检测还是不检测——COVID-19问题

Cristina Isabel Ibarra-Armenta博士是锡那罗亚自治大学和联合航空联合航空大学的讲师。Moisés Alejandro Alarcon-Osuna博士是瓜达拉哈拉大学的讲师，也是CONACYT(国家科学技术委员会)墨西哥国家研究人员系统的成员。他们的研究集中在计量经济学、区域分析以及政策和技术变革。在最近的一份出版物中，Ibarra-Armenta博士和Alarcon-Osuna博士概述了需要加强对中低收入国家冠状病毒病死率和严格方法的影响的研究。

2019年底，来自中国武汉的新型冠状病毒SARS-CoV-2报告。11日^TH.2020年1月，据报道，第一次携带的死亡死亡，并在未来几个月内，这种病毒在全球范围内传播 - 首先通过亚洲和中东，然后进入西欧。目前的冠状病毒爆发现已达到全球各个角落，导致11400万个案件和3月2日全球250万人死亡^nd, 2021.

针对该病毒采取的措施主要围绕着旨在减少传播的短期战略。许多管理机构制定了冠状病毒条例，重点是洗手、使用口罩和疏远社会。一些政府还实施了定期的区域性“封锁”，禁止公民社交、参观接待场所，或者在某些情况下，禁止公民离家。

世卫组织还建议通过追踪和追踪系统持续追踪该病毒，使各国政府能够采取更具适应性的严格措施。跟踪和追踪系统的中心支柱是大规模测试——测试人群可以跟踪病毒传播，隔离感染者，防止疾病进一步传播。

经济合作与发展组织（经合组织）的数据表明，在百万居民均有较多的测试数量的国家观察到减少的感染率。测试不仅有助于病毒遏制，而且还提供有关病毒突变，人口抗扰度和无症状传输模式的基本信息。在德国，冰岛和韩国等高收入国家（HICS）中，赛道和追踪系统已经易于使用并广泛欢呼。

发展中的二分法
虽然高收入国家的感染和死亡数据很容易获得，但中低收入国家的情况还远远不完整。中低收入国家人口约占全球人口的50%，但截至2020年5月，全球冠状病毒死亡人数仅占2%。仅5个高发病率国家(美国、英国、意大利、西班牙和法国)就占了全球死亡人数的70%。

虽然有关病毒感染和死亡的数据随时可用于HICS，但LMIC的图片远非完整。

中低收入国家和高收入国家之间的死亡人数差异令人惊讶。家庭规模、卫生设施的可及性、弱势群体患病率的增加以及在难民营或贫民窟等密集、非正式的生活环境中难以执行社会距离政策等诸多因素，都应使中低收入国家的死亡人数高于高收入国家。

然而，当前的冠状病毒统计数据可能远远不足以反映中低收入国家发生的真正灾难。迫切需要更高质量的数据以及关于实施严格措施和连锁反应的信息，以了解中低收入国家目前危机的严重性。

CFR的陷阱
在他们最近的研究中，Ibarra Armenta博士和Alarcon Osuna博士试图评估LMICs和HICs的真实病死率（CFR），以便阐明COVID-19死亡人数背后的社会经济驱动因素。病死率的定义是死亡总人数除以规定时间内（大流行开始至5月7日）的感染总人数^TH., 2020)。然而，CFR的使用有一些公认的局限性。

一个限制的是，不同的国家对试验管理有不同的标准。例如，在英国，测试仅向那些患有疑似暴露的人，他们展示Covid症状，或住院治疗伴有相关的并发症。相比之下，在冰岛，已经采用了整个人口的大规模测试。因此，记录的冠状病毒病例（CFR计算中的分母）的总数将是低估的。目前没有关于这种低估的规模的协议 - 它已被假定到5％至80％的任何地方。

各国记录死亡人数的方式也有所不同。直到最近，英国卫生部(Department of Health)统计了所有检测呈阳性的患者的死亡人数，而不考虑到底是什么导致了他们的死亡。时机也很重要;一旦一个人被感染，可能需要长达两周的时间才会出现症状。当患者住院并接受重症治疗时，可能需要几周或几个月的时间才会发生死亡，这可能会扭曲每天的数据。

