Myndighederne kunne hjælpe sig selv, hvis de var helt åbne

BLOG. Sundhedsmyndighederne ville kunne hjælpe sig selv gevaldigt, hvis de dels lukkede op omkring modellerne, og dels blev bedre til at samarbejde med folk, der måske har en lidt anden tilgang til arbejdet, skriver Christian Heibøll-Nielsen, som også giver et fif til, hvordan man selv kan udregne smittetrykket (cirka) meget nemt.

Christian Heebøll-Nielsen er farmaceut og har erfaring fra både undervisning og forskning på universitetet og fra en karriere indenfor markedsføring i både healthcare industrien og på reklamebureauer.

For tiden er han selvstændig konsultent og rådgiver firmaer med markedsføring indenfor life-science.

Han er 48 år gammel og gift med Annette, der er intensivsygeplejerske.  

Tidens hotte emne er spørgsmålet om, hvorvidt de modeller som bl.a. Statens Serum Institut sidder og regner på bør være tilgængelige for offentligheden. Senest har flere store dagblade haft fat i emnet.

Et hovedproblem er, at hvis vi andre ikke kan kigge ind i, hvordan modellerne er blevet til, har vi ingen mulighed for at efterprøve det, de viser. Vi så problemet tydeligt illustreret i Sverige, hvor en model opererede med det fabelagtige mørketal på faktor 1000, hvilket ville betyde, at hele befolkningen i Stockholm skulle være smittet tre gange.

Afledt af dette har de svenske myndigheder efterfølgende valgt at lægge deres modeller til offentlige skue på f.eks. Github, som er et site, hvor alle kan dele computerkode og samarbejde. Så kan man selv downloade modellen og arbejde med den i Rstudio, og man kan efterprøve, om de valgte parametre holder, og hvad ændringer vil betyde.

Sundhedsmyndighederne i de forskellige lande har en meget ens tilgang til arbejdet med modeller. De bruger såkaldt kompartment-modeller, f.eks SIR og SEIR (S står for succeptable, E for exposed, I for infected, og R for recovered) til at beregne udviklingen i smitte og i, hvor mange, der er blevet immune.

Herhjemme har Statens Serum Institut fremlagt flere modelberegninger, bl.a. i forbindelse med genåbningen. Men de har valgt en ret lukket tilgang, hvor man kun kan se meget lidt om tilblivelsen. Og værre endnu kan man kun se udvalgte resultater af modelarbejdet. Det, der kommunikeres fra modellerne, er udelukkende, hvad udviklingen betyder i forhold til belastningen af sundhedsvæsnet: Vil vi i forskellige scenarier have kapacitet nok?

Det er jo lidt mærkeligt al den stund, at givet den måde modellerne er indrettet, må man også have udregnet tal for smittede og immune. Dem har myndighederne valgt ikke at kommunikere. I stedet har Sundhedsstyrelsen og Seruminstituttet tidligere optrådt med det såkaldte mørketal – et tal for, hvor mange smittede, der er i forhold til dem, vi har testet positive. Og det tal er, må man forstå, på faktor 30-80. Et tal, der udelukkende er hentet ved ekstrapolation fra en tilfældig prøve blandt bloddonorer i København, hvor der ovenikøbet er fravalgt tilsvarende tal fra Jylland.

Og her har vi et af problemerne med lukkede modeller. Når myndigheder vælger at være lukkede, spreder mistanken sig om, at der foregår en politisering af arbejdet. For eksempel med mørketallet. Dette dukkede op i forbindelse med snak om genåbning. Og en konsekvens af et stort mørketal er, at sygdommen jo ikke kan være så farlig. Der er færre døde per smittet. Og vi kan således slappe mere af, når vi vælger glade at sende børnene i skole igen. Det skal jo nok gå. I Sverige bruges tallet til at forsvare snakken om flokimmunitet. Man må forstå, at når så mange allerede er smittede, så er vi tæt på målet. Og se nu begynder det at blive problematisk. Hvis myndighederne optræder mere politiske end sundhedsfaglige, kommer vi til at mangle vigtig viden, når vi skal træffe beslutninger.

Ganske interessant har myndighederne i forskellige lande vidt forskellige tilgange til, hvordan der arbejdes med modeller. I nogle lande ligges alt offentlig frem, og nogle opfordrer endda interesserede til at bidrage til modelarbejdet.

Regn selv på smittetallet

Et interessant fænomen i forbindelse med denne epidemi har også været snakken om de såkaldte ’hobbyepidemiologer’.

