زمینه
در تولید مدل دو برابری پایه Yتی، مجموع هفتگی موارد تایید شده در زمان های t – 6، t – 5 تا t و Hتی مجموع هفتگی بیمارانی که اخیراً در بیمارستان بستری شده اند در زمان های t – 6، t – 5 تا t بود. با استفاده از رگرسیون دو جمله ای منفی، تعداد بستری شدن در بیمارستان مدل شد. این مدل پراکندگی بیش از حد داده‌های شمارشی که معمولاً در داده‌های مربوط به شیوع همه‌گیری مشاهده می‌شود را جبران می‌کند.
کرواسی با افزایش از 50 درصد به 70 درصد، بیشترین سطح ریسک را در گروه کشورهای اروپای شرقی داشت. در مقایسه، خطر نسبی استونی از 40٪ تا 60٪ متغیر بود. در ژوئن 2021، ریسک نسبی در جمهوری چک کاهش یافت اما در اکتبر 2021 افزایش یافت. ویژگی های ریسک نسبی برای کشورهای اروپای شمال غربی قابل مقایسه بود، با ریسک بالاتر در ژانویه 2021، کاهش ریسک در ماه می تا ژوئن 2021، و افزایش جزئی در دسامبر 2021. همین امر در مورد استونی، کرواسی، لتونی و جمهوری چک نیز صادق است. فرض کنید آفریقای جنوبی خطر نسبی قابل توجهی در سناریوی موارد بستری شدن در بیمارستان نسبت به سایر کشورهای اروپایی داشت. در آن صورت، نمایه آفریقای جنوبی به سایر کشورها در سناریوی موارد مرگ و میر نزدیک می شود.
در مطالعه حاضر، محققان روش جدیدی را برای تعیین کمیت تأثیر دوبرابر شدن موارد COVID-19 بر بستری شدن در بیمارستان و مرگ و میر نشان دادند.
این مطالعه یک معیار نسبتا ساده اما مفید برای ارزیابی تهدید سلامت عمومی ناشی از یک بیماری همه گیر ارائه می دهد که “اثر دو برابری” نامیده می شود و از نظر ریاضی به عنوان خطر نسبی بیان می شود.
در مورد مطالعه
در میان کشورهای شمال غربی اروپا، بریتانیا بیشترین خطر نسبی را داشت، با افزایش 70 درصدی بستری شدن در بیمارستان از سپتامبر 2020 در صورتی که نسبت عفونت های تایید شده COVID-19 دو برابر شود. این خطر در ماه می 2021 و پس از آن ثابت ماند و به 60 درصد کاهش یافت. دانمارک و نروژ با دو برابر شدن تعداد عفونت‌ها، خطر دوبرابر شدن را کاهش دادند و بستری شدن در بیمارستان حدود 50 درصد افزایش یافت. خط سیر خطر نسبی در طول زمان به اندازه بریتانیا سازگار نیست، احتمالاً به این دلیل که جمعیت کمتر است و تعداد بستری شدن در بیمارستان کمتر است. در سال اول همه‌گیری کووید-19، هلند و بلژیک با افزایش 50 تا 60 درصدی بستری شدن در بیمارستان به دلیل دو برابر شدن تعداد عفونت‌ها، با افزایش خطرات نسبی مواجه شدند.
زمانی که تعداد موارد دو برابر می شود، تعداد تخمینی بستری شدن در بیمارستان با فاکتور ضربی exp(بتا) افزایش می یابد، پدیده ای که به عنوان “اثر دو برابری” شناخته می شود. با توجه به اینکه کشورهای متعددی در این مطالعه گنجانده شده‌اند، دیدگاه دوم به‌ویژه برای سیاست‌گذاران مرتبط است، که ممکن است از آن برای بررسی سناریوی فعلی در کشور خود استفاده کنند و آن را با پیشرفت در سایر کشورها مانند کشورهای همسایه مرتبط کنند. یک مدل ضریب تغییر که به عنوان یک مدل پارامتری محلی نیز شناخته می‌شود، دارای رگرسیون‌های خطی است، اما ضرایب آنها مجاز به تغییر تدریجی با سایر متغیرها هستند که به عنوان اصلاح‌کننده اثر نیز شناخته می‌شوند.
نتایج
به طور کلی، این مطالعه یک رویکرد مدل‌سازی را پیشنهاد کرد که محاسبه اثر اپیدمیولوژیک دوبرابر شدن تعداد موارد بستری شدن و مرگ و میر ناشی از کووید-19 و همچنین توصیفی از تکامل این اقدامات را برای بسیاری از کشورها در طول زمان تسهیل کرد.
تجزیه و تحلیل اولیه ارتباط بین عفونت‌های تأیید شده جدید COVID-19 و بستری‌های جدید را مدل‌سازی کرد. این تیم ارزیابی مشابهی را برای موقعیت‌های زیر انجام داد: تأثیر دوبرابر شدن تعداد موارد مثبت COVID-19 بر میزان مرگ و میر و تأثیر دو برابر شدن تعداد بستری‌ها بر میزان مرگ و میر.
در علوم زیستی و اپیدمیولوژی، دو برابر شدن یک آمار قابل توجه، مدت زمانی که در طی آن اتفاق می افتد و تأثیر آن بر سایر معیارها مفاهیم بسیار مهمی هستند. زمان دو برابر شدن یکی از عواملی است که به طور گسترده برای پدیده های مختلف از جمله اپیدمی بیماری های عفونی، رشد تومور، اندازه جمعیت و درونکشتگاهی رشد سلولی زمان دوبرابر کردن اغلب برای تخمین ویژگی‌های شیوع بیماری‌های عفونی، به‌ویژه در مرحله اولیه همه‌گیری، و برای اندازه‌گیری خطر ناشی از همه‌گیری بیماری‌های عفونی استفاده می‌شود.