Celoplošné antigénové testovanie vykazuje nadmerný počet úmrtí oproti obdobiu pred týmto testovaním. Otázka je jasná: Sú tieto nadmerné úmrtia spôsobené nebezpečnejšou mutáciou vírusu, ako sa to snaží prezentovať minister Krajčí, alebo sa ľudia nakazujú počas celoplošného testovania a v dôsledku toho viacej umierajú? Alebo je tu iné vysvetlenie? Ukáže sa, že minister Krajčí v podstate utiekol v predstihu z potápajúcej sa lode ešte predtým, ako sa prevalí tento škandál?

Keď sme 6. marca 2021 hodinu sledovali, ako sa ľudia z našej obce hrnú na testovanie do interiéru, napočítali sme behom jednej hodiny asi šestnástich starších ľudí, ktorí sa chytali zábradlia schodiska vedúceho ku vchodu. Ak by prvý z nich bol infekčný, teoreticky sa mohli nakaziť všetci šestnásti len za jednu hodinu.

A to si už nechcem ani len predstaviť, ako to muselo vyzerať vo vnútri testovacej miestnosti. Koľko vírusov tam muselo lietať vo vzduchu. Uzavretý priestor, v ktorom sa premelú tisíce ľudí. Prirodzene človeku napadne, či náhodou toto testovanie nie je kontraproduktívne a či v skutočnosti namiesto znižovania nákazy ju náhodou nerozširuje. Aj na iných testovacích miestach vidno, ako ľudia nedodržujú rozostupy. Porušovanie karanténnych pravidiel vidíme po celom Slovensku.

Nedávno sme dosiahli najvyššiu mieru smrtnosti na Covid-19 na počet obyvateľov na svete. Priznala to aj takzvaná rezidentka Zuzana Čaputová. Jediné, čo nás odlišuje od ostatných štátov je práve celoplošné testovanie.

Najskôr si ukážme problém

Problém visíme v grafe nižšie. Zo začiatku nám zelená krivka úmrtí kopírovala počty pozitívnych, ale od začiatku screeningového celoplošného testovania, hoci nám počet pozitívnych klesol, úmrtia neklesajú, ako by sme očakávali, ale držia sa postatne vyššie. Ako ukážeme ďalej v článku, navýšenie predstavuje minimálne 26,79% zo všetkých screeningových úmrtí. Ak by sa testovalo v objemoch ako pred screeningom, mali by sme aj počet pozitívnych menší a teda aj modré stĺpce by boli nižšie a, ak predpokladáme, že úmrtia by mali kopírovať počty pozitívnych, zelená krivka úmrtí by mala klesnúť o viacej ako 26,79%. Ak by sme predpokladali symetriu nárastu a poklesu infekcie, tak práve od začiatku screeningu sme už očakávali postupný pokles, ktorý by sa svojím sklonom mal rovnať sklonu nárastu infekcie v začiatku pandémie.

Našou úlohou bude vypočítať práve tú mieru úmrtí navyše. Prezradíme, že to je minimálne 26,79% zo všetkých úmrtí, ale keby sa toľko netestovalo a nebolo by toľko pozitívnych, očakávali by sme, že to môže byť aj o čosi viac. Toto je záhada, ktorú si nevedia vysvetliť ani iní matematici. Hovoril o tom nedávno aj matematik Kollár úplne nezávisle odo mňa.

Opis dát

Dáta berieme z vládnej stránky https://korona.gov.sk/en/coronavirus-covid-19-in-the-slovak-republic-in-numbers/. Je to stránka Inštitútu zdravotníckych analýz pod Ministerstvom zdravotníctva.

Je potrebné sa vyjadriť ku kvalite dát. Kvalita dát je zlá. Nemáme dáta rozbité (rozkúskované) podľa jedinečného identifikátora, ktorý by spájal testy s konkrétnou osobou, preto nevieme povedať nič o zdroji nákazy na konkrétnom odbernom mieste. Jednoducho, testovacie dáta nie sú prelinkované s adresou osoby, preto nevieme povedať, na ktorej ulici je zdroj nákazy, ak nejaká MOMka (mobilné odberné miesto) vybuchne a má nadpriemerný prírastok pozitívnych. Keďže nemáme jednoznačný identifikátor na konkrétneho človeka, môže sa stať, že jeden človek sa príde testovať aj päťkrát, pričom päťkrát je pozitívny na antigénových testoch a ešte sa ide skúšobne otestovať PCR testmi a ešte aj tam vystupuje ako pozitívny. Takto môžeme mať jedného človeka zarátaného ako pozitívneho aj šesťkrát. Preto počet pozitívnych nám vlastne nič nehovorí. Teda hovorí niečo, ale iba veľmi málo.

