چرا ما هنوز نمی دانیم چه تعداد ، و چه کسی دقیقاً به دلیل کوید در هند درگذشت

[ad_1]

در 16 مارس 2020 ، گروهی از ما مدل سازها ، بسیاری از اهالی دیاسپورای هند ، شروع به ردیابی و پیش بینی مسیر همه گیری در هند کردند. هند در آن زمان 536 مورد و 11 مرگ داشته است. ما این داده ها را در برنامه covind19.org هر 400 روز گذشته هر روز ردیابی کرده ایم. هند از 22 مارس در 26.5 میلیون مورد خیره کننده و نزدیک به 300000 مورد مرگ ایستاده است. مطالعات شیوع و سایر گزارش های تحقیقاتی نشان می دهد که تعداد کل عفونت ها و مرگ ها به ترتیب بزرگتر ممکن است بیشتر باشد. اما مدل های خوب به داده های خوب احتیاج دارند و ما با کمبود اطلاعات شدید از هند کار کرده ایم که منجر به عدم اطمینان زیادی در مورد برآورد پیش بینی می شود ، که برای اطلاع از توصیه های سیاست و همچنین اندازه گیری نیازهای منابع مراقبت های بهداشتی ، به عنوان مثال ، مقدار اکسیژن مورد نیاز کل هند

موارد ریاضی: کمبود داده پیامدهای زیادی دارد. برای موج 2 ، ما به سیاست های اقتصادی اقوام نیاز داریم

حتی داده های سطح دقیق و جزئی بسیار کمی در هند وجود ندارد. یافتن چیزهای ساده مانند شمارش تفکیک شده برای داده های طبقه بندی شده از نظر سن و جنس در سراسر کشور برای عفونت های کوویید ، بستری شدن در بیمارستان و مرگ و میر تقریباً غیرممکن است. در روزهای اولیه ، وزارت بهداشت و رفاه خانواده در هند این داده ها را منتشر کرد ، اما انتشار به سرعت متوقف شد. همه آنچه که ما یافته ایم گزارش های منطقه ای ، تصاویر لحظه ای در گزارش های رسمی ، عکس های صفحه از وبینارها و گزارش های رسانه ای است. نمی توان این داده ها را مقیاس بندی یا شمارش کرد تا مشخص شود چه کسی در هند در حال مرگ است. آیا تفاوتی در میزان عفونت و مرگ و میر بین زنان و مردان ، پیر و جوان وجود دارد؟ آیا این نمایه در Wave 1 و Wave 2 تغییر کرده است؟

داده های ناشی از مرگ و میر ناشی از هند ، حتی قبل از همه گیری نیز ناقص بوده است ، زیرا بخش عمده ای از مرگ و میرها از نظر پزشکی گزارش نشده اند ، به ویژه مرگ هایی که در خارج از مراکز بهداشتی و درمانی و مناطق روستایی اتفاق می افتد. در طی همه گیری ، گزارش کمبود موارد Covid و مرگ به یک مشکل حاد تبدیل شد. بخشی از این دلیل البته فشار بر سیستم ، مشکلات طبیعی مربوط به طبقه بندی نادرست علت مرگ و میر ، آزمایش محدود است ، اما به نظر می رسد اثر تمایل به حفظ چهره عمومی وجود دارد. به سختی می توان تلاقی عواملی را که منجر به کم گزارش شدن می شود ، جدا کرد. ما می توانیم از طریق محاسبات مرگ بیش از حد که بسیاری از کشورها انجام داده اند ، سعی کنیم این شکاف را در مرگ و میرهای گزارش شده به طور رسمی گزارش کنیم. یک مقاله اخیر در ایالات متحده 22٪ مرگ و میر بیش از حد در سال 2020 را نشان می دهد که 72٪ آن را به Covid-19 نسبت می دهند. اگر ما مجموعه ای از زمان مرگ و میر از هند را در دسترس خود داشته باشیم ، می خواهیم محاسبه مشابهی انجام دهیم. اما ما حتی از سال 2019 این داده ها را نداریم. این کمبود داده پیامدهای زیادی دارد ، به عنوان مثال ، اگر مردان و زنان در گروه های سنی کار در موج 2 به تعداد زیادی از بین بروند ، ما برای حمایت از خانواده هایی که در این کشور مانده اند ، به سیاست های اقتصادی نیاز داریم. از دست دادن عظیم درآمد. ما باید تعداد بازماندگان Covid را که ممکن است در نهایت حمل و نقل طولانی مدت باشند و به مراقبت های بهداشتی اضافی برای چند سال آینده نیاز دارند ، تخمین بزنیم. چگونه می توان از هزینه این همه گیری در جامعه بدون داده های دقیق مطلع شد؟ چگونه می توانیم برای آینده سرمایه گذاری استراتژیک انجام دهیم؟
یکی دیگر از محدودیت های گسترده ، پراکندگی داده های توالی ژنومی از هند برای یادگیری در مورد گسترش انواع در حال ظهور و شناسایی انواع ناشناخته در زمان واقعی است. بدون تلفیق داده های تعیین توالی با نظارت اپیدمیولوژیک ، تعیین توالی هدفمند عفونت های مجدد ، عفونت های خوشه ای و عفونت های دستیابی به موفقیت در واکسیناسیون ، از خصوصیات انواع و اثر واکسن ها در برابر آنها اطلاع نخواهیم داشت.

