Bewertung der COVID-19 Impfquote Schätzungen

Anfang 2021 haben zwei grosse Online-Umfragen versucht, die Impfquote für COVID-19 in den USA zu schätzen, aber die Ergebnisse waren ungenau. Die Umfragen hatten zwar grosse Stichprobengrössen, schätzten aber viel zu hoch, wie viele Leute mindestens eine Dosis des Impfstoffs erhalten hatten. Diese Diskrepanz hat Fragen zur Zuverlässigkeit dieser Umfragen aufgeworfen, vor allem wegen der sehr niedrigen Rücklaufquoten. In diesem Artikel wird besprochen, wie ein bestimmter Modellierungsansatz helfen kann, die Impfquote genauer zu schätzen und den Bias von Nicht-Teilnehmern zu berücksichtigen.

#Hintergrund zu den Umfragen

Die beiden Umfragen waren die Census Household Pulse Survey (HPS) und die Delphi-Facebook COVID-19 Trends and Impact Survey (CTIS). Beide Umfragen wurden als Reaktion auf die Pandemie gestartet, um wichtige Informationen darüber zu sammeln, wie COVID-19 das Leben der Menschen beeinflusste, einschliesslich ihres Impfstatus.

Die HPS wurde vom US-Zensusamt geleitet und hatte das Ziel, schnell Daten über die Auswirkungen der Pandemie zu sammeln. Sie konzentrierte sich auf verschiedene Faktoren wie Beschäftigung, Ernährungssicherheit, körperliche und psychische Gesundheit und später auf Fragen zum Impfstatus. Die HPS wollte Daten von Tausenden von Haushalten sammeln, aber die Rücklaufquoten waren niedrig – zwischen 6,6 % und 7,8 %.

Die CTIS war eine Zusammenarbeit zwischen der Muttergesellschaft von Facebook und akademischen Institutionen. Diese Umfrage sammelte eine riesige Menge an Daten, wobei die unbestätigte Rücklaufquote bei etwa 0,5 % bis 1,5 % lag.

#Das Bias-Problem

Trotz der grossen Anzahl an Befragten hatten beide Umfragen problematische Rücklaufquoten. Der Bias in den Ergebnissen könnte von den Personen stammen, die sich entschieden haben, nicht teilzunehmen. Man glaubt, dass Personen, die zögerlich oder gegen Impfungen waren, weniger wahrscheinlich auf Fragen zu ihrem Impfstatus geantwortet haben. Diese Nicht-Teilnahme könnte zu einer Überbewertung der Impfquote führen, da die Umfragen möglicherweise die Meinungen und Status der gesamten Bevölkerung nicht angemessen widerspiegeln.

#Proxy Pattern-Mixture Models (PPMM)

Um das Bias-Problem anzugehen, haben Forscher ein Verfahren namens Proxy Pattern-Mixture Models (PPMM) angewendet. Dieser Ansatz ermöglicht es den Schätzern, die Biases zu berücksichtigen, die sich aus einem unvollständigen Bild der Befragten ergeben. Statt nur die Befragten zu betrachten, berücksichtigt PPMM, was in der breiteren Bevölkerung vor sich gehen könnte.

Bei der Anwendung von PPMM verwenden die Forscher Demografische Daten (wie Alter, Rasse, Geschlecht und Bildung), um ein genaueres Bild von der Impfquote zu erstellen. Diese demografischen Variablen haben eine gewisse Beziehung zu den Ansichten der Menschen über Impfungen, was es den Forschern ermöglicht, die Schätzungen entsprechend anzupassen.

PPMM funktioniert effektiv, indem es die Befragten basierend auf ihren Eigenschaften gruppiert und diese Gruppen mit den bekannten demografischen Daten der Bevölkerung vergleicht. Die Idee ist, dass das Modell für den Mangel an bestimmten demografischen Gruppen in den Umfrageantworten anpasst.

