Sitemap
buildnn-covid19

Analizzare funzioni e gestione del Sistema Sanitario Nazionale e l’evoluzione del Covid-19 per disegnare un futuro migliore

Uno studio sulla reale mortalità per COVID-19 in Lombardia (attraverso le Ricerche Google)

15 min readApr 1, 2020

--

Abbiamo stimato, applicando degli algoritmi di Machine Learning sugli Open Data di Google Trends, (raddoppio) Questo studio mira ad aumentare il livello di trasparenza e consapevolezza sulla situazione attuale. Riteniamo ragionevole includere nel computo anche i decessi per cause indirette attribuibili all’impatto del COVID-19 sul Sistema Sanitario Nazionale.

Press enter or click to view image in full size
Photo by Tai's Captures on Unsplash

Indice

: I dati e le analisi sono destinati al pubblico a fini di informazione generale e alle istituzioni educative a scopo didattico e di ricerca. Le analisi e la grafica contenute in questo rapporto di ricerca sono ottenute da fonti autentiche, analizzate e validate in modo incrociato. Ci prendiamo molta cura nel garantire l’accuratezza delle informazioni da noi pubblicate. Tuttavia, non ci assumiamo alcuna responsabilità per eventuali inesattezze nelle informazioni (esplicite o implicite). Pertanto, non forniamo alcun tipo di garanzia qualitativa o quantitativa per quanto riguarda l’accuratezza, la completezza o l’affidabilità delle informazioni contenute nel presente documento

Sintesi — Executive Summary

Sono diversi gli indizi che suggeriscono un’anomalia sul numero dei decessi in Lombardia, purtroppo con una numerosità superiore rispetto ai casi attribuiti al COVID-19 da parte della Regione Lombardia e Protezione civile. Il nostro studio suggerisce una gestione dell’emergenza basata sulle performance e sulla tenuta del Sistema Sanitario su base locale e non sull’utilizzo dei tamponi e i relativi casi positivi come unica bussola per la prioritizzazione e programmazione degli interventi. In tal senso, riteniamo possa essere utile inserire nel bilancio complessivo legato all’epidemia anche i decessi causati indirettamente dal virus — come ad esempio quelli causati dalla saturazione dei presidi ospedalieri locali in termini di personale medico-ospedaliero, disponibilità di posti letto e mezzi (es. ambulanze). Si fa riferimento quindi a quei pazienti, purtroppo deceduti, che possibilmente avrebbero avuto un normale decorso in condizioni di ordinaria operatività delle strutture ospedaliere.

Abbiamo utilizzato degli algoritmi di Machine Learning e diverse fonti Open Data, incluso Google Trends, per stimare il numero di decessi complessivo in Lombardia ed isolarne la componente di “eccezionalità” legata all’emergenza. I risultati indicano una stima complessiva, nel solo mese di Marzo, di circa 18.000 decessi (dato al momento ancora instabile a causa degli aggiornamenti del dato proveniente da Google Trends), di cui circa 9.200 attribuibili alla crisi sanitaria in corso. Alla luce di questi dati, risulta ancora più importante non solo mantenere e rispettare le misure di isolamento, ma anche evitare attività che potrebbero mettere a rischio la salute individuale.

I risultati indicano una stima complessiva, nel solo mese di Marzo, di circa 18.000 decessi (dato al momento ancora instabile a causa degli aggiornamenti del dato proveniente da Google Trends), di cui circa 9.200 attribuibili alla crisi sanitaria in corso

Press enter or click to view image in full size

Un’attenzione sulla tenuta complessiva del Sistema Sanitario che vada oltre l’ambito specifico di COVID-19 permetterebbe di monitorare e rimediare anche agli . Cause di ricovero (o mancato ricovero) diverse da quelle COVID-19 potrebbero rivelare un’emergenza altrettanto rilevante in una situazione di risorse estremamente limitate come quella attuale.

