Wissenschaftler modellieren die „wahre Prävalenz“ von COVID

Apr 07, 2023

Regierungsbeamte und politische Entscheidungsträger haben versucht, Zahlen zu nutzen, um die Auswirkungen von COVID-19 zu erfassen. Zahlen wie die Zahl der Krankenhauseinweisungen oder Todesfälle spiegeln einen Teil dieser Belastung wider. Jeder Datenpunkt erzählt nur einen Teil der Geschichte. Aber keine einzige Zahl beschreibt die tatsächliche Verbreitung des neuartigen Coronavirus, indem sie die Zahl der tatsächlich infizierten Menschen zu einem bestimmten Zeitpunkt offenlegt – eine wichtige Zahl, die Wissenschaftlern hilft zu verstehen, ob eine Herdenimmunität auch mit Impfungen erreicht werden kann.

Jetzt haben zwei Wissenschaftler der University of Washington (UW) einen statistischen Rahmen entwickelt, der wichtige COVID-19-Daten – wie Fallzahlen und Todesfälle aufgrund von COVID-19 – einbezieht, um die tatsächliche Prävalenz dieser Krankheit in den Vereinigten Staaten und einzelnen Bundesstaaten zu modellieren .Ihr Ansatz, veröffentlicht in der Woche vom 26. Juli in den Proceedings of the National Academy of Sciences, gehen davon aus, dass in den USA bis zum 7. März 2021, dem letzten Datum, für das der Datensatz verwendet wurde, bis zu 60 Prozent der COVID-19-Fälle unentdeckt blieben ist verfügbar.

Dieser Rahmen könnte Beamten helfen, die tatsächliche Krankheitslast in ihrer Region zu ermitteln – sowohl diagnostizierte als auch nicht diagnostizierte – und die Ressourcen entsprechend einzusetzen, sagten die Forscher.

„Es gibt viele verschiedene Datenquellen, auf die wir zurückgreifen können, um die COVID-19-Pandemie zu verstehen – die Zahl der Krankenhauseinweisungen in einem Bundesstaat oder die Zahl der Tests, die positiv ausfallen. Aber jede Datenquelle hat ihre eigenen Mängel, die das bewirken würden.“ Geben Sie ein voreingenommenes Bild davon, was wirklich vor sich geht“, sagte der leitende Autor Adrian Raftery, Professor für Soziologie und Statistik an der UW. „Wir wollten einen Rahmen entwickeln, der die Mängel in mehreren Datenquellen korrigiert und ihre Stärken nutzt, um uns eine Vorstellung von der Prävalenz von COVID-19 in einer Region, einem Staat oder dem Land als Ganzes zu geben.“

Datenquellen können auf unterschiedliche Weise verzerrt sein. Eine häufig zitierte COVID-19-Statistik ist beispielsweise der Anteil der Testergebnisse in einer Region oder einem Bundesstaat, die positiv ausfallen. Da der Zugang zu Tests und die Bereitschaft, sich testen zu lassen, jedoch je nach Standort unterschiedlich seien, könne diese Zahl allein kein klares Bild der Prävalenz von COVID-19 liefern, sagte Raftery.

Andere statistische Methoden versuchen oft, die Verzerrung in einer Datenquelle zu korrigieren, um die tatsächliche Prävalenz von Krankheiten in einer Region zu modellieren. Für ihren Ansatz berücksichtigten Raftery und Hauptautor Nicholas Irons, ein UW-Doktorand für Statistik, drei Faktoren: die Anzahl der bestätigten COVID-19-Fälle, die Anzahl der Todesfälle aufgrund von COVID-19 und die Anzahl der durchgeführten COVID-19-Tests jeden Tag, wie vom COVID Tracking Project gemeldet. Darüber hinaus haben sie Ergebnisse von zufälligen COVID-19-Tests von Einwohnern von Indiana und Ohio als „Anker“ für ihre Methode einbezogen.

Die Forscher nutzten ihren Rahmen, um die COVID-19-Prävalenz in den USA und den einzelnen Bundesstaaten bis zum 7. März 2021 zu modellieren. Zu diesem Zeitpunkt waren ihrem Rahmen zufolge schätzungsweise 19,7 Prozent der US-Bürger oder etwa 65 Millionen Menschen betroffen infiziert worden. Dies deutet darauf hin, dass die USA ohne ihre laufende Impfkampagne wahrscheinlich keine Herdenimmunität erreichen werden, sagten Raftery und Irons. Darüber hinaus gab es in den USA einen Unterzählungsfaktor von 2,3, stellten die Forscher fest, was bedeutet, dass nur etwa jeder 2,3. COVID-19-Fall durch Tests bestätigt wurde. Anders ausgedrückt: Etwa 60 Prozent der Fälle wurden überhaupt nicht gezählt.

Auch diese COVID-19-Unterzählungsrate schwankte je nach Bundesstaat stark und könnte laut Irons mehrere Ursachen haben.

„Es kann von der Schwere der Pandemie und der Menge der Tests in diesem Bundesstaat abhängen“, sagte Irons. „Wenn Sie einen Staat mit schwerer Pandemie, aber begrenzten Tests haben, kann die Unterzählung sehr hoch sein und Sie verpassen die überwiegende Mehrheit der auftretenden Infektionen. Oder Sie könnten eine Situation haben, in der Tests weit verbreitet sind, die Pandemie jedoch nicht.“ als schwerwiegend. Dort wäre die Unterzählungsrate niedriger.“

Darüber hinaus schwankte der Unterzählungsfaktor je nach Staat oder Region im Verlauf der Pandemie aufgrund von Unterschieden beim Zugang zu medizinischer Versorgung zwischen den Regionen, Änderungen bei der Verfügbarkeit von Tests und anderen Faktoren, sagte Raftery.

Mit der tatsächlichen Prävalenz von COVID-19 berechneten Raftery und Irons weitere nützliche Zahlen für Bundesstaaten, wie etwa die Infektionssterblichkeitsrate, also den Prozentsatz der infizierten Personen, die an COVID-19 erkrankt waren, sowie die kumulative Inzidenz der Prozentsatz der Bevölkerung eines Staates, der an COVID-19 erkrankt ist.

Im Idealfall würden regelmäßige Stichprobentests von Einzelpersonen das Ausmaß der Infektion in einem Staat, einer Region oder sogar auf nationaler Ebene zeigen, sagte Raftery. Aber während der COVID-19-Pandemie führten nur Indiana und Ohio stichprobenartige Virustests bei Bewohnern durch, Datensätze, die für die Entwicklung ihres Rahmenwerks von entscheidender Bedeutung für die Forscher waren. Da es keine weit verbreiteten Zufallstests gibt, könnte diese neue Methode den Beamten dabei helfen, die tatsächliche Krankheitslast bei dieser und der nächsten Pandemie einzuschätzen.

„Wir glauben, dass dieses Tool einen Unterschied machen kann, indem es den Verantwortlichen ein genaueres Bild davon gibt, wie viele Menschen infiziert sind und welcher Anteil von ihnen bei den aktuellen Test- und Behandlungsbemühungen übersehen wird“, sagte Raftery.

– Diese Pressemitteilung wurde ursprünglich auf der Website der University of Washington veröffentlicht