Name: COVID-19の死亡予測が必ず当たる理由 (Why COVID-19 Death Predictions Will Always Be Wrong)
Uploaded: 2020-12-18T18:16:51.000Z
Duration: 7 min 35 s

At the end of March, the White House announced that it was predicting somewhere between 100,000 and 240,000 U.

3月末、ホワイトハウスは10万から24万の米国のどこかを予測していると発表した。

Deaths from Cove in 19, a huge drop from a couple of weeks earlier, when the predictions were more like a couple million deaths.

19年のコーブからの死亡者数は、数週間前の数百万人の死亡と予測されていた時よりも大幅に減少しています。

This led to a lot of confusion about where the White House's numbers came from and why the predictions shifted.

そのため、ホワイトハウスの数字がどこから来たのか、なぜ予測がずれたのかなど、混乱を招いた。

So let's break down where those numbers air coming from To make any prediction about how many people will die from a virus, you have to first know how many people will get it.

では、これらの数字はどこから来ているのでしょうか？ ウイルスで何人の人が死ぬのか予測するには、まず何人の人がウイルスに感染するのかを知る必要があります。

And thats why this number keeps coming up.

だからこそ、この数字が出続けているのです。

The basic reproductive number, or are not is in a totally susceptible population.

基本的な生殖数は、完全に影響を受けやすい集団にあるかどうかです。

How many people would one person go on to infect?

一人の人間が何人に感染するのか？

This is Emily Ricotta, a research fellow with the U.

こちらはエミリー・リコッタさん U. U. の研究員です

So if you drop one infected person into a totally susceptible population, how many more cases are you going to see?

では、完全に感染しやすい集団に一人の感染者を落としたら、あと何人の感染者が出てくるのでしょうか？

As you can probably imagine, are not, is pretty important for predicting how bad an outbreak will be if are not is less than one.

あなたはおそらく想像することができますように、されていない場合は、どのように悪い発生を予測するためにかなり重要である1未満ではありません。

Over time, you'll end up with fewer and fewer new cases on the disease will die out if are not is more than one.

時間が経つにつれて、あなたは少ないと少ない新しいケースで終わるでしょう病気の場合は、1つ以上ではない場合は死にます。

That's when you can start to run into some problems, depending on how severe the illness is.

その時に、病気の重症度によっては、何か問題にぶつかり始めることもあります。

Even an are not of two gets more than 1000 people infected Onley nine links down the chain, so the common cold, if it hasn't, are not of to.

でも、2つのではなく、1000人以上に感染したオンリー9つのリンクをチェーンの下に取得しますので、風邪は、それがない場合は、のではありません。

それがどうやって政策を変えるのか？

But if I have a pathogen that hasn't are not of two, and it's killing 1% 10% 50% of the people it infects, I'm going to respond to much differently are not should be pretty simple to calculate its based on three main things.

しかし、私は持っていない病原体が2つのではなく、それは1％10％50％の人々を殺している場合は、それが感染し、私ははるかに異なるに応答するつもりですが、それは3つの主要なものに基づいて計算するのはかなり簡単であるべきではありません。

Transmissibility, or how likely it is that you'll be infected through contact with someone who has the disease average rate of contact or how many people the average infected person will come in contact with overtime and finally, duration of infectiousness, which is just how long the person spreading the disease is contagious.

伝達性（Transmissibility）、つまり病気を持っている人との接触によって感染する可能性の高さ、平均的な接触率、あるいは平均的な感染者が何人以上の人と接触するか、そして最後に、感染期間（Duration of infectiousness）、つまり病気を広めている人がどれくらいの期間感染するかということです。

For getting those factors involves a whole bunch of calculus that takes into account things like how many people at any given time are susceptible to infection and how many are actually infected.

これらの要因を得るためには、任意の時点でどのくらいの人が感染しやすいか、どのくらいの人が実際に感染しているかなどを考慮に入れた計算が必要になります。

This is what some of the simplest equations look like.

簡単な方程式のいくつかはこんな感じです。

Of course, just having the equations isn't enough.

もちろん、方程式を持っているだけでは十分ではありません。

The thing that I want to emphasize about are not, is that it is very specific.

私が強調したいのは、それが非常に具体的であるということではありません。

Thio the time of the outbreak, the place the population so there's never really just one are not for a passages.

チオ発生の時間は、場所人口は決してないので、本当に1つだけではない通路のためのものではありません。

And those three factors, you just don't know that information with a new outbreak earlier that you are building these models in an outbreak.