Samozrejme, že zvoliť takýto model testovania bolo dosť hlúpe, ale zrejme to súviselo s úlohou, ktorú si vláda stanovila, a to neprekročiť kapacitu nemocníc. Vláda si stanovila úlohu rozhrnúť a sploštiť tú covidovú vlnu, ktorá sa na spoločnosť valí, aby nás nezmietla ako cunami. Keby si vláda dala za cieľ eliminovať vírus totálne, musela by zvoliť inú stratégiu, a to, zbierať viacej údajov, aby mohla trasovať pôvod nákazy podľa ulice. Žiaľ, naša vláda taká ambiciózna nebola. V podstate s premorením počítala. S čím však asi nepočítala, bol talý veľký počet mŕtvych. Našou úlohou je zistiť, či sa celoplošné testovanie mohlo podieľať na zvýšených počtoch úmrtí a či sa to dá vyčítať z dát.

Predpoklad 1: Predpokladáme, že dáta nám aj napriek svojej nekvalite sú schopné odhaliť významné zmeny alebo trendy

Dáta sú teda chybové, obsahujú množstvo nepresností, samotné testy sú nepresné, ľudia mohli chodiť k MOMkám zo vzdialených miest alebo dedín, takže údaje za MOMku môžu byť skreslené. Napríklad MOMka zo Žiliny môže mať vysoký počet pozitívnych z Budatína, blízkej obce, kvôli čomu však nebude za pozitívny vyhlásený Budatín, ale Žilina. Celkovo však dúfame, že tie dáta sú skreslené v každej časovej perióde a na každom mieste takým spôsobom, že v sumáre pri analýze veľkých čísel sa nám tá anarchia v dátach prejaví v každom intervale aspoň približne rovnako, či aspoň nejako tak, aby sa daj dať z dát odčítať nejaký významný trend, ak by v realite nastal. Ak by sme tento predpoklad nemohli predpokladať, tak by nemalo ani zmysel púšťať sa do analýzy dát.

Analýza dát

Aby sme vedeli zhodnotiť dáta, je k tomu potrebné, aby sme si ich upravili. My sme logicky zvolili sedemdňový kĺzavý aritmetický priemer. Tento nám dáta takmer dokonale vyhladí, pretože v každom sedemdňovom intervale sa nachádza jeden víkend, kedy sa až toľko netestovalo. Pri voľbe iného počtu členov aritmetického priemeru by nám vznikali vlny, čo nechceme.

Pri skúmaní dát je dobré, aby sa jednotlivé krivky znormovali (zdvihli alebo znížili) tak, aby sa v určitom mieste prekrývali. Najlepšie je, keď sa prekrývajú v nejakom lokálnom maxime, v nejakom špici. Takto vieme odpozorovať, kde sa trendy menia, kde jedna krivka začne prerevyšovať alebo podliezať druhú.

Našim cieľom je v prvom rade skontrolovať dáta, ich konzistentnosť a pravdivosť. V začiatkoch skúmania bolo tiež dôležité odhadnúť smrtnosť vírusu a premorenosť populácie.

V poslednej dobe sme sa zaoberali najmä takzvaným celoplošným screeningovým testovaním, ktoré začalo 18.01.2021 a pokračuje dodnes (14.03.2021). Pri skúmaní dát sme si všimli, že nesedia niektoré veci, najmä miera úmrtnosti na COVID-19, ktorá sa v screeningovom období skokovito zvýšila.

Poďme sa na to spoločne pozrieť.

Normalizácia počtu denných testov

Aby sme mohli skúmať dáta, je potrebné, aby sme znormovali počty denných testov tak, by sa nám rovnali hodnoty v globálnom či lokálnom maxime. Také lokálne maximum nastáva napríklad okolo 23.12.2020. Uhádnuť normovací koeficient, ktorým násobíme krivku denných testov, je jednoduché a je to 10%. V grafe nižšie môžete vidieť:

1 – Bod normalizácie oboch kriviek, ako vidno, nachádza sa v tomto bode lokálne maximum a špic, ktorý sa dá využiť na jednoznačné určenie výšky.
2 – Tu vidno, že máme viacej pozitívnych ako sa testuje oproti referenčnému bodu 1.
3 – Tu vidno, že sa umelo robilo viacej testov, ako bolo pozitívnych. Asi bol zámer umelo nafúknuť počty pozitívnych, aby sa po antigénových testoch zvoľnilo s testovaním a vykázalo sa menej pozitívnych a teda väčšia účinnosť testovania, aby sa politicky pretlačilo ďalšie testovanie. V tomto bode sa robilo AG testovanie.
4 – V tomto bode máme rovnaký pomer testovaných a pozitívnych oproti referenčnému bodu 1.
5 – Vidíme že tu nám nákaza rastie, pretože oproti testovaným je počet pozitívnych väčší ako v refenčnom bode 1.
6 – V tomto bode nám začína nákaza ustupovať, lebo sme sa opäť vyrovnali oproti refenčnému bodu 1.
7 – V tomto bode sa začalo screeningové testovanie. Ako vidíme, počty pozitívnych už klesajú oproti počtu
testovaných.

Normalizácia počtu denných úmrtí

Predpoklad 2: Normalizovaná krivka prírastkov úmrtí musí s odstupom času kopírovať krivku prírastkov pozitívnych ľudí.

Ak predpokladáme, že počas celej doby skúmania je smrtnosť vírusu rovnaká, tak by mala krivka prírastku úmrtí s odstupom niekoľkých dní kopírovať krivku prírastkov pozitívnych ľudí. Bez platnosti tohoto predpokladu by sme veľa nespravili.

