Ο πίνακας ελέγχου που κυβερνούσε τον κόσμο - Μέρος 2ο
Παγκόσμια επιρροή που χρειάστηκε "μόλις λίγες ώρες" για να δημιουργηθεί
*του Thomas Verduyn*
Η προσομοίωση σε υπολογιστή ως κύρια πηγή δεδομένων
Η μόνη απάντηση που παρέχει μια λογική εξήγηση για όλες τις ερωτήσεις που έχουν τεθεί μέχρι τώρα είναι ότι ο πίνακας ελέγχου του JHU βασίστηκε σε προσομοιώσεις υπολογιστή και όχι σε δεδομένα παρατήρησης. Φαίνεται επίσης ότι κατά καιρούς η ομάδα του JHU λάμβανε εμπειρικά δεδομένα, τα οποία στη συνέχεια χρησιμοποιήθηκαν για να προσαρμόσουν και να “διορθώσουν” τα αποτελέσματα από τα μοντέλα τους [26, 27]. Οι λόγοι για τους οποίους αυτή είναι η πιο εύλογη απάντηση είναι οι εξής:
Οι κυβερνήσεις δεν είναι σε θέση να παρέχουν δεδομένα σε πραγματικό χρόνο
Είναι πολύ δύσκολο να εξαχθούν δεδομένα από ιστότοπους ειδήσεων σε ξένες γλώσσες
Οι καταχωρήσεις στον πίνακα ελέγχου ήταν αυτοματοποιημένες
Δεν υπήρχε έγκυρος τρόπος κατάργησης των διπλότυπων δεδομένων εάν αυτά ελήφθησαν από πηγές ειδήσεων
Ο πίνακας ελέγχου ενημερωνόταν σε μικρά διαστήματα (15 λεπτά ή ανά ώρα)
Οι πηγές περιλαμβάνουν το Worldometer, έναν ιστότοπο που ειδικεύεται στις υπολογιστικές προσομοιώσεις
Οι πηγές περιλαμβάνουν επίσης “άμεση επικοινωνία με τον πίνακα ελέγχου”, η οποία θα μπορούσε να περιλαμβάνει δεδομένα από προσομοίωση σε υπολογιστή
Δεν είναι γνωστό εάν οι αυτοματοποιημένες εγγραφές επιβεβαιώθηκαν με οποιονδήποτε τρόπο
Ο πίνακας ελέγχου σχεδιάστηκε για να παρέχει στις υγειονομικές αρχές δεδομένα
Οι υγειονομικές αρχές εμπιστεύτηκαν τα δεδομένα του JHU ως ακριβή
Το αποθετήριο περιέχει πολλαπλές αποθήκες δεδομένων για τη “διόρθωση” αυτών
Ο πίνακας ελέγχου ανέφερε τα πρώτα νέα κρούσματα σε μια χώρα πριν από οποιονδήποτε άλλο
Αποδεικτικά στοιχεία για τη χρήση προσομοίωσης σε υπολογιστή
Στις 4 Μαρτίου 2024 έστειλα ένα email στη Lauren Gardner (την κύρια συγγραφέα του έργου του πίνακα ελέγχου του JHU), ρωτώντας εάν χρησιμοποιήθηκαν υπολογιστικά μοντέλα σε οποιοδήποτε σημείο για τον πίνακα ελέγχου και εάν τα μοντέλα ήταν διαθέσιμα. Δυστυχώς, μέχρι σήμερα δεν έχει ληφθεί απάντηση…
Ελλείψει προφορικής επιβεβαίωσης και έχοντας μέχρι στιγμής βρει μόνο περιστασιακά στοιχεία, ήταν απαραίτητο να συνεχίσουμε να ψάχνουμε για ίσως καλύτερα στοιχεία σχετικά με το εάν το JHU χρησιμοποίησε ή όχι υπολογιστικά μοντέλα για να λάβει τα δεδομένα του. Δεν αποτελεί έκπληξη το γεγονός ότι τα στοιχεία υπάρχουν. Για παράδειγμα, στις 13 Μαρτίου 2020, η καθηγήτρια Lauren Gardner μίλησε σε μια ακρόαση του Κογκρέσου στο Capitol Hill για να εξηγήσει τον πίνακα ελέγχου. Κατά την παρουσίαση ανέφερε ρητά “προσπάθειες μοντελοποίησης που κάνουμε στα παρασκήνια” [10].
