fbpx Prima e seconda ondata, non facciamo confusione! | Scienza in rete

Prima e seconda ondata e altri confronti pericolosi

Primary tabs

Anche la Linea di Osvaldo Cavandoli sembra scocciarsi di come vengono trattati graficamente i dati dell'epidemia... 

Tempo di lettura: 7 mins

Con 7.332 nuovi positivi di ieri 14 ottobre viene raggiunto il numero massimo dall’inizio della pandemia e tutti i media non hanno mancato di rimarcarlo. In realtà già il giorno precedente, i 5.901 nuovi positivi segnalati si collocava nella parte alta della curva della prima ondata, tra il 19 e il 29 di marzo, e molti osservatori lo avevano segnalato, senza chiedersi troppo sulla correttezza del confronto e sulle conseguenze in termini di percezione del rischio e di paura. 

È dalla fine di agosto che sono tornati a crescere tutti gli indicatori, i nuovi casi positivi in rapporto crescente rispetto ai tamponi effettuati, i ricoveri ordinari, i ricoveri in terapia intensiva e anche i soggetti in isolamento. L’andamento crescente è molto simile per ricoverati e isolati, un po’ diverso per i nuovi positivi, che dalla fine di settembre subiscono un’impennata. 

 

 

giorno

Nuovi casi

Tamponi

Nuovi casi/tamponi

Morti

Isolamento

Ricoveri

Terapia intens.

agosto

26

1.366

93.529

0,1%

6

19.629

1.055

68

settembre

2

1.326

102.959

1,3%

6

26.271

1.437

108

 

9

1.430

95.990

1,5%

11

32.806

1.778

150

 

16

1.452

100.607

1,4%

10

38.040

2.285

207

 

23

1.640

103.696

1,6%

16

43.212

2.658

244

 

30

1.850

105.564

1,8%

19

47.936

3.047

280

ottobre

7

3.677

125.314

2,9%

24

58.457

3.782

337

 

13

5.901

112.544

5,2%

41

81.603

5.076

514

 

14

7.332

152.196

4,8%

43

86.436

5.470

539

 

Come già accaduto all’inizio della pandemia, la comunicazione si concentra soprattutto sui nuovi positivi, messi in relazione col numero di tamponi eseguiti, e crea apprensione vedere che in poco tempo si passa da meno dell’1% al 5%, con un numero di test ormai quasi sempre superiore ai 100.000. L’aumento incute timore ma si fanno confronti con altri Paesi per attenuarlo: cinquemila in Italia ma ventimila in Francia, o prima la Spagna o la Gran Bretagna, solitamente scegliendo i Paesi con dati più alti.

L’altra notizia che viene spesso data in modo allarmante riguarda il carico sui servizi sanitari, prevalentemente tarata sugli ospedali, meno sui servizi territoriali. Qui i dati non vengono solitamente passati, ma ci si limita a indicatori qualitativi: se cresce così, se non si attenua, oppure i reparti sono già saturi, etc. E pensare che invece i dati di ricoveri e di isolamento a casa, che peraltro ci sono, sarebbero molto interessanti e informativi, come vedremo di seguito.

Spesso si assiste anche a confronti temporali: per ritrovare un dato come quello delle ultime 24 ore occorre tornare al giorno x di marzo o al giorno y di aprile, ma ha senso fare questi confronti? E soprattutto cosa comportano dal punto di vista della percezione del rischio?

La risposta è semplice: questi confronti non hanno senso, perché riferiti a fasi dell’epidemia molto diverse tra loro. Basti qualche numero per dimostrarlo. Prendiamo per esempio i dati del 13 ottobre: 5.901 nuovi positivi con 112.544 tamponi. Per ritrovare un dato simile occorrerebbe tornare al 20 marzo (5.986 nuovi casi), cioè nella fase alta della prima ondata epidemica. Ebbene, il 20 marzo i tamponi erano stati 24.109, cioè meno di ¼ di quelli attuali, i ricoverati invece erano stati 16.020 cioè oltre 3 volte gli attuali, in terapia intensiva c’erano 2.655 malati pari a oltre 5 volte gli attuali, e i decessi erano stati 627, più di 15 volte gli attuali. Al contrario, il carico sul servizio sanitario territoriale era allora molto inferiore, con 19.185 persone in isolamento, meno di 1/4 delle 81.603 attuali.

Da queste semplici riflessioni si capisce immediatamente che la curva dei nuovi casi positivi da febbraio a oggi della pandemia è la più ingannevole che ci possa essere. Sembrano uguali, ma non lo sono.