Questa analisi vuole essere un esempio di come analisi predittive e simulazioni avanzate possano aiutare ad le tempistiche ed il grado di profondità con cui si recepiscono i segnali di emergenza, e . In uno scenario epidemico, anticipare il più possibile le azioni di profilassi è un fattore critico.

La disponibilità di Open Data e la condivisione dei dati dettagliati da parte delle istituzioni rappresenta un’opportunità per migliorare la . La metodologia di stima da noi esplorata, se corroborata con altri dati (es. Storico dei decessi con dettaglio giornaliero per comune o provincia) potrebbe diventare anche uno strumento per supportare la fase di gestione dell’emergenza e della , specialmente nel malaugurato .

Il nostro team di lavoro è disponibile per consolidare ed estendere le metodologie di analisi per contrastare l’emergenza Coronavirus. Per questo motivo sosteniamo unprogetto Open Source attraverso cui rendere disponibili dati e informazioni.

Il problema: i dati non tornano

Nei giorni passati, molti attori istituzionali e media hanno avanzato ipotesi circa la possibile discrepanza tra il dato reale di decessi legati all’emergenza e quanto comunicato dalla Protezione Civile. Gli indizi che suggeriscono tale ipotesi sono molteplici.

1. I dati condivisi dai Comuni mostrano un’anomalia

Luca Foresti, CEO del Centro Medico Santagostino pubblica su LinkedIn una chart (parzialmente da noi rielaborata) riferita al periodo 1–23 Marzo. Poi ripresa dalle principali testate italiane. Il moltiplicatore aggiunto nella tabella indica il rapporto tra le morti osservate nel 2020 rispetto alla media dei 4 anni precedenti. In questo computo, sono state escluse le morti attese o quelle già attribuite al COVID-19.

Press enter or click to view image in full size
Fonte: Rielaborazione da Luca Foresti (Centro Medico Sant’Agostino)

2. I dati parziali di Bergamo

Nei giorni successivi viene pubblicata una chart sull’Eco di Bergamo (link) che mostra l’andamento dei reali decessi nella città di Bergamo, accompagnato anche da un Tweet da parte del sindaco, Giorgio Gori.

Fonte: L’Eco di Bergamo su dati del Comune di Bergamo

3. I criteri di attribuzione dei decessi a COVID-19

Secondo la comune interpretazione del dato ufficiale, i decessi comunicati giornalmente dalla protezione civile indicano il . Appare chiaro quindi che una persona che abbia contratto il Covid-19 e sia morta prima di aver potuto svolgere un tampone non risulta contabilizzata dalla protezione civile.

Molte (persone ndr) in ospedale non riescono proprio ad arrivare e muoiono a casa: sono quasi tutti anziani con la polmonite, casi di Covid-19 non censiti, che sfuggono ai radar

— Giorgio Gori, Il Messaggero (25 Marzo 2020)

4. La strategia di esecuzione dei tamponi

In questo scenario, la strategia di tamponamento può influire molto sui dati dei decessi attribuiti al virus. Abbiamo potuto osservare l’adozione di approcci differenziati tra regioni diverse e, in alcuni casi, dei cambi di strategia all’interno della medesima regione nel tempo. Ciò sicuramente riduce la comparabilità e l’usabilità dei dati nel tempo. In generale, permane l’impressione, al momento meramente qualitativa e passibile di errore, che vi sia un ben più ampio numero di persone, che hanno contratto il virus e versano in difficili condizioni di salute, che non hanno fatto ancora il tampone o, nei casi peggiori, non hanno fatto in tempo a farlo.

Press enter or click to view image in full size
Fonte: Luca Foresti (Centro Medico Sant’Agostino)

Le morti (non) contabilizzate con, per o per causa indiretta del Covid-19

Abbiamo sentito spesso parlare negli ultimi giorni della differenza tra morte con e per Covid-19, che intende distinguere le persone “PER”, che hanno visto degenerare un quadro clinico già compromesso e quelle “CON”, in cui il virus ha determinato un exitus inaspettato. Differenziazione che ha fatto molto discutere.

