Czas czytania: 12 min

Koronawirus: stan na 17 maja

Autorem tekstu jest Maciej Kołodziejczyk
https://www.facebook.com/maciek.kolodziejczyk

Najpierw tabela obrazująca jak rozwija się epidemia w Europie.
Jeśli stosunek zarażonych do zdrowych jest mniejszy niż 1:100 tys. ryzyko zarażenia jest stosunkowo małe, jeśli więcej niż 1:10 tys. zachodzi konieczność wprowadzania poważnych interwencji. Kolejne kolumny prezentują procentowy wzrost (lub spadek) osób zarażonych.

Kraj Ilość zarażonych sumarycznie Ilość zarażonych obecnie Spadek liczy zarażeń od szczytu
Włochy 7,6% 0,44% -76%
Niemcy 1,5% 0,13% -76%
Wielka Brytania 5,5% 0,61% -65%
Francja 6,9% 0,34% -87%
Hiszpania 6,5% 0,28% -83%
Polska 0,5% 0,09% -14%

PORÓWNANIA MIĘDZYNARODOWE

Wielu obserwatorów, komentatorów, analityków i zwykłych zjadaczy chleba rozgląda się po Europie i świecie w poszukiwaniu rozwiązań w walce z pandemią COVID-19. Nowa sytuacja tak poważnie zdestabilizowała życie społeczno-gospodarcze, że zrozumiałe jest poszukiwanie odpowiedzi na pytanie – jak najlepiej sobie z nią poradzić. Ma to sporo sensu, bo są miejsca, gdzie zaraza rozpoczęła się wcześniej, ponadto w wielu krajach próbuje się różnych rozwiązań, co powinno prowadzić do różnych – lepszych lub gorszych rezultatów. Jak zilustruję poniżej, nie jest to zadanie łatwe. Problem polega m.in. na tym, że mamy potencjalnie bardzo wiele czynników wpływających na rozwój pandemii, a często mało danych.

Zacznijmy od czynników, które mogą wpływać na rozwój pandemii. Nie jest to z pewnością kompletna lista i zapewne każdy z Was mógłby do niej dodać jakieś ważne kwestie. Podzieliłem je na dwie grupy: sytuację zastana w momencie wybuchu pandemii oraz rozwiązania wprowadzone przez władze w jej obliczu. Oczywiście poszczególne czynniki mogą wpływać korzystnie lub niekorzystnie na wzrost liczby zachorowań. Ułożyłem je mniej więcej według zmniejszającego się wpływu na rozwój pandemii, ale oczywiście dokładnego miejsca każdego z czynników na liście nie znamy! – w tym cały problem.

Sytuacja zastana:
1) Historia: doświadczenie z poprzednia pandemią w latach 2002-03 (SARS-COV-1)
2) Geografia: odległość od Wuhan
3) Geografia/transport: kolejność w łańcuchu komunikacyjnym od Wuhan (m.in. liczba poł. lotniczych)
4) Geografia: czy kraj jest wyspą lub quasi-wyspą (jak np. Korea Południowa)
5) Demografia: udział osób w podeszłym wieku
6) Demografia: wielkość przeciętnego gospodarstwa domowego
7) Kultura: relacje międzyludzkie bardziej serdeczne (Hiszpania/Włochy) lub bardziej zdystansowane (kraje nordyckie)
8) Kultura/biologia: stan zdrowia społeczeństwa (występowanie chorób współistniejących)
9) Demografia/kultura: udział osób starszych przebywających w domach seniora
10) Demografia: gęstość zaludnienia i stopień zurbanizowania kraju
11) Klimat: temperatura i wilgotność
12) Gospodarka: poziom rozwoju gospodarczego, poziom zadłużenia kraju
13) Gospodarka: podział siły roboczej na rolnictwo/przemysł/usługi
14) Gospodarka: możliwość pracy z domu
15) Gospodarka/polityka: zaopatrzenie służby zdrowia w sprzęt, w tym ochronny
16) Kultura: zdolność do stosowania się do zaleceń władz
17) Kultura: bardziej kolektywistyczna czy bardziej indywidualistyczna
18) Kultura: poziom higieny rąk i respiracyjnej (maski)
19) Kultura: powitania poprzez ukłon (Azja) lub podanie ręki
20) Kultura: dystans „empatyczny” wobec Chin
21) Biologia: różnice genetyczne pomiędzy mieszkańcami różnych krajów