Otázky

Otázky sú tri:

1) Sú pravdivé tieto predpoklady?

2) Akým koeficientom treba normalizovať krivku prírastkov úmrtí?

3) O koľko dní je odskočená krivka prírastkov úmrtí?

Odpoveď 1): Už len pri skusmom vizuálnom porovnaní dát je vidno, že krivka prírastku úmrtí kopíruje prírastky pozitívnych ľudí. Vidno aj nárasty a poklesy. Takže odpoveď znie áno. Viacej sa k tomu vyjadríme v závere článku.

Odpoveď na otázku 2) a 3): Ponúka sa tu niekoľko možností, ale my sme si zvolili normovací koeficient tak, aby sa nám rovnali globálne a lokálne maximá. Na prvý pohľad sme odhadli normovací koeficient, ktorým delíme krivku prírastkov úmrtí na CFR = 1,5% a odskok oneskorenia úmrtí na 14 dní.

Presnejší výpočet:

Na presnejší výpočet sme zvolili taký postup, že sme zafixovali normovací koeficient na 1,5% a posúvali sme krivku úmrtí a na istom intervale sme počítali súčet absolútnych hodnôt rozdielov oboch kriviek, inými slovami sme počítali plochu medzi tými krivkami. Minimálne plocha vyšla pri 17 dňoch. Ako vidíme, oblúk funkcie nie je dole špicatý, preto vedľajšie hodnoty sú tiež dobrí kandidáti na voľbu. Je tam veľký rozptyl, preto by to chcelo presnejší výpočet.

Ešte presnejší výpočet

Avšak ani s vyššie spomenutým výpočtom sme sa neuspokojili, pretože na odhad nadmerných úmrtí nám takýto výpočet môže poslúžiť iba trochu, ale takýto odhad si zaslúži presný výpočet, v ktorom by sme potvrdili nielen normovací koeficient, tak aj odskok, aby sme na základe nich mohli vypočítať smrtnosť v screeningovom a predscreeningovom období.

Preto sme začali riešiť úlohu o dvoch neznámych. Rozdelili sme dáta na dva veľké intervaly I_1 = <12.09.2020 - 17.01.2021> a I_2 = <18.01.2021 - 18.02.2021>.

Prečo práve takéto intervaly? Zhruba 12.9.2020 sa začali dvíhať čísla pozitívnych (predtým to bola nula), bol to začiatok druhej vlny pandémie na Slovensku. 17.01.2021 bol deň pred začiatkom screengového antigénového testovania. V podstate chceme porovnať obdobie pred screeningom a počas screeningu.

Predpoklad 3: Skôr ako začneme, musíme si povedať, že sme neuvažovali pri výpočte s výsledkami prvého celoplošného testovania, lebo tie by nám pokazili trend pomalého stúpania počtu pozitívnych a je na prvý pohľad vizuálne vidno, že počet úmrtí nekopíruje túto ojedinelú udalosť.

Normovací koeficient CFR, ktorý je zhodou okolností zhodný s Case Fatality ratio, nastavujeme tak, aby sme pre zvolený odskok rozdielom pozitívnych a znormovaných odskočených úmrtí dostali na predscreeningovom intervale nulu.

Teda nech P(I) je počet pozitívnych na intervale I, nech M(I+D) je počet mŕtvych na intervale I s odskokom D dní. Nech F(I) je funkcia taká, že F(I) = P(I)-M(I+D)/CRF, teda je to funkcia rozdielu počtu pozitívnych na intervale I a počtu mŕtvych na intervale I odskočenom o D dní znormovaného koeficientom CRF.

Potom máme podmienku:

(1)   \begin{equation*} 0 = F(I_1)\end{equation*}

Iným zápisom:

(2)   \begin{eqnarray*} \displaystyle 0 = F(I_1) & = & P(I_1)-\frac{M(I_1+D)}{\mathit{CRF}_1} =  \nonumber\\ & = & \sum_{i \in I_1} \left(P(i)-\frac{M(i+D)}{\mathit{CRF}_1)}\right) \end{eqnarray*}

Treba si uvedomiť, že vyššie vyjadrená podmienka vlastne hovorí, že počet pozitívnych na predscreeningovom intervale sa musí rovnať znormovanému a odskočenému počtu mŕtvych na predscreeningovom intervale. Inými slovami hovorí, že odskočený počet mŕtvych na predscreeningovom intervale sa musí rovnať počtu pozitívnych na predscreeningovom intervale vynásobeným koeficientom smrtnosti CFR_1, ktorý prináleží predscreeningovému intervalu.