A nostro avviso, ci sarebbe un terzo effetto che varrebbe la pena considerare, ovvero la . È chiaro che mentre il COVID-19 sta mietendo tante, troppe vittime, tante altre persone continuano a morire per altri motivi e complicazioni non imputabili (almeno direttamente) al virus. È ragionevole pensare che un potenziale stress del personale medico-ospedaliero e dei mezzi (es. ambulanze) potrebbe aver indirettamente causato la morte di pazienti che altrimenti avrebbero potuto essere salvati.

Esempio: Si immagini un caso di arresto cardiaco o un’appendicite, trattabile in condizioni normali. Nello scenario attuale, tale paziente potrebbe essere vittima di una limitata disponibilità delle ambulanze o un sovraccarico del pronto soccorso e quindi morire proprio a causa dello stress imputabile al Covid-19: per l’appunto un decesso per causa indiretta.

Occorre sottolineare un fatto: . La metodologia applicata si propone esclusivamente di analizzare il fenomeno in modo da suggerire un punto di vista più ampio. Ad ogni modo, l’ipotesi sopra descritta può essere meglio studiata solo nel caso in cui fossero rese disponibili informazioni circa le condizioni cliniche dei deceduti siano essi stati ospedalizzati o meno.

Per riassumere, riteniamo ragionevole pensare che alcune persone, trattabili in condizioni di normalità, possano essere morte a causa dello stress del SSN da COVID-19. È giusto considerare questo persone come vittime del virus, seppur indirettamente? A nostro avviso sì.

La proposta di una metodologia per stimare il reale numero di decessi

Alla luce di queste considerazioni, in BuildNN abbiamo provato a sperimentare un approccio basato sull’utilizzo di algoritmi di Machine Learning e sugli Open Data disponibili, tra cui Google trends. Quest’ultimo è uno strumento che permette di ricavare la frequenza relativa delle parole cercate su Google in un determinato periodo di tempo, in una specifica area geografica o lingua.

Abbiamo analizzato il trend delle in Lombardia. Una keyword che tendenzialmente viene cercata per un solo e chiaro motivo e non per ottenere informazioni (come invece potrebbe essere”necrologio”). I dati Google, nella loro versione Open, purtroppo non danno indicazione sul volume effettivo ma solo sul trend. Di seguito sono mostrate le analisi basate sui dati Google trends:

Press enter or click to view image in full size
Schermata dal sito Google Trends per la ricerca “onoranze funebri”; Fonte: Google Trends
Press enter or click to view image in full size
Analisi dati dello storico delle ricerche della keyword dal 2004 a oggi (con granularità mensile)
Press enter or click to view image in full size
Focus sugli ultimi 3 mesi (con granularità giornaliera)

Abbiamo applicato degli algoritmi di scomposizione della serie storica, per:

  • Isolare la (parzialmente attribuibile anche al processo di crescente digitalizzazione, ossia più persone che nel corso degli anni utilizzano le ricerche online);
  • Isolare la delle ricerche della keyword “onoranze funebri” su Google trends.
Press enter or click to view image in full size
Il trend e la stagionalità nelle ricerche Google per “onoranze funebri”

Abbiamo poi confrontato la stagionalità della ricerca della keyword con la . Guardando il risultato, è possibile osservare un andamento sostanzialmente, seppure con lievi variazioni in determinati periodi dell’anno. Si noti che entrambi i dataset hanno granularità mensile (il dettaglio settimanale o giornaliero non è noto)

Press enter or click to view image in full size
Confronto tra l’andamento normalizzato dei Decessi (ISTAT) e le ricerche Google per “onoranze funebri”

Eliminando dall’aggregato delle ricerche google per “onoranze funebri” gli effetti precedentemente isolati, la mostra in modo più evidente l’anomalia. Il grafico risultante assomiglia molto alla mortalità osservata nel comune di Bergamo. Il tassello mancante consiste nel riuscire a convertire la materialità delle ricerche su Google trends in una stima del range di decessi.

