Sóng Siêu lây nhiễm

Trong bài viết này, chúng tôi đánh giá định tính và định lượng sự kiện siêu lây nhiễm (SKSLN) qua một ví dụ thực tế.

SÓNG SIÊU LÂY NHIỄM

Nhiều người làm mô hình và nghiên cứu dịch tễ học nói rằng không có cá thể/sự kiện siêu lây nhiễm (SLN) (superspreader/superspreading event) thì dịch khó mà bùng phát.

Trong bài viết này, chúng tôi đánh giá định tính và định lượng sự kiện siêu lây nhiễm (SKSLN) qua một ví dụ thực tế. SKSLN ở Thành phố Hồ Chí Minh (TP HCM) hôm 08/07/2021 đã tạo ra hơn 10.000 ca nhiễm cho tới hôm nay dù chưa tính độ trễ thời gian khoảng 10 ngày (và tiếp tục tạo thêm các ca nhiễm cho tới khi hết đợt dịch lần này).

Chúng tôi cho rằng SKSLN có nhiều ý nghĩa khoa học cũng như thực tiễn. Ý nghĩ quan trọng nhất là ta hiểu sâu hơn cơ chế lan truyền của dịch bệnh, từ đó ta có thể áp dụng nó theo nhiều cách tùy từng mục đích cụ thể. Về mặt khoa học, nó giúp ta quan sát khoảng thời gian nối tiếp, chu kỳ của sóng, cơ chế lan truyền như sóng của bệnh dịch, hiện tượng giao thoa của các sóng, và các tác động của xã hội làm tăng cường hay giảm bớt sức mạnh của sóng. Về mặt thực tiễn, chúng tôi hi vọng bài viết sẽ giúp mọi người nâng cao nhận thức về tác hại của nó và bớt lo ngại khi số ca tăng vọt đột ngột, cũng như giúp các nhà làm chính sách đưa ra các kế hoạch tốt hơn như hạn chế tụ tập trước phong tỏa và lựa chọn thời điểm để phong tỏa (lockdown timing).

Chúng tôi chưa có đủ thời gian để tìm hiểu vấn đề này triệt để, tuy nhiên chúng tôi quyết định viết bài này sớm do ý nghĩa thực tiễn của nó. Một số giả thiết vẫn cần được kiểm chứng nên bạn cần đọc kỹ hướng dẫn trước khi định sử dụng.

1. Dữ liệu

Dữ liệu đầu vào của chúng tôi là số ca được công bố mỗi ngày, các ngày thiết lập hoặc gỡ phong tỏa, các ngày xảy ra sự kiện tụ tập đám đông, và Google mobility ^1,2. Đối tượng để tìm hiểu là sóng lây nhiễm. Sóng ở đây được hiểu là sự tăng giảm số ca được công bố hàng ngày theo chu kỳ. Dịch bệnh là sự tương tác giữa loài người và vi-rút, nên sóng phụ thuộc cơ chế lan truyền của vi-rút như thời gian sinh (generation time, được ước lượng bằng serial interval), cũng như hành vi của xã hội như chu kỳ 7 ngày xuất hiện ở nhiều nơi trên thế giới. Sóng cũng có thể phụ thuộc việc nhập dữ liệu. Ta có thể xem biểu đồ Google, tải dữ liệu về phân tích, hoặc xem các nghiên cứu về hiện tượng 7 ngày này ^3,4. Hình 1 là số ca trong 30 ngày trên thế giới, Mỹ, và VN. Số ca thấp vào ngày thứ Tư hàng tuần trên thế giới (trung bình). Với Mỹ (tương ứng Delhi, Ấn Độ/Pháp), số ca thấp vào cuối tuần (tương ứng thứ Hai/Tư). Như vậy chu kỳ 7 ngày này phụ thuộc vào hành vi của từng xã hội. Nó có thể là gặp gỡ nhau nhiều hay ít một số ngày, hay số xét nghiệm được làm mỗi ngày, hay việc nhập số liệu (ví dụ như cuối tuần nhập ít hơn trong tuần).

Hình 1. Số ca trong 30 ngày trên thế giới, Mỹ, và VN.