Per diradare la nebbia che invade il cervello del lettore quando scopre che i casi positivi di oggi (14 ottobre 2020) sono di più del giorno con più casi della prima terribile ondata, viene la tentazione di ridisegnare la curva. Anche alla grossa, si potrebbe disegnare a sinistra una montagna di casi e a destra una collina. Ma cadremmo nello stesso errore di approssimazione di cui stiamo accusando chi si presta a pubblicare grafici relativi a dati ufficiali, senza evidenziare che tali dati non fotografano la realtà ma l’efficienza dei nostri sistemi di monitoraggio. Pertanto ci asteniamo.

Altri confronti col passato non hanno maggiore fortuna; ad esempio per ragionare sul carico ospedaliero qualcuno si lancia nella ricerca di un periodo precedente con un numero simile di ricoveri, ma anche questa è operazione ingannevole. Infatti si possono trovare similitudini sia nella fase crescente della curva a marzo (a), sia in quella decrescente a giugno (b), ma in entrambe i casi risulta poi difficile trovare una regola che spieghi il movimento e i rapporti con gli altri indicatori.

Nello scenario (a) del 10 marzo, infatti, il numero di ricoveri era simile a quello attuale, ma i nuovi positivi erano ancora sotto i 2.000 e i tamponi meno di 7.000, i casi in isolamento erano metà di quello dei ricoverati, mentre in terapia intensiva c’erano 877 malati, i deceduti erano 168, quattro volte gli attuali. In sintesi, un carico di nuovi casi ancora contenuto, un impatto ospedaliero maggiore, un carico territoriale ancora molto basso.

Lo scenario (b) è ancora più spericolato poiché confronta quello che accade oggi con la fase calante della prima ondata: il 6 giugno i ricoverati erano stati uguali a quelli del 13 ottobre, ma i nuovi casi erano ormai in forte riduzione (270), con 72.485 tamponi effettuati, gli isolati (31.359) erano meno del 30% degli attuali, in terapia intensiva permanevano 293 persone e i decessi erano 72. In sintesi, un carico molto minore di nuovi positivi, un impatto ospedaliero simile, un minore impatto per i servizi territoriali, sebbene ancora impegnativo.

Insomma si capisce bene che i confronti non tengono e che i motivi sono molteplici:

  • fase diversa della curva epidemica,
  • differente offerta di test,
  • grado di attivazione dei servizi territoriali (tracciamento e presa in carico),
  • cambiamento della popolazione dei positivi,
  • aumento della platea degli asintomatici e paucisintomatici,
  • abbassamento dell’età 

e altro ancora.

Un modello multivariato, che con le moderne tecniche statistiche non rappresenterebbe un problema analizzare se non fosse che le molte variabili in gioco cambiano nel tempo, sarebbe certamente utile, obbligando a modelli tempo-dipendenti, peraltro differenziati da regione a regione.

In realtà ci sono alcuni indicatori che offrono spunti per la comprensione dell’andamento e per la sorveglianza.

Prendiamo ad esempio il rapporto tra ricoveri per Covid-19 in terapia intensiva e in regime ordinario. Le due variabili, dalla prima settimana di marzo a oggi, sono fortemente correlate tra loro (coefficiente di correlazione R= 0,97; p<0,0001), con un rapporto medio di un ricoverato in terapia intensiva ogni 9 ricoverati ordinari (7.861/867). Tuttavia, su un periodo così lungo un unico rapporto trae in inganno. Infatti, nel mese di marzo i dati correlavano perfettamente (R=0,99; p<0,0001) ma il rapporto medio era di un ricoverato in terapia intensiva ogni 6,5 ricoverati ordinari (14.156/2.168), mentre dal 1 settembre al 14 ottobre sempre con correlazione lineare quasi massima (R=0,99; p<0,0001) il rapporto medio era di un ricoverato in terapia intensiva ogni 11 ricoverati ordinari (2.772/251).

Il rapporto tra nuovi positivi e tamponi effettuati è più trattato ma, ai fini di accrescere la cautela nel confrontare la fase attuale con quella della prima fase, è interessante il fatto che mentre tra marzo e aprile era stato registrato 1 nuovo caso ogni 4-6 tamponi effettuati, a settembre il rapporto è stato di 1 ogni 50-70 tamponi, dai primi di ottobre è iniziato a calare e si attesta su 1 positivo ogni 21 tamponi il 14 ottobre. Un trend comunque preoccupante, sebbene ben lontano dai dati inizio pandemia, quando la crescita del numero di tamponi era più lenta della crescita dei contagi.