Press enter or click to view image in full size
Ricerche Google per “onoranze funebri” al netto del trend osservato negli ultimi anni

A questo punto abbiamo cercato di studiare meglio l’ e verificare che la sua progressione cumulativa potesse avere un andamento assimilabile a un . A tal fine siamo passati a una granularità giornaliera, disponibile in Google Trends per le ricerche meno estese nel passato (in questo caso gli ultimi 3 mesi). Abbiamo, inoltre, incluso nell’analisi alcune keyword che non hanno subito nessun comportamento anomalo legato a coronavirus (“Plaid” e “Crema solare”), e che possano fungere da “base” per un modello previsionale. Qui sotto possiamo vedere l’andamento nel tempo:

Fonte: BuildNN, rielaborazione da Google Trends

Applicando degli algoritmi per la stima dell’impatto (impact analysis) si riesce a descrivere l’ che in questo caso abbiamo fatto coincidere con l’.

Get Giacomo Barone’s stories in your inbox

Join Medium for free to get updates from this writer.

La curva dell’impatto cumulativa può essere tranquillamente assimilabile a quella di una crescita , tipica di un’epidemia, possiamo dirci quindi soddisfatti nella scelta del regresso, ovvero la keyword “onoranze funebri”.

Press enter or click to view image in full size
Fonte: BuildNN, rielaborazione da Google Trends

: Il grafico si articola in tre sezioni sovrapposte:

(1) Observation vs prediction: la linea continua nera mostra l’andamento osservato e viene confrontato con una baseline sintetica, ovvero “quale sarebbe stato l’andamento senza shock?”. In questo caso abbiamo indicizzato la baseline a keyword che non mostrano anomalie rispetto al shock analizzato.

(2) Difference: mostra la differenza tra la linea continua nera e la tratteggiata della prima sezione

(3) Cumulative impact: mostra la curva cumulativa di quanto mostrato nella seconda sezione e vuole indicare l’impatto cumulativo che lo shock ha avuto sul fenomeno analizzato.

Siamo ben coscienti del fatto che stimare il numero di decessi non implica che ciò sia interamente imputabile al Covid-19, ma eliminare la mortalità attesa nello stesso periodo aiuterebbe a stimare l’incidenza incrementale per effetti diretti o indiretti.

Analisi di scenario: COVID vs NO-COVID

Abbiamo utilizzanto un algoritmo di forecast sui dati Istat sulla mortalità mensile in Lombardia (periodo analizzato 2015–01 ~ 2019–11) per proiettare il numero di decessi attesi fino a fine marzo 2020. Nel primo scenario abbiamo chiesto al modello di , utilizzando solamente lo storico come base. Nel secondo, quello purtroppo attuale, il modello ha della keyword “onoranze funebri”. I grafici sono di seguito mostrati:

Press enter or click to view image in full size
Analisi di scenario: decessi che ci si sarebbe potuti attendere in Lombardia in uno scenario “NO-COVID”
Press enter or click to view image in full size
Analisi di scenario: decessi che ci attende in Lombardia nello scenario “COVID”

Purtroppo, lo scenario Covid è molto ai dati sui decessi nel comune di prima proposto:

Fonte: L’Eco di Bergamo su dati del Comune di Bergamo

Il per sovrapposizione dei due grafici appena mostrati, permette di valutare in maniera più netta il “delta” stimato.

Press enter or click to view image in full size

L’analisi suggerisce che il numero di decessi attesi a marzo 2020 nello scenario senza COVID-19 sarebbe stato di 8.813 unità [], nello scenario attuale, con COVID-19, si stima un quindi 9.189 [] in più rispetto alla baseline.