Như vậy có hai khó khăn đặt ra ở đây. Thứ nhất là có nhiều sóng giao thoa với nhau, chưa tính đến nhiễu hay ngẫu nhiên. Thứ hai là với mỗi cá thể có 4 ngày như sau: ngày mắc bệnh, ngày khởi phát bệnh, ngày được phát hiện, và ngày công bố (lên sổ). Ngày càng về sau càng thiếu chính xác và gây ra sự sai lệch về tần số được quan sát của sóng.

Để giải quyết khó khăn thứ nhất, ta cần loại bỏ chù kỳ 7 ngày để sóng SLN hiện rõ hơn (Chúng tôi trình bày ví dụ mô phỏng sự lấn át của chu kỳ hành vi 7 ngày đối với chu kỳ 4 ngày của SLN trong mục dưới). Trong Hình 1, dữ liệu của VN từ JHU có sóng 7 ngày với số ca thấp vào thứ Hai. Tuy nhiên dữ liệu từ Bộ Y tế cho cả VN và TP HCM không cho thấy điều này (như vậy dữ liệu từ JHU có sự sai lệch nào đó). Hơn nữa trong các SKSLN, thì SKSLN xảy ra trong đúng một ngày giúp ta tìm hiểu dễ hơn cả. Như chúng tôi đã đề cập trong bài viết trước, chúng tôi giả thiết rằng có SKSLN xảy ra vào ngày 07/08 tại TP HCM (mọi ngày là trong năm 2021). SKSLN này lại xảy ra ngay trước khi phong tỏa. Hình dung rằng hệ số lây nhiễm sẽ tăng đột ngột trong ngày SLN rồi giảm về mức thấp hơn trước do phong tỏa. Sóng có một cú sụt ngay sau một cú trồi lại càng dễ quan sát. Như vậy dữ liệu TP HCM có nhiều ưu điểm cho việc tìm hiểu SKSLN.

Hình 2. Số ca theo ngày trong 30 ngày ở VN và TP HCM

Để giải quyết vấn đề thứ hai, chúng tôi giả thiết các khoảng thời gian như thời gian sinh, khoảng thời gian nối tiếp, và khoảng thời gian lên sổ sách là độc lập. Hơn nữa các khoảng thời gian này cho các ca nhiễm có chung quy luật. Như vậy các ca công bố vẫn phản ánh đúng diễn biến bệnh dịch, nhưng có độ trễ về thời gian. Để giải quyết vấn đề nhiều ca nhiễm không được quan sát, chúng tôi giả thiết tỷ lệ giữa các quan sát và số liệu thực tế không thay đổi. Khi đó R_T không bị ảnh hưởng bởi vì nó là một tỷ số. Các giả thiết này nghe có vẻ là chặt, nhưng mô hình chúng tôi sử dụng vẫn phù hợp với thực tế qua nhiều đợt dịch ở VN. Cũng phải nói rằng, các ngày được phát hiện và lên sổ sách cho TP HCM có thể không có cùng quy luật cho các ca bệnh.

Cuối cùng các ngày thiết lập hoặc gỡ phong tỏa (chúng tôi thường Google để lần ra các ngày này trong quá khứ), các ngày xảy ra sự kiện lớn, và Google mobility được sử dụng để tìm ngày các hành vi xã hội tác động lên sự lan truyền của bệnh dịch.