Potom úlohou 1 je, nájsť na predscreeningovom intervale I_1 minimum súčtu absolútnych hodnôt rozdielov počtov pozitívnych na intervale I_1 a znormovaných odskočených počtov mŕtvych na intervale I_1. Teda:

(3)   \begin{equation*} \displaystyle \min_{D, \mathit{CFR}_1} \sum_{i \in I_1} \mid{P(i)-\frac{M(i+D)}{\mathit{CRF}_1}\mid\end{equation*}

Obdobnou úlohou 2 by mohlo byť nájsť najväčší korelačný koeficient tých dvoch kriviek, teda počtu pozitívnych na predscreeningovom intervale I_1 a odskočeného počtu (o D dní) mŕtvych na predscreeningovom intervale I_1. Teda:

(4)   \begin{equation*} \displaystyle \max_{D} r_{I_1}(P(i),M(i+D))\end{equation*}

Výhodou úlohy 2 je to, že pri nej nepotrebujeme poznať normalizačný koeficient CRF_1. Ten by sme neskôr dopočítali z podmienok (1) alebo (2).

Ako potom pre obe úlohy vypočítame normalizačný koeficient \mathit{CFR}_2 na intervale I_2?

(5)   \begin{equation*}  \mathit{CRF}_2 = \frac{M(D,I_2)}{P(I_2)}\end{equation*}

Ako vypočítame percentuálny podiel ľudí, ktorí na intervale I_2 zomierajú navyše oproti intervalu I_1 kvôli zvýšenemu CRF_2?

Označme si ten podiel zvýšených úmrtí na intervale I_2 ako funkciu NM_2(D, CRF1) závislú od D (odskoku v dňoch) a normalizačného koeficientu CRF1 na intervale I_1.

NM_2(D, CRF1) vypočítame tak, že na screeningovom intervale I_2 zistíme rozdiel medzi odskočenou krivkou úmrtí, znormalizovanou koeficientom CRF_1, a krivkou pozitívnych a celé to podelíme odskočeným počtom úmrtí znormalizovaným koeficientom CRF_1 . Znie to komplikovane, ale v podstate ide o rozdiel plôch úmrtí a pozítívnych, podelené plochou úmrtí. Je to vlastne podiel červenej plochy a zelenej plochy v grafe nižšie. Definujme A ako označenie červenej plochy a B ako označenie zelenej plochy podľa obrázka nižšie. Teda:

(6)   \begin{eqnarray*}  \mathit{NM}_2(D,\mathit{CRF}_1) = \frac{A}{B} & = & \frac{\frac{M(D,I_2)}{\mathit{CRF}_1} - P(I_2)}{\frac{M(D,I_2)}{\mathit{CRF}_1}} \nonumber\\ & = & 1 - \frac{P(I_2)}{\frac{M(D,I_2)}{\mathit{CRF}_1}}\end{eqnarray*}

Výsledky pre úlohu 1:

Ako vidíme v tabuľke nižšie, najmenšiu plochu medzi krivkami pozitívnych a odkočených znormalizovaných úmrtí na predscreeningovom intervale dostávame pre odskok D = 18 dní a \mathit{CFR_1} = 1,333\%. V taktom to prípade teda dostávame na predscreeningovom intervale \mathit{CFR_1} = 1,333\% a na screeninogovom intervale máme \mathit{CFR_2} = 1,82\%. Z toho vyplýva, že rozdiel v smrtnosti na screeningovom a predscreeningovom intervale je \mathit{CRF_1} - \mathit{CRF_2} = 0,49 perc. bodu.

Teda, ak chrípka má smrtnosť m = 0,1\%, tak s príchodom screeningu nám narástla smrtnosť CFR o päť chrípiek, z 13 chrípiek na 18 chrípiek.

Navyše sme zistili, že to zvýšenie počtu úmrtí o 0,49 perc. bodu zodpovedá \mathit{NM}_2(D,CRF_1)=26,79\% zo zomrelých v screeningovom období. Teda 26,79\% zo zomrelých umrelo takpovedziac akosi navyše, teda zbytočne. Kvôli čomu to bolo? To znamená, že ak počas screeningu do dnešného dňa, to jest do 11.03.2021 bolo zistených 274735 pozitívnych ľudí, môžeme odhadnúť, že 274735 * 1,83\% * 26,79\% = 1346 ľudí zomrie navyše oproti predošlému obdobiu. Ak by sa ukázalo, že túto nadmernú smrtnosť spôsobuje práve screeningové premiešavanie ľudí na odberných miestach, tak by to znamenalo, že tých 1346 ľudí zomrelo navyše kvôli screeningovému celoplošnému testovaniu.

Cenné na tomto výpočte je to, že sa nejedná o odhad, ale o relatívne presný výpočet. To znamená, že tieto hodnoty sa opierajú o reálne dáta a matematické výpočty.

Výsledky pre úlohu 2:

V prípade, že hľadáme taký odskok krivky úmrtí, aby sme na predscreeningovom intervale dostali čo najväčšiu koreláciu odskočenej krivky úmrtí a krivky pozitívnych, dostávame, že vyhráva odskok D=16 dní pri korelačnom koeficiente r_{I_1}=95,07. V takom prípade by v screeningovom období zomieralo navyše ešte viacej ľudí ako v predošlom prípade, až \mathit{NM}_2(D,CRF_1)=28,63\%. Zopakujme, že v nasledovnej tabuľke neuvažujeme prvé celoplošné testovanie.

Na začiatku sme mali nejaké predpoklady. Overme, či sú splnené.

Predpoklad 1: Predpokladáme, že dáta nám aj napriek svojej nekvalite sú schopné odhaliť významné zmeny alebo trendy.

