National Academies menerbitkan panduan untuk membantu pejabat publik memahami data COVID-19 – ScienceDaily

National Academies menerbitkan panduan untuk membantu pejabat publik memahami data COVID-19 – ScienceDaily

[ad_1]

Ketika pandemi COVID-19 berlanjut, pejabat di seluruh negeri harus membuat keputusan tentang membuka dan menutup sekolah, bisnis, dan fasilitas komunitas. Mereka mengandalkan sebagian besar informasi tentang pandemi – dari statistik rawat inap hingga hasil tes – untuk menginformasikan keputusan ini. Tetapi fakta dan angka yang berbeda tentang COVID-19 dapat menggambarkan gambaran yang berbeda dari pandemi, menurut Adrian Raftery, seorang profesor statistik dan sosiologi di Universitas Washington.

“Pandemi COVID-19 menghasilkan berbagai jenis data tentang penyakit ini di masyarakat – seperti jumlah kasus yang dikonfirmasi atau jumlah kematian di daerah tertentu,” kata Raftery. “Tak satu pun dari sumber data ini yang sempurna dalam hal menangkap ringkasan lengkap dan akurat tentang prevalensi COVID-19 dan risiko melakukan hal-hal tertentu seperti membuka bisnis atau sekolah. Semua memiliki kekuatan dan kelemahan masing-masing.”

Raftery adalah penulis utama panduan baru yang diterbitkan 11 Juni oleh National Academies of Sciences, Engineering and Medicine, yang dimaksudkan untuk membantu pejabat di seluruh negeri memahami berbagai sumber data COVID-19 ini saat membuat keputusan kesehatan masyarakat.

Pejabat yang mencari statistik COVID-19 memiliki banyak pilihan: kasus yang dikonfirmasi, kematian, rawat inap, hunian unit perawatan intensif, kunjungan ruang gawat darurat, tes antibodi, tes usap hidung, dan rasio hasil tes positif – untuk beberapa di antaranya poin data yang lebih umum dikumpulkan dan didistribusikan oleh rumah sakit dan badan kesehatan masyarakat. Tetapi para pejabat tidak selalu memiliki semua statistik ini ketika membuat keputusan, atau memiliki cukup informasi untuk menafsirkannya.

“Kami bermaksud untuk panduan ini untuk membantu para pembuat keputusan dan penasihat mereka menafsirkan data tentang COVID-19 dan memahami kelebihan dan kekurangan masing-masing sumber data,” kata Raftery.

Misalnya, jumlah hasil tes positif untuk virus korona baru kemungkinan lebih rendah dari prevalensi sebenarnya di suatu komunitas. Banyak orang yang mengidap virus tidak menunjukkan gejala dan cenderung tidak mencari tes, dan bahkan orang dengan gejala mungkin tidak memiliki akses ke tes dan perawatan medis, menurut Raftery. Contoh lain, jumlah kematian COVID-19 di suatu wilayah tidak mencerminkan prevalensi penyakit saat ini karena jumlah kematian tertinggal dari jumlah kasus beberapa minggu. Selain itu, beberapa kematian mungkin salah dikaitkan dengan COVID-19, kata Raftery.

Panduan tersebut menyoroti beberapa kriteria yang harus dipertimbangkan pejabat saat menilai kegunaan poin data COVID-19 tertentu, termasuk:

  • Menilai seberapa representatif data untuk komunitas atau wilayah
  • Apakah mungkin ada bias sistemik di beberapa sumber data
  • Berpikir tentang jenis ketidakpastian dalam sumber data, karena faktor-faktor seperti ukuran sampel, cara pengumpulan data, dan populasi yang disurvei
  • Apakah ada jeda waktu karena keterlambatan dalam pelaporan data, perjalanan penyakit, dan faktor lainnya

“Tidak ada sumber data yang sempurna, tapi semua sumber data ini tetap berguna untuk pengambilan keputusan yang berdampak langsung pada kesehatan masyarakat,” kata Raftery.

Raftery telah bekerja secara ekstensif pada metode statistik untuk mengukur dan memperkirakan prevalensi virus lain, termasuk HIV di Afrika. Meskipun HIV dan novel coronavirus menyebabkan berbagai jenis penyakit, ada kesamaan tentang bagaimana kedua virus menyebar di antara populasi yang rentan, serta bagaimana jenis jarak sosial – penggunaan kondom untuk HIV dan jarak fisik serta penggunaan masker untuk virus corona baru – – dapat menurunkan transmisi. COVID-19 juga menghasilkan jenis sumber data yang sama, dengan batasan yang sama, seperti HIV / AIDS, seperti hasil tes, tingkat rawat inap, dan kematian.

Seiring waktu, dimungkinkan untuk mengumpulkan lebih banyak data yang mengungkap tentang COVID-19 dari apa yang dikenal sebagai “sampel acak perwakilan” dalam suatu populasi. Dalam pengambilan sampel representatif, orang-orang disurvei secara acak untuk suatu penyakit, dan populasi tertentu dapat disampel lebih banyak daripada yang lain berdasarkan apa yang telah dipelajari oleh para ilmuwan dan pejabat tentang prevalensi dan kerentanan penyakit. Pengambilan sampel representatif menghindari bias dan dapat lebih akurat memperkirakan prevalensi penyakit di suatu wilayah, menurut Raftery.

“Saat kita mempelajari lebih lanjut tentang COVID-19, bagaimana penyebarannya, bagaimana populasi yang berbeda lebih atau kurang rentan, kita mungkin dapat bergerak lebih banyak ke arah pengambilan sampel yang representatif,” kata Raftery. “Negara Bagian Indiana telah melakukan survei semacam ini, dan yang lain harus mengikutinya. Tetapi ada banyak juga yang dapat dilakukan pejabat dengan statistik dan sumber data yang disediakan rumah sakit dan agensi saat ini – asalkan pejabat dapat menjadi sadar akan kekuatan dan kelemahan dari setiap bagian data. “

Panduan ini adalah yang pertama diselesaikan oleh National Academies ‘Societal Experts Action Network – atau SEAN – sebuah komite beranggotakan delapan orang yang ditugasi oleh National Academies untuk memberikan bantuan ahli secara cepat tentang isu-isu yang berkaitan dengan ilmu sosial dan perilaku selama pandemi. Raftery adalah anggota SEAN dan mempelopori proyek perdana ini.

Rekan penulis panduan ini adalah Janet Currie, profesor ekonomi dan urusan publik di Universitas Princeton; Mary Bassett, seorang profesor kesehatan masyarakat di Universitas Harvard; dan Robert Groves, rektor Universitas Georgetown. SEAN dan upayanya didanai oleh National Academies dan National Science Foundation.

Sumber Cerita:

Materi disediakan oleh Universitas Washington. Asli ditulis oleh James Urton. Catatan: Konten dapat diedit gaya dan panjangnya.

Untuk Informasi Lebih lanjut silahkan Kunjungi : Slot Online

Author Image
adminProzen