과학자들이 코로나19의 '진정한 유병률' 모델을 제시하다

Apr 07, 2023

정부 관료와 정책 입안자들은 코로나19의 영향을 파악하기 위해 숫자를 사용하려고 노력했습니다. 입원이나 사망 건수와 같은 수치는 이러한 부담의 일부를 반영합니다. 각 데이터 포인트는 스토리의 일부만을 알려줍니다. 그러나 특정 시점에 실제로 감염된 사람의 수를 공개하여 새로운 코로나바이러스의 진정한 만연성을 설명하는 수치는 없습니다. 이는 백신 접종을 해도 집단 면역에 도달할 수 있는지 과학자들이 이해하는 데 도움이 되는 중요한 수치입니다.

이제 두 명의 워싱턴 대학(UW) 과학자가 미국과 개별 주에서 이 질병의 실제 유병률을 모델링하기 위해 코로나19로 인한 사례 수 및 사망과 같은 주요 코로나19 데이터를 통합하는 통계 프레임워크를 개발했습니다. .그들의 접근 방식, Proceedings of the National Academy of Sciences에 7월 26일 주에 발표된 자료에 따르면, 데이터 세트를 마지막으로 사용한 날짜인 2021년 3월 7일 현재 미국에서 코로나19 사례의 최대 60%가 발견되지 않은 것으로 추정됩니다. 사용할 수 있습니다.

이 프레임워크는 공무원이 해당 지역의 진단된 질병과 진단되지 않은 질병의 실제 부담을 결정하고 그에 따라 자원을 지시하는 데 도움이 될 수 있다고 연구진은 말했습니다.

"COVID-19 팬데믹을 이해하기 위해 활용할 수 있는 다양한 데이터 소스가 있습니다. 주 내 입원 건수, 양성 판정을 받은 테스트 건수 등이 있습니다. 그러나 각 데이터 소스에는 다음과 같은 고유한 결함이 있습니다. 실제로 무슨 일이 일어나고 있는지에 대한 편향된 그림을 제공합니다."라고 UW 사회학 및 통계학 교수이자 수석 저자인 Adrian Raftery가 말했습니다. "우리가 원했던 것은 여러 데이터 소스의 결함을 수정하고 그 장점을 활용하여 지역, 주 또는 국가 전체에서 코로나19의 확산에 대한 아이디어를 제공하는 프레임워크를 개발하는 것입니다."

데이터 소스는 다양한 방식으로 편향될 수 있습니다. 예를 들어, 널리 인용되는 코로나19 통계 중 하나는 특정 지역이나 주의 테스트 결과에서 양성 반응이 나온 비율입니다. 그러나 검사에 대한 접근성과 검사를 받으려는 의지는 위치에 따라 다르기 때문에 그 수치만으로는 코로나19의 확산에 대한 명확한 그림을 제공할 수 없다고 래프터리는 말했습니다.

다른 통계 방법은 종종 특정 지역의 실제 질병 유병률을 모델링하기 위해 한 데이터 소스의 편향을 수정하려고 시도합니다. 접근 방식을 위해 Raftery와 UW 통계학 박사 과정 수석 저자인 Nicholas Irons는 확인된 코로나19 사례 수, 코로나19로 인한 사망자 수, 시행된 코로나19 테스트 수라는 세 가지 요소를 통합했습니다. 코로나19 추적 프로젝트(COVID Tracking Project)에서 보고한 대로 매일. 또한 그들은 인디애나와 오하이오 주민들을 대상으로 무작위로 실시한 코로나19 테스트 결과를 방법의 '기준'으로 통합했습니다.

연구원들은 프레임워크를 사용하여 2021년 3월 7일까지 미국과 각 주에서 코로나19 확산을 모델링했습니다. 해당 프레임워크에 따르면 해당 날짜에 미국 거주자의 약 19.7%, 즉 약 6,500만 명이 감염되었습니다. 감염되었습니다. 이는 미국이 지속적인 백신 접종 캠페인 없이는 집단 면역에 도달할 가능성이 낮다는 것을 의미한다고 Raftery와 Irons는 말했습니다. 게다가 미국은 2.3배로 과소 집계된 것으로 조사됐다. 이는 코로나19 사례 2.3명 중 1명만이 검사를 통해 확인됐다는 뜻이다. 다르게 말하면, 전체 사례 중 약 60%는 전혀 집계되지 않았습니다.

Irons에 따르면 이 코로나19 과소 집계율은 주마다 크게 다르며 여러 가지 원인이 있을 수 있습니다.

아이언스는 "팬데믹의 심각성과 해당 주의 테스트 양에 따라 달라질 수 있다"고 말했다. "심각한 전염병이 있지만 검사가 제한적인 주에 있는 경우, 과소 집계가 매우 높을 수 있으며 발생하고 있는 대부분의 감염을 놓치게 됩니다. 또는 검사가 널리 퍼져 있지만 전염병이 발생하지 않는 상황이 있을 수 있습니다. 거기에서는 과소 집계율이 낮아질 것입니다."

또한 지역 간 의료 접근성의 차이, 검사 가용성의 변화 및 기타 요인으로 인해 대유행이 진행됨에 따라 과소 집계 요인이 주 또는 지역별로 변동했다고 Raftery는 말했습니다.