Myslím si, že tento predpoklad 1 je splnený, lebo na prvý pohľad je vidno, že počas screeningu sa s úmrtiami deje niečo významné. Navýšenie úmrtí tak, že navyše oproti predošlému obdobiu zomiera 26,79% ľudí viacej, teda viac ako štvrtina, je vyznamné.

Predpoklad 2: Normalizovaná krivka prírastkov úmrtí musí s odstupom času kopírovať krivku prírastkov pozitívnych ľudí.

A predpoklad 2 je splnený, lebo korelačné koeficienty oboch kriviek, teda pozitívnych a odskočených úmrtí o 18 dní sa pohybujú na úrovni okolo 94% a viacej, čo predstavuje silnú závislosť dát.

Predpoklad 3: Skôr ako začneme, musíme si povedať, že sme neuvažovali pri výpočte s výsledkami prvého celoplošného testovania, lebo tie by nám pokazili trend pomalého stúpania počtu pozitívnych a je na prvý pohľad vizuálne vidno, že počet úmrtí nekopíruje túto ojedinelú udalosť.

Keby sme zahrnuli aj výsledky prvého, novembrového testovania, mali by sme krivku úmrtí znormovanú ešte vyššie, aby nám svojou plochou vykompenzovala nárast pozitívnych z celoplošného testovania. V tom prípade by nárast mŕtvych v screeningovom období bol ešte dramatickejší, ako sme ho vypočítali, konkrétne by navyše umieralo 34,42% zo zomrelých v screeninogovom období. Treba dodať, že výpočet pomocou najvyššieho korelačného koeficientu by v tomto prípade zlyhal. Vzhľadom na to, že počet mŕtvych nekopíruje počet testovaných v novembrovom celoplošnom testovaní, je korelačný koeficient len na úrovni okolo 71% aj pre iné odskoky, pri odskoku -10 dní je korelačný koeficient vyšší ako pri odskoku -18 dní, čo je už aj vizuálne zjavne nesprávne. Preto viacej veríme minimalizovaniu plochy medzi krivkami. Avšak je zvláštne, že nárast CFR v screeningovom období by v takomto prípade pri odskoku -18 dní predstavoval nárast až 0,6 perc. bodu a podiel navyše úmrtí oproti predscreeningovému obdobiu by bol až 34% zo všetkých zomrelých v screeningovom období, čo je 1/3. Preto naozaj sa treba pýtať, prečo v predscreeningovom období boli úmrtia o poznanie nižšie ako v screeninogovom období.

Úvaha na záver

Všimnime si obrázok nižšie.

1 – V tomto momente sa robilo prvé antigénové testovanie. Vidíme, že počet mŕtvych nekopíruje počet pozitívnych, hoci miera pozitivity v tomto momente bola okolo 1% testovanej populácie, zhruba toľko, koľko počas prvých deviatich dní screeningu. Červená krivka predstavuje znormovaný počet hospitalizácií. Vidíme, že počet hospitalizácií v tomto momente je mierne zvýšený.

2 – V tomto momente začína screening. Počty pozitívnych už klesali, ale masívne testovanie počty pozitívnych zvýšili. Keď sa viacej testuje, tak sa identifikuje aj viacej pozitívnych. Keby sa toľko netestovalo, počet pozitívnych by klesol zhruba o 1500 denne.

3 – Po začatí screeningu počet hospitalizácií na malú chvíľu klesol, ale s masívnym testovaním začal rekordne rásť.

4 – V tomto bode dosiahol počet hospitalizácií maximum. Odtiaľto už môžeme očakávať koniec pandémie. Ale čo, ak mohol nastať už omnoho skôr, ale screeningové testovanie ho oddialilo? Čo, ak screening zhoršil situáciu? Čo, ak bez screeningu by sme tu mali nižšie počty úmrtí?

Čím sa viacej testuje, tým sa identifikuje väčšie množstvo pozitívnych. Avšak neplatí to priamo-úmerne, viď obrázok nižšie. Tam máme počty denných testov spriemerované prierom za sedem dní a počtom vychytaných pozitívnych za jednotlivé obdobia. Zelená krivka predstavuje nárast do Vianoc. Červená predstavuje hrebeň, kedy počty pozitívnych boli vysoké do 09.01.2021. Svetlo modrá predstavuje pokles pred screeningovým testovaním. Žltá prestavuje screeningové testovanie do poklesu hospitalizácií 25.01.2021 – vidíme, že sa veľa testovalo, ale už sa vychytalo navyše len okolo 1500 pozitívnych oproti bežnému testovaniu. Hnedá predstavuje obdobie screeningové, ale s klesajúcim počtom hospitalizácií. Hodnoty sú zoradené vzostupne podľa priemerného počtu denných testov.

Ako je to s úmrtiami v reálnom čase?

