常に検証可能なデータを求める文化に向かって

第7次感染の経路。国内4か所から始まったと見られる感染のビッグバーンとその感染通路の追跡。

直前のブログに書いたように日本各地の感染時系列推移曲線の相互相関は良い事から、その日差を追随することで感染通路を推定してみた。

それぞれの地区でのビッグバーンは　沖縄が東京の6日前、島根が1日前、北海道が7日遅れで始まった。

各行政区毎に集計された感染確認者の時系列推移について、日ずらし相互相関係数を求め比較した。

ここでは、最北端の北海道、最南端の沖縄、人口交流の多い東京と大阪の5地区を基準地域として、全国47地域との日ずらし相互相関係数の最大値を比べてみた。

相互相関係数が大きいほど両地域の感染時系列の相似形が大きいことを示し、この時の日差は感染の伝搬経路を示すと推定される。しかし、行政区毎の日ごと人口交流数が分からなれば感染の伝搬速度は求めれれない。

日本の47地方行政区には北東の北海道を1として南西方向に沖縄まで順次コード番号が割り振られている。地図参照。したがって、行政区域間の相互距離を概観するための便法として、このコード差を用いてみた。

下のグラフは、5地区の基準地域に対するコード差と相関係数の関係を重ねて表示したものである。

最も顕著な違いは、北海道の場合で、他の地域との相関が悪い。他の地域との人口交流が少ないこともあるが、感染に関与した変異株が異なっているとも見られる。

他の国内全域は東京や大阪との相関関係が大きく、相関係数0.95以が90％以上を示し、殆どの地域が東京、大阪より遅れて感染推移が移っていることから人口交流の大きい東京、大阪が感染の発生源であることが推定される。

以上の様に、日本の感染は全国での一様性が大きく、北海道、沖縄を除く全地域では特徴が見られない。

第8次感染では北海道及び東北・北部日本海側の発生が東京の約3週間前から始まった。これらの変異株が日本中に感染したのか、それとも別の変異株が東京からの感染広がりと重なったものかは分からない。

統計グラフで見る限り、東京以降の感染広がりは前回第7次感染と似通って見える。ゲノム分析の結果が知りたい。

グラフの誤り訂正。申し訳ありません、グラフを訂正しました。

第7次感染暴発は最大で孤立した時系列の変異であった。この感染確認者数の地域別感染経緯の変遷を追跡してみた。

上のグラフは、左から各地域の感染系列の遅れ日数、感染確認者の総計数、ピーク時に於ける感染者数の最大人数、東京の感染推移曲線との移動相互相関係数の最大値。何れも各地域ごとに人口10万人当たりに換算した3週間移動平均値を道いた。

沖縄、島根を除く45地域では、東京から始まって日遅れの感染が進み最後の徳島迄2週間の遅れが見られる。最左列のグラフ。

先ず、一番の特徴は沖縄で東京より6日速く感染が始まり、感染者率が最も大きい。感染推移曲線の他の地域との相互相関は比較的下位にあることから異なった感染経路又は異種のゲノムの変異株とも考えられる。他の例外では、島根の場合人口が少ないことから見られる誤差かもしれない。

感染確認者数の頂点に於ける人数、第7次の累計感染確認者数、何れも感染の遅れとともに減少している。左から2，3列のグラフ。

各地域の感染曲線の東京に対する相互相関係数は殆ど0.95以上で、各地域ごとの感染時系列は非常によく似ている経過を辿っていることが分かる。最右グラフ。

このように、日本の感染は、最も人口交流の激しい東京から始まり、2週間以内に国内全域に蔓延した。感染の時系列曲線の形態は各地域とも非常によく一致しているが感染が遅れた地域では感染者が少ない傾向がある。

＊＊　誤ったグラフ　＊＊

感染確認者推移とその集団から遅れて発生する死亡者推移について、各感染増大次数毎に分けて分析し、グラフに示した。

下の表に各次元ごとの特性を示す。

先ず、感染確認者数と死亡者数曲線の日ずらし相互相関係数の最大値はすべて0.9以上で非常によく一致していて、このことは、集計データの信頼性を示していると考えられる。

感染確認者の日差調整後の死亡率は異なり第1次から4次までが1％以上、第5次から第7次までは0.3％以下であるが、不気味にも第8次ではまた2％以上になって死亡率の高い変異株であることが推定される。