Decyzje (zakres, tempo i skuteczność wprowadzania):
1) Zamknięcie granic kraju
2) Lockdown całego kraju
3) Zakaz zgromadzeń / dystansowanie społeczne
4) Zakaz prowadzenia działalności gospodarczej (poza kluczową)
5) System testowania i śledzenia kontaktów
6) Ochrona domów seniorów i domów pomocy społecznej
7) Nakaz noszenia masek
8) Zamknięcie szkół
9) Dezynfekcja przestrzeni publicznej

Zapewne wpływ większości pozycji na rozwój pandemii jest Wam znany i w miarę oczywisty. Gdyby tak nie było, celem niniejszego wpisu nie jest wyłuszczenie wpływu każdego z czynników, a jedynie wskazanie, że analizowanie tegoż wpływu w obliczu występowania wielu innych przyczyn jest trudne. W większości krajów pandemia zaczęła się rozwijać na dobre (a w zasadzie: na złe) na początku marca, co powoduje, że mamy jedynie około 60-75 dni danych. Gdy zmiennych jest bardzo wiele lub gdy wpływ danego efektu jest niewielki, potrzeba o wiele większej liczby danych do zanalizowania tematu – setki lub nawet tysiące. Tym samym potrzeba by wielu miesięcy danych dotyczących zarażeń i zgonów by porównać sytuację pomiędzy jakimiś dwoma krajami – na przykład, by ocenić czy sytuacja w danym kraju jest lepsza ze względu na podjęte decyzje czy też zastane warunki.

Pomaga fakt, że w wielu krajach dane o zakażeniach są dostępne także dla mniejszych jednostek terytorialnych – województw, prowincji, stanów czy landów. Jeśli w tych jednostkach panują inne warunki lub są podejmowane inne decyzje, może to znacząco ułatwić analizę i zwiększyć szanse dojścia do sedna problemu.

Z drugiej strony nie pomaga nam to, że częstość testowania jest bardzo różna w różnych krajach – może to mieć nawet wpływ na dziesięciokrotne zaniżenie lub zawyżenie wyniku. Także statystyki zgonów nie są do końca porównywalne pomiędzy krajami – ze względu na stosowanie rozbieżnych metodologii, choć w tym przypadku różnice nie są aż tak duże jak w przypadku testów, pewnie bliższe kilkunastu-kilkudziesięciu procentom.

Tym samym przestrzegałbym przed przyglądaniem się wynikom pandemii w sposób jednowymiarowy. Pośród dzisiejszych zdjęć zamieszczam zestawienie próbujące podzielić kraje na „chroniące gospodarkę” oraz „chroniące życie”. Próbuje ono wykazać, że jest to fałszywy dylemat i że są kraje, które potrafią chronić zarówno życie, jak i gospodarkę (w tym Polska i Malta!), jak i takie, które są po przeciwnej stronie. O ile zgodzę się z tym, że jest to fałszywy dylemat (jest kilka krajów na świecie, które uchroniły zarówno życie obywateli, jak i gospodarkę kraju), próba zobrazowania tego na jednym wykresie jest zapewne zbyt uproszczona. Takie podejście nie uwzględnia wielu innych czynników, co powoduje, że można wyciągnąć niedokładne albo wręcz fałszywe wnioski. Przykładowo:
– dobra pozycja Polski, Malty i Japonii to zapewne efekt zamknięcia granic na stosunkowo wczesnym etapie pandemii. Ponadto, Malta i Japonia są krajami wyspiarskimi.
– wysoka śmiertelność we Włoszech wynika z faktu, że był to jeden z pierwszych krajów dotkniętych pandemią w Europie, a inne kraje uczyły się na jego przykładzie,
– wysoka śmiertelność we Włoszech i Hiszpanii może mieć do pewnego stopnia podłoże kulturowe i demograficzne (starsze społeczeństwa),
– wysoka śmiertelność w Holandii i Belgii może być związana z wysoką gęstością zaludnienia w obu krajach,
– szacowany wysoki spadek gospodarczy w Grecji, Chorwacji i na Cyprze może w znacznym stopniu wynikać z dużego udziału turystyki w gospodarkach tych krajów.