Jedna vec je, že sme zistili, že krivka úmrtí je odskočená od testovania o 18 dní. Teda 18 dní od zistenia pozitivity trvá, kým nám vláda poskytne informáciu, že „dnes zomrelo ďalších sto ľudí“. Ale kedy tí ľudia zomreli reálne? To sa dá veľmi jednoducho zistiť, keď si znormujeme krivku počtov úmrtí v reálnom čase a posunieme ju naspäť tak, aby sa nám prekrývala s vývojom počtu pozitívnych. Zistíme, že ak ju posunieme o 10 dní naspäť, dostaneme najlepšie prekrytie. Teda už vieme, že od zistenia pozitivity na testoch trvá 10 dní, kým človek zomrie a 8 dní po jeho smrti, zrejme, kým prídu výsledky pitvy, ho nahlásia v správach.

Hospitalizácie

Dá sa zistiť jednoduchým posunutím grafov počtov prijatých a prepustených z nemocnice, že doba hospitalizácie trvá okolo 6 dní. Ako vidíme, červené a fialové stĺpce sa dosť dobre prekrývajú, ak prijatia máme znormalizované podelením koeficientom 6% a prepustenia 5,7%, ten koeficient je nižší, lebo časť pacientov umrie.

Dostali sme od jedného odborníka odpoveď na otázku, prečo počas screeningu o toľko narástli úmrtia, a jeho názor bol, že nemocnice už dosiahli svoje kapacity. Ako vidíme, nemocnice aj počas screeningu zvyšovali počty hospitalizovaných pacientov. Avšak vidíme, že oproti obdobiu novembrového celoplošného testovania, znormalizované hospitalizácie pekne kopírujú počty nakazených, ale v jednom momente, zhruba 07.12.2020 už počet pozitívnych prerástol schopnosť nemocníc prijímať pacientov a pacienti zomierajú nad schopnosť hospitalizovať. Opäť sa hospitalizácie vyrovnali počtom pozitívnych (proporčne) až začiatkom screeningového testovania. Napriek vyrovnanej hospitalizovanosti v screeningu voči počtom pozitívnych, zomierajú pacienti počas screeningu v omnoho väčšej miere k počtom pozitívnych ako pred screeningom. A my si nevieme dať odpoveď na to, že prečo je to tak. Ak niekto poznáte odpoveď, napíše mi email alebo napíšete do komentára.

Zloženie umierajúcej populácie

Graf vekového zloženia umierajúcich nám ukazuje, že polovicu zomrelých nám tvoria občania nad 70 rokov. Druhú polovicu nám tvoria občania nad 40 rokov. Ľudia pod 40 rokov prakticky neumierajú na Covid. V posledných mesiacoch máme neúplné dáta, lebo tie sa postupne dopĺňajú, preto sa na ne nemôžeme veľmi spoľahnúť, ale ak by boli pravdivé, tak by to znamenalo, že trošku viacej nám umierajú ľudia vo vekovom pásme 40-70 rokov. Avšak nejaká významná zmena, ktorá by nám dala odpoveď na otázku, prečo o toľko viacej ľudí umiera v screeningovom období ako predtým, to nie je.

Podiel úmrtí s Covid a na Covid

Ako vidíme, na začiatku druhej vlny pandémie sme mali veľký podiel úmrtí s Covidom oproti úmrtiam na Covid. Podiel bol na začiatku až 40% a postupne klesol na súčasných 20%. A tu sa zdá byť pes zakopaný ohľadom tých nadmerných úmrtí od začiatku screeningu. Vidíme, že 02.01.2021 máme podiel s Covidom / na Covid 25%, pričom od 18.01.2021, kedy začal screening, nám tento podiel klesol na 20%. Pre4o tento podiel klesol o 5 perc. bodov nám nie je známe. Započítanie úmrtí s Covidom do počtov úmrtí na Covid by mohlo vysvetliť, prečo nám takto vyskočil počet úmrtí od začiatku screeningu a prečo nám krivka úmrtí nekopíruje krivku pozitívnych.

Porovnanie kriviek úmrtí v rôznych krajinách

To, že niečo podozrivé sa deje na Slovensku, je vidno aj z porovnanie grafov priebehu kriviek úmrtí na istý počet obyvateľov v jednotlivých krajinách. Takmer s istotou možno povedať, že aký sklon vzrastu má krivka v jednotlivých krajinách, taký má aj sklon poklesu. Krivky vytvárajú vlny, ktoré sú symetrické podľa zvislej osi v najvyššom bode.

Dovolím si povedať, že 90% kriviek v rôznych krajinách je symetrických. Slovensko nemá symetrickú krivku, práve naopak, deje sa u nás niečo veľmi zvláštne. Naša krivka nemá špic, ale sa tiahne dlho po hrebeni. Je úplne zjavné, že práve celoplošné testovanie stojí za takýmto priebehom. Nikto však nechápe, ako môže celoplošné testovanie takto zvyšovať mieru úmrtnosti.

