Un nuovo modello basato sui dati mostra che indossare le maschere salva la vita e prima si inizia, meglio è

Il modello computerizzato simula quanti casi di COVID-19 avrebbero potuto essere prevenuti in una particolare contea negli Stati Uniti Vettori Leontura / DigitalVision tramite Getty Images

Il dottor Biplav Srivastava, professore di informatica presso l'Università della Carolina del Sud, e il suo team hanno sviluppato uno strumento basato sui dati che aiuta a dimostrare l'effetto di indossare maschere sui casi COVID-19 e sui decessi. Il suo modello utilizza una varietà di origini dati per creare scenari alternativi che possono dirci "Cosa potrebbe essere successo?" se una contea negli Stati Uniti aveva un tasso di aderenza alla maschera maggiore o minore. In questa intervista spiega come funziona il modello, i suoi limiti e quali conclusioni possiamo trarne.

L'informatico Biplav Srivastava fornisce una demo della simulazione per dimostrare che le politiche precedenti per raccomandare l'uso di maschere fanno una differenza maggiore sulla diffusione del coronavirus.

Cosa fa questo modello di computer?

Questo è uno strumento a livello nazionale che può mostrare l'effetto che le maschere possono avere. Se è una contea in cui le persone indossano maschere regolarmente, ti mostrerà quanti casi di COVID-19 e morti hanno evitato. Se scegli una contea in cui le persone non indossano maschere, ti mostrerà quanti casi e quanti decessi avrebbero potuto essere evitati lì.

Come lo fa?

Abbiamo bisogno di molti dati per farlo. Il New York Times ha esaminato quasi ogni contea degli Stati Uniti durante l'estate e assegnato un punteggio di indossare la maschera di 0-5 a ciascuno di loro, quindi questo è il cuore del modello. Utilizziamo anche i dati del New York Times e della Johns Hopkins per i numeri dei casi in tempo reale; dati di censimento per dati demografici quali dimensione della popolazione, età media e altro; e dati geografici per misurare la distanza tra le contee.

Si basa su una tecnica matematica chiamata robusto controllo sintetico, che viene spesso utilizzato nella ricerca sui farmaci, dove esiste un gruppo di controllo e un gruppo di trattamento.

Ad esempio, diamo un'occhiata alla contea di Wyandotte, Kansas. Ha un punteggio relativamente alto di indossare la maschera di circa 3.4. Perché il modello è progettato per dirci "e se?" scenario, esaminerà cosa sarebbe successo se il punteggio di indossare la maschera fosse stato ridotto a 3.0, che è il nostro limite per "indossare la maschera basso", ma l'utente può sperimentare anche altri valori solo per vedere cosa succede. Siamo arrivati ​​a 3.0 sulla base dell'analisi delle abitudini di indossare maschere a livello nazionale. I valori effettivi erano compresi tra 1.4 e 3.85, con una media nazionale di 2.98.

Possiamo impostare una data in cui il punteggio di indossare la maschera cambia a 3.0. Se lo impostiamo per andare dal 1 giugno al 1 ottobre, ci dice che la contea di Wyandotte avrebbe avuto il 101.5% di casi in più e 150 morti in più in quel periodo. Indica all'utente quanti decessi si sono verificati o sono stati prevenuti in base a un parametro del tasso di mortalità che l'utente può impostare. In questo esempio, è stato fissato al 2%.

In che modo il modello crea il "cosa succede se?" scenario se non fosse realmente accaduto? Lo fa guardando altre contee che sono vicine e hanno dati demografici e conteggio dei casi simili ma una soglia inferiore per indossare la maschera. Cerca di elaborare una media ponderata per formare un gruppo di controllo sintetico simile alla nostra contea di interesse (gruppo di trattamento). Il modello quindi esamina quanto i due gruppi sono divergenti in termini di conteggio dei casi. La differenza nel conteggio dei casi tra i due gruppi viene convertita in una differenza nei decessi utilizzando il parametro del tasso di mortalità.

Cosa ci dice questo sull'impatto delle politiche sull'uso delle maschere?

Può essere utile continuare a indossare la maschera o implementare una politica sulle maschere in qualsiasi momento. Ma il suo impatto è maggiore quando lo fai presto. Quando si esegue questo modello più volte utilizzando date diverse, si nota che l'impatto si riduce man mano che si ritarda l'implementazione di una politica di indossare la maschera. Quindi, se una contea avesse implementato una politica sulla maschera il 1 ° giugno, avrebbe prevenuto molti casi. Se agisse il 1 ° luglio, avrebbe un impatto minore. Se avesse agito in agosto, avrebbe comunque prevenuto i casi, ma un numero molto ridotto.

Quali sono i limiti di questo modello?

Questo strumento funziona meglio per alcune contee rispetto ad altre. In generale, funziona meglio con le contee che sono più vicine alla media, perché avranno partite più vicine da confrontare. C'è anche una limitazione nel senso che il sondaggio sull'adesione alle maschere del New York Times è stato condotto in estate e le cose continuano a cambiare. Quindi, se altri ricercatori utilizzano questo strumento, dovranno tenere conto dei cambiamenti.

Ma quello che vedi è che quando si implementa una politica sulle maschere o la popolazione indossa regolarmente maschere, si ha un impatto positivo. E prima lo fai, più è efficace.

Circa l'autore

Biplav Srivastava, professore di informatica, Università della Carolina del Sud. Vorrei ringraziare il lavoro della mia squadra, Sparsh Johri, Kartikaya Srivastava, Chinmayi Appajigowda e Lokesh Johri, nello sviluppo di questo programma.

Questo articolo è ripubblicato da The Conversation sotto una licenza Creative Commons. Leggi il articolo originale.

---

Libri consigliati: salute

Fresh Fruit Cleanse: Detox, Perdere peso e ripristinare la salute con gli alimenti più deliziosi della natura [Brossura] di Leanne Hall.
Perdere peso e sentirsi vibrantemente sani pur liberando il corpo dalle tossine. Fresh Fruit Cleanse offre tutto il necessario per una disintossicazione facile e potente, compresi programmi giornalieri, ricette appetitose e consigli per la transizione dalla pulizia.
Clicca qui per maggiori informazioni e / o per ordinare questo libro su Amazon.

Thrive Foods: 200 Plant-Based Recipes for Peak Health [Brossura] Brendan Brazier.
Basandosi sulla filosofia nutrizionale di riduzione dello stress e di salute introdotta nella sua acclamata guida nutrizionale vegana Prosperare, il triatleta professionista Ironman Brendan Brazier ora rivolge la sua attenzione al piatto della tua cena (anche la ciotola della colazione e il vassoio del pranzo).
Clicca qui per maggiori informazioni e / o per ordinare questo libro su Amazon.

Death by Medicine di Gary Null, Martin Feldman, Debora Rasio e Carolyn Dean
L'ambiente medico è diventato un labirinto di consigli di amministrazione aziendali, ospedalieri e governativi, infiltrati dalle compagnie farmaceutiche. Le sostanze più tossiche vengono spesso approvate per prime, mentre le alternative più miti e naturali vengono ignorate per motivi finanziari. È morte per medicina.
Clicca qui per maggiori informazioni e / o per ordinare questo libro su Amazon.

fShare

Tweet