Επιπλέον, στον ιστότοπο του JHU αναφέρει:
"Η Gardner είναι ειδικός στη μοντελοποίηση του κινδύνου μολυσματικών ασθενειών, συμπεριλαμβανομένης της COVID-19... Η Gardner ηγείται των προσπαθειών μοντελοποίησης της COVID-19 σε συνεργασία με πόλεις των ΗΠΑ, για την ανάπτυξη προσαρμοσμένων μοντέλων για την εκτίμηση του κινδύνου τηε COVID-19 σε τοπικό επίπεδο." [28]
Όταν αυτά τα δύο αποσπάσματα συνδυάζονται με το γεγονός ότι η Gardner αναφέρθηκε ότι ήταν τόσο απασχολημένη με τη διαχείριση του πίνακα ελέγχου στις αρχές του 2020, που δεν είχε χρόνο να κάνει οτιδήποτε άλλο, είναι βέβαιο ότι η δουλειά της μοντελοποίησης αφορούσε τον πίνακα ελέγχου. Πράγματι και όπως επεσήμανε ένα άρθρο, “εργαζόμενοι όλο το εικοσιτετράωρο για 10 συνεχόμενες εβδομάδες, έχουν καταναλωθεί τόσο στη συντήρηση του πίνακα ελέγχου, που είχαν λίγο χρόνο να αναλύσουν τα δεδομένα που πραγματικά δείχνει” [6].
Αξίζει επίσης να σημειωθεί ότι το 2019 η Gardner ανέπτυξε “ένα νέο μαθηματικό πλαίσιο μοντελοποίησης” για την εκτίμηση ενός ιικού ξεσπάσματος, ένα μοντέλο που προοριζόταν να “βαθμονομηθεί χρησιμοποιώντας ιστορικά επιδημικά δεδομένα” [29].
Επιπλέον, ο ιστότοπος του Κέντρου Επιστήμης και Μηχανικής Συστημάτων του JHU αναφέρει ότι η μοντελοποίηση είναι ένας από τους θεμελιώδεις πυλώνες του τμήματός τους. Το τμήμα CSSE αυτοπροσδιορίζεται με αυτά τα λόγια: “Η επιστήμη των συστημάτων είναι μια προσέγγιση μοντελοποίησης, που περιλαμβάνει τη δυναμική αλληλεπίδραση μηχανικών, ανθρώπινων - συμπεριφορικών και φυσικών στοιχείων στο χρόνο και στο χώρο” [30].
Ως εκ τούτου, με βάση το γεγονός ότι η Gardner είναι ειδική στη μοντελοποίηση ασθενειών, έχει συνηθίσει να βαθμονομεί μοντέλα με εμπειρικά δεδομένα, συμμετείχε ενεργά στην ανάπτυξη μοντέλων για την Covid, έχει καταγραφεί πως ανέφερε ότι τα μοντέλα της είναι πιο ακριβή από τους επίσημα αναφερόμενους αριθμούς και ότι το τμήμα της θεωρεί τη μοντελοποίηση θεμελιώδη για την αντιμετώπιση οποιουδήποτε προβλήματος, θα πρέπει να θεωρείται δεδομένο ότι τα υπολογιστικά μοντέλα χρησιμοποιήθηκαν ως η υποκείμενη πηγή των δεδομένων. Με άλλα λόγια, εκτός εάν υπάρχουν ισχυρές αποδείξεις για το αντίθετο, είναι βέβαιο ότι η ομάδα του JHU χρησιμοποιούσε υπολογιστικά μοντέλα για να δημιουργήσει αριθμούς κρουσμάτων και θανάτων. Ωστόσο, δεν έχουν βρεθεί άμεσα στοιχεία.