2. Phương pháp và kết quả

Phương pháp chính là mô hình được trình bày trong Bài viết 1, sau đó chúng tôi thêm vào một số giả thiết. Chúng tôi giả thiết có SKSLN ngày 08/07 tại TP HCM như đã trình bày trong bài viết ngày 18/07. Chúng tôi giả thiết có độ trễ khoảng 10 ngày giữa ngày mắc bệnh 08/07 và ngày công bố 18/07. Lý do là khoảng 4 – 5 ngày ủ bệnh, xét nghiệm nhóm mất 2 ngày (ngày đầu mẫu gộp dương tính, ngày 2 cho mẫu đơn), truy vết mất 2 – 3 ngày, lên sổ sách mất không quá 1 ngày. Hơn nữa, chúng tôi giả thiết nếu không có sự kiện siêu lẫy nhiễm, số ca trong ngày 18/07 chỉ tối đa là 3.074 (chúng tôi chọn bằng số ca ngày 19/07 như là một cận trên vì con số này không quá thấp mà cũng không quá cao, và phù hợp với quan sát đi lên trung bình của số ca). Như vậy có ít nhất 1.618 ca đóng góp bởi SKSLN vào ngày 18/07. Chúng tôi giả thiết toàn bộ số ca này có khả năng tiếp tục truyền bệnh cho các ngày tương lai. Chú ý rằng có thể số ca của SKSLN được phát hiện trước 18/07 nhiều hơn so với sau 18/07, nên số ca gây ra bởi SLN có thể cao hơn số ca chúng tôi ước tính dưới đây.

2.1. Nguy cơ bị lây nhiễm trong SKSLN

Gọi V_t là số ca công bố trong ngày. Với khoảng thời gian nối tiếp là 4, ta ước lượng thô hệ số lây nhiễm tức thời (instaneous reproduction number, xem trong slide đính kèm trong Bài viết 1) nằm giữa:

4 * V_t/ (V_t-1 + V_t-2 + V_t-3 + V_t-4) và V_t/ V_t-4.

Lý do là đa phần những người bị nhiễm hôm nay bị truyền bệnh từ những người bị nhiễm trong vòng 4 hôm trước.

Khi đó ta tính ra hệ số lây nhiễm tức thời ngày 07/08 qua các ca trong ngày 14-18/07. Kết quả là nó nằm trong khoảng (1,85 – 2,10). Khi không có sự kiện siêu lẫy nhiễm, số ca trong ngày 18/07 là 3.074, và khoảng trên giảm xuống còn (1,21 – 1,38). Như vậy nguy cơ bạn bị lây bệnh trong ngày SLN 08/07 tăng lên khoảng 50%. Con số này có thế khiến bạn không quá e ngại, nhưng nó chỉ là con số của hôm nay. Nó sẽ đóng góp vào các con số khác cho đến khi đợt dịch này kết thúc. Một cách trực quan, những người nhiễm bệnh hôm nay sẽ tiếp tục truyền bệnh cho những người khác trong tương lai, và số người bị nhiễm sẽ tăng đáng kể. Khi đó xác suất để bạn gặp một người bệnh cũng tăng lên đáng kể nếu ta tính trong suốt quãng thời gian của đợt dịch.

2.2. Số ca tăng lên bởi SKSLN

Chúng tôi đưa ra vài phương pháp để ước lượng số ca bị tăng lên do SLN.

Phương pháp 1 (cận trên): Số ca bệnh trong tương lai đa phần gây ra bởi số ca bệnh trong 4 ngày vừa qua. Tổng số ca bệnh trong 4 ngày 15 – 18/07 là 12.589. Như vậy số ca gây ra bởi SLN chiếm 1.618/12.589 = 12,9%. Nếu ta xấp xỉ rằng “số ca bệnh tăng lên trong tương lai tỷ lệ thuận với số ca bệnh tăng lên trong 4 hôm vừa qua”, thì SLN đóng góp 12.9% số ca tương lai. Trong khoảng 19/07 – 05/08, TP HCM có thêm 78.525 ca, vậy SLN tạo ra thêm 11.747 ca từ 18/07 – 05/08. Nó tiếp tục tạo thêm nhiều ca nữa cho tới khi hết dịch. Khi mô phỏng bằng mô hình SEIR, ta thấy rằng số ca tăng lên trong tương lai chiếm tỷ lệ ít hơn số ca tăng thêm trong 4 hôm vừa qua. Do đó con số này là cận trên.

Phương pháp 2 (cận trên): Dùng dữ liệu tới ngày 05/08, ta ước lượng được R_T cho đến 01/08. Cứ mỗi 4 ngày:

(số ca hôm t + 4) = (số ca hôm t) * (R_T hôm t).

Ta lại tiếp tục áp dụng cùng công thức trên cho các hôm t + 8, t + 12, … Như vậy ta tính ra tổng số ca là 11.962 cho tới 03/08. Đối với TP HCM, R_T giảm dần theo thời gian nên con số này là cận trên.

