RSS

Archivi categoria: statistica

Modelli, ricercatori e politica: cosa è andato storto? | Fondazione PER

Sorgente: Modelli, ricercatori e politica: cosa è andato storto? | Fondazione PER

 

I modelli matematici sull’epidemia hanno fallito?

Enrico Bucci Il foglio

Silvestri

2. Un gruppetto di squadristi social sono venuti qui ad insultarmi accusandomi di aver detto che “tutti i modelli matematici” sono sbagliati. Ovviamente non ho detto questo, perché non sono un imbecille. Ho scritto invece che alcuni modelli matematici sono sbagliati (sapete quali) e non dovrebbero essere usati. Per far capire che io non sono affatto contrario ai modelli ecco qui i papers di cui sono autore che sono basati sull’uso di un modello matematico:

1. Regoes R, et al. The role of target cells and specific cellular immunity in primary SIV-infection. J Virol, 2004, 78:4866-4875.

2. Gordon SN, et al. Short-lived infected cells support virus replication in naturally SIV-infected sooty mangabeys: implications for AIDS pathogenesis. J Virol, 2008, 82:3713-3724.
3. Pandrea I, et al. SIVagm dynamics in African green monkeys. J Virol, 2008, 82:3713-3724.

4. Lay MDH, et al. Is the gut the major source of virus in early SIV infection? J Virol 2009, 83:6517-23.

5. Kouyos RD, et al. Similar impact of CD8+ T cell responses on early virus dynamics during SIV infections of rhesus macaques and sooty mangabeys. PLoS Comp Biol 2010; 6(8) e1000901

6. Chan ML, et al. Weak homeostatic CD4+ T cell proliferative response leads to preservation of CD4+ T cell counts in SIV-infected Sooty Mangabeys. Proc R Soc Med 2010; 277: 3773-81.

7. Klatt NR, et al. Depletion of CD8+ T cells does not affect the lifespan of infected cells during pathogenic SIVmac239 Infection of rhesus macaques. PLoS Pathogens 2010 Jan 29;6(1):e1000747.

8. Elemans M, et al. Why don’t CD8+ T cells reduce the lifespan of SIV-infected cells in vivo. PLoS Comp Biol, 2011; 7(9):e1002200.

9. Petravic J, et al. Estimating the contribution of the gut to plasma viral load in early SIV infection. Retrovirology, 2013; 10:105.

10. McGary C, et al. Increased stability and limited proliferation of CD4+ central memory T cells differentiate non-progressive SIV-infection of sooty mangabeys from progressive SIV-infection of rhesus macaques. J Virol, 2014; 88:4543-52.

11. Micci L, et al. CD4 depletion in SIV-infected macaques results in macrophage and microglia infection with rapid turnover of infected cells. PLoS Pathogens, 2014 Oct 23;9(10):e109791.

12. Ortiz AM, et al. Analysis of the in vivo turnover of naïve and memory CD4+ T-cell subsets in chronically SIV-infected sooty mangabeys. PLoS ONE, 2016 May 26;11(5):e0156352.

13. Cao YF, et al. CD8+ Lymphocyte Control of SIV Infection during Antiretroviral Therapy PLoS Pathogens, 2018;14(10):e1007350. doi: 10.1371

PS: I due grafici qui sotto il numero dei casi e di morti da COVID-19 secondo E-CDC. Credo che siano curve dall’andamento interessante.

 

 

 

 

 

_________

 

 

 

I modelli matematici sull’epidemia hanno fallito?

Mi sembra che qualcuno voglia speculare su un fatto ovvio per chi conosce la scienza ma che non appare facilmente intuibile a chi non la mastica.

Mi riferisco al fatto che i modelli predittivi NON si usano per prevedere quello che sarà, ma per capire come comportarci. Provo a spiegarmi meglio: quando sentiamo dire “entro x data abbiamo stimato 0 contagi” oppure “entro y data potremmo avere 150.000 persone in terapia intensiva” noi siamo indotti ad immaginare che esista un unico modello della realtà, che è stato previsto con chissà quale modello e ora possono verificarsi due cose: o la previsione è azzeccata e quindi scommessa vinta, oppure se a quella data la situazione è diversa, il modello fa schifo.