بارها از من سال شده است ، چرا ما مدل سازی داده های هند را متوقف نکردیم زیرا این داده ها بسیار ضعیف و گمراه کننده هستند؟ من به عنوان یک آماره شناس در ایالات متحده برای بیش از دو دهه ، کاملاً از محدودیت های این داده ها و خطرات مرتبط با نتیجه گیری و پیش بینی های قاطع آگاه هستم. هنوز هم نظر من این است که ما می توانیم و می توانیم برخی از روندها و سیگنالهای نسبی معنی دار را پس از محاسبه محدودیت های داده ثبت کنیم. مهمتر از همه ، تجزیه و تحلیل زمان واقعی داده های ناقص ما به هزاران نفری که به برنامه ما مراجعه کرده بودند کمک کرد تا درک کنند چه چیزی در آینده قرار دارد. سیستم های بیمارستانی برای تخمین اوج نیاز اکسیژن به ما مراجعه کردند ، مقامات ایالتی پیش بینی هایی را برای اطلاع سیاست های خود خواستند. تمام اعداد مطلق پیش بینی شده اساساً غلط یا بی فایده هستند ، اما سیگنالهایی وجود دارد که از طریق سر و صدا قابل تشخیص است: این واقعیت که در ماه فوریه افزایش وجود دارد یا در اواسط ماه مه منحنی به اوج خود می رسد ، ادعاهای منطقی درستی از مدل ما بود و از مدل های ایجاد شده توسط بسیاری دیگر از دانشمندان اگرچه پیش بینی ارتفاع قله دشوار است ، ما می دانستیم که برای غلبه بر سیستم مراقبت های بهداشتی کافی است. هیچ پیش بینی یا پیشنهادی از طرف ما و دیگران در جامعه علمی وجود نداشت ، این یک فلج عملکرد بود که این فاجعه ملی را بدتر کرد.

برای خاتمه ، می خواهم روایت شخصی خود را به عنوان یک شهروند خارج از کشور هند به اشتراک بگذارم. در تاریخ 26 آوریل ، از پدر 81 ساله ام در کلکته تماس گرفتم که تب می کند. دو هفته آینده یکی از سخت ترین نبردهای زندگی ام را برای انجام آزمایش RT-PCR ، بدست آوردن تخت بیمارستان و درمان صحیح انجام دادم – تنها راه نجات من تماس من در هند و واتس اپ بود. کنه های آبی موجود در واتس اپ به من گفت که او نفس می کشد. پدر من که یک مذهب سرشناس هشت گانه است ، همیشه دوست داشت روی صحنه بمیرد. نمی توانستم اجازه دهم که این دنیا را در یک اتاق انفرادی و فقط تلفنش کنار او بگذارد. در آنجا بود که داشتم درگیر نبرد ماوراlantالنهر با پدرم بودم ، که به یک داده تبدیل شد که 400 روز گذشته آن را تجزیه و تحلیل می کردم. کمال تشکر و قدردانی من از پزشکی است که به تک تک متن های دیوانه وار من پاسخ داد و به پدرم کمک کرد تا از بیمارستان به خانه برگردد. این فقط تجربه من نیست.

موج دوم هندی های ساکن و افراد هندی تبار ساکن خارج از کشور را دست نخورده نگه داشته است. ما به مدلهای فانتزی نیازی نداریم. ما در قلب خود می دانیم که اعداد گزارش شده رسمی به سادگی جمع نمی شوند. سرمایه گذاری در یک اکوسیستم داده قوی و تعهد به اشتراک گذاری داده ها و شفافیت اکنون به هند کمک می کند تا با موج نهم این همه گیر روبرو شود.



لینک شده


سلب مسئولیت

نظرات بیان شده در بالا از نظر نویسنده است.



پایان مقاله



Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>