Phương pháp 3 (cận dưới): Giống hệt phương pháp 2 nhưng ta chọn giá trị nhỏ nhất của R_T:

(số ca hôm t + 4) = (số ca hôm t) * (R_T hôm t + 3).

Lý do là R_T giảm dần cho TP HCM và R_T(t+3) là R_T cuối cùng liên quan đến hôm t. Ta tính ra tổng số ca là 9.599 cho tới 03/08.

Phương pháp 4 (xấp xỉ): Chúng tôi ước lượng đường màu đỏ làm trơn của R_T cho tới hôm nay. Sau đó chúng tôi dàn đều số ca trong 4 ngày 11 – 14/07 và 15 – 18/07, và mô phỏng với hoặc không với 1.618 ca theo đường màu đỏ làm trơn của R_T (xem mục dưới về cơ sở lý luận của phương pháp này). Kết quả là 10.378 cho tới 06/08.

Tổng hợp các phương pháp trên, chúng tôi kết luận là SKSLN hôm 08/07 đã tạo ra hơn 10.000 ca cho tới 06/08 ở TP HCM (chưa hiệu chỉnh độ trễ 9 – 10 ngày giữa ngày mắc bệnh và ngày phát hiện). Nó sẽ tiếp tục tạo thêm nhiều ca nữa cho đến khi hết đợt dịch này.

2.3. Một số giả thiết qua ví dụ và quan sát thực tế

Chúng tôi xem xét hai ví dụ đơn giản (toy examples) để xem xét tính chất của SKSLN và hành vi xã hội.

Ví dụ 1: Giả sử một người mắc bệnh tại thời điểm t chỉ lây cho một người khác tại thời điểm t + 4. Hệ số lây nhiễm theo ca (case reproduction number, xem slide trong Bài viết 1) R_c bắt đầu từ 1 trong một số ngày và giảm tuyến tính 0,02/ngày. Số ca bắt đầu là 100 ca/ngày. SKSLN xảy ra vào ngày thứ 6 với 30 ca tăng thêm.

Ví dụ 2: Giả sử một người mắc bệnh tại thời điểm t chỉ lây cho một người khác tại thời điểm t + 4. Hệ số lây nhiễm theo ca R_c bắt đầu từ 2 trong một số ngày rồi giảm tuyến tính 0,04/ngày. Số ca bắt đầu từ 100 ca/ngày. Hành vi xã hội về tần xuất gặp mặt biến đổi trong tuần khiến cho hệ số lây nhiễm biến đổi theo tỷ lệ 80%, 90%, 100%, 80%, 60%, 50%, 50% từ thứ Hai đến Chủ nhật.

Chúng tôi tính R_T khi không có SLN (đường màu đỏ), khi có SLN (đường xanh lá cây), và khi tính sai R_T với chu kỳ 3 (đường màu xanh da trời) và 5 (đường màu tím). Kết quả trong Hình 3.

Hình 3. Kết quả của ví dụ 1 bên trái, của ví dụ 2 bên phải.

Chúng tôi có một số nhận xét như sau:

SLN khiến cho số ca theo ngày có sóng dương. Đỉnh sóng cách nhau 4 ngày.
Bài toán SLN tương đương với bài toán xâm nhập (xem slide trong Bài viết 1). Điều này cũng thể hiện qua đường xanh lá cây và đường màu đỏ trùng nhau. Đây cũng là lý do chúng tôi áp dụng phương pháp thứ 4 trong mục trên.
Nếu xử dụng sai quãng thời gian (3 hoặc 5 thay vì 4 ngày) để tính R_T thì quỹ đạo R_T lượn sóng. Chu kỳ sóng luôn là 4 ngày không phụ thuộc vào quãng thời gian dùng để tính là 3 hay 5 ngày. Tính R_T với 3 (5) ngày sẽ ước lượng thừa (thiếu) R_T thực khi R_T,thực < 1. Điều này bị đảo ngược khi R_T,thực > 1. Tính chất ước lượng thừa và thiếu này vẫn đúng khi chúng tôi phân tích dữ liệu đợt COVID này ở VN. Khoảng thời gian nối tiếp là một tham số quan trọng. Trước đây chúng tôi dùng khoảng thời gian nối tiếp từ các báo cáo khoa học khác. Phương pháp này là một cách khác để xác định khoảng thời gian nối tiếp.
Ví dụ 2 cho thấy chu kỳ hành vi xã hội 7 ngày có thể lấn át chu kỳ liên quan đến khoảng thời gian nối tiếp 4 ngày khi quan sát quỹ đạo R_T.

