Ilmaantuvuusluku on ehkä yksi surkeimmista koronaepidemian mittareista. Se on käytännössä aina harhaanjohtava siksi, että se käyttää 14 vuorokauden tartuntamääriä ja ei suhteuta tartuntamääriä testien määrään. Jos jotain hyvää pitää keksiä, ainoa mieleen tuleva asia on mittarin suhteutus väestön määrään. Käytännössä siis testien määrä vääristää tartuntamääriä, ja 14 vuorokauden tartuntamäärien käyttöä tarkoittaa sitä, että mittari reagoi tilanteen muutoksiin vähintään noin viikon viiveellä. Joissain tapauksissa viive voi olla vielä pidempi.
14 vuorokauden viiveen ongelma
Ensimmäisenä käsittelen 14 vuorokauden viivettä, vaikkakin se on näistä tietyllä tavalla vähäisempi ongelma. Tartuntaudeille on ominaista, että tapausmäärät nousevat aluksi rajusti, kun tauti pääsee kiertämään alipopulaatiossa (hautajaiset, juhlat, perhepiirit jne), joihin ei ole vielä syntynyt immuniteettiä. Kun tauti on tartuttanut tarpeeksi ihmisiä, tartuntojen määrä alkaa laskea hitaasti laumasuojan synnyttyä. 14 vuorokauden ilmaantuvuusluvussa tuo lasku voi kuitenkin näkyä vasta yli 10 vuorokauden viiveellä. Otetaan esimerkkinä alla oleva kuvitteellinen tilanne:
Kyseisessä kuvaajassa tapausmäärä nousee nopeasti 16.1 alkaen, saavuttaa huippunsa 18.1, ja sitten laskee hitaasti saavuttaen alkuperäisen tason 30.1. Jos katsotaan taas ilmaantuvuuslukua, aloittaa se nousun viiveellä, ja saavuttaa maksimiarvonsa vasta 29.1, eli silloin kun tilanne on jo käytännössä normalisoitunut. Tästä se taas jatkaa laskuaan seuraavat kaksi viikkoa, vaikka tapausmäärässä ei oikeasti tapahdu enää mitään muutoksia. Tämä johtuu yksinkertaisesti siitä, miten keskiarvot toimivat. Vaikka ilmaantuvuudessa ei suoranaisesti lasketa keskiarvoa, ei se eroa siitä käytännössä mitenkään, koska kyseessä on kahden viikon tilanne. Alla on myös kuvaaja tapausten määrästä vs. ilmaantuvuus, eli oikean elämän dataa:
Kuten tästäkin kuvaajasta nähdään, laahaa ilmaantuvuus pahasti oikeaa tilannetta jäljessä. Suuri toivoni onkin, että poliitikot eivät käytä kyseistä mittaria päätöksenteossa millään tavalla., koska muuten päätökset ovat aina vähintään viikon myöhässä.
Testimääriin suhteuttaminen
Testimääriin suhteuttamatta jättäminen on taas mielestäni paljon suurempi synti kuin pelkkä liian pitkän keskiarvon käyttäminen. Liian pitkä keskiarvo sentään kuvaa todellisuutta, mutta se tekee sen vain viiveellä. Testimäärien huomiotta jättäminen taas voi johtaa suoranaisesti harhaan. Otetaan yksinkertaisena tilanteena esimerkki, jossakin maassa on keskimäärin 500 koronatapausta 10000 henkeä kohden. Jos maan väestöstä testattaisiin satunnaisotannalla 10000 henkeä, löytyisi keskimäärin 500 tapausta. Jos taas testimäärää nostettaisiin 20000 testiin, löytyisikin yhtäkkiä 1000 tapausta. Nykyuutisoinnin perusteella kaikki tuntuu perustuvan tapausmääriin, ja testimääristä ei ole missään juttua. Kysymys kuuluukin, että onko Suomen testausmäärissä ollut sellaista merkittävää vaihtelua, mikä voisi vaikuttaa tapausmääriin harhaanjohtavasti. Vastaus löytyy seuraavasta kuvaajasta:
Ei tarvita hienostuneita korrelaatioanalyysejä sen näkemiseksi, että marraskuun puolivälin jälkeen tapaukset ja testimäärät ovat korreloineet merkittävästi keskenään, ja ehkä vielä tärkeämpänä asiana testimäärät ovat vaihdelleet merkittävästi. Marraskuun puoliväliin asti kasvu oli todellista, ja samoin suunnilleen helmikuun puolessavälissä tapahtui todellinen piikki tapausmäärissä. Hieman selkeämmän kuvan tästä antanee kuvaaja, jossa tapausmäärät on suhteutettu kulloisenkin päivän testimääriin:
Tästä nähdään selkeästi, miten harhaanjohtavaa pelkkien tapausten määrän tarkastelu on, kun testimäärissä tapahtuu merkittäviä vaihteluita. Samasta syystä myös esimerkiksi Irlannin uudenvuoden tapauspiikki näyttää niin korkealta. Vaikka tilanne siellä kieltämättä oli hyvin paljon Suomea pahempi, piikin aikaan testimäärät nousivat noin kolminkertaiseksi. Näin tapausmäärä näyttää noin kolme kertaa pahemmalta kuin mitä se oikeasti oli verrattuna pohjatilanteeseen.
