五千年(敝帚自珍)

主题:【原创】选择抗疫模式的一个可能决策依据(知己知彼,百战不殆) -- 学步桥

共:💬27 🌺302 🌵1
全看树展主题 · 分页首页 上页
/ 2
下页 末页
家园 全面看待新冠的影响,死亡率不是全部

全面看待新冠的影响,至少看以下几个方面:

1、直接死亡,在打疫苗之后,死亡率的确降低了;或者说,如果死亡人数里大部分是70岁以上老人的话,那也可以认了;

2、新冠后遗症,美国的海量新冠感染有了丰富的案例,美国CDC的结论是:五分之一的新冠感染者有新冠后遗症,就是long COVID,不可恢复的疲劳、脑袋麻木无法思考等各种情况;关于long COVID的情况,PubMed医疗文献网站上也大把;

美国退伍军人健康署的百万人口级别的实际健康数据,已经得出结论:多次感染会大幅提高心脏病、血管栓塞、肾病的发生率;(查齐亚德·阿尔-阿利(Ziyad Al-Aly)的论文 ,PubMed医疗文献网站上有文献的原文)

3、疫情期间,大量患者对医院的冲击;英国NHS已经堆积了700万病人的看病请求,癌症病人也要排队3个月以上才能看病,普通病人能去看病么?上个医院染一次新冠回来,他们乐意不?

4、新冠疫情对生产生活的影响,美国大量劳动年龄段人口退出了就业市场,按美国人自己的估计是有400万人不再工作;微观上,是一个公司里总有人发病,连人都凑不齐,大量居家办公,工作效率下降严重;

综合以上,不全面考虑新冠的危害就考虑政策,是盲目的行为。

---------------------------------------------------------------

再提一个误区,就是靠医院和病床来扛。但这一定扛不住新冠的攻击;香港实际已经验证了,人均GDP6万美刀的富裕地区,内科ICU是250病床,新冠一来,800万人口死了近万人,香港的医疗系统是跟着英国搞的类NHS体系,瞬间被压垮,所以就不用想了。

通宝推:愚弟,alane,MaverickZ,学步桥,
家园 现在主要的就是死亡率,其他暂时顾不上啊

主要是,如何计算新冠死亡。

有人说超额死亡数字小于新冠,是否证明新冠数字不准或者没那么可怕。

是否无法解释或者可以解释?

有的是不是把新冠死亡计入正常死亡了呢,尤其对于老人,有基础病的。

家园 这个数据有可能有问题

我觉得确诊病例应该没问题,但是无症状感染者可能会有大量遗漏或者瞒报。当然,我觉得不能作数。需要有关人员去调查。我记得当初富士康有人贴出来两万多检测阳性的,无症状感染者只报了几十。另外现在确诊标准不知道变没变,是不是还是CT玻璃样。

对于政策制定,我现在没有特别意见,还是要算账,算清楚。我手里没数据,没法赞同或者反对你的意见。我在其他贴看到,对穷人补贴的建议。我觉得如果要搞严格封控,先给穷人补贴了,阻力会小很多。跟经济刹车比,这个钱数目可能不算多,但是对社会稳定意义重大。另外就是要不惜一切代价保证农业生产,让这个补贴不要贬值。只要穷人稳住了,中产、白领反对也出不了事,他们舍不出去。不要说舍命,说舍掉一套大城市房产就怂了。

家园 数据测算之前,我没法说结论

但是如果在相当程度放开,就不能有症状就进医院了。定个血氧的标准,超过XX的在家喝白开水。YY-XX之间的允许去方舱但是不强制(相当于给老年人、慢性病患者等高风险人群开个口子,方舱到医院有绿色通道)。ZZ-YY之间的可以自行去医院。低于ZZ的,救护车免费接送去医院。当然一刀切没有那么完美,但是事急从权,这样最大限度防止挤兑,才能保证最多人的生命。

通宝推:普鲁托,龙牡,
家园 关于超额死亡率计算方法 -- 补充帖

我个人的理解,对于从已知数据推断未知数据,就是要先寻找“变化中的不变性”(引号内是一位老先生的名言)。这个不变性可能不仅仅是简单的恒常性,甚至可能不是线性。

所以从历史的死亡人口估计没有特定新因素影响下的预期死亡人口才有了不同的模型,他们对于“不变性”是有不同的理解的。而细化的输入,可以让模型预期的不变性更接近真实世界。比如假设《每个人死亡概率一样》就没有假设《每个同年龄的人死亡概率一样》精确,后者又没有假设《每个同年龄且同收入的人死亡概率一样》精确。

但越精确的模型,需要输入数据越精细。主贴的引文因为要全球比较,未必有条件得到非常详细的数据,如人口中年龄、收入、基础疾病、医疗水平等等分布情况。很多网友提出,第一年基础病严重的脆弱人群已经死了,第二年数据就不一样,就算是一个例子。在有限数据下,主贴引文中的处理,就是引入多个模型,对一些数据估计后根据估计的好坏进行加权平均,思路简单但是确实有不少优点。

现在很多网友在根据数据估计差额死亡,我建议大家参考一下该文的方法,而不是简单认为每年就该死一样多的人,或者每年死的人要走同样的趋势。

To estimate expected mortality, we developed six models, each fit separately by location. The first four models were based on first estimating the weekly (or monthly) seasonal pattern of mortality and then estimating the time trend in weekly or monthly mortality not explained by seasonality. We used a Bayesian spline to estimate the weekly seasonal pattern for each location using data from 2010, or the earliest year after 2010 when such data first became available, until around February, 2020, when the COVID-19 pandemic started for each location (appendix p 48). Second, using the same Bayesian spline, we estimated the time trend in the residuals (additional details provided in the appendix, pp 38–40). By combining the seasonal and secular trends, we generated predictions of the expected level of mortality in 2020 and 2021.