そして、これらの3つの要因は、あなたはちょうどあなたがこれらのモデルを構築しているアウトブレイクでこれらのモデルを構築していることをより早く新しいアウトブレイクでその情報を知りません。

The harder is because you have more educated guesses and data that's not as specific to the outbreak is.

難しいのは、あなたがより教育された推測やデータを持っているからであり、それはアウトブレイクほど具体的ではありません。

Normally, scientists can estimate things like transmissibility based on data from previous outbreaks.

通常、科学者は過去の発生からのデータに基づいて、透過性のようなものを推定することができます。

But for the early predictions of the spread of cove in 19, all scientists had where the numbers from Wuhan, China, along with the data we've collected about other types of Corona viruses that infect humans.

しかし、19年にコーブの普及の初期の予測のために、すべての科学者はどこに武漢、中国、我々 は人間に感染するコロナ ウイルスの他のタイプについて収集したデータと一緒に数字を持っていた。

What we do with especially the early stages of an outbreak, is that we take data from the endemic coronaviruses and we take data from what we saw in stars we take data from Was on Mars, we say, Okay, let's see what happens if we make co vid, uh, you know, spread the same as an endemic coronavirus.

特に発生の初期段階で行うことは 固有のコロナウイルスのデータを取ることです 星で見たものからデータを取ります 火星で見たものからデータを取ります 共同映像を作ったらどうなるか見てみましょう 固有のコロナウイルスと同じように広がります

How many people does that, in fact, And then as we progress and we get more modern data, we start feeding that into the model and updating it as we go.

実際には何人の人がそうしているのでしょうか。そして、私たちが進歩して、より最新のデータが得られるようになると、私たちはそれをモデルに入力して、更新していくことになります。

The early estimates for are not based on the initial outbreak in Wuhan were 2.2 to 2.7.

武漢での発生当初の推定値は2.2～2.7となっています。

So more than the flu, which brings us to the more detailed models for Cove in 19 that we were talking about earlier are not is going to be different depending on where you are.

インフルエンザよりも、それは私たちをもたらすより詳細なモデルに私たちは以前に話していた 19 のコーブのためのではないですどこにいるかによって異なることになるでしょう。

So if I drop an infected person into the middle of New York City and I drop it infected person into the middle of rural America, that they're gonna be two very different things because the number of people that are going to come in contact with each other are very different.

感染者をニューヨークの中心部に落とした場合と、アメリカの田舎に落とした場合では、感染者の数が異なるため、両者は全く異なるものになるでしょう。

The report that predicted millions of deaths in the US alone, which was put together by researchers at the Imperial College London, used 2.4 as the average are not for the coronavirus.

インペリアル カレッジ ロンドンの研究者によってまとめられた米国だけで数百万人の死亡を予測した報告書は、平均として 2.4 を使用してコロナウイルスのためではありません。

That was based on transmission rates reported early on in China from other data, they estimated things like the percentage of cases where the patient needed to be hospitalized.

それは、他のデータから中国で早くから報告されていた伝送率に基づいて、彼らは患者が入院する必要があるケースの割合のようなものを推定しました。

They predicted that 30% of those hospitalized would need critical care, like a ventilator, based on the rates among early cases.

初期の症例の割合から、入院患者の30％が人工呼吸器などの重篤な治療を必要とすると予測した。

Other factors needed more guesswork, for example, that half of the people who needed critical care would die a number they landed on based on input from clinical experts.

他の要因としては、例えば、重篤な治療を必要としている人の半数が、臨床の専門家の意見に基づいてたどり着いた数字で死ぬというように、より多くの推測を必要としていた。

When they use those numbers to model the epidemic in the U.

彼らがそれらの数字を使って米国での流行をモデル化するとき。

S and Great Britain, they predicted that about 2.2 million people in the U.

米英では約２２０万人と予測していた。

And 510,000 people in Great Britain would die without policies to slow the spread.

そして、イギリスでは普及を遅らせる政策がなければ51万人もの人が死んでしまう。

Those numbers aren't as relevant anymore, though, since most countries did adopt physical distancing measures.

しかし、ほとんどの国が物理的な距離を取るための措置を採用していたので、これらの数字は今ではあまり関係がありません。

One major problem with all this is that testing data might not reflect how many people actually have co vid.

これらすべての大きな問題の一つは、テストデータが実際に何人の人がコ・ヴィドを持っているかを反映していない可能性があるということです。

19 tests haven't been widely available in many places, including the U.