Un indicatore di interesse ci sembra anche il rapporto tra nuovi casi e ricoveri, che tra il 19 e il 29 marzo, periodo con maggiore incidenza di casi sempre > 5.000 nuovi casi al giorno, era largamente a vantaggio dei ricoveri (casi tra 1/4 e 1/3 dei ricoveri), mentre nell’ultima settimana i nuovi positivi superano i ricoveri (+22%). Tra tanti parametri che si muovono nel tempo, uno che invece è più stabile sul lungo periodo è il peso relativo dei casi in terapia intensiva rispetto al totale dei ricoverati (ordinari+intensivi) che oscilla tra il 6% e il 9% dalla fine di aprile ad oggi.

Un altro indicatore di un certo interesse è il rapporto tra soggetti in isolamento e soggetti ospedalizzati, una sorta di confronto tra carico territoriale e carico ospedaliero. Le due variabili hanno un rapporto tra loro molto dipendente dalla fase e l’indicatore ha avuto un’evoluzione non lineare, partendo da valori sotto l’unità fino a metà marzo, poi salito a 2-4 a aprile, 4-5 a maggio, fino a 10 a giugno, tra 12 e 15 a luglio, fino a 17 a metà settembre, per attestarsi tra 15 e 14 nell’ultimo mese, ma riscende a 11 nel dato puntuale del 14 ottobre.

Anziché cercare la migliore curva di interpolazione (polinomiale cubica?) sembra più interessante il fatto che l’indicatore si mantiene pressoché stabile per lunghi periodi, evidentemente con caratteristiche omogenee, e potrebbe risultare utile a scopo di sorveglianza e di intervento a supporto del servizio territoriale, di quello ospedaliero o di entrambe.

In generale si può dire che più il rapporto è sbilanciato verso l’assistenza territoriale meglio è, perché è segno di una risposta di tracciamento precoce che a marzo-aprile non c’era e ha prodotto le conseguenze disastrose che abbiamo vissuto. E che ora invece funziona, anche in virtù di quella brutta esperienza primaverile. Per questo motivo, senza abbassare la guardia sulle dotazioni ospedaliere, sarebbe quindi importante proseguire nel potenziamento del sistema di sorveglianza e prevenzione territoriale, che insieme ai comportamenti di protezione è il primo argine al dilagare della pandemia.

Sul piano della comunicazione, la delicatezza della fase impone prima di tutto a chi rende pubblici i dati di prestare una maggiore attenzione alle cause che generano i numeri piuttosto che ai numeri crudi e ai confronti impropri. Che rassicurino o spaventino, i dati lasciati a loro stessi fanno danni, soprattutto se veicolati da visualizzazioni apparentemente corrette ma sostanzialmente improprie. Verrebbe da dire, parafrasando Vladimir Il'ič Ul’janov, «dataismo malattie infantile del giornalismo».

 


Scienza in rete è un giornale senza pubblicità e aperto a tutti per garantire l’indipendenza dell’informazione e il diritto universale alla cittadinanza scientifica. Contribuisci a dar voce alla ricerca sostenendo Scienza in rete. In questo modo, potrai entrare a far parte della nostra comunità e condividere il nostro percorso. Clicca sul pulsante e scegli liberamente quanto donare! Anche una piccola somma è importante. Se vuoi fare una donazione ricorrente, ci consenti di programmare meglio il nostro lavoro e resti comunque libero di interromperla quando credi.


prossimo articolo

Why have neural networks won the Nobel Prizes in Physics and Chemistry?

This year, Artificial Intelligence played a leading role in the Nobel Prizes for Physics and Chemistry. More specifically, it would be better to say machine learning and neural networks, thanks to whose development we now have systems ranging from image recognition to generative AI like Chat-GPT. In this article, Chiara Sabelli tells the story of the research that led physicist and biologist John J. Hopfield and computer scientist and neuroscientist Geoffrey Hinton to lay the foundations of current machine learning.

Image modified from the article "Biohybrid and Bioinspired Magnetic Microswimmers" https://onlinelibrary.wiley.com/doi/epdf/10.1002/smll.201704374

The 2024 Nobel Prize in Physics was awarded to John J. Hopfield, an American physicist and biologist from Princeton University, and to Geoffrey Hinton, a British computer scientist and neuroscientist from the University of Toronto, for utilizing tools from statistical physics in the development of methods underlying today's powerful machine learning technologies.