Gesundheit

Coronavirus Todesfälle in San Francisco vs. New York: Was verursacht so große Unterschiede in der Städte-Maut?

San Francisco und New York City konnten beide Ihre ersten COVID-19 Fällen während der ersten Woche des März. März 16, San Francisco angekündigt, es war die Bestellung Bewohner zu Hause zu bleiben, um zu vermeiden, die Verbreitung des coronavirus, und New York haben die gleichen weniger als eine Woche später. Aber bis Ende Mai, während San Francisco hatte zugeschrieben 43 Todesfälle zu COVID-19, New York City, Tod Graf war über 20.000.

Was erklärt den krassen Unterschied COVID-19-Todesfälle zwischen diesen beiden Städten? Ist die Verzögerung in der stay-at-home, um verantwortlich? Was ist Stadt-konkrete Maßnahmen zur Minderung COVID-19 vor der Bestellung? Ist etwas anderes passiert?

Die divergierenden Trajektorien von San Francisco und New York City, während vor allem Auffällig ist, sind nicht eindeutig. Weltweit, COVID-19 ist sehr variable Effekte. Innerhalb der USA, Infektionen, Krankenhausaufenthalte und Todesfälle Höhe geschossen in nahezu allen großen Städten im Nordosten, während verbleibenden ziemlich niedrig, in manchen anderen Metropolen wie Houston, Phoenix und San Diego.

Wie Städte und Staaten implementiert werden public health Interventionen wie Schulschließungen und stay-at-home Bestellungen stark variierte. Vergleicht man diese Interventionen, ob Sie funktioniert und für wen, können Erkenntnisse über die Krankheit und zur Verbesserung der künftigen politischen Entscheidungen. Aber genaue Vergleiche sind nicht einfach.

Die Palette der COVID-19 Interventionen umgesetzt, in den USA und weltweit war nicht random, dass Sie schwer zu vergleichen. Unter anderem die Dichte der Bevölkerung, haushaltsgrößen, öffentliche Verkehrsmittel verwenden und Krankenhaus-Kapazitäten kann dazu beigetragen haben, die Unterschiede in der COVID-19 Todesfälle in San Francisco und New York City. Diese möglichen Unterschiede erschweren die Analysen der Wirksamkeit von Gegenmaßnahmen, um die COVID-19-Pandemie.

Als biostatistician und Epidemiologe, wir verwenden statistische Methoden, um sich zu Sortieren Ursachen und Wirkungen von controlling für die Unterschiede zwischen den Gemeinden. Mit COVID-19, wir haben oft gesehen, Vergleiche, die nicht passen für diese Unterschiede. Das folgende experiment zeigt, warum das ein problem sein kann.

Stadt Simulationen zeigen ein paradox

Zur Veranschaulichung der Gefahren der Vergleiche, die nicht passen Sie für Unterschiede, die wir einrichten eines einfachen computer-simulation, die mit nur drei hypothetische Variablen: Größe der Stadt, Zeitpunkt des Aufenthalts-at-home Bestellungen und kumulative COVID-19 Todesfälle von Mai 15.

Für 300 simulierte Städte, die wir gezeichnet COVID-19 Todesfälle von der delay-Zeit, definiert als die Anzahl von Tagen zwischen 1. März und die Bestellung ausgestellt wird. Unter den Städten vergleichbarer Größe, Verzögerungen bei der Umsetzung der Aufenthalts-at-home-Aufträge sind im Zusammenhang mit COVID-19 Todesfälle—insbesondere, 40-63 mehr Todesfälle zu erwarten sind für jeweils 10-tägigen Verzögerung. Die hypothetische Handlungsempfehlung aus dieser Analyse wäre für die sofortige Umsetzung des Aufenthalts-at-home Bestellungen.

Betrachten wir nun ein Grundstück von der gleichen 300 simulierte Städte, die nicht die Größe der Stadt in Betracht. Die Beziehung zwischen Verspätungen und Todesfälle ist es Umgekehrt: Vorhin Umsetzung in dieser simulation ist eng verbunden mit weiteren Toten, und später die Umsetzung mit weniger Todesfällen. Dieses scheinbare Paradoxon tritt auf, weil der kausale Zusammenhang zwischen Größe der Stadt, Verzögerungen und COVID-19 Todesfälle. Starke verbindungen oder Assoziationen zwischen zwei Variablen nicht garantieren, dass eine variable Ursachen eine andere. Korrelation impliziert nicht Kausalität.

Nicht mehr ordnungsgemäß-Adresse diese Beziehungen erstellen können Fehleinschätzungen mit dramatischen Folgen für die Politik. In diesen Simulationen, der Analyse, nicht berücksichtigt die Größe der Stadt würde dazu führen, dass eine fehlerhafte Politik die Empfehlung, zu verzögern oder nie zu implementieren, stay-at-home Bestellungen.

Es wird komplizierter

Natürlich kausale Inferenz in das wirkliche Leben ist komplizierter als in einer computer-simulation mit nur drei Variablen.

Zusätzlich zu confounding-Faktoren wie Gemeinschaft, Größe, wesentliche Hinweise darauf, dass public health-Interventionen schützen nicht alle Menschen gleich.

In San Francisco, starken Ungleichgewichte herausgebildet haben. Zum Beispiel, eine umfassende Prüfung der Mission District offenbart 95% der Menschen, die positiv getestet wurden, Hispanic. Faktoren wie sozioökonomischer status, Rasse und Ethnizität, und viele andere, sehr unterschiedlich zwischen den Gemeinden und kann Auswirkungen COVID-19-Infektion und Tod Preisen. Die Unterschiede zwischen den Anwohner macht entsprechende interpretation der Vergleiche, etwa zwischen San Francisco und New York noch schwieriger.

So, wie wir effektiv lernen, in der aktuellen Umgebung?

Während besonders aktuell jetzt, die analytischen Herausforderungen, die sich durch COVID-19 sind nicht neu. Public-health-Experten haben lange verwendeten Daten von nicht-randomisierte Studien—auch mitten in der Epidemie. Während des Cholera-Ausbruchs in London im Jahre 1849, John Snow, berühmt in epidemiologischen Kreisen, von den verfügbaren Daten, einfache Werkzeuge und reiflicher überlegung zu identifizieren, die eine Wasser-Pumpe als Quelle der Ausbreitung der Krankheit. Evidenz-basierte Entscheidungen erfordern, die sowohl Daten als auch geeignete Methoden, um Daten zu analysieren.