero di persone contagiate. Quindi, se le persone contagiose diminuiscono in modo esponenziale, ma anche la crescita percentuale e le infezioni diminuiranno in modo esponenziale. Mistero risolto. |
| |
La pendenza delle persone contagiose tracciata su scala logaritmica ci dà la percentuale di crescita dei contagi, che poi ci dà trasmissione e riproduzione attraverso le equazioni dell'ultima diapositiva. |
| |
Si noti che c'è un ciclo settimanale nei dati. Ciò è particolarmente visibile in Brasile, ma è visibile anche in altri paesi. |
| |
Ciò potrebbe essere dovuto a numeri che vengono segnalati in modo diverso durante il fine settimana o da persone che hanno maggiori probabilità di essere infettate durante il fine settimana. In ogni caso, dovremo tenere conto di questa stagionalità quando utilizzeremo persone contagiose per prevedere l'epidemia. |
| |
Poiché il comportamento sociale è in continua evoluzione, anche la trasmissione e la riproduzione cambiano. Quindi non possiamo usare l'intera distribuzione per generare la riproduzione. |
| |
Abbiamo scelto 17 giorni come periodo su cui stimare la riproduzione. Abbiamo scoperto che una settimana era un po' troppo breve per filtrare tutto il rumore, due settimane hanno dato risultati migliori, due settimane e mezzo ancora meglio. Avere la mezza settimana in più |
| |
ha uniformato la stagionalità che abbiamo visto nei dati. |
| |
C'è uno strumento di previsione delle serie temporali in JMP che farà tutto questo per noi, inclusa la stagionalità, ma poiché stiamo eseguendo la regressione su piccole sezioni dei dati, non abbiamo trovato utile lo strumento. |
| |
Ecco i numeri di trasmissione e riproduzione derivati. |
| |
Puoi vedere che possono cambiare rapidamente. |
| |
È facile confondersi con questi numeri. La Corea del Sud sta mostrando un aumento significativo della riproduzione, ma sta andando bene. Stati Uniti, Brasile, India e Sudafrica stanno andando male, ma sembrano avere una riproduzione di circa uno o meno. |
| |
Questo crea un po' di confusione. |
| |
Per aiutare a ridurre la confusione sulla riproduzione, ecco un po' di calcolo. |
| |
Guidando un'auto, il pedale dell'acceleratore controlla l'accelerazione. |
| |
Per prevedere dove si troverà l'auto, devi sapere dove ti trovi, a che velocità stai viaggiando e quanto stai accelerando o decelerando. |
| |
Allo stesso modo per sapere dove sarà la pandemia, dobbiamo sapere quanti contagi ci sono, che è l'equivalente della distanza percorsa. Dobbiamo sapere quanto velocemente si stanno espandendo le infezioni o quante persone sono contagiose, entrambi equivalenti alla velocità. |
| |
Dobbiamo sapere quanto velocemente sta crescendo il contagio delle persone, che è una trasmissione o riproduzione, che è l'equivalente dell'accelerazione. |
| |
C'è una leggera differenza. La distanza cresce linearmente con la velocità e la velocità cresce linearmente con l'accelerazione. |
| |
Le infezioni crescono linearmente con le persone contagiose, ma le persone contagiose crescono esponenzialmente con la riproduzione. |
| |
C'è una leggera differenza, ma il principio è lo stesso. |
| |
Gli Stati Uniti, il Brasile, l'India e il Sud Africa hanno percorso una lunga distanza. Hanno alte infezioni e viaggiano ad alta velocità. Hanno alta contagiosità. Anche una piccola accelerazione ha un effetto molto grande sul numero di infezioni. |
| |
La Corea del Sud, invece, non va veloce, ha un basso contagio. Così ha il margine per rispondere al blip in accelerazione e riprendere il controllo delle cose senza coprire molta distanza |
| |
Inoltre, quando il numero di persone contagiose è basso, l'aggiunta di un piccolo numero di nuove persone contagiose produce un'accelerazione significativa. I paesi che hanno le cose sotto controllo sono inclini a questi problemi nella riproduzione. |
| |
Devi tenere conto di tutti e tre i fattori |
| |
(numero di contagi, persone contagiose e riproduzione) per decidere se un paese sta bene o male. |
| |
All'interno di JMP ci sono un paio di modi per eseguire la regressione per ottenere la percentuale di crescita del contagio. C'è lo strumento Adatta Y per X e c'è lo strumento non lineare. Ho i dettagli su come utilizzare entrambi questi strumenti nell'appendice. Ma confrontiamo i risultati che producono. |
| |
I grafici mostrati confrontano i risultati di entrambi gli strumenti. I 17 punti dati utilizzati per fare la previsione sono mostrati in rosso. |
| |
La linea di previsione di entrambi gli strumenti è quasi identica, sebbene ci siano alcune differenze evidenti nelle linee di confidenza. |
| |