Testimäärät eivät kuitenkaan ole välttämättä lineaarisessa suhteessa tapausten määrään. Jos testejä suoritetaan hyvin vähän (kevät 2020) ja lähinnä sairaaloissa, on todennäköistä että tapausten suhteellinen määrä on keinotekoisen korkea. Vastaavasti esimerkiksi heinänuhakaudella useammille saattaa esiintyä flunssan kaltaisia oireita, jotka saattavat hakeuttaa testeihin ilman koronaa. Koska oireet eivät ole oikeasti merkki sairaudesta kyseisessä tapauksessa, voi tämä tuoda ”ilmaa” testimääriin. Lineaarinen suhde on kuitenkin varmasti paljon lähempänä totuutta kuin testimäärien kokonaan huomiotta jättäminen.
Jostain syystä testien määrä on ollut noin viikon laskusuunnassa, ja tästä johtuu suurelta osin myös tapausten määrän merkittävä lasku. Testimääriin suhteutetussa kuvaajassa ei ole merkittävää laskua vielä, vaikka odotan tämänkin kyllä tapahtuvan lähiviikkoina. Tulee olemaan mielenkiintoista nähdä, että tapahtuuko hallituksen suunnalla herääminen liikkumisrajoituslain tarpeettomuuteen, vai onko virheen myöntäminen liian kova pala, Toistaiseksi virheitä ei ole myönnetty yhtäkään, vaan syyttelevä sormi on aina liikahtanut esimerkiksi THL:än, STM:än, aluehallintovirastojen, opposition tai kuntien suuntaan. Ehkä sopivin syyllinen tässä tapauksessa tulee olemaan THL ”laskuharjoituksineen”.
Liberalismin kaipuu 
Sanot että ilmaantuvuusluku on ehkä surkein mittari eritoten sen viiveen vuoksi. Tuskin kuitenkaan vain lyhyempi mittari olisi parempi, koska niillä taas satunnaiset piikit saattavat aiheuttaa ylireagointia. Esittämässäsi esimerkissä tuo yksittäinen piikki olisi vaikkapa 7 päivän keskiarvolla noussut paljon enemmän, kun taas 14 päivän horisontilla nousu oli lievä eikä pitäisi aiheuttaa järisyttäviä toimenpiteitä. Suoraan et sitä sano mutta implikoit jonkin testimäärään suhteutetun lyhyemmän aikavälin keskiarvon olevan parempi mittari kansallisen tason toimenpiteiden arviointiin? Olisi mielenkiintoista nimenomaan kuulla että mitä mittaria hallituksen pitäisi käyttää, koska kaikissa mittareissa on omat ongelmansa. Itse näen että 14 päivän keskiarvo kansallisen tason päätöksenteossa on ihan sopiva kompromissi. Se on eri kysymys että onko tuon mittarin pieniin muutoksiin ylireagoitu, mutta se ei ole mittarin syy välttämättä.
TykkääTykkää
Tuo lyhyisiin piikkeihin ylireagointi ei päde, kun puhutaan kausi-influenssoista. Voit katsoa mitä tahansa pohjoisen pallonpuoliskon maata, ja käytännössä loka-marraskuussa on ensimmäinen piikki, mitä seuraa toinen piikki, jonka ajankohta riippuu vuodesta ja maasta. Kausi-influenssoissa ei siis ole lyhytaikaista satunnaisvaihtelua, johon olisi mahdollista ylireagoida. Kausi-influenssat leviävät siihen asti, että paikallinen laumasuoja on saavutettu, ja sitten kuolevat pikku hiljaa pois taustatasolle. Toinen piikki on todennäköisesti seurausta yleisesti heikommasta luontaisen immuniteetin tilasta talven jälkeen. Siinäkin tapauksessa, että jatkuvaa satunnaisvaihtelua olisi, pystyttäisiin viikon keskiarvon perusteella nostamaan ”karvat pystyyn” nopeammin eli valmistella toimenpiteitä, ja katsoa sitten miten seuraavalla viikolla käy. Ilmaantuvuusluvun hidas nousu (ja lasku) siis myös hidastavat toimenpiteiden valmistelua molempiin suuntiin. Viime tingan panikointia on hallitukselta, THL:ltä ja STM:ltä nähty useamman kerran tämän influenssakauden aikana, ja nyt ravintolat kärsivät pahasti samasta syystä.