Naozaj, všimnite si, že všade sú ostré vlny, s úzkym vrcholom. Iba u nás máme počty mŕtvych stále vysoké. Nielenže dosahujeme do rovnakej výšky ako najvyššie vlny, naša vlna je navyše aj najširšia. Jedno z možných vysvetlení je, že opakované celoplošné testovania môžu nakazovať ľudí na odberných miestach, druhotne v domovoch. Ale potom by vzrástol aj počet pozitívnych. Pritom rastie len počet hospitalizácií a úmrtí. Je možné, že by sa počas celoplošného testovania nakazila ohrozená skupina ľudí, teda taká, ktorá má rádovo vyššiu šancu umrieť na Covid? Podľa vekového zloženia mŕtvych v januári a februári to tak nevyzerá, nie sú tam rádové zmeny vo vekovom zložení. Jedno mi však nedá, sme krajina, ktorá sa líši od ostatných iba tým, že máme opakované celoplošné testovanie a práve počas toho opakovaného celoplošného testovania umiera najviac ľudí. Musíme tiež povinne nosiť rúška a respirátory. Je toto príčina toľkých úmrtí? Rúška spôsobujúce bakteriálnu infekciu? Žeby pre tieto vysoké počty úmrtí odstúpil minister Krajčí? Čo nám zatajili? Čo také vedeli, čo my nevieme?

5 komentárov

  • Bynk

    Toto nie je moje ale je to fakt na zamyslenie porovnanie krajiny s totálnimi obmedzeniami voči krajine kd eneboli žiadne opatrenia:
    Brazília je jednoznačným príkladom toho, že akékoľvek blbnutie s koronahystériou je absolútny nezmysel. Tak si tú hrôzu porovnajme:

    počet nových prípadov na milión obyvateľov
    Brazília: 330
    Slovensko: v čase vrcholu 654

    počet zomretých za deň na mil.
    BR: 15
    SK: 16
    celkový počet úmrtí na mil.
    BR: 1721
    SK: 2000

    celkový počet nakazených na mil.
    BR: 0,060
    SK: 0,068

    Brazília má bez nezmyselného špárania v nose, bez rúšok, bez zákazov vychádzania, bez lockdownov lepšie výsledky ako Slovensko. Zlá situácia je spôsobená celkovou úrovňou zdravotníctva, adekvátnou ekonomickej vyspelosti krajiny. Všetko to kuvikanie kadejakých organizácií je skôr dôkazom, že by museli priznať, že ten povyk okolo covidu je absolútne scestný a všetky tie opatrenia sú len nezmyselným terorizovaním obyvateľstva. Tak ako to uviedol likvidátor pravých kiahní vo svete Donald Henderson: Vyvarujte sa akéhokoľvek narušenia bežného chodu spoločnosti počas epidémií, níč to nerieši, iba zhorší situáciu.

  • Milan 2

    A keď som si na Sme.sk porovnal dva grafy: graf „Pozitivita z Ag testov“ a graf „Počet otestovaných vzoriek“ tak každý, okrem odborníkov zamestnaných na MZ SR uvidí, že keď je počet denných vzoriek vysoký, tak je pozitivita záhadne nízka a naopak.
    To je niečo strašné.
    Tí ľudia čo to riadia, by mali si ísť znovu spraviť gymnázium. Úradníci, čo berú za to plat takéto jednoduché veci nevidia. Korona sa musí stratiť len sama. Oni ju totiž svojím „riadením“ len rozširujú.

  • Milan 2

    Milí čitatelia, na stránkach denníka SME sú zverejnené kvalitné grafy o Corone, na:
    https://domov.sme.sk/c/22357333/koronavirus-a-slovensko-grafy.html?ref=korw

    Keď sa na ne dlhšie zadívate, vzniknú možno aj u vás mnohé pochybnosti.
    Keď si ich zdvojíte a priložíte, možno tak ako mne vám vznikne rad nezrovnalostí a záhad, ktoré mi dosť spochybňujú dôveru ku kvalite práce osadenstva MZ SR:

    1. napríklad vidno nekvalitu testovania – zdá sa že v niektoré dni akoby sa testovalo povrchnejšie a inokedy lepšie. Pred víkendom sú už tí, čo testujú zjavne unavení. Nie je totiž možné, aby graf predstavoval vždy á 7 dní pravidelné kopčeky, keď graf má byť približne línia. Takéto zmeny, navyše pravidelné sú veľmi nepravdepodobné.
    2. Tiež sa zdá, že pred koncom roku akoby bol iný výrobca Ag testov, ako neskôr, pretože je zrazu skokovo iný priebeh grafu, čo nie je možné. Asi sa potom sa kúpila ďalšia šarža ale s úplne inou citlivosťou. Dokonca sú z grafu zjavné až tri nerovnako citlivé dodávky.
    3. Aj s PCR testami sa niečo stalo 22.1. kedy pozitivita prekvapujúco padla na tretinu. To znamená, že 2/3 chorých v ten deň prepustili ako negatívnych medzi zdravých, hoci boli chorí. To bol extrémny prípad, ale bežne je medzi susednými dňami 1/4 rozdiel v pozitivite. To je strašná nepresnosť merania a s veľkými následkami. Tí chorí idú domov so správou, že sú zdravý.
    4. Tiež nesedí graf počet pozitívnych na AG testy s grafom priebehom úmrtí – to nemôže byť, že grafy nekorelujú – čo naznačuje že niečo sa deje v nemocniciach. Čo tam robia?
    5. Tiež vidno, že sa postupne zhoršila sa opatera. Zo začiatku mali v nemocniciach lepšiu úspešnosť.
    6. Škoda, že na SME nezverejňujú aj graf počtu hospitalizovaných na JIS a na pľúcnej ventilácii. Len to by sa videli záhady. Napríklad že aj keď počet hospitalizovaných klesol o 25 % , počet ľudí na JIS klesol len o 22% a intubovaných klesol iba o 10%. Akoby za intubácie bolo viacej peňazí? Je síce medzi nimi pár nový posun, ale tie % sa veľmi nelíšia. Skrátka, akoby na JIS a intubácie sa posúvali aj tí, ktorí by ešte mohli počkať…alebo predtým sa tam nedostávali ľudia, čo tam byť mali. Uvidíme ďalej, pretože už lôžka prázdne sú.
    Tak či tak, covid by sa mal, ako som už skorej písal, viac menej skončiť 20.5. Takže uvidíme.