Le linee di confidenza per lo strumento non lineare sono molto migliori. Lo strumento Adatta Y per X traspone i dati nello spazio lineare prima di trovare la linea retta più adatta. |
| |
Ciò si traduce in un costo inferiore ... nella linea della conferenza inferiore che si avvicina alla linea di previsione dopo la trasposizione nello spazio originale. |
| |
Le linee di fiducia non sono così utili quando i parametri che definiscono l'epidemia cambiano costantemente. Nel migliore dei casi, ti aiuteranno a vedere quando i parametri sono definitivamente cambiati. |
| |
Nei miei script, utilizzo la regressione lineare calcolata nelle formule di colonna, perché è facile da regolare con le variabili. Ciò consente di regolare l'analisi al volo senza dover richiamare lo strumento in JMP. |
| |
Al momento non utilizzo le linee di confidenza nella mia analisi. Quindi sto lavorando a un modo per integrarli nelle formule delle colonne. |
| |
La regressione lineare è più semplice e produce risultati quasi identici. Ancora una volta, mantienilo semplice. |
| |
Abbiamo visto come un esponenziale adatto al numero di persone contagiose può essere utilizzato per prevedere se le persone saranno contagiose in futuro e anche per derivare la trasmissione. |
| |
Ora che abbiamo una linea di previsione per le persone contagiose, dobbiamo riconvertirla in infezioni. |
| |
Ricorda che le nuove infezioni equivalgono a persone contagiose e moltiplicate per trasmissione. |
| |
La trasmissione è la probabilità che una persona contagiosa infetti una persona suscettibile al giorno. |
| |
Vengono visualizzati i grafici previsti risultanti da questo calcolo. Si noti che la Corea del Sud e l'Italia hanno una bassa crescita delle infezioni. |
| |
Tuttavia, hanno un'elevata riproduzione estrapolata dagli ultimi 17 giorni di dati. Quindi, la Corea del Sud qui e l'Italia qui, crescita bassa, ma potete vederli decollare a causa di quell'alto numero di riproduzioni. |
| |
La crescita delle infezioni diventa significativa tra le due e le otto settimane dopo la previsione. |
| |
Per la Corea del Sud, è improbabile che ciò accada perché si stanno muovendo lentamente e hanno il margine per riprendere il controllo delle cose. |
| |
La Corea del Sud ha avuto molti di questi problemi man mano che si apre e riesce sempre a rimettere le cose sotto controllo. |
| |
Nel grafico della percentuale di crescita prevista sulla destra, si noti come la crescita percentuale in aumento in Corea del Sud e questo vantaggio non continueranno ad aumentare indefinitamente, ma si stabilizzeranno dopo un po'. |
| |
Si vede ancora che la crescita percentuale diminuisce in modo esponenziale, ma non cresce in modo esponenziale. |
| |
Si stabilizza. |
| |
Quindi per riassumere, |
| |
il numero di persone contagiose è ciò che guida l'epidemia. |
| |
Questa metrica non viene normalmente riportata, ma è vicina al numero di nuove infezioni in un determinato periodo di tempo. |
| |
Le nuove infezioni nell'ultima settimana sono il proxy riportato regolarmente più vicino, il numero di persone contagiose. Questo è ciò su cui dovremmo concentrarci, non il numero di infezioni o il numero di nuove infezioni giornaliere. |
| |
La regressione esponenziale delle persone contagiose prevederà dove saranno probabilmente i numeri contagiosi in futuro. |
| |
La crescita percentuale dei contagiati ci dà trasmissione e riproduzione. |
| |
Il numero contagioso e il numero di trasmissione possono essere combinati per prevedere il numero di nuove infezioni in futuro. |
| |
Quel metodo di previsione presuppone che la trasmissione e la riproduzione siano costanti, ma non lo sono. Cambiano il loro comportamento. |
| |
Ma le previsioni sono ancora utili per mostrare cosa accadrà se il comportamento non cambia o quanto deve cambiare il comportamento per evitare certi traguardi. |
| |
L'unico modo per colmare questa lacuna è trovare un modo per modellare matematicamente il comportamento umano. |
| |
Se qualcuno di voi sa come fare, si prega di mettersi in contatto. Possiamo fare molti soldi, anche se solo per un breve lasso di tempo. |
| |
Questa è la modellazione. Controlliamo quanto sia accurato guardando i dati storici degli Stati Uniti. |
| |
Come accennato, la previsione funziona bene quando la riproduzione è costante ma non quando cambia. |
| |
Se prendiamo una previsione basata sui dati dalla fine di aprile all'inizio di maggio, è accurata fintanto che il numero della previsione rimane all'incirca allo stesso livello di 1,0 |
| |
Il numero di riproduzione rimane intorno a 1,0. |
| |
Dopo che il numero di riproduzioni inizia a salire, puoi vedere che la previsione sottostima il numero di infezioni. |
| |
