BLOG – Strona 8

Analiza korzyści i ryzyka szczepień w Polsce

Pojawiają się medialne i naukowe doniesienia podważające sens szczepień populacyjnych przeciw COVID-19. Niestety nie za dużo mamy danych dotyczących polskiej populacji, ale przynajmniej z perspektywy historycznej możemy z grubsza oszacować stosunek ryzyka i korzyści oraz efektywność kosztową za okres od 17.01.2021 (kiedy to pierwsi pacjenci otrzymali pełny schemat szczepień) do 10.05.2021. I wyciągnąć wnioski na przyszłość.

Zgodnie z danymi ministerstwa zdrowia do 10.05.2021 zmarło 0,5 tyś. osób w pełni zaszczepionych. Między 17.01 a 10.05 dynamika szczepień oraz dynamika zakażeń/zgonów się zmieniała, co należy uwzględnić w analizie.

Oczekiwane zgony skumulowane wynikające z procentowego odsetka zaszczepionych (tu grube uproszczenie, gdyż nie uwzględnia się żadnych przesunięć czasowych między szczepieniem, a nabyciem odporności ani struktury populacji szczepionej itp.) to 1173, skąd po odjęciu zgonów osób w pełni zaszczepionych otrzymamy 673 to potencjalnie uniknięte zgony.

Można przeliczyć tak zwany wskaźnik NNTV(death) i otrzymujemy wartość 5543 określającą liczbę szczepień potrzebnych do uniknięcia jednego zgonu z powodu danej jednostki chorobowej.

Na podstawie opracowania NOP-ów między 17.01 a 10.05 twierdzono 33 zgony z uprawdopodobnionym związkiem przyczynowo-skutkowym ze szczepieniem (pfizer-29, moderna-3, astra-1, j&j-0).

Iloraz unikniętych zgonów z powodu szczepienia (korzyść) przez zgony będące skutkiem szczepienia (ryzyko) avoided_death/NOP_death>20.

Czyli korzyści wynikające ze szczepienia populacyjnego przewyższało 20 krotnie ryzyko związanie ze szczepieniem w kontekście zgonu w tym teoretycznym modelu. Oczywiście prezentowane podejście jest uproszczeniem, bo nie mamy danych pozwalających na śledzenie poszczególnych kohort. Niestety w naszym przypadku następują przemieszenia osób pomiędzy kohortami (np. w raportach NOP-ów uwzględniony osoby zaszczepione tylko jedną dawką w danym okresie), stąd należ zachować pewną ostrożność w interpretacji wyników.

Czy działanie było efektywne kosztowo? Niestety nie znając dokładnej struktury zakażeń nie jesteśmy w stanie policzyć standardowego współczynnika inkrementalnego $/QALY (czyli kosztu interwencji skutkującym uniknięciem utraty jednego roku życia w zdrowiu w uproszczeniu). Możemy jedynie trochę pospekulować. PKB Polski per capita to 15692$. Interwencję zakłada się za bezwzględnie efektywną kosztowo jeżeli na każdy uchroniony rok życia w zdrowiu kosztuje mniej niż PKB per capita (dla względnej efektywności kosztowej przyjmuje się wielkość 3*PKB). Jako że z unikniętej liczby zgonów ciężko jest wywnioskować ile zakażeń czy hospitalizacji uniknięto, gdyż mimo iż CFR/IFR są mniej więcej znane dla polskiej populacji, to jednak brakuje danych dotyczących wpływu szczepień na te czynniki (dla Polski oczywiście). Dla uproszczenia przyjęto założenia wielce konserwatywne, że na jeden zgon (utrata 5 lat życia w zdrowiu) przypada dodatkowo 15 hospitalizacji (utrata 3 lat życia w zdrowiu) oraz 50 średnio-objawowych zakażeń skutkujących syndromem long-covid (utrata 1 roku życia w zdrowiu). Przekłada się to na mnożnik 100. Zwiększone mnożniki 200 i 300 odpowiadają kolejnym progom kosztowej efektywności.

Po uwzględnieniu ryzyk związanych z procedurą szczepienia oraz spekulatywnych mnożników:

(No._fully_vacinated/(avoided_death- NOP_death))*Mnożnik/PKB

Otrzymujemy wielkości progu efektywności kosztowej na jedno szczepienie:

Mnożnik odpowiadający unikniętym stratom w QALY na jeden uniknięty zgon	100	200	300
graniczny koszt na jeden cykl szczepienia w $	37	74	111

Graniczny koszt cyklu szczepienia oszacowany między 37 a 111$ powinien zawierać koszty administracyjne i samych szczepionek. Przy założeniu kosztów administracyjnej jeden dawki na poziomie 100 zł i znanych powszechnie cen samych szczepionek, to okazuje się, że inwestycja w szczepienia zwróciła się już po kilku tygodniach. Rzeczywista efektywność kosztowa będzie rosła z czasie, a może być jeszcze większa (tak długo jak szczepienie będzie chronić przed COVID-19, obserwacje pokazują iż zazwyczaj jest to przynajmniej 6 miesięcy a może być jeszcze więc), gdy uwzględni się np. społeczne koszty pandemii.

Należy podkreślić jednak, że we wspomnianym okresie szczepione były grupy ryzyka, m.in. seniorzy czy pracownicy ochrony zdrowia, stąd bardzo dobry stosunek korzyści do ryzyka.

Stosunek korzyści i ryzyka (w ujęciu indywidualnym), czy inkrementalna efektywność kosztowa będzie spadać wraz z coraz młodszym wiekiem szczepionych.

Umieralność z powodu COVID-19 dzieci w wieku 10-14 w okresie 17.01-10.05 była ponad 3130 razy mniejsza niż osób w wieku 80-84. Zakładając nawet iż częstotliwości zakażeń różni się w zależności od wieku (i to nawet kilkukrotnie), to jednak wciąż COVID-19 zdecydowanie bardziej zagraża starszym osobom i to wciąż o kilka rzędów wielkości.

Z drugiej strony osoby młodsze zgłaszają i doświadczają znacznie więcej NOP-ów niż osoby starsze.

W związku z tym, wiemy i potwierdzamy ponad wszelką wątpliwość, iż szczepienia do 10 maja były efektywne kosztowo, a korzyści znacznie przewyższały ryzyka dla szczepionych populacji. Jednak było to w okres wysokiej presji wirusa w otoczeniu i wciąż niskiej prewalencji odporności w społeczeństwie polskim. Przed kolejną falą zakażeń na jesień 2021 należy przede wszystkim skupić się na wyszczepieniu grup ryzyka, dla których wiadomo, że korzyści będą przewyższać ryzyka nawet w zmniejszającej się presji wirusa w otoczeniu .

Szczepienia dzieci w związku z coraz gorszym stosunkiem korzyści i ryzyka (w ujęciu spersonalizowanym, bo rola dzieci w transmisji zakażeń jest trudna do oszacowania, bo brakuje danych polskich) nie powinny być priorytetem.

