fbpx Pandemia d'autunno: scende o sale? | Scienza in rete

Pandemia d'autunno: scende o sale?

Primary tabs

Tempo di lettura: 6 mins

In questi primi giorni di ottobre c'è chi ormai crede che il numero di contagi si stia esaurendo sempre di più inarrestabilmente. In effetti è dal 27 agosto che decrescono: allora la media dei contagi diagnosticati nella settimana era di 7826 mentre un mese dopo, il 27 settembre, la media settimanale dei contagi è stata di 3170, cioè i contagi durante il mese di settembre si sono dimezzati. Ma adesso cosa sta succedendo?

Per analizzare l'andamento, serve innanzitutto riconoscere la presenza di una ciclicità settimanale nei dati, derivato principalmente dalla differente attività diagnostica nei fine settimana. Utilizzando dei modelli che tengono conto di questa ciclicità, si evidenzia una costante decrescita che sino a fine settembre è cresciuta di intensità ma che nei primi giorni di ottobre sembra si stia arrestando.

Andamento dei nuovi contagi diagnosticati (punti rossi) e stima dell’andamento al netto della ciclicità settimanale in diversi periodi dell’epidemia da agosto a oggi (curve tratteggiate). Si vede che mentre nella prima metà di agosto (curva tratteggiata blu) l’andamento era fortemente crescente, l’intensità della crescita è diminuita notevolmente nella seconda e terza settimana di agosto (curva tratteggiata rossa). Da fine agosto a inizio settembre (curva tratteggiata verde) l’andamento diventa decrescente e questa decrescita si intensifica ulteriormente nelle prime due settimane di settembre (curva tratteggiata rosa). Nelle ultime due settimane di settembre (curva tratteggiata marrone) l’andamento è ancora decrescente, ma si vede che l’aumento della pendenza (negativa) della curva marrone rispetto alla rosa è minore di quello osservato nelle settimane precedenti tra curva rosa e curva verde.

Il rallentamento della decrescita si può constatare guardando all’andamento dell'indice di replicazione diagnostica settimanale, ovvero il rapporto tra il numero di contagi diagnosticati nell’ultima settimana e quello diagnosticato nella settimana precedente.

Indice di replicazione diagnostica dal 1^ giugno a oggi.

Fortunatamente però la decrescita non si è del tutto esaurita, anche se in alcune Regioni i contagi sono nuovamente in aumento, cioè hanno un indice di replicazione diagnostica superiore a 1, e molte altre sono prossime a questo valore.

Indice di replicazione diagnostica regionale calcolato il 7 ottobre (settimana 24/9-30/9 su settimana 1/10-7/10)

I contagi stanno decrescendo grazie soprattutto all'aumento dei vaccinati, anche dei giovani. Tuttavia, è importante considerare che anche i vaccinati hanno una probabilità di contagiarsi, seppure cinque volte inferiore a quella dei non vaccinati (l’ultimo bollettino dell’Istituto Superiore di Sanità stima infatti che l’efficacia del vaccino sia pari al 77%). La riapertura di molte attività potrebbe però determinare una crescita dei contagi e quindi entrare in competizione con l'aumento dei vaccinati. Se così fosse, si dovrebbe allora osservare una decrescita dell'ospedalizzazione, soprattutto dei ricoveri in intensità terapeutica, e soprattutto la diminuzione della letalità in quanto i vaccinati che si infettano hanno una bassissima probabilità di avere gravi conseguenze.

Rispetto alla letalità vi è una difficoltà di calcolo che deriva dalla impossibilità di accedere ai dati individuali. Si deve quindi ricorrere a una stima dei contagiati da cui sono derivati i decessi, valutando la durata media della malattia dei deceduti dal confronto tra l'andamento del numero di contagi e quello del numero di decessi.

Andamento dei nuovi contagi diagnosticati (curva rossa) e dei decessi (curva blu).

Calcolando delle frequenze standardizzate delle medie mobili settimanali, il trend dei decessi appare in questa fase simile al trend dei contagi ma traslato in avanti tra i 21 e i 28 giorni. È allora possibile ipotizzare che la letalità sia il rapporto tra la frequenza di decessi e la frequenza di contagi diagnosticati tra i 21 e i 28 giorni precedenti. Il risultato dà una tendenza in diminuzione se si sceglie un tempo di latenza di 28 giorni, e invece una tendenza invece piatta se il tempo di latenza è di 21 giorni.