Ecco, questo approccio da scommettitore esiste solo nei bar. Nel mondo della scienza la cosa va molto ma molto diversamente: si elaborano modelli previsionali che ci mostrano vari scenari di futuro. Ma è ben diverso da giocare più schedine al lotto per aumentare la probabilità di prenderla: i modelli servono a capire come intervenire ed evitare che si avverino.

Il modello che stimava il caso peggiore stimava 150.000 persone in terapia intensiva, riaprendo tutto e senza nessuna misura di contenimento. Cosa ci suggerisce il modello? Che è infattibile, quindi dobbiamo inserire delle restrizioni. Allora proviamo ad inserire altre due settimane di chiusura, un mese prima di riaprire le regioni, e utilizzo di mascherine. Che risultato abbiamo? Ci soddisfa? Si. E se provassimo a togliere le mascherine che succederebbe? Ci soddisfa? Ok, e se aprissimo le regioni 10 giorni prima?

Ecco che abbiamo tirato fuori 4-5 modelli. Nessuno di loro ci serve a vincere la schedina di cosa accadrà fra un mese. Ci servono a prendere decisioni oggi che siano basate sulla ragione e non sulle emozioni. Questa è scienza, il resto è dibattito televisivo. Il prof. Enrico Bucci è stato una pietra miliare nel mostrare come si silenziano le opinioni e si lasciano parlare i numeri. Complimenti e grazie davvero!

Tutto ciò lo racconto chiaramente nel paragrafo “avremo zero contagi entro il…?” del libro “Coronavirus: la Terza Guerra Mondiale è contro un Nemico Invisibile” chi ha Amazon prime lo può leggere subito qui: https://amzn.to/3dHoEQ7

 
 

Variation in False-Negative Rate of Reverse Transcriptase Polymerase Chain Reaction–Based SARS-CoV-2 Tests by Time Since Exposure | Annals of Internal Medicine

Sorgente: Variation in False-Negative Rate of Reverse Transcriptase Polymerase Chain Reaction–Based SARS-CoV-2 Tests by Time Since Exposure | Annals of Internal Medicine

 

n pratica il lavoro dimostra che il tampone naso- faringeo ha un’alta probabilità di risultare falsamente negativo nella fase pre sintomatica e fino al 4-5 giorno. Dal 6’ Al 16’ giorno la probabilità di falsi negativi scende al 25% e quindi risale al 50% a partire dal 17’ giorno, pur essendo i pazienti ancora portatori del virus. Il lavoro suggerisce due cose secondo me:
A) la scarsa efficacia della strategia di tamponare contatti asintomatici, o soggetti paucisintomatici precocemente;
B) la negatività del test in un paziente con sintomi non può essere considerato un mezzo per escludere la patologia ed evitare l’isolamento. Come sempre la clinica e l’anamnesi mantengono un ruolo fondamentale nella gestione della patologia

 

In pratica il lavoro dimostra che il tampone naso- faringeo ha un’alta probabilità di risultare falsamente negativo nella fase pre sintomatica e fino al 4-5 giorno. Dal 6’ Al 16’ giorno la probabilità di falsi negativi scende al 25% e quindi risale al 50% a partire dal 17’ giorno, pur essendo i pazienti ancora portatori del virus. Il lavoro suggerisce due cose secondo me:
A) la scarsa efficacia della strategia di tamponare contatti asintomatici, o soggetti paucisintomatici precocemente;
😎 la negatività del test in un paziente con sintomi non può essere considerato un mezzo per escludere la patologia ed evitare l’isolamento. Come sempre la clinica e l’anamnesi mantengono un ruolo fondamentale nella gestione della patologia

 
 

Il mito di R0 e i dati | Scienza in rete

 

L’indice R0, che descrive la trasmissione in una popolazione completamente suscettibile e il cui valore si può modificare a seguito di modifiche nei contatti sociali oppure a

RT seguito della riduzione del numero di persone suscettibili (si parla di Rt),

n effetti l’indice di riproduzione R0 è importante, perché fornisce l’informazione sintetica di quanti casi secondari vengono generati, per trasmissione interpersonale, da un caso primario in una popolazione completamente suscettibile.