Literatura:

Szacunki ryzyka i korzyści na danych o NOP-ach z Holandii a ze skuteczności szczepień z Izraela https://www.mdpi.com/2076-393X/9/7/693/htm

Zgony spowodowane wariantem Delta w UK https://konkret24.tvn24.pl/zdrowie,110/wariant-delta-grozniejszy-dla-zaszczepionych-falszywe-wnioski-z-danych-brytyjskiej-agencji-rzadowej,1065927.html

Szacunki NOP-ów w zależności od wieku https://infodemia-koronawirusa.shinyapps.io/sputnik/

Efektywność kosztowa https://ibn.idsi.md/vizualizare_articol/91055

Źródła danych:

Zgony COVID-19 https://dane.gov.pl/pl/dataset/2121,statystyki-zgonow-z-powodu-covid-19

NOPy https://www.pzh.gov.pl/wp-content/uploads/2021/05/Raport-NOP-COVID19-do-10.05.2021.pdf

Zgony zaszczepionych – Ministerstwo Zdrowia (odpowiedź na list) https://konkret24.tvn24.pl/zdrowie,110/czy-wsrod-zmarlych-na-covid-19-sa-osoby-zaszczepione-jak-antyszczepionkowcy-manipuluja-danymi-ministerstwa,1061716.html

Struktura wiekowa i PKB Polski – GUS https://bdl.stat.gov.pl/BDL/dane

Dylemat korzyści oraz ryzyka szczepień raz jeszcze i co ma Wrocław do już prawie 300 letniej historii epidemiologii?

Tablica zgonów ogólnych i z powodu ospy we Wrocławiu w opracowaniu Halleya, którą Bernoulli wtórnie przeanalizował.

Szczepienia to jedno z największych osiągnięć interdyscyplinarnej nauki (nie tylko medycyny lecz także matematyki i w coraz większym stopniu również nauk społecznych). Opanowanie aktualnej pandemii COVID-19 zależy od wyciągnięcia wniosków z burzliwej historii szczepień. Co ciekawe, nie dość że pierwszy matematyczny model epidemiologiczny jaki kiedykolwiek powstał, opisywał dane dotyczące epidemii czarnej ospy w XVII wiecznym „naszym” Wrocławiu, to przede wszystkim głównym celem była analiza ryzyka i korzyści wariolizacji – czyli prekursora szczepień zastąpionych przez pierwszą szczepionkę w rozumieniu dzisiejszym na przełomie XVIII/XIX w. Tu po raz pierwszy historia zatoczyła koło, gdyż to właśnie we Wrocławiu w roku 1963 wybuchła ostatnia epidemia czarnej ospy w Polsce, krótko przed eradykacją choroby. To właśnie głównie dzięki szczepieniom prewencyjnym osób z ryzykiem kontaktu udało się tę epidemię opanować.

Prezentujący swoje wyniki dotyczące modelu wrocławskiego analizy korzyści i ryzyka “szczepień” w 1766 roku w Paryżu, jeden z największych matematyków w dziejach ludzkości ‐ Daniel Bernoulli, powiedział: „Po prostu wierzę, że w materii jakości życia ludzkiego, żadna decyzja nie zostanie podjęta, bez wszelkiej wiedzy, którą obliczenia i analizy mogą dostarczyć” (tłum. Jarynowski).

W tym czasie (w drugiej połowie XVIII wieku) rozwijana była procedura wprowadzania zakażenia przez skórę, aby wywołać łagodniejszą chorobę niż w przypadku zakażenia wirusem Variola Vera drogą oddechową, ale taką, która wywołuje odporność. Wariolizacja nie była pozbawiona ryzyka, a Bernoulli użył swojego modelu, aby porównać prawdopodobieństwo śmierci po “szczepieniu” (ryzyko) w porównaniu z zyskiem w długości życia wynikającym z uniknięcia pełnoobjawowej choroby (korzyść).

Należy podkreślić, że to właśnie wtedy ów epizod wrocławski zapoczątkował rozwój nowej nauki czyli epidemiologii, która dzięki matematyce i do której później dołączyła socjologia, mogła stać się wiodącą dziedziną medycyny w czasach nawracających epidemii.

Bernoulli oparł się w swojej pracy na tabelach umieralności miasta Wrocław, gdzie wiek i płeć każdego zmarłego w danym miesiącu zostały zapisane i porównane z liczbą urodzin z pięciu lat (od 1687 do 1691), które to zostały przygotowane z zachowaniem wszystkich wymagań dokładności i szczerości. Po zastosowaniu wielu uproszczeń otrzymał średnią długość życia w stanie naturalnym jako E_N 26 lat i 7 miesięcy, a dla sytuacji w której nie występowałaby ospa prawdziwa E_V 29 lat i 9 miesięcy.

Po czym wyznaczył krytyczne prawdopodobieństwo zgonu z powodu wariolizacji (p=1-E_N/E_V~11%), poniżej którego korzyść ze “szczepienia” przewyższa ryzyko z tym związane dla populacji Wrocławia. Oczywiście, korzystając z bazowego modelu wrocławskiego przeliczył ów próg dla innym miast, np. Londynu czy Paryża, dla których tak dokładne dane nie były dostępne.

Warto podkreślić, że parametry wprowadzone i wyestymowane przez Bernoulliego dzięki tabelom wrocławskim są stosowane (czasami w identycznej formie, czasami z niewielkimi zmianami w postaci innych estymatorów) w epidemiologii do dziś: presja zakażenia/wirusa (prawdopodobieństwo zachorowania w danym roku), śmiertelność (IFR-infection fatality rate), odporność zbiorowiskowa (procent populacji udodpornionej powyżej którego epidemia się nie szerzy), itp.

Analizy Bernoulliego wywołały ogromną falę zainteresowania w europejskim środowisku naukowym (z czym również mieliśmy do czynienia w związku pandemią COVID-19). Z powodu braku danych wysokiej jakości, Bernoulli założył ryzyko zgonu z powodu wariolizacji na poziomie 1%, d’Alembert 2%, a Diderot 0.5%. Tak więc, temat szczepień i rozbieżności w szacowaniu i percepcji ryzyka zajmują elity intelektualne już od prawie 300 lat.

Też już XVIII-to wieczni filozofowie społeczni zidentyfikowali paradoksy percepcji ryzyka gdyż wariolizacja wiązała się z niebezpieczeństwem zgonu “tu i teraz”, a uniknięcie śmierci czy powikłań z powodu czarnej ospy odnosi się do abstrakcyjnej przyszłości. Już wtedy wyodrębniono dylemat ryzyka i korzyści pojedynczej jednostki oraz całego społeczeństwa (szczepiąc siebie jednostka podejmuje ryzyko indywidualne, ale korzyść może być również zbiorowa chroniąc inne osoby poprzez zmniejszenie presji wirusa w populacji).

Zastosowanie metod matematycznych i modelowania szczepień w epidemiologii jest już bardzo starym podejściem opisania i przewidywania zjawisk wpływających na populacje. Tym bardziej, że mniej więcej od wybuchu epidemii HIV (w czerwcu 2021 mija 40 lat) dysponujemy danymi z randomizowanych badań klinicznych oraz po-autoryzacyjnymi rejestrami, dzięki czemu modele korzystają z bardziej dokładnych danych i mogą znacznie więcej zmiennych uwzględniać. Z tym, że to teraz dane pozyskane z badań klinicznych i obserwacyjnych z innych ośrodków są wykorzystywane do budowy modeli dla Wrocławia, a my w Polsce praktycznie nie prowadzimy wysokiej jakości rejestrów ani niekomercyjnych badań klinicznych w zakresie chorób zakaźnych. Dodatkowo w dobie rozwoju technologii informatycznych wspomaganie procesów np. symulacje przez inteligentne systemy komputerowe wyposażone w bazy wiedzy dziedzinowej (o kontaktach społecznych, skuteczności szczepień, NOP-ach, itp.). Daje to możliwość stosowania i projektowania działań prewencyjnych (np. ustalanie optymalnej kolejności szczepień jak i precyzyjnej kalkulacji kosztów). Jednak już XVIII-to wieczni „modelarze” epidemii zauważyli, że największym problemem jest tak zwany “czynnik ludzki”, czyli szereg trudnych do przewidzenia reakcji społeczeństwa na zmieniające się bodźce.

