Για την ανάλυση της υπερέχουσας θνησιμότητας για το 2020 στην Ελλάδα, χρησιμοποιήσαμε τα επίσημα δεδομένα που δημοσιοποίησε η Ελληνική Στατιστική Αρχή (ΕΛΣΤΑΤ) με τα εβδομαδιαία στοιχεία θανάτων.
Ο δείκτης της θνησιμότητας περιγράφει τη σχέση των θανάτων σε σχέση με έναν συγκεκριμένο πληθυσμό, όπως για παράδειγμα τον πληθυσμό μιας χώρας. Η θνητότητα μας δείχνει την αναλογία θανάτων από κάποια νόσο σε σχέση με τον συνολικό αριθμό ανθρώπων που έχουν διαγνωστεί με αυτή τη νόσο.
Ο δείκτης υπερέχουσας θνησιμότητας ορίζεται ως οι πραγματικοί θάνατοι ανεξαρτήτως αιτίας, μείον τους στατιστικά αναμενόμενους θανάτους. Για παράδειγμα, εάν υποθέσουμε ότι την 40η εβδομάδα του 2020 σε μια χώρα καταγράφηκαν 100 θάνατοι, ενώ τα προηγούμενα πέντε χρόνια (2015-2019) είχαν καταγραφεί, κατά μέσο όρο, την ίδια εβδομάδα, 80 θάνατοι, θα λέγαμε ότι την 40η εβδομάδα του 2020, είχαμε 25% περισσότερους θανάτους από τους στατιστικά αναμενόμενους (υπερέχουσα θνησιμότητα).
Για την εκτίμηση των στατιστικά αναμενόμενων θανάτων το 2020, υπολογίσαμε τον μέσο όρο εβδομαδιαίων θανάτων της περιόδου 2015-2019. Στη συνέχεια, υπολογίσαμε το p-score, δηλαδή αφαιρέσαμε τους καταγεγραμμένους θανάτους το 2020 από τους εκτιμώμενους και διαιρέσαμε τη διαφορά με τους εκτιμώμενους. Πολλαπλασιάσαμε το πηλίκο με το 100, ώστε να έχουμε ποσοστιαίο αριθμό. Μπορείτε να μάθετε περισσότερα για τον υπολογισμό του p-score στο άρθρο του Our World in Data.
Αυτή η ανάλυση αποτυπώνει μια βασική εικόνα για την υπερέχουσα θνησιμότητα. Ωστόσο, πρέπει να σημειώσουμε ότι δεν έχει γίνει διόρθωση στα στοιχεία βάσει των τάσεων αλλαγής του μεγέθους του πληθυσμού, της γήρανσης και της θνησιμότητας. Για παράδειγμα, εάν υπάρχει στη χώρα αυξημένη τάση θνησιμότητας, ο πενταετής μέσος όρος θα υπερεκτιμά τους υπερβολικούς θανάτους. Ενώ, εάν καταγράφεται μειωμένη τάση θνησιμότητας, η υπερέχουσα θνησιμότητα υποτιμάται.
Για να εκτιμήσουμε τι ποσοστό από τους υπερβάλλοντες θανάτους αντιστοιχεί σε θανάτους επιβεβαιωμένων κρουσμάτων COVID-19, στην πρώτη ανάλυση για το «excess mortality» τον περασμένο Φεβρουάριο, είχαμε χρησιμοποιήσει στοιχεία ημερήσιων θανάτων από τις ημερήσιες ανακοινώσεις του ΕΟΔΥ, τα οποία λάβαμε μέσω του ανοικτού API του iMEdD.
Υπόδειγμα κλήσης στο API του iMEdD Lab με Python
import requests
import pandas as pd
url = 'https://covid.imedd.org/global/grc/all/2020-10-12/2020-12-06/'
data = requests.get(url).json()
df = pd.DataFrame(data)
Ο ΕΟΔΥ ανακοινώνει καθημερινά τον αριθμό νέων θανάτων βάσει της ημερομηνίας γνωστοποίησης του θανάτου σε αυτόν. Ωστόσο, αυτός ο αριθμός δεν αντιστοιχεί στον ημερήσιο αριθμό των εργαστηριακά επιβεβαιωμένων θανάτων COVID-19. Γι’ αυτόν τον λόγο σε αυτήν την ανάλυση, χρησιμοποιήσαμε στοιχεία των εργαστηριακά επιβεβαιωμένων θανάτων από το αντίστοιχο γράφημα της ημερήσιας έκθεσης του ΕΟΔΥ. Αυτή η διαφορά επηρεάζει την ανάλυση κατά τρεις ποσοστιαίες μονάδες. Δηλαδή, από τους περίπου 8.300 στατιστικά μη αναμενόμενους θανάτους, βάσει των ανακοινώσεων του ΕΟΔΥ, το 58% είναι επιβεβαιωμένα κρούσματα COVID-19, ενώ βάσει των εργαστηριακά επιβεβαιωμένων θανάτων από COVID-19 το ποσοστό είναι 61%.
Για τον υπολογισμό του «excess mortality» ανά Περιφέρεια της χώρας, χρησιμοποιήσαμε στοιχεία από τα δύο αποκλειστικά θέματα του iMEdD Lab για τους θανάτους ανά Περιφερειακή Ενότητα, τον περασμένο Δεκέμβριο και τον περασμένο Φεβρουάριο. Έχοντας ως σημεία αναφοράς τους θανάτους έως την 10η Δεκεμβρίου και έως τις 18 Ιανουαρίου και τον συνολικό αριθμό θανάτων στη χώρα έως την 31η Δεκεμβρίου, υπολογίσαμε πόσοι θάνατοι εκτιμάται ότι συνέβησαν ανά Περιφερειακή Ενότητα έως την 31η Δεκεμβρίου. Βάσει αυτής της εκτίμησης υπολογίσαμε το «excess mortality» ανά Περιφέρεια.
Για τον συνολικό υπολογισμό της μέσης ηλικίας των ασθενών που κατέληξαν εντός και εκτός ΜΕΘ, είχαμε στη διάθεσή μας τη διάμεση ηλικία ανά εβδομάδα των ανθρώπων που κατέληξαν. Ελλείψει αναλυτικών δεδομένων ανά ασθενή που κατέληξε, επιλέξαμε να υπολογίσουμε τον μέσο όρο των διάμεσων ηλικιών.