2.4. Dự báo sóng và sự trồi sụt số ca do sóng

Trước hết chúng tôi nhắc lại một ví dụ đơn giản về sự trồi sụt số ca trong Slide đính kèm trong Bài viết 1.

Ví dụ 3: Ví dụ này minh họa sự trồi sụt số ca hôm nay liên quan đến số ca 4 hôm trước chứ không phụ thuộc số ca ngày hôm qua. Trong Hình 4, tại hôm thứ 5 (cột xanh da trời đầu tiên), số ca tăng gấp đôi so với 4 hôm trước nên tình hình xấu đi. Tuy nhiên số ca giảm mạnh so với hôm thứ 4 (cột xanh lá cây cuối cùng). Ngược lại, các hôm thứ 6 – 8, số ca tăng đều nhưng tình hình lại đang tốt lên. Lý do là số ca giảm một nửa so với 4 hôm trước đó.

Hình 4. Số ca giảm so với hôm qua nhưng tình hình xấu đi và ngược lại

Trong bài viết này, chúng tôi dự báo sự trồi sụt số ca qua dữ liệu TP HCM. Phương pháp của chúng tôi đơn giản như sau. Khi có một sự tăng đột biến số ca trong ngày, chúng tôi cho rằng có SKSLN. Dựa vào độ dốc của đường màu đỏ làm trơn và đường màu xanh lá cây cho R_T, chúng tôi ước lượng xu hướng tương lai theo đường đỏ và chu kỳ sóng theo đường xanh lá cây. Độ cao sóng biến đổi tỷ lệ thuận theo độ biến đổi của đường màu đỏ. Kết quả trong Hình 5. Số ca theo ngày có vẻ đi lên theo chu kỳ khoảng 4 ngày 3 đợt liền từ 18 – 26/07 như đã nói trong ví dụ 2.

Trong Hình 5 bên trái, vào ngày 03/08, chúng tôi tính sai chu kỳ do chưa để ý đến việc chỉ thị 16+ được áp dụng vào 24/07 làm lệch chu kỳ đường xanh lá cây. Từ đó đẫn đến đường ước lượng của R_T vượt qua 1 và tạo ra đỉnh địa phương thứ 2. Trong Hình 5 bên phải, vào ngày 05/08, sau khi tính toán tác động của chỉ thị 16+ và chỉnh lại chu kỳ sóng, thì chúng tôi dự đoán số ca sẽ tăng do R_T tăng nhưng R_T sẽ không vượt quá 1. Dáng dấp sóng vẫn như cũ nhưng đỉnh sóng lùn đi đáng kể.

Hình 5. Dự đoán sóng ở TP HCM.

2.5. Thời điểm phong tỏa

Đã có nghiên cứu về lựa chọn phong tỏa bao nhiêu ngày trước đỉnh dịch, tuy nhiên chúng tôi chưa tìm ra nghiên cứu về lựa chọn ngày phong tỏa theo chu kỳ dịch ⁵. Để minh họa, ta xét một ví dụ đơn giản.

Ví dụ 4: Một trăm người mới mắc bệnh xâm nhập xã hội tại thời điểm 0. Một người mắc bệnh tại thời điểm t chỉ lây cho một người khác tại thời điểm t + 4. Xét một số chiến thuật phong tỏa như sau:

Ta phong tỏa vào ngày thứ 1 – 3, sau đó gỡ phong tỏa ngày thứ 4. 100 người trên sẽ đồng loạt lây cho người lành vào ngày thứ 4. Phong tỏa 3 ngày vô tác dụng.
Ta không can thiệp ngày thứ 1 – 3, nhưng phong tỏa đúng 1 ngày thứ 4, sau đó lại gỡ phong tỏa ngày thứ 5 trở đi. Dịch bệnh chấm dứt.
Ta chần chừ và bắt đầu phong tỏa muộn vào ngày thứ 5. Khi đó quá trình lây nhiễm kết thúc thêm một chu kỳ vào ngày thứ 4. Nếu hệ số lây nhiễm là 5, thì giờ ta có thêm 500 ca bệnh.