The specification of the spline can have a sizeable impact on the estimated expected mortality for a particular location. To make the results more robust to model specification, we included in our ensemble four variants according to where the second to last knot in the spline was placed: 6 months, 12 months, 18 months, and 24 months before the end of the period for the input data before the COVID-19 pandemic started for each location. We also included in the ensemble a Poisson model with fixed effects on week and year, and a model that assumed that expected mortality for 2020 and 2021 was the same as the corresponding weekly mortality observed in 2019. To derive weights for the different models in the ensemble, we assessed how each model performed in an out-of-sample predictive validity test. We fit the model to all data prior to March 1, 2019 and then evaluated how each model performed in predicting mortality between March, 2019, and February, 2020, compared with observed mortality in the same time period. We then weighted component models in the ensemble using 1 over the root mean squared error (RMSE) of the predictions for each component to down-weight component models with larger RMSE (and thus less accurate predictions) in the ensemble. A global weighting scheme was used for all locations. The distribution of RMSE by location for each of the six models included in the model ensemble and examples of the estimated excess mortality for each component model are provided in the appendix (p 49). Expected mortality from the ensemble model was subtracted from observed mortality in 2020 and 2021 to estimate excess mortality due to the COVID-19 pandemic.

通宝推:龙牡,
家园 英国21年初就是按照血氧操作

有严重症状在家监控血氧(血氧仪是免费发放,用完还回去)

一天三次,有专人打电话让你测体温和血氧然后记录。

血氧低于93要求直接叫急救。

也就是有选择的接受病患到医院。

通宝推:学步桥,龙牡,
家园 就我们国家的数据

应该比较详细,起码有一个比较详细的子集(如职工医保记录)。那么对于这部分数据,就可以有比较详细的模型。就可以拟合出不同区域,不同时间(对应不同的病毒变种和管控措施力度等)对差别,从而对当前病毒变种,不同管控措施对超额死亡的贡献,来做出更精准(当然总是相对的)的决定。当然还要根据国外数据做出矫正。比如用不发达国家和发达国家差异,来矫正从职工医保这个高福利人群得到结论在农村无医保人群的适用性。

这够一个统计的博士生做毕业了。谁要是幸运拿到这个课题,毕业了肯定好找工作。

家园 这个估计已经在制定规划当中了

(十一)加强医疗资源建设。制定分级分类诊疗方案、不同临床严重程度感染者入院标准、各类医疗机构发生疫情和医务人员感染处置方案,做好医务人员全员培训。做好住院床位和重症床位准备,增加救治资源。

这是二十条里面的第十一条。很多人只看到了7+3改5+3就开始咋咋呼呼,不看后面还有十一条、十二条、十三条……

因为奥密克戎的最长潜伏期是8天,根据专家的评估,密切接触者3天内检出阳性比例是81.4%,4天达到90.1%,5天达到94.5%,7天达到99.7%。根据这些结果,将隔离期限进一步优化到“5+3”。

5+3是有数据支撑的,即使14+7,21+7都无法做到100%

通宝推:学步桥,
家园 这个指标是不是有误?

血氧低于93要求直接叫急救。

【血氧92的危险】 - 大众养生网

龚新宇 副主任医师 中日友好医院 三甲 回答时间: 2022年05月14日

正常情况下,血氧92并不存在任何危险。一般情况下,人的血氧饱和一般在90-100之间,如果检查时,血氧饱和度低于80%,病人就会出现明显的缺氧症状,如胸闷、气喘病患有呼吸困难。血...

大众养生网

家园 英国可能医疗资源丰富

人的体质不同,相同指标反应也不同。比如血氧93,现实中有危险概率是1%;血氧90有危险概率是10%。那么医疗资源丰富的就把标准定在93,匮乏的定在90。当然在中国你真的血氧91,已经接不上气,浑身发紫了,打车到医院也未必不管。

家园 无症状感染的数据不会有数量级的误差

第一,绝大多数的小阳人都是在隔离人群中发现,这个数据没问题;

第二,社会面的小阳人发现的少,并不意味这就存在大量的漏网之鱼。从各地鸡飞狗跳的封控反应来看,说明封控力度还是可以的,另外整体数据还是以比较平缓的趋势增加,没有出现暴增,这种全国统一汇总的数据,造假很难,地方上瞒报的可能性为零,谁瞒报谁掉乌纱帽,主要是瞒不住。

通宝推:菜根谭,
家园 数字是急救人员给的

这里是介绍的链接

https://www.england.nhs.uk/nhs-at-home/covid-virtual-wards/

========================================

个人猜测可能是要给急救人员留时间,怕血氧一路跌下去。

毕竟急救到场需要时间,送到医院门口也不是就会被立刻接受进去。

全看树展主题 · 分页首页 上页
/ 2
下页 末页


有趣有益,互惠互利;开阔视野,博采众长。
虚拟的网络,真实的人。天南地北客,相逢皆朋友

Copyright © cchere 西西河