#Anwendung von PPMM auf Impfschätzungen

Mit PPMM konzentrierten sich die Forscher darauf, den Anteil der Erwachsenen zu schätzen, die mindestens eine Dosis des COVID-19-Impfstoffs erhalten haben. Sie begannen damit, demografische Daten aus verschiedenen Umfragen zu sammeln und kombinierten diese Daten dann mit den Antworten der HPS und CTIS. Mit dieser Methode konnten sie evaluieren, wie viele Menschen in der Gesamtbevölkerung möglicherweise geimpft wurden, unter Berücksichtigung derjenigen, die nicht auf die Umfragen geantwortet haben.

Die Forscher stellten fest, dass die Schätzungen, die mit PPMM generiert wurden, viel näher an den tatsächlichen Impfquoten lagen, die von den Centers for Disease Control and Prevention (CDC) berichtet wurden. Während die ursprünglichen Umfrageschätzungen viel höhere Impfzahlen vorhersagten, boten die PPMM-Schätzungen einen realistischeren Blick auf die Situation. Daher war dieses Modell effektiv darin, den durch die Nicht-Teilnahme entstandenen Bias zu identifizieren und zu korrigieren.

#Schätzung der Impfgegnerschaft

Neben der Schätzung der Impfquote wollten die Forscher auch die Impfgegnerschaft messen, die sich auf die Zögerlichkeit oder Ablehnung bezieht, Impfungen zu erhalten. Ähnliche demografische Faktoren wurden verwendet, um die Raten der Impfgegnerschaft mit PPMM zu schätzen. Personen, die unsicher oder völlig gegen Impfungen waren, wurden als impfzögerlich kategorisiert.

Bei der Verwendung des Modells zur Bewertung der Impfgegnerschaft wurde festgestellt, dass die Umfrageergebnisse möglicherweise zu optimistisch waren und höhere Impfbereitschaft anzeigten als realistisch. Die PPMM-Schätzungen zeigten, dass die Impfgegnerschaft wahrscheinlich unterschätzt wurde, was mit den Schlussfolgerungen über die Impfquote übereinstimmte.

#Ergebnisse und Diskussion

Im Laufe der Analyse hoben die Forscher mehrere wesentliche Punkte hinsichtlich der Effektivität von PPMM hervor:

1. Bias-Identifizierung: PPMM identifizierte erfolgreich die Richtung des Bias und zeigte, dass beide Umfragen die Impfquote überschätzten.

2. Genauigkeit der Schätzungen: Die durch PPMM erzeugten Schätzungen waren besser mit den tatsächlichen Impfstatistiken der Gesundheitsbehörden abgestimmt als die Umfrageschätzungen.

3. Breitere glaubwürdige Intervalle: PPMM erzeugte breitere Vertrauensintervalle, trotz der grossen Stichprobengrössen. Dieses Merkmal ist nützlich, da es die Unsicherheit bezüglich der Schätzungen zeigt und die Einschränkungen der Daten widerspiegelt.

4. Verfügbarkeit von Daten: Ein Vorteil der Verwendung von PPMM ist, dass die benötigten Daten für solche Analysen in der Regel verfügbar sind. Demografische Informationen können oft in bestehenden Datensätzen abgerufen werden, was diese Methode weit verbreitet anwendbar macht.

#Fazit

Diese Analyse zur Impfquote für COVID-19 verdeutlicht, wie wichtig es ist, den Bias durch Nicht-Teilnahme in Umfragedaten zu berücksichtigen. Durch die Verwendung von Proxy Pattern-Mixture Models können Forscher genauere Bewertungen der Impfquote und -gegnerschaft vornehmen. Das bietet nicht nur ein klareres Bild der Impftrends, sondern hilft auch, die öffentlichen Gesundheitsreaktionen in einer kritischen Zeit zu verstehen.

In Zukunft wird es entscheidend sein, dass Forscher und Gesundheitsorganisationen ähnliche Strategien bei der Analyse von Umfragedaten berücksichtigen, insbesondere in Situationen mit niedrigen Rücklaufquoten. Durch das Verständnis der in den Umfrageschätzungen vorhandenen Biases können Entscheidungsträger besser informierte Entscheidungen treffen, um gesundheitliche Herausforderungen anzugehen.