Warto podkreślić, że Bernoulli zaproponował swoje statystyczne podejście porównujące korzyści i ryzyka płynące ze szczepień, z uwzględnieniem wieku i płci dzięki danym pochodzącym właśnie z Wrocławia. Tym bardziej musimy zrozumieć, że dyskurs jaki w chwili obecnej ma miejsce w związku ze szczepieniem p/COVID-19 coraz to młodszej populacji, nie jest niczym nowym. Zwłaszcza iż wiemy, że z malejącym wiekiem wzrasta ryzyko potencjalnych NOP-ów, a jednocześnie zmniejsza się korzyść indywidualna związana z uniknięciem zakażenia (czy jego ciężkiego przebiegu). Rolą lekarzy (i innych profesjonalistów medycznych) kwalifikujących do szczepień będzie znany już od wieków problem dokonania indywidualnej oceny korzyści i ryzyka w warunkach niepewnej informacji, ale również w wielu przypadkach jeszcze trudniejsze zadanie jakim jest przekonanie osoby lub opiekuna do wykonania szczepienia, gdy korzyści przewyższają ryzyka.

Literatura:

Bernoulli D, Essai d’une nouvelle analyse de la mortalité causée par la petite vérole et des avantages de l’inoculation pour le prévenir, Mem Math Phy Acad Roy Sci Paris, 1766.

Epstein S. Impure science: AIDS, activism, and the politics of knowledge. Univ of California Press; 1996.

Gigerenzer G, Edwards A. Simple tools for understanding risks: from innumeracy to insight. British Medical Journal, 2003, 327(7417), 741-744.

Jarynowski A. Obliczeniowe nauki społeczne w praktyce. WN:Głogów, 2014.

Jarynowski A, Grabowski A. Modelowanie epidemiologiczne dedykowane Polsce. Portal CZM. 2015;9(6).

Jarynowski A, Belik V, Choroby przenoszone drogą płciową w dobie Internetu i E-zdrowia–kalkulatory ryzyka, in Człowiek zalogowany, Kraków, Biblioteka Jagiellońska, 101-111, 2018;

Jarynowski A. Monitorowanie percepcji ryzyka Covid-19 na Dolnym Śląsku za pomocą analizy śladu cyfrowego w internecie 15.01-05.08. IBI:Wrocław, 2020.

Jarynowski A, Skawina I. Attempt at profiling and regionalisation of COVID-19 vaccine campaigns in Poland–preliminary results. Eur J Transl Clin Med. 2021;4(1):13-21.

Jarynowski A, Sputnik Vaccine Adverse Events (AEs) risk calculator, https://infodemia-koronawirusa.shinyapps.io/sputnik/, 2021.

MOCOOS, Zespół zajmujący się modelowaniem epidemii COVID-19 (m.in. dla Wrocławia i Dolnego Śląska), https://mocos.pl, 2020

Krueger T, Gogolewski K, Bodych M, Gambin A, Giordano G, Cuschieri S, Czypionka T, Perc M, Petelos E, Rosińska M, Szczurek E. Risk of COVID-19 epidemic resurgence with the introduction of vaccination passes. medRxiv. The Preprint Server for Health Sciences. 2021.

Seth C. Calculated Risks, Condorcet, Bernoulli, d’Alembert and Inoculation. MLN. 2014; 129(4):740-55.

* Ze specjalną dedykacją ku pamięci wielkiego popularyzatora matematyki prof. Wojciecha Okrasińskiego, który to zainspirował autora tekstu modelem Bernoulliego, w pierwszą rocznicę jego śmierci w czerwcu 2020.

Zróżnicowanie geograficzne szczepień. Nierówności społeczne i peryferyjność, a możliwe środki zaradcze.

Istnieje potrzeba analizy przestrzennej szczepień p/COVID-19 w Polsce w celu przygotowania szczegółowych rozwiązań, umożliwiających podejmowanie działań minimalizujących zagrożenie dla zdrowia publicznego w czasie mało prawdopodobne ale wciąż możliwej już czwartej fali zachorowań mogących wystąpić na jesień 2021. Polskie władze mogłyby posiadając rzetelną analizę zróżnicowania szczepień zarządzać zasobami w sposób optymalny. Okazuje się, że prosty model z wykorzystaniem kilku zmiennych społeczno-epidemiologicznych wyjaśnia aż >75% zmienności zmienności w liczbie szczepień a dodatkowo poparcie polityczne (konkretnie wybór partii obecnie rządzącej) wyjaśnia aż 30% zmienności w liczbie szczepień między powiatami. W związku z tym, że regiony peryferyjne z wysokim poparciem dla partii rządzącej słabiej sobie radzą ze kampanią szczepień, należy więc wzmocnić wybrane gminy i powiaty personalnie, informacyjnie i medycznie.

Metodyka i dane

Po tym jak rząd udostępnił dane o szczepieniach w gminach (https://www.gov.pl/web/szczepienia-gmin) można poddać częściowej ewaluacji wykonanie NPS.

W tym celu uśredniliśmy dla powiatów wartości wyszczepialności (% populacji zaszczepiony pełnym schematem) na 15.06.2021.

Zmienne wyjaśniające zostały zaczerpnięte z modelu rozprzestrzeniania się COVID-19 https://www.medrxiv.org/content/10.1101/2020.10.14.20090985v1

Dodaliśmy jeszcze do modelu:

zmienne określające presję wirusa w bezpośrednim otoczeniu zsumowane liczby zakażeń (do 15.06.2021) i zgonów covidowych (od 24.11.2020 do 15.06.2021);
współczynnik ilości zgonów nadmiarowych liczony jako liczba zgonów w 2020 podzielona przez średnią zgonów w pięciolatce (2015-2019);
liczbę porad udzielonych w POZ w 2020 (jako wskaźnik popytowej dostępności do podstawowej służby zdrowia). Testowany był wskaźnik za rok 2019 (żeby efekt pandemii wykluczyć), ale korelacja między tymi dwoma wskaźnikami jest praktycznie równa 1, więc nie zaobserwowano istotnych regionalnych zmian w dostępnie od porad lekarskich;
liczbę pracujących w ochronie zdrowia lekarzy na 10000 mieszkańców (jako wskaźnik podażowej dostępności do służby zdrowia).
wskaźnik uczęszczania na msze (określający poziom religijności) z tym, że dane dostępne są do poziomu województw.

Jakie jest to zróżnicowania i z czego wynika?