Rzeczony wykres obrazujący „ratowanie gospodarki” wobec „ratowania życia”.
Na osi poziomej szacowany spadek PKB, na osi pionowej liczba zgonów na milion mieszkańców.
Dinamarca = Dania
EE.UU. = USA
Chipre = Cypr

Zapewne na lepsze lub gorsze rezultaty każdego z krajów wpływ miało wiele innych czynników z zamieszczonych powyżej list i innych, o których nie pomyślałem. Od kilku tygodni zabierałem się za próbę podsumowania różnic w warunkach i decyzjach podjętych w wielu różnych krajach, ale za każdym razem od tematu odbijałem się, bo jest to kwestia dosyć złożona, wymagająca wnikliwej analizy. Ponadto wydawało mi się, że nawet jeśli coś tam w moich analizach upichcę, trudno mi będzie łatwo przekazać wpływ wszystkich czynników w tekście czy opisie. Będę oczywiście szukał dobrych opracowań, które próbują oszacować wpływ decyzji administracyjnych na życie społeczno-gospodarcze.

Tuż za niezbyt fortunnym wykresem obrazującym liczbę ofiar choroby wraz ze spadkiem działalności gospodarczej załączam kilka wykresów, które zestawiają różne punkty usługowe z USA pod względem czasu w nich spędzanego i gęstości ich „zaludnienia” w ciągu typowego tygodnia. Wedle tych miar siłownie wyglądają nieco lepiej niż restauracje, ale czy ktoś dyszy podczas zamawiania naprawdę dobrego argentyńskiego steka aż tak, jak przy podnoszeniu 100kg na sztandze? Fast foody wyglądają zdecydowanie lepiej ze względu na czas spędzany w restauracji, ale gorzej ze względu na gęstość liczby klientów podczas typowego tygodnia. I bądź tu mądry 😕

W każdym razie wygląda na to, że odwiedzanie parków i zabytków wiąże się ze znacząco mniejszym ryzykiem zarażenia niż robienie sobie paznokci, co mi przynajmniej odpowiada 😉

Wpływ liczby lotów z danego kraju na liczbę zarażeń w ~4 tygodnie później.

TEMPERATURA I WILGOTNOŚĆ

Pisałem uprzednio o wpływie pogody na potencjał roznoszenia się wirusa już kilkakrotnie, ale kilka dni temu pojawiło się bardzo eleganckie i obszerne badanie, które ponownie temu tematowi się przyjrzało. W poprzedniej części dzisiejszego wpisu sugerowałem, by być uczulonym na próbę wynajdywania prostych zależności pomiędzy jakimś jednym czynnikiem a liczbą zarażeń czy zgonów na męcząca nas wszystkich chorobę, a tu podczas pisania tego właśnie tekstu dojrzałem badanie klimatyczne, które bardzo mi się spodobało ze względu na jego solidność metodologiczną. Naukowcy nie tylko spojrzeli na wpływ temperatury i wilgotności na liczbę zarażeń, ale zrobili to niezależnie od takich czynników jak: gęstość zaludnienia, opóźnienie pomiędzy momentem zarażenia a oficjalnym odnotowaniem tego faktu i momentem wprowadzenia obostrzeń administracyjnych. Ponadto, przyjrzeli się także niezależnie wpływowi opadów deszczu i śniegu, sile wiatru a także efektowi ciśnienia atmosferycznego, długości dnia a nawet faz księżyca! Ponadto, dokonali tego nie na poziomie krajowym, ale niższym – np. na poziomie prowincji w Australii, Kanadzie i Iranie, na poziomie hrabstw w USA oraz na poziomie prowincji i miast w Chinach, co w sumie dało ponad 3700 niezależnych lokalizacji, z których pobrano dane. Pisałem już, że badanie było eleganckie? Tak, pisałem, ale warto to zrobić raz jeszcze tu i powtórzyć na końcu tekstu 😊