Andamento della percentuale dei decessi sui contagi osservati 28 giorni prima (curva blu) e di quelli diagnosticati 21 giorni prima (curva rossa).

Se l'assenza di una significativa diminuzione della letalità fosse confermata (queste stime sono solo qualitative e soggette ad ampi margini di incertezza), indicherebbe che non vi è stata sinora una crescita importante della percentuale di vaccinati tra i contagiati e quindi che il rallentamento nella decrescita dei contagi e la crescita osservata in alcune Regioni sarebbe da ascrivere a una maggior incidenza dei contagi nella quota dei vaccinati.

Anche l’andamento della percentuale di contagi che evolve in un ricovero in terapia intensiva può dare delle indicazioni su quale sia la popolazione, vaccinati o non vaccinati, che sta contribuendo maggiormente al rallentamento nella decrescita dei contagi. Questo perché i vaccini a nostra disposizione sono altamente protettivi sia contro la morte che contro la malattia grave (sempre nell’ultimo bollettino dell’Istituto Superiore di Sanità, l’efficacia dei vaccini nell’evitare il ricovero in terapia intensiva è stimato al 94%). In questo periodo la percentuale accessi in terapia intensiva sembra essere relativamente stabile, soprattutto se calcolata a sette giorni dalla diagnosi che sembra essere la media dei giorni osservata a fine settembre tra diagnosi e ricovero. Ciò conferma quanto detto per i decessi e cioè che il trend delle percentuali di accesso alle terapie intensive non sembra essere molto influenzato dalla crescita dei vaccinati ma piuttosto sia riconducibile all’andamento dell’epidemia tra i non vaccinati.

Andamento dei positivi (curva rossa) e dei ricoverati in terapia intensiva (curva arancione).

Percentuali di accessi in terapia intensiva calcolate con tempo di latenza di 7 giorni (curva blue) e tempo di latenza di 14 giorni (curva rosa).

Si può tentare allora di fare un esercizio per cercare di capire a cosa sia dovuto l'attuale rallentamento della decrescita. Se si ipotizza che da giugno a oggi le variazioni assolute del numero di decessi e del numero di accessi in terapia intensiva siano dovute solo all'aumento dei contagi tra i non vaccinati, allora si può provare a stimare quanti casi ci saremmo aspettati di diagnosticare.

Per fare questo calcolo si è considerata una letalità costante pari a 1,7% e una percentuale di accessi in terapia intensiva pari all' 1,0%

Così facendo, si ottiene la curva rossa che nel mese di giugno risulta molto simile a quella blu, che rappresenta i casi realmente diagnosticati, mentre da luglio in poi la differenza tra queste due curve diventa più importante (curva verde).

Questa differenza potrebbe essere attribuita ai contagi tra i vaccinati, facendo l’assunzione che nessuno tra questi abbia avuto bisogno di ricovero intensivo né sia andato incontro alla morte. La decrescita dei contagi iniziata a metà agosto sarebbe allora spiegata dalla crescita della percentuale dei vaccinati nella popolazione generale.

Questo esercizio può servire per sottolineare che l'andamento dell'epidemia dipende da ciò che succede in due diverse quote della popolazione: quella dei vaccinati e quella dei non vaccinati. I soggetti non vaccinati continuano ad avere la stessa contagiabilità anche se beneficiano della presenza crescente di vaccinati con molto minore contagiosità, e quindi se i contagi diminuiscono significa per lo più che sono diminuiti i non vaccinati.

Sul rapporto tra il numero di contagiati vaccinati e non vaccinati si consideri che i vaccinati sono oggi circa l'80% della popolazione e di questi solo il 20'% è a rischio di semplice contagio per lo più senza presentare gravi complicazioni. Dunque, i vaccinati suscettibili al contagio corrispondono oggi a circa il 16% (80% moltiplicato per 20%) della popolazione, un numero inferiore ma non di molto al 20% degli attuali non vaccinati: ci si può attendere che a ogni cinque non vaccinati positivi corrispondano quattro vaccinati positivi e quindi se l'epidemia tornasse a crescere sarà sia a causa di coloro che non si sono vaccinati sia a causa dei vaccinati che non hanno mantenuto le necessarie precauzioni.

In conclusione, è essenziale che la percentuale di vaccinati cresca il più possibile, ma anche che tutta la popolazione, compreso quella vaccinata, non dimentichi di essere comunque a rischio e continui ad adottare comportamenti cauti ed evitare situazioni a rischio.


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.