Ze względu na zróżnicowanie geograficzne uwarunkowanie demograficzne, społeczne i epidemiologiczne wobec akceptacji szczepień, czy zdolności organizacyjne w regionie, to kampanie letnie (przed możliwą falą jesienno-zimową 2021/2022) powinny zostać ponownie opracowane na poziomie regionalnym. Fundamentalne znaczenie dla sprawnego zarządzania w regionie na poziomie operacyjnym (powiat lub gmina) i taktycznym (punkt szczepień) to przede wszystkim możliwość optymalnego rozlokowania zasobów w czasie oraz przestrzeni i właśnie do tego przyczynkiem jest ta analiza.

Różne kraje i regiony odniosły większy sukces niż inne w szczepieniach przeciw COVID-19 Rozkład szczepień w Polsce jest bardzo zróżnicowany [Rys. 1].

Rysunek 1: Dbscan – klastrowanie przestrzenne na poziomie powiatu z dodatkowym wymiarem – normalizowana % wyszczepialność (kolor na mapie). Wielkość punktów kołowych odpowiada udziałowi procentowemu poparcia partii PiS w wyborach z roku 2019, a tym samym kolorem oznaczono powiaty o tym znajdujące w tym samym klastrze. Parametryzacja eps=0.8, minimalna liczba powiatów w klastrze=3.

W układzie hierarchicznym (dendrogramy) korelacji można zauważyć klaster silnie dodatnio skorelowanych zmiennych związanych z mobilnością, podeszłym wiekiem populacji, uprzemysłowieniem, dostępem popytowym do służby zdrowia, liczbą przypadków COVID-19, zgonami z powodu COVID-19 (lewy górny róg Rys. 2). Kolejnym klastrem są zmienne związane z dostępem podażowym do służby zdrowia, wielkością populacji, gęstością zaludnienia, dochodem i naszą najważniejszą zmienną czyli wyszczepialnością (środkowe pasma Rys. 2). Ostatni klaster (prawy dolny róg Rys. 2) odnosi się do zmiennych lekko negatywnie skorelowanych z pierwszymi dwoma klastrami i jest związanym z religijnością, zgonami nadmiarowymi w 2020, poparciem PiS czy zmiennymi środowiskowymi jak zalesienie czy zatrudnienie w rolnictwie.

Rysunek 2. Macierz korelacji Pearsona między zmiennymi branymi pod uwagę w analizie w układzie hierarchicznym gdzie najważniejszą zmienną jest vacc (wyszczepialność). Zastosowano tu 3 różne definicje dostępu do służby zdrowia

Szokującą obserwacją jest silna korelacja między dostępem popytowym służby zdrowia a liczby przypadków COVID-19 (0.94) i zgonów z tego powodu (0.96) oraz jednocześnie negatywna korelacja tych zmiennych ze zgonami nadmiarowymi. Można to wytłumaczyć na kilka sposobów. Nasuwa się jednak spostrzeżenie, że właściwie nie wiemy nic o geograficznym rozproszeniu zakażeń SARS-CoV-2, bo liczbę zakażeń i zgonów z powodu COVID-19 możemy przewidzieć tylko patrząc na dostęp do służby zdrowia. Tym bardziej negatywna korelacja ze zgonami nadmiarowymi świadczyć może o cichej epidemii w obszarach o gorszym dostępie do służby zdrowia.

Rysunek 3: Liniowy model predykcyjny %zaszczepionych (lewy – model daje 75% wyjaśnionej zmienności) na wszystkich testowanych zmiennych niewspółliniowych (niebędących liniową kombinacją innych zmiennych) zmiennych. Na osi y przestawiono % wyjaśnionej zmienności dla każdej ze zmiennych na osi x.

Analiza regresji liniowych modeli pełnych [Rys. 3] wskazuje na niewielką (na pograniczu istotności statystycznej) rolę presji wirusa w otoczeniu i religijności. Zgodny nadmiarowe i popytowy do służby zdrowia również nie mają większego znaczenia. Poparcie dla partii PiS jest szczególnie istotnym predyktorem dynamiki szczepień (33%), co wiąże się pośrednio ze strukturą społeczną elektoratu lub też potencjałem do zarządzania zasobami przez władze lokalne. Wielkość (14%) i gęstość populacji (9%) ma również bardzo duży wpływ na dystrybucję szczepień, gdyż najczęściej punkty szczepień znajdują się w gęsto zaludnionych obszarach (https://wieslawseweryn.github.io/punkty_szczepien_103.htm). Dochód (6%) ma również moc wyjaśniania zmienności jak również wielkość populacji w wieku poprodukcyjnym (2%). Podażowy dostęp do służby zdrowia (liczba lekarzy) ma również znaczenie (3%).

Tabela 1: Regresja liniowa wieloraka (selekcja wg. kryterium Akaikego) dla dwóch typów modeli. Zmienna zależna: %wyszczepienia w powiatach

	Model bez interakcji			model z interakcjami
Predyktor	wspł.	CI	p	wspł.	CI	p
(Intercept)	22.0643	19.2966 – 24.8320	<0.001	-1.1243	-10.7156 – 8.4669	0.818
population_size	4.6227	-0.1247 – 9.3702	0.056	3.4938	-1.0001 – 7.9878	0.127
PIS_support	-0.1311	-0.1547 – -0.1075	<0.001	0.3378	0.1516 – 0.5239	<0.001
income	0.0636	0.0365 – 0.0907	<0.001	0.3517	0.2369 – 0.4666	<0.001
industry_revenue	-0.0001	-0.0002 – 0.0000	0.109	-0.0001	-0.0002 – -0.0000	0.008
poulation_density	0.0028	0.0023 – 0.0033	<0.001	0.0026	0.0021 – 0.0031	<0.001
size_COVID	0.0001	-0.0000 – 0.0001	0.100	0.0001	0.0000 – 0.0001	0.026
betweenness_mob	0.0002	-0.0000 – 0.0004	0.108
forest_density*postproduction_age				-1.7585	-3.8080 – 0.2910	0.092
PIS_support * income				-0.0057	-0.0079 – -0.0035	<0.001
Observations	380	380
R²	0.669	0.689

Należy podkreślić, że nierówności w dostępie do szczepienia (np. uwidocznione przez wpływ dochodu na wyszczepialność, czy przez interakcję zalesienia i wielkości populacji senioralne co może świadczyć o osobach starszych mieszkających w trudno dostępnych miejscach [Tab. 1]) mogą być barierą. Na każdy punkt procentowy poparcia dla PiS przypada o 0.13% mniejsza wyszczepialność (po uwzględnianiu deflacji zależności o zmienne zakłócające jak wielkość populacji, czy dochód).

Rysunek 4: Histogramy (wiolinowe) zliczeń powiatów dla poszczególnych wartości wyszczepialności rzeczywistej i przewidzianej przez model [Tab. 1 lewy]

Dominanta wyszczepialności jest na poziomie 20%, a mediana 21,6%.

Czy zróżnicowanie powoduje podaż czy popyt szczepień?

