fbpx Covid-19: segnali di rallentamento| Scienza in rete

Covid-19: segnali di rallentamento

Con i molti limiti di un modello epidemiologico, e considerato anche che siamo nel pieno di una crescita esponenziale del fenomeno, si può tentare di verificare se, per territorio e per periodo temporale, le curve epidemiche mostrino andamenti diversi e darne un accenno di interpretazione. A oggi non siamo in vista del picco delle curve, ma forse in vista del flesso del ritmo di crescita.

Tempo di lettura: 4 mins

Con l’attuale disponibilità di dati, è possibile misurare possibili andamenti significativi dell’epidemia per territorio e periodo temporale? Rispondere è difficile per molte ragioni. In primo luogo perché i dati disponibili si riferiscono a un periodo temporale insufficiente. In premessa deve essere considerato che naturalmente le misure restrittive hanno un effetto che è differito nel tempo, che dipende dai comportamenti sociali e che è complesso isolare statisticamente, soprattutto con una disponibilità di dati limitata. Con questi (e molti altri) limiti, considerato che siamo nel pieno di una crescita esponenziale del fenomeno, il tentativo di questo esercizio è verificare se, per territorio e per periodo temporale, le curve epidemiche mostrino andamenti diversi e darne un accenno di interpretazione.

I dati rilasciati dalla Protezione Civile si riferiscono ai ricoverati con sintomi, ai pazienti in terapia intensiva, al totale dei soggetti ricoverati e in isolamento domiciliare, ai casi attualmente positivi, nuovi casi, dimessi guariti e deceduti. La distribuzione per provincia è disponibile solo per il totale dei casi positivi e per questa ragione analisi territoriali sono possibili solo per questa variabile. Il periodo analizzato è dal 25 febbraio (il primo giorno per cui sono disponibili dati completi) al 9 marzo (al momento dell’analisi, per i giorni successivi al 9 marzo l’aggiornamento dei dati doveva essere ancora considerato incompleto). Il periodo considerato è stato diviso in due segmenti (primo periodo dal 25 febbraio al 1 marzo; secondo periodo dal 2 marzo al 9 marzo) alla luce della definizione di zona rossa nel DPCM del 1 marzo (è evidente che un’analisi reale dell’efficacia delle misure dovrebbe considerare un periodo temporale ben più lungo). La definizione di zona 1 è quella del DPCM che ne introduceva la nozione (l’intera Lombardia ed ulteriori 14 province in Veneto, Emilia-Romagna, Piemonte e Marche). La definizione di zona rossa in questo esercizio include le province di Lodi, Cremona, Bergamo, Piacenza e Padova (in realtà per quest’ultima sarebbe stato necessario isolare il dato relativo al solo comune di Vo’, ma è stata considerata l’intera provincia di Padova per la natura dei dati). La zona 2 è tutta l'Italia meno la zona 1.

Il modello di regressione utilizzato è di tipo esponenziale:

Y =β° . eβ1 . t

Sono stimati i coefficienti di regressione per l’Italia, per zona 1 e zona 2, zona rossa e restante parte d’Italia come definite sopra. L’analisi è svolta per tutto il periodo (fino al 9 marzo) e separatamente prima e dopo il 1 marzo. I risultati sono sintetizzati nella tabella dei coefficienti di regressione e nei grafici di andamento.

Sono identificabili due elementi di riflessione:

  • Il coefficiente della curva di crescita dei casi in zona 2 nel periodo risulta complessivamente maggiore che in zona 1 e complessivamente minore nella zona rossa che nella restante porzione di territorio. Si tratta di un possibile razionale che ha portato rapidamente il 10 marzo all’estensione delle misure restrittive a tutto il territorio nazionale;
  • Nell’analisi per periodo prima e dopo le prime misure restrittive, si registra una riduzione del coefficiente di crescita delle curve. Tale riduzione è accentuata in zona 1 e nella zona rossa, ma risulta evidente anche nella restante parte di territorio. Si tratta di un ulteriore elemento di sostegno per l’estensione delle misure restrittive a tutto il territorio, ma anche un elemento che suggerisce l’evidenza di un leggero flesso nel ritmo di crescita (anche se naturalmente non è possibile ancora misurare l’efficacia delle misure restrittive che deve essere valutata su serie temporali ben più lunghe).

In sintesi non siamo di certo in vista del picco delle curve, ma forse in vista del flesso del ritmo di crescita.

Tabella dei coefficienti β1 per zona e periodo

  Intero periodo
25 febbraio - 9 marzo
β 1
Primo periodo
25 febbraio - 1 marzo
β 1
Secondo periodo
2 marzo - 9 marzo
β 1
Riduzione del coefficiente
tra primo e secondo periodo
(%)
Italia 0,25 0,34 0,22 35,3
Zona 1 0,25 0,32 0,2 37,5
Zona 2 0,3 0,49 0,36 26,5
Zona rossa 0,21 0,3 0,16 46,7
Non zona rossa 0,31 0,42 0,27 35,7

 

Italia. Intero periodo, 25 febbraio – 9 marzo. β=0,25

Zona 1. Intero periodo 25 febbraio – 9 marzo. β=0,25

Zona 2. Intero periodo, 25 febbraio – 9 marzo. β=0,30

Zona 1. Primo periodo, 25 febbraio - 1 marzo. β=0,32

Zona 1. Secondo periodo, 2 marzo - 9 marzo. β=0,20

Zona rossa. Primo periodo, 25 febbraio - 1 marzo. β=0,42

Zona rossa. Secondo periodo, 2 marzo - 9 marzo. β=0,27

 

 

 

 


Scienza in rete è un giornale senza pubblicità e aperto a tutti per garantire l’indipendenza dell’informazione e il diritto universale alla cittadinanza scientifica. Contribuisci a dar voce alla ricerca sostenendo Scienza in rete. In questo modo, potrai entrare a far parte della nostra comunità e condividere il nostro percorso. Clicca sul pulsante e scegli liberamente quanto donare! Anche una piccola somma è importante. Se vuoi fare una donazione ricorrente, ci consenti di programmare meglio il nostro lavoro e resti comunque libero di interromperla quando credi.


prossimo articolo

Far dire ai numeri quello che non dicono: i dati sull’eccesso di mortalità da Covid ancora usati a sproposito

i dati sull’eccesso di mortalità da Covid usati a sproposito

L'articolo pubblicato a giugno sul British Medical Journal Public Health ha scatenato controversie nel mondo scientifico per la sua analisi dei dati sull'eccesso di mortalità da Covid-19: gli autori suggeriscono che le misure di contenimento e le campagne vaccinali non abbiano funzionato, ma queste affermazioni sono frutto di cherry picking e interpretazione distorta dei dati.

If you torture the data long enough, it will confess to anything (se torturate i dati abbastanza a lungo potrete fargli dire qualsiasi cosa): è la celebre battuta di Ronald H. Coase, premio Nobel per l’economia nel 1991. Purtroppo anche nel mondo della ricerca capita di assistere a un uso distorto dei dati, cui si può far dire qualsiasi cosa. Quel che è successo con un articolo recente che riprendeva il tema dell’eccesso di mortalità da Covid-19.