Valutare le stime sul coinvolgimento dei vaccini COVID-19

All'inizio del 2021, due grandi sondaggi online volti a stimare l'adozione dei vaccini COVID-19 negli Stati Uniti hanno prodotto risultati imprecisi. I sondaggi, nonostante avessero campioni ampi, hanno significativamente sopravvalutato quante persone avessero ricevuto almeno una dose del vaccino. Questa discrepanza ha sollevato interrogativi sulla affidabilità di questi sondaggi, soprattutto dato il loro basso tasso di risposta. Questo articolo discute come un particolare approccio di modellazione possa aiutare a stimare l'Adozione del vaccino affrontando il bias introdotto da chi non ha risposto.

#Contesto sui Sondaggi

I due sondaggi in questione erano il Census Household Pulse Survey (HPS) e il Delphi-Facebook COVID-19 Trends and Impact Survey (CTIS). Entrambi i sondaggi sono stati lanciati in risposta alla pandemia e miravano a raccogliere informazioni importanti su come il COVID-19 ha influenzato la vita delle persone, incluso il loro stato vaccinale.

L'HPS era gestito dal Census Bureau degli Stati Uniti e mirava a raccogliere rapidamente dati sull'impatto della pandemia. Si concentrava su vari fattori come occupazione, sicurezza alimentare, salute fisica e mentale e ha poi incluso domande sullo stato vaccinale. L'HPS aveva un obiettivo significativo di raccogliere dati da migliaia di famiglie, ma i suoi tassi di risposta erano bassi-tra il 6,6% e il 7,8%.

Il CTIS era una collaborazione tra la società madre di Facebook e istituzioni accademiche. Questo sondaggio ha raccolto una quantità enorme di dati, con un tasso di risposta non verificato più piccolo che mediava intorno allo 0,5% all'1,5%.

#Il Problema del Bias

Nonostante il numero elevato di rispondenti, entrambi i sondaggi avevano tassi di risposta preoccupanti. Il bias nei risultati potrebbe derivare dal tipo di individui che hanno scelto di non partecipare. Si crede che le persone che erano riluttanti o resistenti ai vaccini potessero essere meno inclini a rispondere alle domande sul loro stato vaccinale. Questa non-risposta potrebbe portare a una sovrastima dell'adozione del vaccino perché i sondaggi potrebbero non rappresentare adeguatamente le opinioni e gli stati dell'intera popolazione.

#Modelli di Mix Pattern-Misura Proxy (PPMM)

Per affrontare il problema del bias, i ricercatori hanno impiegato un metodo chiamato Modelli di Mix Pattern-Misura Proxy (PPMM). Questo approccio permette agli stimatori di tenere conto dei bias che sorgono dalla mancanza di un quadro completo dei rispondenti. Invece di guardare solo ai rispondenti, il PPMM considera cosa potrebbe succedere nella popolazione più ampia.

Quando si applica il PPMM, i ricercatori utilizzano Dati demografici (come età, razza, genere ed educazione) per aiutare a creare un quadro più accurato dell'adozione del vaccino. Queste variabili demografiche sono note per avere una certa relazione con le opinioni della gente sulla vaccinazione, permettendo ai ricercatori di regolare gli stimati di conseguenza.

Il PPMM funziona efficacemente raggruppando i rispondenti in base alle loro caratteristiche e confrontando questi gruppi con i dati demografici noti della popolazione. L'idea è che se certe demografie sono sotto-rappresentate nelle risposte del sondaggio, il modello si adatterà per quella assenza.

#Applicare il PPMM alle Stime del Vaccino

Usando il PPMM, i ricercatori si sono concentrati sulla stima della proporzione di adulti che hanno ricevuto almeno una dose del vaccino COVID-19. Hanno iniziato raccogliendo dati demografici da diversi sondaggi e poi hanno combinato quei dati con le risposte dell'HPS e del CTIS. Utilizzando questo metodo, potevano valutare quante persone nella popolazione totale potrebbero essere state vaccinate, tenendo conto di chi non ha risposto ai sondaggi.

I ricercatori hanno scoperto che le stime generate usando il PPMM erano molto più vicine ai tassi di vaccinazione effettivi riportati dai Centri per il Controllo e la Prevenzione delle Malattie (CDC). Mentre le stime originali dei sondaggi prevedevano numeri di vaccinazione molto più alti, le stime del PPMM fornivano una visione più realistica della situazione. Pertanto, questo modello è stato efficace nell'identificare e correggere il bias derivante dalla non-risposta.

#Stimare l'Esitazione Vaccinale

Oltre a stimare l'adozione del vaccino, i ricercatori hanno anche cercato di misurare l'esitazione vaccinale, che si riferisce alla riluttanza o al rifiuto di ricevere vaccini. Simili fattori demografici sono stati applicati per stimare i tassi di esitazione vaccinale usando il PPMM. Le persone che erano incerte o completamente resistenti ai vaccini sono state categorizzate come esitanti nei confronti del vaccino.

Utilizzando il modello per valutare l'esitazione vaccinale, è stato notato che le stime del sondaggio potrebbero essere eccessivamente ottimiste, indicando livelli di accettazione del vaccino più alti di quanto fosse realistico. Le stime del PPMM hanno mostrato che l'esitazione vaccinale era probabilmente sottovalutata, allineandosi con le conclusioni tratte riguardo all'adozione del vaccino.

#Risultati e Discussione

Durante l'analisi, i ricercatori hanno evidenziato diversi punti essenziali riguardo l'efficacia del PPMM:

1. Rilevamento del Bias: Il PPMM ha identificato con successo la direzione del bias, indicando che entrambi i sondaggi hanno sovrastimato l'adozione del vaccino.

2. Accuratezza delle Stime: Le stime prodotte attraverso il PPMM erano più allineate con i dati di vaccinazione effettivi riportati dalle autorità sanitarie rispetto alle stime dei sondaggi.

3. Intervalli Credibili più Ampi: Il PPMM ha prodotto intervalli di confidenza più ampi nonostante le grandi dimensioni del campione. Questa caratteristica è utile in quanto mostra l'incertezza relativa alle stime e riflette i limiti dei dati.

4. Disponibilità dei Dati: Uno dei vantaggi di utilizzare il PPMM è che i dati necessari per tali analisi sono generalmente disponibili. Le informazioni demografiche possono spesso essere accedute all'interno di dataset esistenti, rendendo questo metodo ampiamente applicabile.

#Conclusione

Questa analisi sull'adozione del vaccino COVID-19 mette in evidenza quanto sia importante considerare il bias da non-risposta nei dati dei sondaggi. Utilizzando i Modelli di Mix Pattern-Misura Proxy, i ricercatori possono fare valutazioni più accurate sull'adozione e sull'esitazione vaccinale. Questo non solo fornisce un quadro più chiaro delle tendenze vaccinali, ma aiuta anche a comprendere le risposte di salute pubblica durante un periodo critico.

Guardando avanti, sarà cruciale per i ricercatori e le organizzazioni sanitarie integrare strategie simili quando analizzano i dati dei sondaggi, specialmente in situazioni in cui i tassi di risposta sono bassi. Comprendendo i bias presenti nelle stime dei sondaggi, i responsabili politici possono prendere decisioni più informate per affrontare le sfide della salute pubblica.