Stąd, to systemowe bariery (czy zaradność władz w zarządzania zasobami – skądinąd ograniczonymu) wydają się być wiodącym czynnikiem decydującym o wyszczepialności, a nie sama akceptacja wobec szczepień mieszkańców, na którą skupia się szczególną uwagę. Warto podkreślić, że wyszczepialność nie koreluje ze stricte mierzalnym popytowym dostępem do służby zdrowia (ani nie wychodzi istotna w modelu [Rys. 3, Tab. 1]). Może to wynikać z aglomeracji danych do poziomu powiatu częściowo lub ze społeczno-ekonomicznym zapotrzebowaniem na usługu zdrowotne. Należy w przyszłości rozważyć inne metody przybliżania dostępności do służby zdrowia. Przykładowo, udział prywatnej służby zdrowia w akcjach szczepień może być duża (stąd brak relacji między dostępnością popytową na usługi NFZ a wyszczepialnością), ale z drugiej strony silna korelacja dostępności popytowej ze statystykami covidowymi może świadczyć o przejęciu przez publiczną służbę zdrowia większości skutków pandemii. Jednak po stronie podaży świadczeń medycznych (liczebność kadry) mamy do czynienia z silną korelacją (0,69) z wyszczepialnością i istotnym wyjaśnianiem zmienności (3%). Jest to kolejny argument za dominującą rolą organizacji akcji szczepień (podaż) w wyjaśnianiu zróżnicowania przestrzennego wyszczepialności niż chęci/akceptacji szczepień przez obywateli (popyt). Przypuszczać można, że to w rękach samorządowców i ograniczonej w zasoby służby zdrowia może tkwić główna przyczyna zróżnicowania wyszczepialności, a czynniki demograficzne, ekonomiczne i itp. są drugorzędne. Jednak alokacja zasobów jest czynnikiem modyfikowalnym, w znacznie większym stopniu niż skuteczne przekonywanie do szczepień ich przeciwników, więc warto wykorzystać możliwości w celu przeprowadzanie interwencji.

Rekomendacje

Powyższe opracowanie dotyczące regionalnego zróżnicowania liczby szczepień przeciw COVID-19 sugeruje, że przeprowadzenie letnich akcji promocyjno-dostępnościowych istotnie zwiększy wyszczepialność na obszarach opóźnionych w wyszczepialności.
Wydaje się więc, że główna odpowiedzialność za przygotowanie akcji spoczywać powinna na delegaturach regionalnych administracji rządowej, mediach regionalnych i samorządach lokalnych (10.31373/ejtcm/134674), które mają średnio znacznie większe zaufanie niż ich centralne odpowiedniki. Z drugiej strony, koniecznie jest wsparcie merytoryczne i finansowe ze strony administracji centralnej.

Tym samym znaczące środki i obowiązki powinny zostać skierowane do najsłabiej radzących sobie powiatów (lub gmin) na przygotowanie regionalnych programów zwiększenia dostępności szczepień i wypracowania strategii komunikacyjnych. W związku z powyższym proponujemy podział powiatów na:

A powiaty radzące sobie bardzo dobrze, których doświadczenia należy wykorzystać;
B powiaty radzące sobie przeciętnie, które nie wymagają inwestycji;
C powiaty poniżej przeciętnej, które potrzebują wsparcia punktowego (np. w poszczególnych gminach);
D powiaty zagrożone, które wymagają pomocy systematycznej.

Zaproponowaliśmy podział na grupy wykorzystując średnią z rzeczywistej %wyszczepialności oraz wielkości predykcyjnej [Rys. 4, Tab 1. lewy] z progami:

A wyszczepialność uśredniona>25%

B 20%<wyszczepialność uśredniona<25%;

C 18%<wyszczepialność uśredniona<20%;

D wyszczepialność uśredniona <18%.

Należy podkreślić, że powyższy podział jest opracowany ad hoc i inne propozycje mogą okazać się lepsze w identyfikacji problemów.

Do kategorii D należą przede wszystkim klastry wyznaczone metodą dbscan [Rys. 1], a w szczególności:

południowe pogranicze województw małopolskiego i podkarpackiego, ze szczególnym uwzględnieniem Podhala, Beskidu Wschodniego;
pogranicze województw świętokrzyskiego i podkarpackiego;
pogranicze województw mazowieckiego i podlaskiego;
pogranicze województw mazowieckiego i lubelskiego;

Klastry kategorii C możemy dodatkowo zaobserwować [Rys. 1]:

na dużych obszarach poza aglomeracjami miejskimi szeroko pojętej ściany wschodniej;
na pograniczu ziemi łódzkiej i wielkopolskiej,
pogranicze województw świętokrzyskiego i mazowieckiego;
południowa Wielkopolska;
południowy-zachód województwa pomorskiego

Powiaty przynależne do grupy C:

[1] bytowski chelmski augustowski belchatowski bialobrzeski
[6] lezajski lipski lubartowski leczynski losicki
[11] elcki garwolinski gorlicki grodziski ilawski
[16] jarocinski jaroslawski kaliski kielecki kolski
[21] konecki koninski kozienicki krasnicki krosnienski
[26] krotoszynski leski bieszczadzki bilgorajski bochenski
[31] brzeski brzozowski stalowowolski starogardzki staszowski
[36] tomaszowski turecki wegrowski wschowski wysokomazowiecki
[41] radomski rawski sanocki siedlecki siemiatycki
[46] sieradzki sierpecki wyszkowski zambrowski zamojski
[51] zlotowski zwolenski zurominski tarnobrzeski tarnowski
[56] mielecki mlawski mogilenski moniecki mragowski
[61] myslenicki nowomiejski olecki opatowski opoczynski
[66] opolski ostrowski ostrzeszowski piotrkowski strzyzowski
[71] suwalski przasnyski przemyski przeworski przysuski

Powiaty przynależne do grupy D:

[1] dabrowski debicki limanowski lomzynski
[5] lukowski grajewski janowski jasielski
[9] kolbuszowski kolnenski radzynski ropczycko-sedziszowski
[13] tatrzanski nizanski nowosadecki nowotarski
[17] ostrolecki szydlowiecki

Dla regionów C i D należy dokonać inwestycji w wiejskich obszarach peryferyjnych (np. poprzez lepszą wycenę zespołów wyjazdowych i mobilnych, ale tylko w obszarach zagrożonych wykluczeniem).

Dla regionów D potrzebne są systematyczne działania łączące akcje komunikacyjne z wykorzystaniem różnego rodzaju agentów wpływu, np. miejscowych proboszczów. Należy wesprzeć G(M)OPSy, aby mogły pomagać rodzinom opiekującymi się osobami starszymi w procesie zaszczepienia, np. w przekazywaniu do sądów rejonowych wniosków o udzielenie zgody, jeżeli pacjent nie potrafi jej wyrazić. Można zaoferować szczepienia poprzez wykonanie telefonów do potencjalnych pacjentów. Wydaje, że korzystanie z tej formy interwencji poza obszarami D może być nawet przeciwskuteczne, gdyż ruchy antyszczepionkowe szczególnie aktywne w Poznaniu, Trójmieście i na Śląsku będą tego typu akcje torpedować prawnie. Ze względu na niedobory kadrowe szczególnie widoczne w powiatach D, długofalowe działania przeciwdziałaniu wykluczeniu zdrowotnemu powinny zostać priorytetyzowanie. Jednak część działań można już podjąć latem 2021. Należy wesprzeć dodatkowymi zachętami osoby posiadające uprawnienia do wykonywania i kwalifikacji do szczepień (bądź będącymi w trakcie szkolenia) nie będącymi lekarzami, które zobligują się podjąć pracę w regionach wiejskich D. Być może warto relokować niektórych pracowników doświadczonych w szczepieniach populacyjnych z regionów A do D.