La previsione basata sui dati da fine giugno a metà luglio, quando la riproduzione era al suo apice mentre gli stati stavano ricominciando a chiudere, |
| |
quella previsione sopravvaluta le infezioni man mano che la riproduzione diminuisce. |
| |
Il modello è in grado di prevedere cosa accadrà se il comportamento rimane lo stesso, ma non quando il comportamento cambia. |
| |
Come possiamo prevedere le morti? |
| |
Dovrebbe essere possibile stimare il ritardo tra l'infezione e la morte. |
| |
E la proporzione di infezioni che provocano decessi e quindi la usano per prevedere i decessi. |
| |
Tuttavia, i cambiamenti nel comportamento, come l'aumento dei test e del monitoraggio, distorcono il numero di infezioni rilevate. |
| |
Quindi, per evitare che questa distorsione si alimenti anche nelle previsioni per i decessi, possiamo usare la stessa identica matematica sui decessi che abbiamo usato per le infezioni. Come per le infezioni, il grafico dei decessi mostra previsioni accurate quando la riproduzione dei decessi è stabile. |
| |
Si noti che i numeri di contagio e riproduzione per i decessi non rappresentano nulla di reale. |
| |
Questo metodo funziona perché perché i decessi seguono i contagi e quindi seguono gli stessi andamenti e la stessa matematica. Ancora una volta, mantienilo semplice. |
| |
Abbiamo già visto che il modello presuppone una riproduzione costante. Inoltre non tiene conto dell'immunità di gregge. |
| |
Stiamo adattando un esponenziale, ma l'epidemia segue davvero la distribuzione binomiale. |
| |
Il binomio e un esponenziale adattato differiscono di meno del 2% con un massimo del 5% della popolazione infetta. I grafici che lo dimostrano sono in appendice. |
| |
Quando più del 5% della popolazione non è più suscettibile a causa della precedente infezione o della vaccinazione, la trasmissione e la riproduzione diminuiscono naturalmente. |
| |
Quindi le previsioni basate sui numeri di riproduzione recenti saranno ancora accurate, tuttavia le previsioni a lungo termine basate su un vecchio numero di riproduzione con un'immunità di gregge significativamente inferiore sopravvaluteranno il numero di infezioni. |
| |
Il 21 agosto, gli Stati Uniti hanno avuto infezioni pro capite dell'1,7% |
| |
Se solo il 34% delle persone infette è stato diagnosticato |
| |
come infetti, e ci sono dati che indicano che questo è probabile, siamo già al livello del 5% in cui l'immunità di gregge inizia ad avere un effetto misurabile. |
| |
Al 5% riduce la riproduzione di circa il 2%. |
| |
Ciò che il modello può mostrarci, la riproduzione ci dice se l'epidemia si sta espandendo. È maggiore di 1, che è l'equivalente dell'accelerazione o della sua contrazione, è minore di 1, l'equivalente della decelerazione. |
| |
Il numero stimato di persone contagiose ci dice quanto sia grave l'epidemia, quanto velocemente stiamo viaggiando. |
| |
Il contagio pro capite è la metrica giusta per scegliere adeguate restrizioni sociali. |
| |
Le raccomandazioni per le restrizioni sociali elencate in questa diapositiva sono adattate da quelle pubblicate dall'Harvard Global Health Institute. C'è un riferimento in appendice. |
| |
Quello che raccomandano è che quando ci sono meno di 12 persone contagiose per milione, il test e il tracciamento sono sufficienti. Quando arriviamo a 125 contagiosi per millio, è necessario un test e una traccia rigorosi |
| |
A 320 contagiosi per milione, abbiamo bisogno di test e tracce rigorosi e di alcune restrizioni sulla permanenza in casa. |
| |
Più di 320 contagiati per milione, servono restrizioni per restare a casa. |
| |
Al momento in cui scriviamo, gli Stati Uniti avevano 1.290 contagiati per milione, in calo rispetto ai 1.860 del picco di fine luglio. |
| |
È istruttivo guardare al contagio pro capite in vari paesi e stati quando hanno deciso di riaprire. |
| |
La Cina e la Corea del Sud avevano solo una manciata di persone contagiose per milione. |
| |
L'Europa ha una decina di persone contagiose per milione ad eccezione dell'Italia. |
| |
Gli Stati Uniti avevano centinaia di persone contagiose per milione quando hanno deciso di riaprire. |
| |
Non avremmo dovuto riaprire davvero a maggio. Questa è stata una decisione emotiva, non una decisione basata sui dati. |
| |
Qualche dettaglio in più sulla riapertura degli Stati Uniti. |
| |
Come ho detto, il contagio pro capite negli Stati Uniti, al momento in cui scrivo, era di 1.290 per milione. |
| |
1.290 per milione, con una riproduzione di 0,94. |
| |
Con questo contagio pro capite e riproduzione, ci vorrà fino al 9 dicembre per scendere sotto i 320 contagiosi per milione. |
| |
La riproduzione più bassa durante il blocco di aprile è stata di 0,86. |