感染確認から死亡者が記録されるまでの日遅れは何れも2週間から3週間程度であった。

昨日のブログ記事、対数グラフで纏めてみた。

2021年月以降日本の人口に対する感染確認者数は他の国と変わらなく上昇したが、感染者の死亡率は低い状態を維持していることが分かる。

最も正確と見られる日本の集計データ。

世界で感染が拡大して3年近く、いろいろな情報が流された。ここでは、OWiDが集計したデータに基づいて感染確認者数と死亡者数の推移との関係を比べてみた。休日などの社会的活動の変化を軽減すあるため、日々の集計値の3週間(21日）移動平均（rolling average)用いた。

下の組みグラフは上段から、各国の感染確認者数と死亡者数、感染確認と死亡数推移の日遅れ相互相関係数、及び日遅れを補正した感染者の死亡率を示した。

当然ながら、感染者と死亡者の推移曲線には相関があるはずで、3年間の全機関について感染確認曲線に対し死亡遅れを進めながら移動相互相関係数を示したものが中断の確率グラフである。

死亡率グラフは、感染確認数に死亡遅れ日数を進め重ね合わせた時の感染確認者に対する死亡率である。

下の表は、上記の要点を纏めたものである。

ここで特筆すべきは、日本の場合、感染確認者曲線と死亡曲線の相互相関係数に強い関連性を示している。相関係数0.89。これは、わが国の場合、当初から発熱など感染発症者とその濃厚接触者をもれなく検査した医療機関・保健所などのぶれない集計、実行可能な検疫方式を貫いた結果ではなかろうか。

人口当たりのこの期間中の総死亡者率は0.06で他の国に比べ極めて少ない結果を示している。

3年余り、発生初期の混乱期を含め、地域保健所及び医療機関からの報告による集計値。これは、統計的にぶれない一貫した根拠による貴重なデータと見られる。

下のグラフは、日々の集計数を週日や長期休日の影響を軽減するため3週間(21日）平滑化平均値を用いて描いたものである。感染確認者数の時系列にほぼ一定期間遅れて死亡者数が推移している様子が見られる。

縦軸を対数軸にして表したのが次のグラフで、感染、死亡共に上昇の傾向が続いていることが分かる。この対数グラフで直線近似が見られることは、実際の上昇は指数関数的に増大していることを意味し、まだ安心できない状況であることが分かる。幸いなことに、感染者増に比べ死亡者の上昇が低く推移していることが分かる。

感染確認数と死亡者数推移から日ずらし相互相関係数から死亡遅れの日数を統計的に推定できる。その結果は下のグラフの様で、1６日あたりと見られる。

感染確認者の中から発生する死亡遅れを調整した死亡率推移と総人口に対するワクチン接種率を比較してみた。何れも3週間(21日）移動平均を用いた。死亡率は厚生労働省のデータを用いて計算*、ワクチン接種率はOWiDの集計値を用いた。

これだけを見る限り、死亡率に対してはワクチンの接種効果は偉大な様に見える。

total_vaccinations_per_hundred　　　Total number of COVID-19 vaccination doses administered per 100 people in the total population　

total_boosters_per_hundred　　　　Total number of COVID-19 vaccination booster doses administered per 100 people in the total population

Data on COVID-19 (coronavirus) by Our World in Data・　日本のデータをどのデータベースからどのように集計したかが分からない。

一方、感染確認者数の推移とワクチン接種率をグラフにすると以下の様にワクチンによ感染防止効果は見られない。

COVID-19発生当初から見ると、感染は何度かの増加・減少を繰り返し、それぞれゲノムに違いが見られるようである。死亡率の減少はウィルスの形質の変化であり、実際に投与されたワクチンの成果とは言えないともいえる。総合的な研究の対象にはなろう。

*　死亡率の計算についてのブログ記事。

COVID-19 感染確認者数と死亡者数　3週間移動平均配列間の日ずらし相互相関係数最大値から求めた死亡率

2023/02/01

厚生労働省のオープンデータによる東京の日ごとの感染確認集計数から。

指数近似で用いたデータは

I_n=I_n-1R₀e^{((αn-1)/7+1)}　　　n：近似は開始からの日数　

I₀=1800,   R₀=1.6,   α=-0.0086

今回は、年末年始の長期休暇と社会的人口交流の変化の期間に当たりその影響を軽減するため、3週間(21日）移動平均を用いた。

感染力の強い特定の変異株の寿命が感染収縮の主要な変数として近似できるのでは？