Σε συμφωνία με αυτά τα αισθήματα, μια έρευνα από τους Jesse Pietz et al σε 25 διαφορετικούς πίνακες ελέγχου για την Covid δηλώνει ρητά ότι ο πίνακας ελέγχου του JHU χρησιμοποιούσε το επιδημιολογικό μοντέλο SIRD (Ευαίσθητοι, Μολυσμένοι, Αναρρωμένοι, Νεκροί) το 2020 για την προσομοίωση της εξάπλωσης της Covid [31].
Τέλος, ένα ενδιαφέρον νήμα στο Twitter δημοσιεύτηκε τον Νοέμβριο του 2020, το οποίο παρέχει στοιχεία ότι ο Ensheng Dong (ο προπτυχιακός φοιτητής που κατασκεύασε τον πίνακα ελέγχου) ανέβαζε δεδομένα στο αποθετήριο του JHU με δεδομένα που δημιουργήθηκαν από υπολογιστική μοντελοποίηση [32] (Αν και λυπούμαστε που η σημασία αυτού του νήματος διέφυγε της προσοχής μας για τόσο καιρό, αναγνωρίζουμε ότι η ανακάλυψή του αποτέλεσε σημαντικό μέρος της ώθησης για την έρευνα που οδήγησε σε αυτό το άρθρο).
Τον Αύγουστο του 2022, οι Ensheng Dong et al δημοσίευσαν μια ανασκόπηση του πίνακα ελέγχου τους, που συζητούσε μερικά από τα διδάγματα και τις προκλήσεις που αντιμετωπίστηκαν στην πορεία. Οι συγγραφείς ισχυρίζονται: “Σύμφωνα με τη δέσμευσή μας για ανοιχτά δεδομένα, τα δεδομένα που εμφανίζονται στον πίνακα ελέγχου προέρχονται αποκλειστικά από πηγές προσβάσιμες στο κοινό” [16]. Και λίγο πιο πέρα πρόσθεσαν, “ο πίνακας ελέγχου βασίστηκε εξ ολοκλήρου σε δημόσια διαθέσιμα δεδομένα”. Σημαίνει αυτό ότι ο πίνακας ελέγχου χρησιμοποιούσε μόνο εμπειρικά δεδομένα βασισμένα σε γεγονότα; Όχι απαραίτητα. Το Worldometer είναι μια “δημόσια προσβάσιμη πηγή” που σχεδόν σίγουρα βασίστηκε σε υπολογιστικά μοντέλα. Επιπλέον, ορισμένες κυβερνήσεις χρησιμοποίησαν υπολογιστικά μοντέλα για να υπολογίσουν πόσοι άνθρωποι επρόκειτο να αρρωστήσουν ή να πεθάνουν από την Covid. Τα αποτελέσματα από αυτά τα μοντέλα ήταν επίσης διαθέσιμα στο κοινό. Και, δεν είναι παράλογο να πιστεύουμε ότι ορισμένες υγειονομικές αρχές έπαιρναν τους αριθμούς τους κατευθείαν από μοντέλα του JHU εξαρχής. Αξιοσημείωτο είναι το γεγονός ότι δεν λένε ότι χρησιμοποίησαν μόνο εμπειρικά δεδομένα ή δεδομένα παρατήρησης.