Podsumowując, duża wyjaśnialność zmienności przez poparcie dla PiS może oznaczać, że wyszczepialność ma przede wszystkim związek z zarządzaniem ograniczonymi zasobami a dopiero w drugiej kolejności ze społeczno-gospodarczym uwarunkowaniem regionów. W związku z powyższym, redystrybucja zasobów oraz wsparcie regionów gorzej uprzywilejowanych może być kluczowym czynnikiem osiągnięcia (przynajmniej w teorii) odporności zbiorowej w obliczu kolejnych fal zachorowań.

Chcielibyśmy podziękować Kamilowi Rakoczemu i Rafałowi Halikowi za pomoc w ekstrakcji danych i interpretacji wyników.

Protesty a zakażenia młodych dziewczyn na Śląsku?

Zainteresowały nas badania seroprewalencji w GOP-ie wykonanych punktowo na przełomie października/listopada (“Seroprevalence of Anti-SARS-CoV-2 Antibodies in a Random Sample of Inhabitants of the Katowice Region, Poland” , a zwłaszcza duża nadreprezentacja zakażeń u dziewczyn.

Rozkład prewalencji przeciwciał IgG przeciw COVID-19 w populacji GOP w listopadzie 2020 (c) J Zejda et al. https://www.mdpi.com/1660-4601/18/6/3188

Analizując ruch BLM, czy niemieckie protesty koronaseptyczne nie zauważyliśmy istotnego wzrostu zapadalności SARS-CoV-2 w zależności od intensywności protestów.

Strajk Kobiet w Polsce ze względu na inna formę, pogodę oraz prewalencję (presję wirusa w środowisku), pomimo prób zasłaniania ust i nosów, na pewno przyspieszyły dynamikę transmisyjną, ale nie wiadomo w jakim stopniu (czym się zajmowaliśmy jeszcze w październiku). I wydaje się, że jednak ich rola była znikoma.

Próbując zrozumieć możliwe wytłumaczenie tych wyników mamy kilka spostrzeżeń.

Z obserwacji ogólnopolskich możemy szacować, że ~70% uczestników Strajku Kobiet pod koniec października to osoby poniżej 24 roku życia (głownie nieletni) przy dominacji kobiet nad mężczyznami mniej więcej 3:1. Co ważne, skala protestów w GOP-ie była znacznie mniejsza niż innych
aglomeracjach miejskich.

Zastanawia mas dosyć mocno mały odsetek IgM wśród młodzieży, żeby wiązać protesty z pomiarami śląskimi, które w większości miały miejsce krótko po protestach. Wysoka prewalencja IgM wśród seniorów może mieć związek np. ze Świętem Zmarłych (zupełnie inna specyfika kontaktów). Szukając doniesień o kinetyce IgM w zależności od wieku to poza pewnymi tendencjami wskazującymi na szybszy zanik przeciwciał u młodszych osobników, to płeć już tak mocno nie różnicuje odpowiedzi immunologicznej. Nie do końca jednak przekonuje nas argument autorów, że przeważały zakażenia z pierwszej fali (jako jeden z postulowanych w artykule).

Dlatego ta niespójność między IgG i IgM raczej działa na niekorzyść hipotezy ognisk protestowych.

Raczej inne czynniki środowiskowe wpływające na prawdopodobieństwo nabycia zakażenia również nie powinny występować specyficznie u dziewczyn, bo ani z danych polskich czy ECDC nie widać różnic między płciami w raportach skumulowanych zakażeń w tych akurat przedziałach wiekowych.

Tym bardziej, że nadreprezentacja zakażeń u płci żeńskiej występuje
również w kategorii 7-14, co również nie jest pasuje do protestów.

Autorzy nie stwierdzili statystycznie istotnej różnicy między płciami dla całej populacji. Ale uwzględniając wyłącznie 15-25 kategorii wiekowej, to Z-test proporcji porównujący płci (odczytując dane z wykresów na oko) daje p-value = 0.01, więc można oczekiwać istotnej statystycznie różnicy przy dokładnej analizie tylko tej kategorii wiekowej związanej pośrednio z protestami.

Bez dokładnej analiz pojedynczych przypadków raczej nie da się wysnuć żadnych wniosków i powyższe rozważania mają wyłącznie charakter spekulacyjny.

Noszenie maseczek na dworze/dworzu/polu?

Nakaz zasłaniania ust i nosa na powietrzu nie ma już epidemiologicznego uzasadnienie, gdyż na podstawie zaktualizowanej niedawno wiedzy naukowej, szkody zdrowotne przewyższają potencjalne korzyści.

Sprawa jest już dosyć dobrze opisana z punktu widzenia fizyki i medycyny. Transmisja drogą powietrzną istnieje czy poprzez przedmioty, ale nie ma epidemiologicznego znaczenia. Dodatkowo czas zmniejszającej się liczby nowych zakażeń wydaje się idealny do wprowadzenia nowych rekomendacji (zmniejszająca się presja wirusa w środowisku i liczby osób podatnych) do ograniczenia zasłaniania ust i nosa do pomieszczeń zamkniętych i środków transportu, co poprawi komfort życia Polaków bez istotnego zwiększenia obłożenia łóżek szpitalnych. W zależności przyjętej metodologii, warunków pogodowych i społecznych wedle szacunków 95-99% transmisji wirusa SARS-CoV-2 dokonuje się w pomieszczeniach zamkniętych.

W związku z tym, że zasłanianie ust i nosa ma miejsce:

często przy nieprofesjonalnym wykorzystaniu (kontaminacja przy zakładaniu dotykaniu, noszenie zbyt długo skutkujące zmechaceniem i kontaminacją)
często maseczek nie spełniających norm filtracji, czy oporu wydechowego
stanowić może zagrożenie (mikrobiologiczne, fizjologiczne, czy psychologiczne) dla użytkownika.

Warto zwrócić uwagę, że poza zasłanianiem ust i nosa należy przyspieszyć proces urealnienia procedur dezynfekcji, gdyż również transmisja za pomocą przedmiotów jest znacznie trudniejsza niż się to wydawało na początku pandemii. CDC już zmieniła rekomendacje, ale dopiero w kwietniu tego roku.

W związku z powyższym, należy zmienić rozporządzenie w sprawie ustanowienia określonych ograniczeń, nakazów i zakazów w związku z wystąpieniem stanu epidemii ograniczając obowiązek noszenia maseczek tylko w określonych sytuacjach wyłączając przestrzeń otwartą (pozostawiając zalecenie do ich używania w określonych przypadkach jak zagęszczenie ludzi np. w trakcie zgromadzeń). Być może warianty z podwyższonym viral load w wydzielinie mogą zwiększyć zakaźność drogą powietrzną (jak tzw. Wariant brytyjski), ale wciąż zmiany nie wydają się być istotne. Oczywiście w przypadku pojawienia się wariantów o innej charakterystyce zakaźności należy dostosować taktykę.