Men lad os kigge lidt mere på, hvad det begreb egentlig kan dække over. Der er selvfølgelig alle dem, vi kender fra Facebook, som efter at have læst en enkelt artikel, som de måske har forstået, føler sig i stand til skråsikkert at udtale sig om smittetryk, R-værdier, og dødelighed. Dem, tror jeg, at de fleste hurtigt gennemskuer. Men der er også en anden, mere interessant gruppe. Det er nemlig alle dem, som fra forskellige baggrunde, det kan være som økonom, ingeniør, data science ekspert eller lignende, kaster sig ud i projekter med både beregninger og kommunikation om sygdommen.

Et yndet værktøj her er programmet R, som vi også talte om før. Det er i øvrigt det samme værktøj, som sundhedsmyndighederne bruger i deres modelarbejde. Og det kan der komme spændende resultater ud af. Du kender måske allerede nogle af de mere etablerede spillere, f.eks. ourworldindata eller worldometer. De er begge gode eksempler på, hvad man kan præstere ved at koble op til data fra f.eks. ECDC eller John Hopkins og manipulere det i R. Men der findes også mange, der arbejder med det mere privat.

Her er en god oversigt over 50 af de bedste projekter. Man kan også i R lave matematiske modeller for udviklingen af en epidemi. Det har denne forfatter givet sig i kast med, uden at jeg skal trætte med alle detaljer.

Men som illustration til denne post er der en graf, der viser, hvordan man med modeller kunne fremskrive udviklingen i antallet af dødsfald fem uger inde i epidemien. Ganske interessant har den en betydeligt større træfsikkerhed end de modeller, vi har set fra Seruminstituttet, som ganske vist kun kigger på hospitalsindlæggelser.

Et særligt epidemiologisk begreb, der har påkaldt sig stor interesse, er smittetrykket. Gerne udtrykt som den såkaldte R værdi. I den bedste af alle verdener regner man R ud fra stigningen i antallet af smittede. Men som vi alle ved, er der kun ganske får steder i verden, man kender det tal. Så hvad gør man så? Man må finde et alternativ at kigge på - helst noget, der følger antallet af smittede så præcist som muligt. Her er hospitalsindlagte et godt bud. Men vi har brug for at kende incidensen, altså hvor mange, der bliver indlagt hver dag. Det tal har vi i Danmark først fået efter påske.

En anden mulighed er at kigge på udviklingen i antallet af døde. Her skal man blot huske, at det tal, man finder, vil være R-værdien ca. tre uger tidligere. Det er derfor, hospitalsindlæggelser er bedre og tættere på virkeligheden.

Har udviklet app til beregning af smittetal

Denne forfatter har selv udviklet en lille app, hvor man kan kigge på reproduktionstallet (smittetallet) i forskellige lande, enten beregnet ud fra antallet af døde eller ud fra antallet af konstaterede cases. I den virkelige verden vil man gå lidt anderledes til opgaven med at beregne R værdier. Man vil således lave sensitivitetsanalyser for at sikre sig, at det tal, man beregner, er pålideligt. Og man vil efterfølgende kunne vælge mellem flere forskellige metoder til beregningen. Hvis man er mere lavpraktisk anlagt, kommer her et lille fif. Hvis man tager antallet af nyindlæggelser i dag, og dividerer med tallet fra for fem dage siden, får man en nogenlunde approksimation på tallet.

Og til sidst en lille pointe. Sundhedsmyndighederne ville kunne hjælpe sig selv gevaldigt, hvis de dels lukkede op omkring modellerne, og dels blev bedre til at samarbejde med folk, der måske har en lidt anden tilgang til arbejdet. For eksempel er mange økonomer meget kritiske overfor de såkaldte SEIR modeller, som er vældig dårlig til at forudsige rationelle ændringer i adfærd, der jo vil påvirke R værdien. Og mange med en data science baggrund vil også kunne hjælpe med både analysearbejde og først og fremmest med kommunikationen.

 

Regn selv på smittetrykket (lavpraktisk udgave)

Tag antallet af nyindlæggelser i dag, og dividerer med tallet fra for fem dage siden

Herunder er antallet af nyindlagte. Der er forsinkelse på registreringerne, så de seneste dage er ikke med

20. april: 28
21. april: 33
22. april: 23
23. april: 26
24. april: 19
25. april: 25
26. april: 22
27. april: 19
28. april: 12
29. april: 14
30. april: 12
1. maj: 14
2. maj: 20

Regn selv på smittetrykket (via app)

https://ideogen.shinyapps.io/COVID_R_calculartions/

 

 

Nyeste tal og nyheder om corona:

Tags: corona, coronablog

Like eller del denne artikel