Trong thực tế, ví dụ trên gợi ý rằng nếu ta phong tỏa đúng ngày diễn ra số lây nhiễm lớn nhất thì ta giảm thiểu được số ca lớn được tạo ra và kiểm soát dịch nhanh hơn. Ví dụ một ngày xuất hiện số ca tăng đột biến (dấu hiệu của SLN). Nếu chu kỳ là 4 ngày và độ trễ phát hiện SLN là 10 ngày, thì 2 ngày nữa sẽ xảy ra chu kỳ lây quan trọng tiếp theo. Một cách khác không phụ thuộc độ trễ phát hiện là ta dự đoán đáy của đường xanh lá cây của R_T. Nếu ta vẫn còn chần chừ chưa quyết định nên phong tỏa hay không, ta có thể xem xét phong tỏa tạm 2 ngày ngay lập tức (đúng giai đoạn ta dự đoán đáy địa phương của đường xanh lá cây) khi phát hiện số ca tăng đột biến để gián đoạn một chu kỳ lây mạnh. Sau đó ta mở cửa lại để đánh giá tiếp tình hình.

Tiếp theo chúng tôi trình bày hai quan sát từ dữ liệu thực tế. Trước tiên quan sát quỹ đạo đường xanh lá cây trong Hình 5 cho TP HCM. Nó lên đỉnh địa phương ngày 22/07 rồi đi xuống. Chúng tôi suy đoán rằng nó sẽ đi xuống khoảng 4 ngày rồi đi lên theo quan sát. Tuy nhiên chỉ thị 16+ áp dụng vào ngày 24/07 khiến nó tiếp tục đi xuống. Kết cục đến 30/07 nó mới thực sự đi lên lại. Do nó đi xuống một mạch 7 ngày nên khi nó đi lên lại thì đường xanh lá cây không vượt qua 1 được nữa. Kết cục là chúng ta chỉ quan sát thấy sự tăng số ca địa phương thay vì một đỉnh dịch địa phương (xảy ra khi đường xanh lá cây vượt qua 1 rồi lại về dưới 1).

Chúng tôi chọn phân tích đợt dịch ở Delhi, Ấn Độ vào tháng 3 – 5 do có một số sự tương đồng. Tổng dân số Delhi là khoảng 31 triệu và số ca theo ngày cao nhất là 28.395 hôm 20/04. Chủng Delta là chủng chính trong đợt dịch đó. Chính quyền áp dụng một số biện pháp mạnh như phong tỏa vùng nhỏ (micro-containment zone) và cấm ra đường buổi tối (night curfew) ngày 05/04 khiến cho hệ số lây nhiễm bắt đầu đi xuống. Sau đó chính quyền phong tỏa toàn bộ (completed lockdown) vào nửa đêm ngày 19/04. Tuy số ca có miễn dịch ở Delhi có thể lớn do các đợt dịch trước, mô phỏng cho thấy nó không ảnh hưởng nhiều đến tổng số ca (do tổng số ca mắc mới vẫn là nhỏ so với dân số). Chúng tôi quan sát thấy một số hiện tượng giống và khác so với TP HCM. Đường xanh lá cây đi xuống một mạch 9 ngày từ 13/04 đến 23/4. Phong tỏa toàn bộ vào ngày 19/4 đã đóng góp vào mạch đi xuống này. Tuy nhiên chúng tôi chưa rõ vì sao nó đi xuống một mạch 6 ngày từ 13 – 19/04. Có thể do Delhi có hiện tượng chu kỳ 7 ngày qua số ca thấp vào thứ Hai hàng tuần (ví dụ 19/04, 26/04 và 03/05).

