常に検証可能なデータを求める文化に向かって

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？

値域自治体別累積死亡者数（人口10万人当たり）を記録の最終日(2023/2/21日)の値でソーティングし並び変えた３Dグラフを下に示す。死亡者数の違いがあっても日次の累積進行状況は全国ほぼ同じ形態で特異な状況は見られない。

下表は上のグラフの左側壁面左端からのデータに相当する地域名と数値表の詳細である。

最大死亡者数の大阪と最少の新潟を比べると5倍弱の違いが見られるが大多数の地域では大差はない様に見られる。

交通移動量の大きさや人口交流、地理的地域などの違いとの関連性も単純な独立変量としては見られないようだ。

ここでも日本全国の均一性が見られる。

今回の感染増大期は、ピークが年末年始の長期休暇と重なったため、医療活動やデータ集計業務が通常と異なり統計の連続性に混乱が見られた。

それを軽減するために、厚生労働省の日ごと感染確認数の3週間移動平均値について簡易週間再生産率を求め指数関数式による感染曲線を試算した。

下のグラフがその結果である。正月明け6日以後に見られる感染確認数の増加は年末年始の業務遅れの補填値と推定され、これは3週間移動平均線と比べると分かる。

3週間移動平均から求めた簡易再生産率とその指数近似、及び上グラフで用いた修正再生産率近似との関係を下のグラフに示す。

これはオミクロン株とその派生の特徴かそれともほかの原因か？

2022年1月を境に感染確認者の死亡率が際立って低下。この現象は、日本では西ヨーロッパに見られた死亡率の低下開始日より2週間遅れで発生。

感染確認から死亡までの統計的遅れ日数を調整した死亡率。　　　　　　　　　

ヨーロッパの感染確認数、死亡者数の日系列統計値に不連続性ともいえる変化が見られる。

作図に用いたデータ系列は3週間移動平均でその日付は集計期間の初日とした。

2021年10月以前ではそれ以後に比べ感染確認者数が少ない（第1図）。それに対し死亡者数では2021年10月以前の方が際立って大きい(第2図）。異なった2つの統計の様に見られる。

第1図

第2図

2021年10月以降だけでグラフを描いたものが第3図で、隣国との関連性が殆ど見られない。

第3図

死亡者数では、かなり隣国との関連性が見られる。

第4図

この違いをどう見るか？　一般に公表されたデータだけではその原因を調べるのは困難と思われる。

専門家の解説をお願いしたい。

なお、下図はOWiDの西ヨーロッパ5ヶ国の検索コピーで、上記私の同データベースを用いて描いたグラフが間違を冒していないことを確かめた。

用いたデータベース。

Coronavirus (COVID-19) Cases – Our World in Data

３Dグラフにして見た。近隣国でありながら日本の場合と異なり共通性が見られない。

この原因を感染医学的にどう説明できるのだろう？

人々の社会的交流と感染、ウィルスゲノムの地域的な分布の違い、国による医療制度の違いなど関連のあるデータを使った総合的なAIシステムは開発されているとは思うがまだまだ分からないことだらけ。

厚生労働省の日毎確認値の3週間移動平均値を３Dグラフに表し、水平面で反時計回りに回転させてみた。

個々では、統計的に異なる日系列と見える沖縄と島根を除いた45地域について描いた。

ここで注目すべき事実は、日本各地の感染状況が非常に均一であることである。ウィルス感染が2週間以内に全国にほぼ同期して感染する、これを社会的交流だけで説明できるだろうか？