Bibliografia

Bakhit, M., Krzyzaniak, N., Scott, A. M., Clark, J., Glasziou, P., & Del Mar, C. (2021). Downsides of face masks and possible mitigation strategies: a systematic review and meta-analysis. BMJ open, 11(2), e044364.
Bulfone, T. C., Malekinejad, M., Rutherford, G. W., & Razani, N. (2021). Outdoor transmission of SARS-CoV-2 and other respiratory viruses: a systematic review. The Journal of infectious diseases, 223(4), 550-561.
CDC Science Brief (2021) SARS-CoV-2 and Surface (Fomite) Transmission for Indoor Community Environments
https://www.cdc.gov/coronavirus/2019-ncov/more/science-and-research/surface-transmission.html
ISAM (2021) infection risks are assessed from an aerosol scientific point of view and the risk of infections indoors is highlighted https://isam.org/announcements/april-11-2021-open-letter-from-gaef-and-isam-representatives
Jarynowski, A., & Płatek, D. (2021). Protest Movements in October 2020 in the middle COVID-19 epidemic on the Polish Tweetosphere-epidemiological harm reduction perspective-preliminary analysis (in review).
NPHET/ Philip Nolan (2021) Number of Covid-19 cases from outdoor transmission is ‘extremely low’ https://www.irishtimes.com/news/ireland/irish-news/number-of-covid-19-cases-from-outdoor-transmission-is-extremely-low-hpsc-1.4538776
Weed, M., & Foad, A. (2020). Rapid scoping review of evidence of outdoor transmission of covid-19. medRxiv.

Konferencja E-met 21.05.2021

Zapraszamy na Międzynarodową Konferencję “e-metodologia” Konferencja odbędzie się 21 maja 2021 za pośrednictwem Internetu na Uniwersytecie Medycznym we Wrocławiu.

http://e-methodology-conference.eu/

Rejestracja na konferencję odbywa się poprzez poniższy formularz:
https://forms.gle/NRpY58DPuJXeDJcq8

Planujemy także przeprowadzenie specjalnej sekcji skupionej na postrzeganiu ryzyka i wzorcach komunikacyjnych dotyczących chorób zakaźnych w Internecie, ze szczególnym uwzględnieniem COVID-19.

Lekkie zdarzenia niepożądane po szczepionkach p/Covid

Zebraliśmy statystyki lekkich i powszechnych któtkoterminowych zdarzeń niepożądanych – potencjalne NOP-y (very common/common adverse events grade 1-2)

% of patients	Astra (EMA)	J&J (EMA)	Moderna (CDC <55y.o)	Pfizer (EMA)	Pfizer (CDC <65y.o)
injection site irritation (tenderness/swelling/redness/rush)	67.8	10	16	10	11
injection site pain	54.2	48.6	90.1	80	77.8
Headache	52.6	38.9	62.8	50	51.7
fatigue	53.1	38.2	67.6	60	59.4
myalgia	44	33.2	61.3	30	28.7
Malaise	44.2			5
Pyrexia	33.6	5		20
Fever >38	7.9	9	17.4	10	15.8
chills	31.9	5	48.3	30	35.1
Arthralgia	26.4	5	45.2	20	21.9
Nausea	21.8	14.2	21.3	5	10

Tabelkę odtworzyliśmy z dokumentów rejestracyjnych/ChPL/organów nadzorujących szczepionek. Tu już jest problem np. CDC i EMA mają inne wzorce, ale też 2 szczepionki były kontrolowane prze FDA a jedna pod MHRA, stąd inne definicje zdarzeń.

Warto dodać, ze z danych FDA można wywnioskować, że druga dawka szczepionką mRNA wiąże się z większą liczbą zdarzeń niepożądanych. Być może opóźnienie rejestracji AstraZeneki w USA wiąże się z koniecznością normalizacji potencjalnych odczynów poszczepiennych.

O Sputniku wiemy, że jest „bezpieczna” i tylko dla starszych są tabelki i to zawierające śmiesznie niskie wartości. W pracy z Lancetu (ani w dokumentacji rejestrowej w FR czy BY) Logunov et al. (DOI 10.1016/S0140-6736(21)00234-8) nie ma takiej listy. Za to prowadzone są ludowe/partyzanckie badania kliniczne, które rzucają trochę światła na Sputnika: https://www.facebook.com/dmitry.kulish/posts/3594077094008213

Widać już na oko, że wektorowe szczepionki mają częściej miejscowe odczyny oraz wywołują reakcje zapalne, a mRNA częściej uogólnione, czy bólowe (co raczej jest oczywistą obserwacją).

Kolejność szczepień

Zauważalna jest tendencja do szczepienia osób starszych/przewlekle chorych z krótkim oczekiwanym czasem dalszego życia. Głównym argumentem jest indywidualna analiza ryzyka i korzyści, która oczywiście wychodzi korzystnie dla nawet już ciężko schorowanego pacjenta, dla którego COVID-19 z dużym prawdopodobieństwem jest wyrokiem śmierci. Warto jednak przyjrzeć się statystykom punktu końcowego (zgon) u zaszczepionych seniorów i podejść do problemu populacyjnie.

1 zgon na 37230 pacjento-dni (>75lat) ChPL Comirnaty (https://www.ema.europa.eu/en/documents/product-information/comirnaty-epar-product-information_pl.pdf)
13 zgonów na 12000 pacjento-dni (>80lat) Statens legemiddelverk (Norwegia). (https://legemiddelverket.no/nyheter/covid-19-vaccination-associated-with-deaths-in-elderly-people-who-are-frail)

Czyli 40 krotnie większa potencjalna śmiertelność. Wniosek – Trzeba wyjaśnić, czy związku przyczynowo-skutkowego nie ma.

Oczywiście populacje uczestniczące w badaniu klinicznym a norwescy podopieczni DPS-ów się różnią, więc wartość efektu trzeba odpowiednio interpretować.
Głównym czynnikiem wyjaśniającym jest stan zdrowia pacjentów. Zgodnie ze statystykami umieralności w tej kohorcie zaszczepionych w norweskich DPSach to i tak średnio umarłoby około 7 osób, co daje raptem dwukrotny skok śmiertelności. Świadczy to jednak o tym, że w badaniu klinicznym włączono pacjentów wyjątkowo zdrowych jak na swój wiek. Czyli tak naprawdę rozpoznaniem w boju będziemy się dowiadywać jakie jest rzeczywiste bezpieczeństwo i skuteczność szczepień w grupach starszych i schorowanych, zwłaszcza że niedługo zaczną się szczepienia >80+ w Polsce.

Modele matematyczne:

https://science.sciencemag.org/content/early/2021/01/21/science.abe6959
https://mocos.pl/ dla Polski

sugerują, że najlepiej jest rozpocząć szczepienia od seniorów.

W tych pracach uwzględniono jedynie zgony, zakażenia i utracone lata życia, a już nie komplikacje post-covid, utraty przychodu, itp. Nie wiadomo, czy jak się uwzględni wszystkie czynniki np. miarach QALY czy PLN/QALY i to że prawdopodobniej poważne NOPy występują znacznie częściej u starszych/schorowanych u których również odpowiedź immunologiczna będzie słabsza, to może okaże się iż optimum znajdzie się wśród osób w wieku średnim (pracujących z ludźmi).

Pytanie o populacyjne optimum kalendarza szczepień wciąż pozostaje otwarte. Tym bardziej, że wiemy iż w Polsce obecny jest najprawdopodobniej bardziej zakaźny wariant 202012/01 potocznie zwany „brytyjskim”, co powinno przenieść punkt ciężkości zakażeń na młodsze populacje. W związku z ograniczonymi zasobami szczepionek, być może korzystniej dla społeczeństwa jest jednak wcześniej zaszczepić np. nauczycieli klas młodszych (aby dzieci mogły w marę bezpiecznie wrócić do stacjonarnej nauki), mimo iż będzie to prawdopodobnie wiązać się krótkoterminowo z większą liczbą zgonów.