Con COVID-19, si stima un numero di decessi complessivo di 18.002 [stima] quindi 9.189 [delta] in più rispetto alla baseline.

Il valore del delta va rapportato al dato dei decessi comunicato dalla Regione Lombardia. Ci sembra ragionevole considerare almeno un lag di 24 ore tra la data del decesso e la data della comunicazione per cui per l’analisi svolta al 30 Marzo si considerino i morti al 29 Marzo, ovvero 6360. Verrà comunque fornita indicazione del rapporto contestuale al 30 Marzo con un numero di morti comunicato di 6818:

  • : 18002 / 8813= +104% (2.04x)
  • : 9189 / 6360= +45% (1.45x) o 9189 / 6818= +35% (1,35x)

Per il moltiplicatore Covid-19 vale l’ipotesi che nessuno dei decessi attesi (8813) possa essere stato impattato direttamente o indirettamente dal Covid-19 e che quest’ultimo abbia avuto un effetto additivo).

Se consideriamo la sola provincia di Bergamo, epicentro attuale della pandemia in Lombardia, il rapporto tra il numero dei decessi registrati (come riportati dalla stampa e mostrati all’inizio di questo studio) rispetto alla media storica, mostra un valore che si aggira intorno al 4,5x . Qualora si estendesse il perimetro all’intera regione Lombardia — come nella nostra analisi — la stima di un moltiplicatore che si attesti attorno al 2.0x e il 2.5x non sembrerebbe così infondata. Questo dato è da considerarsi tuttavia ancora molto sensibile, così come le assumption del nostro modello che restano comunque da validare:

  • la keyword “onoranze funebri” sia un buon predittore del fenomeno analizzato;
  • il dato di G trends (che viene “dato” e le sue modalità di calcolo/aggiornamento non sono completamente trasparenti) sia standardizzato e idoneo all’utilizzo proposto.

: Analizzando il recentissimo update da parte dell’Istat (31 marzo), che ha raccolto i dati di circa 250 comuni in Lombardia (su un totale di circa 1500) e con dati aggiornati fino al 21 marzo, sembra che il trend sia allineato alla nostra stima, ma ulteriori analisi sono sicuramente necessarie.

Press enter or click to view image in full size

Considerazioni finali: come sfruttare queste informazioni? Quali i prossimi passi?

In primo luogo, l’analisi svolta suggerisce che una gestione dell’emergenza basata sulle performance e sulla tenuta del Sistema Sanitario su base locale sia preferibile all’utilizzo dei tamponi e i relativi casi positivi come unica bussola per la prioritizzazione e programmazione degli interventi. — o impatti indiretti— di un’emergenza sanitaria come quella che stiamo affrontando. In tale contesto, vigilare sulle cause di ricovero (o mancato ricovero) diverse da quelle COVID-19 potrebbe rivelare un’emergenza altrettanto rilevante.

Risulta prioritario quindi riuscire a individuare e a stimare l’ (es. Posti letto dedicati e saturati, tempo di messa a disposizione e sanificazione delle ambulanze, divisione degli spazi, organizzazione del personale medico, messa a disposizione dei materiali, etc.). Conoscere i principali scogli che causano un allungamento dei tempi d’intervento, un aumento dell’esposizione al rischio per il personale medico, o soprattutto un importante impatto indiretto sulla capacità di far fronte ai trattamenti per altre patologie, consentirebbe di degli innumerevoli soggetti che si stanno mettendo a disposizione per contribuire a combattere il virus.

L’analisi e la metodologia proposta vuole essere un esempio di come analisi predittive e simulazioni avanzate possano aiutare ad le tempistiche ed il grado di profondità con cui si recepiscono i segnali di emergenza, e . In uno scenario epidemico, anticipare il più possibile le azioni di profilassi è un fattore critico.