In sintesi R0 rappresenta il numero, in media, di casi secondari di un caso indice mentre l’Rt è la misura della potenziale trasmissibilità della malattia legata alla situazione contingente, cioè la misura di ciò che succede nel contesto. Questo virus, per capirci, ha un R0, in media, di 2,5 casi secondari, mentre l’indice di trasmissibilità Rt, in questo momento, è compreso tra 0,2 e 0,7, perché sono stati messi in atto dei sistemi di contenimento che ci stanno permettendo di ridurre il numero di casi.

Rt è … bastardo di suo. Paradossalmente si abbassa dove il numero di contagiati è stato molto alto per due principali ragioni: il numero dei contagiabili si abbassa e la percentuale dei nuovi contagi pure. È un indice che non andrebbe mai usato da solo, ma farlo capire a giornali e TV è un’impresa.
R0 è il prodotto tra la probabilità di infettarsi di un soggetto suscettibile esposto al contagio, moltiplicato per il No medio di contatti tra i suscettibili è un infetto, moltiplicato per la durata del periodo di infettività di un soggetto malato. Dopo l’inizio dell’epidemia R0 si modifica; uno dei fattori di modifica è la riduzione del numero medio di contatti a causa della riduzione del numero dei suscettibili (alcuni dei quali sono diventati infetti). Quindi se in Umbria il numero degli infetti è stato basso Rt rimane alto.

R0 o Rt? Cercherò di semplificare. R0 va utilizzato nelle fasi iniziali di una epidemia. Indica quanti contagi siano possibili da un singolo positivo. Per un valore di 2,4 questo vuol dire: ogni i caso positivo ne genera 2,4 e così via .Se chiudi tutti i cittadini in casa questo indice scende rapidamente (la fase 1) fino ad un valore inferiore a 1.
Rt. Rt indica la capacità di trasmettere il contagio durante la riduzione della epidemia, la capacita’ di individuare i nuovi casi e la catena di trasmissione (Fase 2. Quella attuale).Qui il caso è più complesso. E’ come andare al ristorante. Volete ordinare un vino ottimo. Costo 100 euro a bottiglia. Ora il cameriere vi porta la bottiglia ordinata chiusa. La vedete. La apre di fronte a voi. Siete in grado di tracciare tutta la filiera ( Rt inferiore a 0,3 bassa probabilità che vi venga servito un vino diverso). Secondo caso: il cameriere vi fa vedere la bottiglia ordinata. Poi va in cucina, ne apre una altra da 30 euro ( vino sempre buono), la versa nel decanter e ve la serve dopo 10 minuti. Vino ottimo. Ma voi non siete in grado di tracciare il vino ordinato ( Rt superiore a 3, con il prezzo pagato avreste potuto ottenere 3 bottiglie – che ovviamente non vi daranno mai-) . Non siete stati in grado di tracciare il percorso del vino, ergo siete a rischio di fregatura. Nel caso del virus di contagio perché non avete in sistema di tracciatura adeguata.

 

Sorgente: Il mito di R0 e i dati | Scienza in rete

 

The R0 package: a toolbox to estimate reproduction numbers for epidemic outbreaksr0

Sorgente: Indice Rt e indice R0: cosa sono,differenze e come vengono calcolati – Corriere.it

calcolatore epdiemico

Sorgente: Fase 2, i dati essenziali secondo gli epidemiologi: 22 indicatori per la sorveglianza anti-contagio

questi in pratica
Sorgente: Monitoraggio Fase 2 Report settimanale – C_17_notizie_4766_0_file.pdf

 
Lascia un commento

Pubblicato da su 17 maggio 2020 in letteratura, statistica

 

Rapporto_Istat_ISS.pdf

Sorgente: Rapporto_Istat_ISS.pdf

 

AGGIORNAMENTO 8 MAGGIO 2020

R0 VA BENE…MA QUANTI SONO I MORTI COVID-19?

R0 continua a scendere, anche nelle aree ancora piu’ colpite (Figura 1).