    Sú to skrátka záhady a verím, že matematici sa na tieto grafy pozrú podrobnejšie a snáď si ich aj dajaký poslanec všimne a prednesie porovnania v parlamente.
    Podľa mňa tieto grafy len ukazujú, v akom strašnom stave sa nachádza úradnícke osadenstvo na Ministerstve zdravotníctva. Aj toto ukazuje, že by malo byť vymenené, pretože ak si nevšímajú takéto do neba volajúce čísla tak to hovorí len o ich nekompetentnosti.

  • Milan 2

    Ešte mám jednu vec: počty obetí ovplyvňuje úspešnosť jednotlivých nemocníc. Kým v Košiciach prežije 80% z tých čo prídu na JIS, v Dunajskej Strede z tých čo intubujú, iba jeden z desiatich. Čiže sú obrovské rozdiely, nie je jedno, kam vás zavezú. Chýbajú oficiálne porovnania úspešnosti coronových nemcníc. Keď som si porovnal čísla slovenských a českých nemocníc a maďarských, tiež tu vidno veľké rozdiely. Mám pocit, že v českých sú 2x úspešnejší pri záchrane covidových pacientov. Na toto je dobrá matematika. Má obrovský význam a je to aj veľké poslanie matematikov, vedia mnoho zachrániť. Jeden dobrý matematik vie zachrániť aj viac ľudí, ako 100 lekárov, len zistením chyby a porovnávaním rozdielov.

  • Milan 2

    Táto analýza je skvelá, mali by Vás hneď zobrať na MZ SR za analytika. Osobne si myslím, že personálne je MZ SR v takom stave, že tí ľudia tam opakovane potopili všetkých ministrov zdravotníctva. tam sa to dá len celá vymeniť a nechať tam len upratovačky a archív a začať s novými odznovu.
    Je to príspevok na významnú konferenciu. Len grafy sú dosť zle popísané, mne trochu nezrozumiteľné, by som ich prepracoval. Posunu som rozumel, to je známe, ale nechápal som, kde ste to vy presúval, mi tie krivky nesedeli. Keby sa to hýbalo, tak by mi to bolo jasnejšie. Aj popisky chýbajú. Ak to teda chcete mať dokonalé.
    Čo sa týka testovania AG testami, tam je to jasné. 50% presné testy dávajú polovici v skutočnosti pozitívnych pocit slobody. Je dokázané prieskumom, že 26% čo dostali negatívny modrý papier sa správa bezstarostne. Samozrejme aj sústreďovanie na jednom mieste má svoj vplyv. Tu sa nezhodneme – ja si myslím že následné správanie má na šírenie násobne väčší vplyv ako sústredenie ľudí na jedno miesto. Ale oni ani pri radách nezohľadňujú ani vplyv vetra, ani tie madlá, či mnohí musia po dlhom čakaní ísť na toaletu…Všetko zle. Už dávno mali byť rozdané pľuvacie testy (písal som tu už pred štvrť roka, v Rakúsku už rozdali v počte 5 kusov na mesiac a osobu a robia si ich v bezpečí domova). Chaotické MZ SR tu oproti rakúskemu zase zlyhalo…a bude s tým zložením stále zlyhávať, s týmto osadenstvom ani noví ministri neuspejú a budú odvolaní.(priemerná životnosť MZ SR za 28 rokov SR je vraj 1,6 roka). Takže to už je o osadenstve.

    Za pre mňa najväčší prínos príspevku je vaše zistenie, že od zistenia pozitivity na testoch trvá 10 dní, kým človek zomrie a 8 dní po jeho smrti, zrejme, kým prídu výsledky pitvy, ho nahlásia v správach. Toto by ste mali posunúť novinárom. Pretože sledujem pokles hospitalizácií, ktorý mi stále nekoreluje s počtom úmrtí. Takže až 18 dní treba čakať. No skvelé, MZ SR. To je ozaj ešte horšie, ako som si myslel. Ja byť novým ministrom, tak založím nové s úplne novým osadenstvom a to staré nechám dobehnúť a zruším.
    Chýba mi záver. Čo by ste teda vy spravili, byť novým ministrom?

Pridaj komentár

Vaša e-mailová adresa nebude zverejnená. Vyžadované polia sú označené *