Hình 6. Đợt dịch chủng Delta vào tháng 3 – 5 tại Delhi - Ấn Độ.

3. Kết luận

Về mặt khoa học, trong bài này chúng tôi đã trình bày một cách ước lượng khoảng thời gian nối tiếp, ước lượng số ca tăng lên bởi SKSLN, và hiện tượng trồi sụt số ca theo ngày bị gây ra bởi SKSLN.

Ngoài ra chúng tôi mô phỏng hiện tượng chu kỳ 7 ngày lấn át chu kỳ 4 ngày của đường ước lượng xanh lá cây cho R_T. Chúng tôi cũng mô phỏng hiện tượng tuần hoàn chu kỳ 4 ngày qua Ví dụ 1 và nhận xét về hiện tượng này qua phân tích đợt dịch ở TP HCM.

Chúng tôi cũng đưa ra các nhận xét về hành vi xã hội tác động thế nào đến chu kỳ bệnh dịch ở mục 2.5. Về mặt thực tiễn, bài viết giúp chúng ta hiểu rõ hơn cơ chế lan truyền của bệnh dịch cũng như sự tương tác giữa xã hội và vi-rút.

Chúng tôi quan niệm đỉnh dịch là khi đường màu đỏ đi xuống qua đúng 1 (nghĩa là xu hướng trung bình đi xuống dưới 1). Các đỉnh dịch địa phương là do đường màu xanh lá cây đi lên trên 1 rồi đi xuống dưới 1.

Bài viết còn nhiều hạn chế nhất định như chúng tôi vẫn chưa tìm ra cách dự báo định lượng chính xác đường màu xanh lá cây (sóng đường xanh lá cây khác sóng của số ca nhiễm). Dự báo định lượng này cũng yêu cầu số ca theo ngày tương đối lớn để loại bỏ nhiễu. Chúng tôi có giả thiết rằng số ca các ngày 25/06 và 03/07 tại TP HCM là hệ quả của SLN, nhưng điều này không dễ kiểm chứng.

Chúng tôi hi vọng bài viết sẽ giúp các bạn suy nghĩ kỹ hơn về đi vào đám đông trước khi phong tỏa, không ngạc nhiên khi số ca leo cao bất thường, và bớt lo lắng khi thấy các đỉnh dịch địa phương. Các nhà làm chính sách có thể đánh giá đúng hơn tình hình và đưa ra các phương án phong tỏa hiệu quả hơn (như phát phiếu đi chợ trước phong tỏa).

Sự chuẩn bị một bài viết bao giờ cũng tốn thời gian, nên đôi khi chúng tôi công bố sớm tóm tắt trên Facebook.

Các bài viết liên quan:
Bài 1: Phương pháp đánh giá dịch bệnh, từ đó đưa ra các quyết định trong phòng chống dịch bệnh
Bài 2: Một phương pháp dự báo dịch bệnh

Vận hành trang web cập nhật R_T và các chỉ số khác từ 21/09/2021 tại onyx.vn/covid19/
Phụ lục: Cập nhật hệ số lây nhiễm và dự báo cho Việt Nam, một số tỉnh, và thành phố hàng tuần

Tài liệu tham khảo

1. CSSE, J. COVID-19 Data Repository by the Center for Systems Science and Engineering (CSSE) at Johns Hopkins University. (2020). Available at: https://github.com/CSSEGISandData/COVID-19/tree/master/csse_covid_19_data/csse_covid_19_daily_reports.

2. Google. Google Mobility - Báo cáo xu hướng di chuyển của cộng đồng trong đại dịch COVID-19.

3. Google. Vi-rút corona (COVID-19). Available at: https://news.google.com/covid19/map?hl=vi&gl=VN&ceid=VN%3Avi.

4. Ricon-Becker, I. et al. A seven-day cycle in COVID-19 infection, hospitalization, and mortality rates: Do weekend social interactions kill susceptible people? ORCID. Tel Aviv 69978,

5. Oraby, T. et al. Modeling the effect of lockdown timing as a COVID-19 control measure in countries with differing social contacts. Sci. Reports 2021 111 11, 1–13 (2021).