Sui dati smussati su intervalli temporali di 5 giorni (oggi e’ il 75-esimo dall’inizio), il valore sugli ultimi 5 giorni sul dato nazionale è di

R0 = 0.75 +/- 0.27.

Il nord è a 0.8 e il centro-sud a 0.7.

Ma quanti sono i morti Covid-19 in Italia?

Una stima, si puo’ ottenere dai dati che l’ISTAT ha reso pubblici il 4 Maggio, e che mostriamo in Figura 2.

I dati resi pubblici riguardano il numero dei morti in Italia nel periodo 1 Gennaio – 4 Aprile per il quinquennio 2015-2019 (dati completi) e per l’anno 2020 (circa un terzo dei comuni nei dati “scaricabili).

La curva blue in Figura 2 mostra la media dei morti giornalieri in Italia nel quinquennio 2015-2019, dal 1 Maggio al 4 Aprile.

I dati dei singoli anni del quinquennio sono quasi sovrapponibili fra loro e la deviazione standard fra anno e anno è di soli 3 morti al giorno rispetto alla media.

La sistematica decrescita dal 1 Gennaio al 4 Aprile rappresenta l’andamento stagionale tipico.

Il 2020, ha un andamento molto diverso.
Questo è mostrato dalla curva nera, che è stata rinormalizzata all’andamento dei 5 anni precedenti, moltiplicandola per il rapporto fra la media di Gennaio nel quinquennio 2015-2019 e la stessa media nell’anno 2020.

Infine, la curva gialla e’ la differenza fra la curva nera e la curva blue, e rappresenta quindi una stima dei morti Covid-19 reali nel periodo campionato (che sembra iniziare a discostarsi da zero, grosso modo dal giorno 30, cioe’ verso fine Gennaio).

Per confronto la curva rossa sono i dati dei morti Covid-19 giornalieri in Italia forniti dalla Protezione Civile dal 21 Febbraio 2020 al 4 Aprile 2020.

Il rapporto fra la curva gialla e la curva rossa fornisce quindi il fattore di sotto-campionamento dei morti Covid-19

Figura 3, infine, mostra la stessa cosa di Figura 2, ma per la cumulativa delle morti.
Al 4 Aprile sembrerebbe esserci un fattore 2.6 di morti Covid in piu’ di quelli ufficalmente contati.

Se si estrapola questo fattore ad oggi, le morti Covid-19 dovrebbero ammontare oggi a circa 80000.

 

 
 

Why coronavirus testing isn’t so simple – The San Diego Union-Tribune

Access to testing is growing, but so are concerns over the reliability of results.

Sorgente: Why coronavirus testing isn’t so simple – The San Diego Union-Tribune

 

Il mito di R0 e i dati | Scienza in rete

Da quando è scoppiata la pandemia, qualsiasi italiano sa che è importante che il tasso R0 scenda sotto il valore di uno. Magari non tutti hanno bene consolidato il concetto ma come, durante le gare di vela di Luna Rossa tutti usavamo termini nautici con la massima disinvoltura, ora persone comuni, giornalisti, politici ed “esperti” citano l’indice di riproduzione di base come

Sorgente: Il mito di R0 e i dati | Scienza in rete

 

Health status – Suicide rates – OECD Data

Suicide rates are defined as the number of deaths deliberately initiated and performed by a person in the full knowledge or expectation of its fatal outcome.

Sorgente: Health status – Suicide rates – OECD Data

 

Vincere al Superenalotto? Più facile essere colpiti da un meteorite o da un fulmine – Il Sole 24 ORE

Sorgente: Vincere al Superenalotto? Più facile essere colpiti da un meteorite o da un fulmine – Il Sole 24 ORE

 
Lascia un commento

Pubblicato da su 8 agosto 2019 in letteratura, statistica

 

Number Needed to Treat: Conveying the Likelihood of a Therapeutic Effect. | Research, Methods, Statistics | JAMA | JAMA Network

This JAMA Guide to Statistics and Methods explains the calculations and concepts underlying the NNT as a summary statistic of effect, and the assumptions underlying the measure that affect its interpretation.

