Een nieuw datagestuurd model laat zien dat het dragen van maskers levens redt – en hoe eerder je begint, hoe beter

Een nieuw datagestuurd model laat zien dat het dragen van maskers levens redt – en hoe eerder je begint, hoe beter

17 november 2020 0 Door Redactie SDB

 

Dr. Biplav Srivastava, hoogleraar computerwetenschappen aan de Universiteit van South Carolina, en zijn team hebben een datagestuurde tool ontwikkeld waarmee het effect van het dragen van maskers op COVID-19-gevallen en sterfgevallen kan worden aangetoond. Zijn model maakt gebruik van verschillende gegevensbronnen om alternatieve scenario’s te creëren die ons kunnen vertellen “Wat had er kunnen gebeuren?” als een provincie in de VS een hogere of lagere mate van maskertrouw had. In dit interview legt hij uit hoe het model werkt, wat de beperkingen zijn en welke conclusies we daaruit kunnen trekken.

Wat doet dit computermodel?

Dit is een landelijke tool die kan laten zien welk effect het dragen van maskers kan hebben. Als het een provincie is waar mensen regelmatig maskers dragen, laat het zien hoeveel COVID-19-gevallen en sterfgevallen ze hebben vermeden. Als u een provincie kiest waar mensen geen maskers dragen, zal het u laten zien hoeveel gevallen en sterfgevallen daar voorkomen hadden kunnen worden.

Hoe werkt het?

Hiervoor hebben we veel gegevens nodig. De New York Times ondervroeg tijdens de zomer bijna elke provincie in de VS en kende aan elk van hen een score voor het dragen van een masker toe van 0-5, dus dit is de kern van het model. We gebruiken ook gegevens uit de New York Times en Johns Hopkins voor realtime zaaknummers; volkstellinggegevens voor demografische gegevens zoals populatiegrootte, mediane leeftijd en meer; en geografische gegevens om de afstand tussen provincies te meten.

Het is gebaseerd op een wiskundige techniek genaamd robuuste synthetische controle , die vaak wordt gebruikt bij geneesmiddelenonderzoek, waarbij er een controlegroep is en er is een behandelgroep.

Laten we bijvoorbeeld eens kijken naar Wyandotte County, Kansas. Het heeft een relatief hoge score voor het dragen van een masker van ongeveer 3,4. Omdat het model is ontworpen om ons het “wat als?” scenario, het zal kijken naar wat er zou zijn gebeurd als de score voor het dragen van een masker was verlaagd tot 3.0, wat onze grens is voor “laag dragen van het masker”, maar de gebruiker kan ook experimenteren met andere waarden om te zien wat er gebeurt. We kwamen uit op 3.0 op basis van analyse van landelijke gewoonten voor het dragen van maskers. De werkelijke waarden varieerden tussen 1,4 en 3,85, met een landelijk gemiddelde van 2,98.

We kunnen een datum instellen waarop de score voor het dragen van een masker verandert in 3.0. Als we het van 1 juni tot 1 oktober zouden laten lopen, vertelt het ons dat Wyandotte County in die periode 101,5% meer gevallen en 150 doden meer zou hebben gehad. Het vertelt de gebruiker hoeveel sterfgevallen zijn opgetreden of voorkomen op basis van een sterftecijferparameter die de gebruiker kan instellen. In dit voorbeeld was het vastgesteld op 2%.

Hoe creëert het model het ‘wat als?’ scenario als het niet echt is gebeurd? Het doet dit door te kijken naar andere provincies die dichtbij zijn en vergelijkbare demografische gegevens en het aantal gevallen hebben, maar een lagere drempel voor het dragen van een masker. Het probeert een gewogen gemiddelde te bedenken om een ​​synthetische controlegroep te vormen die vergelijkbaar is met ons interessegebied (behandelgroep). Het model kijkt vervolgens hoeveel de twee groepen zijn gedivergeerd in termen van het aantal gevallen. Het verschil in aantal gevallen tussen de twee groepen wordt omgerekend naar een verschil in sterfgevallen met behulp van de sterftecijferparameter.

Wat zegt dit ons over de impact van het dragen van maskers?

Het kan nuttig zijn om op elk moment een masker te dragen of een maskerbeleid te implementeren. Maar de impact is het grootst als je het vroeg doet. Wanneer u dit model meerdere keren gebruikt met verschillende datums, ziet u dat de impact afneemt naarmate u de implementatie van een masker-draagbeleid uitstelt. Dus als een provincie op 1 juni een maskerbeleid zou hebben ingevoerd, zou dit veel gevallen hebben voorkomen. Als het op 1 juli zou handelen, zou het een kleinere impact hebben. Als het in augustus zou optreden, zou het nog steeds gevallen hebben voorkomen, maar een zeer klein aantal.

Wat zijn de beperkingen van dit model?

Deze tool werkt beter voor sommige landen dan andere. Over het algemeen werkt het het beste met provincies die dichter bij het gemiddelde liggen, omdat er meer overeenkomsten zijn om mee te vergelijken. Er is ook een beperking in de zin dat het The New York Times-onderzoek naar de therapietrouw in de zomer werd uitgevoerd, en de dingen blijven veranderen. Als andere onderzoekers deze tool gebruiken, zullen ze dus rekening moeten houden met de veranderingen.

Maar wat je ziet, is dat wanneer je een maskerbeleid implementeert of de bevolking regelmatig maskers draagt, dit een positieve impact heeft. En hoe eerder u het doet, hoe effectiever het is.

Reacties

Reacties