Stanford veri bilimcileri, 244 milyondan fazla Amerikalıya ait 14,4 milyar sağlık sigortası kaydını ekonomiden ödünç alınan bir yöntemle yeniden analiz etti. Geleneksel yaklaşım COVID'e bağlanabilecek sağlık sonuçlarını önemli ölçüde fazla tahmin ediyor olabilir; araştırmacılar bu bulgunun uzun COVID'in nadir görüldüğü anlamına gelmediğini vurguladı.
Stanford Üniversitesi’nden veri bilimcileri, 244 milyondan fazla Amerikalıya ait 14,4 milyar sağlık sigortası kaydını inceleyen yeni bir çalışmada, koronavirüs enfeksiyonundan sonraki uzun dönemli sağlık etkilerini ölçen geleneksel yöntemlerin ciddi bir yanılgı içerebileceğini ortaya koydu. Sonuçlar Proceedings of the National Academy of Sciences (PNAS) dergisinde yayımlandı.
Çalışmanın çıkış noktası şu gözlemdi: Uzun COVID’yi inceleyen önceki çalışmalar, COVID-19 testi pozitif çıkan kişileri hiç tanı almamış veya test yaptırmamış kişilerle karşılaştırıyordu. Oysa teste başvurma olasılığı yüksek olan kişiler, aynı zamanda çeşitli sağlık sorunları için de kayıt bırakan kişilerdir; bu durum, sağlık sorunları ile COVID arasında yanıltıcı bir ilişki kurulmasına yol açabilir.
Araştırmacılar bu yanlılığı gidermek için ekonomi ve sosyal bilimlerde yaygın olan ‘sentezik kontrol’ adlı tasarımı kullandı; yalnızca test yaptırmış, pozitif ya da negatif sonuç almış hastaların tıbbi öykülerini hizaladı.
Sonuç çarpıcı bir fark gösterdi: Yeni tasarım, enfeksiyondan 4-12 ay sonra uzun COVID’e bağlanabilecek sonuçları, aynı veri setine uygulanan geleneksel yaklaşımlara kıyasla yüzde 98 daha az buldu.
Çalışmanın eş-kıdemli yazarlarından, bilgisayar bilimleri profesörü Jure Leskovec uyarıda bulundu: ‘Bu, uzun COVID’in yüzde 98 daha az görüldüğü anlamına gelmiyor. Bu, bu çalışmaları nasıl tasarladığımızın, hangi sağlık etkilerini COVID’e güvenilir biçimde atfedebileceğimizi temelden değiştirdiği anlamına geliyor.’
Leskovec’e göre bulgu, gelecekteki nüfus düzeyindeki sağlık çalışmalarının tasarımı için de bir mesaj taşıyor: ‘244 milyon hastayla bile yanlış soruya son derece kesin yanıtlar alabilirsiniz. Çalışma tasarımı, veri büyüklüğü kadar önemlidir.’
Stanford Graduate School of Business’tan eş-kıdemli yazar Stefan Wager, sentezik kontrol yönteminin elektronik sağlık kayıtları ve sigorta verilerine uygulanmasının başka alanlarda da değerli içgörüler verebileceğini söyledi. İlk yazar, doktora öğrencisi Hamed Nilforoshan ise ‘Bu ölçekteki veriler daha önce klinik araştırmalar için erişilmez sayılırdı çünkü kimse ona güvenmiyordu. Doğru çalışma tasarımıyla gerçek sinyal çıkarılabileceğini gösteriyoruz’ değerlendirmesini yaptı.
Yazarlar, sonuçların hekimlerin klinik değerlendirmelerinin yerine geçmeyeceğini, ancak veri bilimciler açısından önceki uzun COVID çalışmalarının daha iyi kontrol gruplarıyla yeniden gözden geçirilmesi gerekebileceğini vurguladı.