19 のテストは、米国を含む多くの場所で広く利用できるようになっていません。

So plenty of people without symptoms or with mild symptoms aren't being tested, and that totally throws off the number for are not.

症状のない人や軽い症状の人は検査を受けていないので、検査を受けていない人の数を完全に減らすことができます。

If you don't know how many people have been infected, you can't really calculate transmissibility.

何人が感染したかわからないと、本当の意味での透過性の計算ができません。

That's why at least one major group, the Institute for Health Metrics and Evaluation or I H.

だからこそ、少なくとも一大グループである「健康指標評価研究所」か「Ｉ・Ｈ」のどちらかになるのです。

E, makes its predictions based on reported deaths instead of are not.

Eは、報告された死に基づいてその予測を行いますが、そうではありません。

The group is based out of Washington, and we know that the U.

このグループはワシントンを拠点にしていて、米国のことは知っています。

S government at least is somewhat referencing its model, which might explain why the White House predictions were so different.

S政府は少なくともそのモデルを多少参照しているので、ホワイトハウスの予測がなぜこんなにも違っていたのか説明がつくかもしれません。

The I H M E team figured that death rates, while not 100% perfect, would still be a more accurate statistic than the number of people who have co vid.

I H M Eチームは、死亡率は100％完璧ではないにしても、共同生活をしている人の数よりも正確な統計になるだろうと考えました。

19 people with the most severe cases usually have been getting tested, which means we have at least a semi accurate idea of how many people are dying specifically from the disease.

重症化した19人は通常検査を受けているので、具体的に何人の人がこの病気で亡くなっているのか、少なくとも半正確に把握できているということになります。

By analyzing the pattern of death rates in Wuhan, they were able to come up with a mathematical formula for how different physical distancing measures like closing schools, affected the number of deaths.

武漢の死亡率のパターンを分析することで、学校を閉鎖するような物理的な距離感の違いが死亡者数にどのような影響を与えているかを数式化することができました。

Then they applied that model to hot spots in the U.

そして、そのモデルを米国のホットスポットに適用しました。

As well as the country as a whole, taking into account average death rates for different age groups since populations conditioner in that aspect, basing their model on death rates was also a useful way to predict the number of people who would need to be hospitalized.

国全体としてだけでなく、さまざまな年齢層の平均死亡率を考慮に入れて、その側面で人口コンディショナー以来、死亡率に彼らのモデルをベースにすることも入院する必要がある人々の数を予測するための有用な方法でした。

If you're predicting 100 deaths and previous data is saying 10% of those hospitalized die, you can work backwards.

100人の死亡を予測して過去のデータでは入院者の10％が死ぬと言っているのなら逆算してもいいんじゃない？

And guess that roughly 1000 people were probably hospitalized when the White House released its 100,000 to 240,000 range for the number of deaths in the U.

そして、ホワイトハウスが米国での死亡者数の10万人から24万人の範囲を発表した時に、およそ1000人が入院したと推測してください。

It cited the I H M E model as a main source it was looking at like with the models based on Are Not.

それはAre Notに基づいてモデルと同じように見ていた主なソースとしてI H M Eモデルを引用しました。

エミー賞の予想は変わり続けています。

パンデミックは続いているのか？

If anything is clear from all of these different models, it's that none of them could be perfectly accurate.

これらの異なるモデルのすべてから何か明らかなことがあるとすれば、それらのどれもが完全に正確であることはありえないということです。

この数字は静的なものではありません。

They're constantly evolving, especially as we get new data, especially as we are put into new situations.

彼らは常に進化を続けていて、特に新しいデータを手に入れたとき、新しい状況に置かれたときには特にそうです。

Researchers don't really expect to get all of the hard and fast numbers that would allow them to calculate an exact are not, but for our models to be as accurate as possible, we need more reliable data, and the best way to get that data is by testing more people.

研究者は、正確な計算を可能にするようなハードで高速な数字のすべてを取得することを期待していませんが、私たちのモデルが可能な限り正確であるためには、より信頼性の高いデータが必要であり、そのデータを取得するための最良の方法は、より多くの人々をテストすることです。

So we have better info on how many people catch the virus and when.

だから、私たちは、どのように多くの人々がいつウイルスをキャッチするかについてのより良い情報を持っています。

 That way, with some clever math, we can get the basic information we need to see what works for slowing Covad, 19 spread and then we can use those strategies to help keep people safe. 

そうすれば、巧妙な計算で、コバード19の拡散を遅らせるために必要な基本的な情報を得ることができ、人々の安全を守るための戦略を使うことができます。