Ibarra-Armenta博士和Alarcon-Osuna博士的目标是使用统计模型将因变量(CFR)的变化与一组自变量联系起来。这些指标包括健康指标(肥胖、糖尿病、老年人口比例和并存疾病)、每百万居民的检测数和严格程度指数。SI是一种综合度量，基于记录有关封锁和关闭政策(如封锁)的信息的指标。

模特狂
本研究利用了三种统计模型（序号探测模型，横截面模型和面板固定效果模型），用于评估冠状病毒病例，死亡，检测系统，健康指标（评估为医疗保健区域支出）和SI的数据71个国家，从大流行开始到7个^TH.2020年5月。数据来自“我们的世界”，WHO和OECD数据库。

利用Stata软件对Ordinal Probit模型进行估计。序数Probit是一种回归分析，用于揭示因变量和自变量之间的随意关系。在该模型中，因变量为序数，即根据CFR对国家进行排序。通过这种方式，将致死率排名与上述自变量联系起来，从而推断出检测、健康和经济指标以及SI政策对正在发生的COVID - 19疫情的影响。

横截面模型的估计使用最小普通平方(LOS)线性回归分析在Stata。横截面模型建立在Probit模型的基础上，但同时使用每百万居民的病例数和死亡人数作为因变量，而不是CFR。横断模型的目的是通过显示病例数和死亡人数与自变量之间的相关性来支持Probit模型所显示的结果。

面板固定效应估计被用来检验从Probit和横截面模型的结果的稳健性。横截面分析与时间序列分析相结合的面板数据模型时间序列分析包括在连续的等间隔的时间点上取一系列数据点。如我们所见，横断模型的目的是使用一幅完整的静态数据图，将平均国家病死率与自变量的年变化联系起来。Panel模型使用因变量和自变量的每日变化，因此允许查看者看到动态的、每天的链接。综合起来，这三个模型应该有助于更全面地理解生活方式、经济和严峻因素是如何导致冠状病毒死亡的。

相关性并不平等因
序号探测模型和面板固定效果模型显示了每百万居民和CFR的测试之间的负相关，表明测试其较高比例的人口的死亡率较少。序数探测和横截面模型显示了医疗保健和CFR的高度支出之间的正相关性，表明在测试和医院护理上花费更多钱的国家确定了更积极的病例和更多的死亡。对于所有型号，SI与CFR相关并不重要，但确实显示了面板模型中的日死亡的负相关。横截面模型还显示出测试次数和所识别的总案件的数量之间的正相关性。

要真正了解COVID-19病死率背后的社会经济驱动因素，迫切需要进一步测试和更准确的全球数据集。

这些结果表明，检测是降低covid - 19相关病死率的一个重要因素，应按照世卫组织指南，在全球范围内开展大规模跟踪检测活动。结果还显示，卫生支出较高的国家发现的阳性病例和死亡人数较多。这种关系不应被视为病因，而应被视为一种迹象，表明拥有更有组织、更成熟的医疗保健系统的国家(如HICs中普遍存在的国家)有能力准确记录COVID - 19危机的影响。缺乏这一系统的国家由于缺乏资金和随后缺乏测试而无法提供真正的数据集。

最后，结果表明，部署的检测越多，查明的病例数就越高。这种关系不是因果关系，但意味着数据集是反应性的，而不是全球总人口的整体图景。虽然封锁等严格的遏制措施能有效地在短时间内减少每日死亡人数，但尚不清楚这些措施是否能在更大的时间范围内有效地减少病死率。这一因素具有重要的公共政策影响，因为严格措施会造成巨大的经济损失，特别是在大多数劳动力从事体力劳动活动的中低收入国家。

数据雷区
Ibarra-Armenta博士和Alarcon-Osuna博士的研究表明，尽管增加大规模检测有助于减少与covid - 19相关的死亡，但来自所有国家，特别是中低收入国家的数据严重受损，并阻碍了国家和全球层面对CFR的准确分析。要真正了解COVID-19病死率背后的社会经济驱动因素，迫切需要进一步测试和更准确的全球数据集。