Nei prossimi giorni proveremo a particolarmente colpite dal Covid-19, utilizzando come riferimento il dato giornaliero. Confrontando regioni diverse, sarebbe sicuramente utile introdurre un fattore di correzione che tenga conto delle differenze locali sia nell’utilizzo di Google search sia dell’utilizzo della keyword “onoranze funebri”. Questo elemento non è presente in questa analisi e verrà successivamente introdotto.

Tuttavia, con una maggiore profondità dei dati disponibili:

  • Dettaglio per comune o provincia delle ricerche Google trends
  • Dati effettivi dei decessi con cadenza giornaliera il più aggiornati possibile

sarebbe verosimile l’individuazione dei fattori di conversione locali, che . Ciò potrebbe essere utile per identificare quelle aree che più stanno registrando dei decessi e, in caso di difficoltà nel controllo centralizzato, supportare la degli interventi con delle indicazioni direzionali, specialmente nell’ infausto caso di un’accelerazione del . Inoltre, la messa a disposizione di informazioni dettagliate favorirebbe una complessiva operazione di trasparenza e utile a sensibilizzare la popolazione italiana e non solo. Inoltre, qualora i dati qui stimati fossero veritieri, risulta ancora più importante non solo mantenere e rispettare le misure di isolamento, ma anche evitare attività che potrebbero mettere a rischio la salute individuale.

Infine, il tema della disponibilità degli risulta ancora una volta centrale nella gestione della cosa pubblica e nello specifico dell’emergenza che stiamo vivendo. La messa a disposizione di serie storiche di dati di dettaglio (almeno dal 2015 fino al dato più recente disponibile, non utile se non include dati relativi all’emergenza, febbraio-marzo) permetterebbe a tutta la comunità statistica e delle startup italiane di poter . Ad esempio:

  • numero ricoveri con breakdown per patologia
  • decessi
  • tamponi eseguiti

con un profondo livello di dettaglio e granularità:

  • geografico (comune o singolo ospedale, anche solo provincia)
  • temporale (dati giornalieri)
  • tempestività (dallo storico al dato più recente possibile),
  • profili delle persone decedute, ricoverate e se sottoposte a tampone (age group e condizioni pregresse) ed esito del tampone. [Dati chiaramente anonimizzati]

: Istat in collaborazione con il Ministero dell’Interno hanno operato l’acquisizione dei dati dell’Anagrafe Nazionale della Popolazione Residente (ANPR) e pubblicato il 31 marzo un dataset analitico con i decessi giornalieri in ogni singolo comune per sesso e classi di età quinquennali (per i primi 4 mesi degli anni che vanno dal 2015 al 2019 e, solo per i comuni verificati, l’aggiornamento per il periodo che va dal 1° gennaio al 21 marzo 2020). Si plaude all’iniziativa in quanto sicuramente faciliterà il lavoro della comunità sopra menzionata.

Il team di lavoro è disponibile per consolidare ed estendere le metodologie di analisi per contrastare l’emergenza Coronavirus. Per questo motivo sosteniamo unprogetto Open Source attraverso cui rendere disponibili dati e informazioni aperto al contributo di data scientist, economisti, giornalisti e studiosi delle materie trattate.

About BuildNN

Buildnn è una start-up, nata nel 2020, da Giacomo Barone, Vincenzo Marino ed Enrico La Sala che offre strumenti e soluzioni a supporto del data-driven decision making per il mondo retail e della distribuzione. I servizi BuildNN si basano su innovative tecniche di Machine Learning e hanno come obiettivo la diffusione di una cultura aziendale data-driven e la traduzione della complessità con strumenti accessibili al management.

: https://www.buildnn.com

: https://www.linkedin.com/company/buildnn

Made by BuildNN Team, Giacomo Barone, Vincenzo Marino and Enrico La Sala
Hoping for a better future

BuildNN

--

--

buildnn-covid19
buildnn-covid19

Published in buildnn-covid19

Analizzare funzioni e gestione del Sistema Sanitario Nazionale e l’evoluzione del Covid-19 per disegnare un futuro migliore