Ogólna konkluzja jest zbliżona do tych, które zamieszczałem uprzednio – wraz ze wzrostem temperatury i wilgotności szanse na zarażenie (współczynnik R) spadają. Badacze przypisywali to podobnym czynnikom, co naukowcy we wcześniejszych badaniach. Im cieplej, tym więcej czasu spędzamy na zewnątrz. Im wilgotniej, tym wolniej odparowują kropelki i mikrokropelki wydychane, wymawiane i wykrztuszane z naszych dróg oddechowych – i szybciej opadają na ziemię. Ponadto, z badania wynikało, że im większy poziom opadów deszczu czy śniegu i siła wiatru danego dnia, tym większe są szanse na zarażenie. Ta ostatnia informacja była dla mnie zaskoczeniem, bo jeśli jeszcze wczoraj ktoś zapytałby mnie, czy silniejszy wiatr wpływa na zarażenie wirusem SARS-COV-2, pewnie odpowiedziałbym, że raczej nie. Spodziewałbym się odwrotnej zależności – im silniejszy wiatr, tym szybciej rozwiewa kropelki i cząsteczki wirusa, gdy spędzamy czas na zewnątrz. Ale nauka jest po to właśnie, by negować nasze intuicje. Wbrew temu co może nam się wydawać, Ziemia zdecydowanie nie jest płaska. Być może chodzi tu o wpływ złej pogody – siedząc sobie w ogródku i popijając Tyskie czy Prosecco nawet przy lekkim wietrze ryzyko zarażenia może spadać do zera. Jednakże silniejszy, porywisty wiatr może nas zagnać z powrotem do wnętrz – podobnie jak opady deszczu lub śniegu. A wnętrza, jak wiemy, sprzyjają transmisji wirusa.

Zamieszczam wykres zależności pomiędzy temperaturą i wilgotnością z artykułu i nadrysowuję na nim zmianę wartości klimatycznych dla Warszawy pomiędzy marcem i lipcem. Spadek współczynnika R wynosi niecałe 10%, co jest zbliżone do moich konkluzji spred kilku tygodni – letnia pogoda trochę może pomóc, ale nie powstrzyma pandemii, tylko trochę ją przyhamuje.

Wpływ temperatury i wilgotności na współczynnik R. Pomiędzy zimowym współczynnikiem referencyjnym a latem, współczynnik R spada o ok. 20% (1.0-> 0.8) W bardzo gorących i wilgotnych rejonach (Tajlandia, Malezja, etc.) współczynnik R może spaść nawet o ponad połowę. Ciemnoniebieska linia oznacza zmianę warunków między marcem a lipcem dla Warszawy.

Jednym z najdziwniejszych odkryć naukowców był bardzo silny statystycznie efekt wpływu światła Księżyca na transmisję wirusa (!) Każdy 1% wzrostu iluminacji księżycowej był odpowiedzialny za 0.25% spadku współczynnika R, co oznacza, że pomiędzy nowiem a pełnią szanse na zarażenie spadałyby o 25%. Badacze byli tym tak zaskoczeni, że postanowili nie umieszczać tego rezultatu w głównej części badania, a jedynie w załączniku, ponieważ zupełnie nie umieli znaleźć wytłumaczenia dla tego efektu. Hehe, ignoranci, czy oni naprawdę nie znają badań o wpływie światła Księżyca na zwyczaje wilkołaków dotyczące… Tzn. chciałem się zgodzić z badaczami, że najprawdopodobniej chodzi tu o jakieś cykle miesięczne, bo wpływ fazy księżyca był niezależny od zachmurzenia, więc pewnie nie chodzi tu o samo światło naszego naturalnego satelity. W pierwszej chwili pomyślałem, że może chodzić tu o wpływ kalendarza księżycowego, którego używają Muzułmanie (Hijri), ale badacze zaznaczyli, że efekt występował we wszystkich lokalizacjach (nie tylko w Iranie). Kalendarz muzułmański ma 354 dni (29.5 dnia na miesiąc), a pomiędzy grudniem a kwietniem średnia długość miesiąca w kalendarzu gregoriańskim wyniosła 30.5 dnia (luty był przestępny), więc różnica nie była zbyt duża. Ciekawe, ciekawe…

A! Miałem na końcu także nadmienić, że to badanie było metodologicznie eleganckie – więc niniejszym nadmieniam.

PODZIEL SIĘ
Poprzedni artykułKoronawirus: stan na 5 maja
Następny artykułLampy bakteriobójcze – dezynfekcja promieniowaniem UV-C

ZOSTAW KOMENTARZ

Please enter your comment!
Please enter your name here