Październikowe protesty

W październiku 2020 mieliśmy do czynienia z powstaniem ludu na wielu płaszczyznach (nie tylko Strajk Kobiet). Spróbujmy przeanalizować co się stało na postawie Twittera – źródła informacji ze świata i miejsce, w którym użytkownicy kontaktują się z influencerami. Zebraliśmy tweety w języku polskim z hashtagami #Strajkkobiet reprezentujący ruch pro-choice (> 200000) opisany w poprzednim blogu http://interdisciplinary-research.eu/protesty-w-dobie-pandemii, #zajob reprezentujący ruch przeciwko covidowym restrykcjom (> 20000), #ProtestRolników dla protestu rolników (> 5000).

Przedstawiamy sieci klastrów wg retweetów.

Antycovidowcy

Społeczności: Szary na dole: Przeciw protestom anty-covidowym prawicowy; Zielony na dole: Przeciw protestom anty-covidowym PiS; Pomarańczowy: Środowisko Matki Kurki

Można zauważyć, że poza społecznościami krytykującymi protestujących, nie ma wyraźnej struktury komunikacji. Wydaje się, że antycovidowcy są zbiorowiskiem indywidualistów, którzy nie tworzą wyraźnych struktur.

Rolnicy

Fioletowy lewy – przeciwnicy protestów opozycja; Zielony lewy – przeciwnicy protestów PiS; Żółty dolny – zwolennicy protestów protestanci; Niebieski środkowy – protestujący rolnicy i organizacje rolnicze; Fioletowy prawy – zwolennicy protestów w ramach organizacji prawicowych; Jasnoniebieski – zwolennicy protestów w ramach PSL

Protest rolników posiada wyraźnie i łatwo identyfikowalne struktury grup interesu

Protesty w dobie pandemii

Strajk kobiet na Tweeterze

Letnie protesty w Niemczech i wiosenne BLM w USA, pomimo braku zachowywania reżimu sanitarnego, nie wpłynęły istotnie na liczbę nowych przypadków COVID-19 https://belik.userpage.fu-berlin.de/files/JAR20f.pdf. Antyrządowe protesty jesienne rolników oraz zwłaszcza ruch pro-choice w Polsce ze względu na inna formę, pogodę oraz prewalencję, pomimo prób zasłaniania ust i nosów, na pewno przyspiesza dynamikę transmisyjną, ale nie wiadomo w jakim stopniu.

Zmapujmy tweetosferę wokół #Strajkkobiet do środy 28.10:

Ważona sieć retweetów 1729 najbardziej centralnych kont spośród 34947 użytkowników Twittera uczestniczących w dyskursie #Strajkkobiet

Sieć retweetów koncentruje się na głównym komponencie pro-choice, ale widzimy odosobniony ciemno-żółty klaster pro-life. Społeczności w głównym komponencie są dosyć mocno wymieszane, ale widać tendencje:

dominujący klaster szary składa się przede wszystkim z młodzieży;
klaster zielony składa się w dużej mierze z polityków i mediów;
klaster pomarańczowy charakteryzuje się dużą reprezentacją aktywistów lewicowych .

Ponadto można zauważyć, że ruch warszawski koncentruje się w centrum głównego komponentu, ruch poznański po stronie prawej, a trójmiejski po stronie lewej.

Warto podkreślić, że w tweetosferze dominuje młodzież i wydaje się, że to ona jest siłą napędową protestów. Nastolatkowe w zdecydowanej większości przechodzą COVID-19 bez lub skąpo-objawowo, ale mogą być hubami transmisyjnymi (zakazić dużą liczę osób). Z epidemiologicznego punktu widzenia prosimy o zachowania dystansu fizycznego oraz zakrywanie nosa i ust, gdyż przy tysiącach/dziesiątkach tysięcy uczestników znajdują się tam osoby zakażające i nie można pozwolić, aby uczestnicy zawlekli wirusa do domów. Osoby podejrzewające zakażenie lub będące w kontakcie z zakażonymi absolutnie nie powinny uczestniczyć w protestach!

Sieć w grafice wektorowej (można wyszukiwać poszczególne konta).

http://interdisciplinary-research.eu/wp-content/uploads/2020/10/starjk.pdf

Aktywność tweetowania w związku ze Strajkiem kobiet

Na postawie aktywności użytkowników Tweetera możemy zauważyć jak narastało napięcie z kulminacją w poniedziałek 26 października.

Dynamika przepływu społeczności wskazuje na duże rotacje w obrębie społeczności protestującej.

Przepływ kont twitterowych między społecznościami wzajemnie tetweetującymi kontenty. Społeczność 2 (niebieska) – młodzieżowa, Społeczność 4 (różowa) – konta medialne i polityczne, Społeczność 10 (jasnoniebieska) – ruch pro-life.

Porównując sieć retweetów z przepływami społeczności można zauważyć iż dominujący komponent młodzieżowy (nr 2) wyodrębnił się w weekend 24-25 jako oddzielny byt. Z drugiej strony profesjonaliści (media i politycy i aktywiści) tworzą komponent 4, który dynamicznie tworzy podspołeczności (5,6,8) na potrzeby aktualnych projektów.

Po dosyć beztroskim weekendzie, poniedziałek 26 przyniósł istotny wzrost lęku (być może wiąże się to z radykalizacją protestów) i kumulację negatywnych emocji.

Tweetujący (niewielki odsetek tych którzy podają swoje lokalizacje) w największym stopniu związaniu są z Warszawą oraz w drugiej kolejności z dużymi miastami jak Wrocław, Kraków Poznań i Gdańsk. Kolejnym miastem z kolei byłby Londyn.

Słownictwo w dyskursie jest dosyć brutalne i o wyraźnie dominującym negatywnym odcieniu, zwłaszcza po weekendowych protestach.

Kiedy utworzono konta dyskutantów wokół Strajku kobiet?

Widzimy dużą frakcje kont utworzonych wiosną 2020 (prawdopodobnie w związku z pandemią i przeniesieniem aktywności społecznej do Internetu). Warto podkreślić, że jednak sporo jest doświadczonych użytkowników Tweetera (prawdopodobnie aktywiści).

Do analiz Twittera warto dołączyć analizę tematyczną dyskursu w mediach tradycyjnych wokół protestów, gdyż również w drugiej połowie października protestowali rolnicy oraz koronasceptycy, jednak to tematyka wokół aborcji, życia płodowego, wyroku Trybunału Konstytucyjnego zdominowała scenę.

Dystrybucja tematów w artykułach prasowych o protestach w Polsce od ogłoszenia wyroku TK do końca października (wygenerowane za pomocą Eventregistry).

W mediach tradycyjnych protesty rolnicze, antycovidowe tylko kilkukrotnie słabiej reprezentowane były w stosunku do Strajku Kobiet. Za to różnica w mediach społecznościowych nieporównywalnie bardziej zaznaczyła się, gdyż Tweety dotyczące Strajku Kobiet liczy się w setkach tysięcy, gdy na temat protestów antykowidowych jest ich tylko kilkadziesiąt tysięcy, a protestów rolniczych tylko kilkanaście tysięcy.