Tapausmäärät kokonaisuudesaan, olivat ne sitten testeihin suhteutettuja tai eivät, ovat muutenkin surkea mittari toimenpiteiden suunnittelulle. Ensimmäisenä pitää lähteä siitä, mihin pyritään, ja sitten kehittää tilanteen arviointiin soveltuvat mittarit. Koronan tapauksessa pyritään välttämään ensisijaisesti ylimääräisiä kuolemia, ja toissijaisesti sairaalakapasiteetin loppumista (koska se aiheuttaa kuolemia). Tapausmäärät eivät ole menneellä influenssakaudella korreloineet millään tavalla kuolemien kanssa, oli niitä suhteutettu testeihin tai ei. Vuorokausikohtaiset kuolemat olivat korkeimmillaan marraskuun lopulta joulukuun puoleenväliin, ja ovat sen jälkeen olleet selvässä laskusuunnassa. Maaliskuun tapausrypäs ei näy niissä millään tavalla. Tähän selityksenä on se, että kuolemalle altteimmat menehtyvät varhaisessa vaiheessa influenssakautta, koska kun lähdetään liikkeelle suunnilleen nollasta, riskiryhmät eivät ole samalla tavalla varovaisia kuin ensimmäisen leviämispiikin jälkeen. Samoin maaliskuun tautiryppäässä oli lähinnä kyse nuorista ja maahanmuuttajista, jotka eivät ole kuolleisuuden osalta riskiryhmässä. Toimenpiteiden kannalta on erittäin olennaista huomioida tapausten laatu. Jos 200 sydänsairasta vanhusta saa koronan, tulee paljon ruumiita, mutta jos taas 200 nuorta saa koronan, ei se välttämättä näy mitenkään edes tehohoidon osalta ja sen ei tule aiheuttaa perusvapauksien rajoittamista.
Tapausmäärät ja niiden johdannaiset (ilmaantuvuus) eivät siis toimi mittarina kuolemien määrän osalta (Suomessa). Toissijaisena päätöksiin vaikuttajana on sairaalakuormitus, ja siinä tapausmäärä toimii tietynlaisena ennakoivana mittarina, mutta tämä vesittyy jos aletaan käyttää liian pitkiä keskiarvoja. Tapausmäärät alkavat nousta noin 1-2 viikkoa ennen sairaalakuormituksen nousua, ja vastaavasti sairaalakuormitus kääntyy laskuun noin 1-2 viikkoa tapausten laskuun kääntymisen jälkeen. Sairaalakuormituksella on kuitenkin merkitystä vain silloin, jos sen ylikuormittumisesta (erityisesti tehohoidon osalta) seuraa kuolleisuutta. Tuo 1-2 viikon varoaika, kuin myös ymmärrys kausi-influenssojen luonteesta pitäisi mahdollistaa ennakoivan tehohoidon kapasiteetin nostamisen kouluttamalla etukäteen tähän hoitajia. Käsitykseni on se, että yksi tehohoitopaikka vaatii vuorokaudessa noin 15 hoitajaa. Tähän koulutetuille tulisi maksaa tietenkin asianmukaista lisäkorvausta. Tähän uppoava raha olisi pyöristysvirhe verrattuna siihen, mitä yhteiskunnan sulkutoimenpiteet maksavat rahallisesti, terveydellisesti ja psykologisesti sekä lyhyellä että pitkällä aikavälillä.
Ilmaantuvuus on siis mittarina täysin kelvoton tarkoitukseensa – se ei kerro mitään kuolemien määrän kehittymisestä ja on liian hidas sairaalakuorman ennakoimiseen. Sairaalakuorman ei myöskään koskaan pitäisi olla perusteena yhteiskunnan sulkemiselle, paitsi yllättävissä tilanteissa. Tämä oli esimerkiksi viime kevät, jolloin korona oli juuri ilmaantunut ja siitä ei ollut samanlaista dataa saatavilla. Tämän takia vaikka en pidä kyseisenkään ajan sulkutoimenpiteistä, en lähde niitä aktiivisesti kritisoimaan, koska ne olivat datan puutteen johdosta ainakin jossain määrin perusteltuja.
TykkääTykkää