Sorgente: Number Needed to Treat: Conveying the Likelihood of a Therapeutic Effect. | Research, Methods, Statistics | JAMA | JAMA Network

 
Lascia un commento

Pubblicato da su 1 marzo 2019 in letteratura, statistica

 

Number Needed to Treat: Conveying the Likelihood of a Therapeutic Effect. | Research, Methods, Statistics | JAMA | JAMA Network

Sorgente: Number Needed to Treat: Conveying the Likelihood of a Therapeutic Effect. | Research, Methods, Statistics | JAMA | JAMA Network

 
Lascia un commento

Pubblicato da su 16 febbraio 2019 in letteratura, statistica

 

Un’intuizione della Seconda guerra mondiale per spiegare la lotta al morbillo – Medicalfacts

Un’intuizione della Seconda guerra mondiale per spiegare la lotta al morbillo 6 dicembre 2018 Focus Quello che sembra ovvio non è vero, e quello che è vero non sembra ovvio. Vale per i bombardieri e vale anche per il morbillo. Siamo nel 1943 e sta infuriando la Seconda guerra mondiale. Gli alleati compiono quasi ogni giorno raid nel cielo della Germania nazista con i loro bombardieri, ma le cose non vanno come dovrebbero andare. La difesa aerea dei tedeschi è coriacea e la loro contraerea, che si giova dei letali cannoni da 88mm, è ben disposta, ottimamente addestrata e si oppone con grande efficacia. Tra gli alleati serpeggia il pessimismo: stanno perdendo troppi bombardieri e se le cose continuano così, la situazione non promette nulla di buono. Bisogna fare qualcosa, ma non si sa cosa. Qualcuno suggerisce addirittura di diminuire il numero di persone che compongono l’equipaggio, per limitare le perdite, ma ovviamente non è questa la soluzione. Le soluzioni degli alleati Alla fine si decide di corazzare i bombardieri, ma siccome, ovviamente, ogni chilo di corazza è un chilo di bombe in meno, non si può proteggere tutta la fusoliera. Non solo, la corazza è un’arma a

Sorgente: Un’intuizione della Seconda guerra mondiale per spiegare la lotta al morbillo – Medicalfacts

 

Tag: ,

Bayesian Hierarchical Models | Research, Methods, Statistics | JAMA | JAMA Network

This JAMA Guide to Statistics and Methods discusses the use, limitations, and interpretation of Bayesian hierarchical modeling, a statistical procedure that integrates information across multiple levels and uses prior information about likely treatment effects and their variability to estimate true…

Sorgente: Bayesian Hierarchical Models | Research, Methods, Statistics | JAMA | JAMA Network

 
Lascia un commento

Pubblicato da su 14 dicembre 2018 in letteratura, statistica

 

JMIR-A Gentle Introduction to the Comparison Between Null Hypothesis Testing and Bayesian Analysis: Reanalysis of Two Randomized Controlled Trials | Bendtsen | Journal of Medical Internet Research

Journal of Medical Internet Research – International Scientific Journal for Medical Research, Information and Communication on the Internet

Sorgente: JMIR-A Gentle Introduction to the Comparison Between Null Hypothesis Testing and Bayesian Analysis: Reanalysis of Two Randomized Controlled Trials | Bendtsen | Journal of Medical Internet Research

 
Lascia un commento

Pubblicato da su 26 ottobre 2018 in letteratura, statistica

 

Tumori: il tempo è la migliore ‘terapia’. Le raccomandazioni di GIMBE su diagnosi precoce – Sanità Informazione

In Italia nel 2016 sono stati diagnosticati oltre 365.000 nuovi casi di tumori maligni e i pazienti oncologici in vita erano oltre 3,1 milioni. Allargando lo spettro, nel mondo i tumori causano 8,8 milioni di morti, ovvero 1 decesso su 6 consegue a patologie neoplastiche. Di conseguenza l’impatto de

Sorgente: Tumori: il tempo è la migliore ‘terapia’. Le raccomandazioni di GIMBE su diagnosi precoce – Sanità Informazione

 
 
%d blogger hanno fatto clic su Mi Piace per questo: