大流行病数据陷阱中的固有偏见和/或错误分析

关于COVID-19大流行病病程和演变准确且近乎实时的数据，能为全球公共卫生缓解策略和政策提供实质性的讯息。尽管已经通过多种类型的数据，包括感染率、住院率及死亡率追踪此大流行病的多个方面，但Christina Pagel和Christian Yates在相关文献中认为，存在在各个数据源的分析中固有的偏见和陷阱，需要被认知和被重视。作者们写道：“由于选择正确的缓解政策需要依赖于对当地流行病当前状态的评估，因此，曲解数据的潜在后果是严重的”。Pagel和Yates概述了目前在全球范围内追踪COVID-19的方式，例如通过病例率，并强调了相关数据中潜在固有偏见的来源。更重要的是，作者们讨论了目前尚未能捕获可靠的数据，特别是关于已被感染者持续性拥有COVID-19症状的发生率，和接种疫苗的个体中的突破性病例。根据Pagel和Yates的说法，利用所有可用数据来量化此大流行病，对于解决它是至关重要，而过度依赖单一数据源或有限选择的汇总数据，可能会误解流行病的状况。