CoVstat report – 25 novembre

Facciamo il punto sulle previsioni del nostro modello e introduciamo anche una grande novità

Valutiamo come si sta comportando il nostro modello previsionale sulla seconda ondata che, come abbiamo detto in precedenza, cerca di definire anche l’andamento di ospedalizzazioni, terapie intensive e decessi. Per il momento, come vediamo dal primo grafico, l’andamento dei casi reali sembra riflettere abbastanza puntualmente le nostre previsioni e sembra che gli sviluppi futuri della curva possano rientrare nella banda di oscillazione prevista.

Possiamo confermare, quindi, che il primo picco, quello dei nuovi casi giornalieri, è già stato superato e che stiamo arrivando anche a quello delle ospedalizzazioni e delle terapie intensive. A questo proposito, possiamo dire che, secondo le previsioni, nel giro di un mese i ricoveri dovrebbero dimezzarsi: dal punto di vista sanitario, l’emergenza sembra in fase di rientro. Questo, almeno, secondo le tendenza già viste nella prima ondata, a cui si riferisce il grafico sottostante.

Due osservazioni: la prima è che abbiamo usato come riferimento per le terapie intensive il numero indicato dal Ministero della Salute, pari a circa 9.000. Sembrerebbe quindi che in questa fase, con un picco intorno a 4.000, si sia ben al di sotto del livello di saturazione, ma purtroppo il condizionale è d’obbligo. Lo è per due ragioni. La prima è che i posti in terapia intensiva normalmente disponibili sono 6.500, con gli altri 1.500 che vengono attivati in caso di emergenza e non sappiamo quanto di questa riserva sia davvero disponibile. In particolare, sembra che ci sia, più che un problema di posti, uno di personale. La seconda è che il Covid non è la sola patologia presente sul territorio nazionale: con un tasso di occupazione medio del 30 per cento (fonte: annuario statistico del Ssn) nel corso dell’anno, significa che circa 2.000 posti sono già occupati da altri malati, senza contare che nei mesi autunnali e invernali questo tasso tende a salire. Insomma, è plausibile che, almeno in alcune zone, la soglia di saturazione sia stata raggiunta o persino superata.

La seconda osservazione riguarda il dato dei nuovi contagi: come abbiamo detto, i nostri calcoli si basano su una stima dei casi effettivi basata sui riscontri dei tamponi ma molto più elevata. Questo ci porta a parlare di un’altra dashboard, dedicata a prevalenza e letalità.

Innanzitutto, chiariamo il significato dei due termini. Per prevalenza si intende la percentuale di persone contagiate sul totale della popolazione. La letalità, invece, definisce il tasso dei deceduti sul totale dei contagiati. Di conseguenza, per conoscere la reale letalità di una patologia, è necessario conoscere il numero dei deceduti, che è ben definito, e quello dei contagiati, che è molto meno certo, soprattutto nel caso di malattie come il Covid, in cui gran parte dei casi sono asintomatici e quindi rischiano di non venire mai diagnosticati.

Anche se, dopo la prima ondata, il numero dei tamponi effettuati si è mantenuto molto elevato e sono state attuate azioni di tracciamento, è comunque necessario realizzare delle stime per cercare di quantificare la portata effettiva dell’epidemia. Ciò è ancora più vero con questa seconda ondata, in cui l’impennata di casi ha saturato le capacità di tracciamento: giova ricordare che le restrizioni imposte in Germania a partire dal 28 ottobre sono state dovute, più che al timore delle conseguenze immediate sul sistema sanitario, alla necessità di salvaguardare il tracciamento e quindi il controllo dell’epidemia.

Il problema, allora, è quello di come realizzare queste stime: occorrerebbe un’indagine campionaria opportunamente progettata per calcolare la probabilità di inclusione e, quindi, trarne inferenza probabilistica. Qui il dato di riferimento è quello dei tamponi, su cui si esercita una riponderazione. Si tratta di una procedura comunemente utilizzata per modificare artificialmente la composizione del campione in modo da ottenere una distribuzione più simile alla popolazione. Ci siamo basati su uno studio di Francesca Bassi (Università di Padova), Giuseppe Arbia (Università Cattolica del Sacro Cuore) e Piero Demetrio Falorsi (ex direttore delle metodologie ISTAT – Consulente internazionale), originariamente pubblicato su Science of The Total Environment (8 Ottobre 2020). La metodologia presentata in questo studio viene applicata quotidianamente ai dati ufficiali, per ottenere una stima aggiornata del numero di casi reali e, conseguentemente, di prevalenza e letalità. Inoltre, applicando una tecnica di post-stratificazione (basata anch’essa sullo studio citato), abbiamo anche i dati per genere e fasce di età, anche se purtroppo non sempre riusciamo a farlo con regolarità.

In un prossimo articolo faremo meglio il punto sul significato di questo dato e sulle sue implicazioni.

Info Autore
Data Scientist , Apheris AI
Dottorato in Fisica presso il Gran Sasso Science Institute a l’Aquila, ho lavorato come ricercatore in Astrofisica presso il Deutsches Elektronen-Synchrotron (DESY) a Zeuthen, in Germania. Appassionato di Data Science e Machine Learning, ho partecipato a varie competizioni online su questi temi. Originario del Molise (Campobasso), attualmente vivo a Zeuthen e lavoro come Data Scientist presso Apheris AI a Berlino, dove mi occupo dello sviluppo di algoritmi di Machine Learning decentralizzato.
Data Analyst, Boraso
Total Posts: 1
Laureato in Data Analytics presso l’Università Cattolica del Sacro Cuore, attualmente Data Analyst in un’importante agenzia di web marketing. Promotore della data literacy attraverso la fondazione dell’Associazione Data Network. Lavora e vive a Milano, ma la sua casa è la Sardegna.
Total Posts: 11
PhD Student, Università degli Studi Milano Bicocca. Molisano. Sin da giovane ho la passione per il coding e per la rete. La mia ricerca si focalizza sulla statistica spaziale utilizzando big data non strutturati e dati web. Ho partecipato a progetti di ricerca internazionali in cui abbiamo provato a risolvere problemi complessi. Ho fondato l’associazione Data Network per la diffusione della data literacy.
×
Data Scientist , Apheris AI
Dottorato in Fisica presso il Gran Sasso Science Institute a l’Aquila, ho lavorato come ricercatore in Astrofisica presso il Deutsches Elektronen-Synchrotron (DESY) a Zeuthen, in Germania. Appassionato di Data Science e Machine Learning, ho partecipato a varie competizioni online su questi temi. Originario del Molise (Campobasso), attualmente vivo a Zeuthen e lavoro come Data Scientist presso Apheris AI a Berlino, dove mi occupo dello sviluppo di algoritmi di Machine Learning decentralizzato.
Latest Posts

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

Ridimensiona font
Contrasto