Τα υπολογιστικά μοντέλα χρησιμοποιήθηκαν σε πολλές χώρες για την εκτίμηση των κρουσμάτων και των θανάτων από την Covid [33, 34]. Όσο ελαττωματικά κι αν ήταν τα μοντέλα (και ήταν τρομερά ελαττωματικά [35]), ήταν πάντα κατανοητό ότι ήταν μόνο μοντέλα [36]. Ο πίνακας ελέγχου του JHU, από την άλλη πλευρά, ισχυρίστηκε ότι παρέδιδε δεδομένα σε πραγματικό χρόνο για πραγματικές περιπτώσεις και θανάτους από την Covid. Τα στοιχεία υποδηλώνουν έντονα το αντίθετο.
Συγχέοντας τα Δεδομένα
Υπάρχουν πολλά προβλήματα που φυσικά θα ακολουθήσουν, εάν ένας σεβαστός πίνακας ελέγχου υποτίθεται ότι φιλοξενεί εμπειρικά δεδομένα κατάλληλα για χρήση από υγειονομικές αρχές, αλλά τα υποκείμενα δεδομένα παράγονται στην πραγματικότητα από υπολογιστικά μοντέλα. Αυτά τα προβλήματα είναι εγγυημένα ότι θα επιμείνουν ακόμη και αν τα δεδομένα “επιβεβαιωθούν” και ενημερωθούν με δεδομένα από επίσημους κυβερνητικούς ιστοτόπους.
Μερικά από τα αξιοσημείωτα προβλήματα που θα προκύψουν είναι:
Ορισμένες χώρες, γνωρίζοντας ότι δεν μπορούν να λάβουν δεδομένα σε πραγματικό χρόνο, θα τείνουν να εμπιστεύονται τον πίνακα ελέγχου και να χρησιμοποιούν τους αριθμούς του ως δικούς τους. Στη συνέχεια, το JHU “επιβεβαιώνει” τις δικές του εκτιμήσεις έναντι των “επίσημων” αριθμών. Δεδομένου ότι οι επίσημοι αριθμοί βασίστηκαν αρχικά στις δικές του εκτιμήσεις, το σφάλμα επιβεβαιώνεται και ούτε τα δεδομένα του JHU, ούτε τα επίσημα στοιχεία της χώρας είναι σωστά. Το αποτέλεσμα θα είναι ότι οι αριθμοί της Covid σε ορισμένες χώρες θα είναι τόσο λανθασμένοι, όσο και τα υπολογιστικά μοντέλα.
Άλλες χώρες θα βασίζονται εξ ολοκλήρου στα δικά τους δεδομένα. Όταν το JHU “επιβεβαιώσει” τις εκτιμήσεις του, τα δεδομένα του JHU θα διορθωθούν. Σε αυτό το σενάριο τα δεδομένα θα είναι τόσο σωστά, όσο επιτρέπουν τα τεστ και τα εργαστηριακά διαγνωστικά ή όσο το επιτρέπουν τα δεδομένα από αυτές τις χώρες.
Ως αποτέλεσμα των παραπάνω, δύο γειτονικές χώρες μπορεί να έχουν πολύ διαφορετικά ποσοστά κρουσμάτων και θανάτων από την Covid, όχι επειδή η Covid συμπεριφέρθηκε διαφορετικά στις δύο χώρες, αλλά επειδή η μία χώρα αποδέχτηκε τα δεδομένα του JHU ως αξιόπιστα και η άλλη όχι. Το τελικό αποτέλεσμα θα είναι ότι θα είναι αδύνατη η σύγκριση των στατιστικών της Covid μεταξύ χωρών.
Δεδομένου ότι τα στοιχεία του JHU αναλύθηκαν ανά πόλεις σε ορισμένες περιοχές του κόσμου, ορισμένες πόλεις μπορεί να έχουν αποδεχτεί τα δεδομένα του JHU, ενώ άλλες όχι. Το αποτέλεσμα θα είναι ότι τα στατιστικά στοιχεία της Covid μπορεί να βασίζονται σε εμπειρικά στοιχεία σε μια πόλη και να βασίζονται σε μοντέλα σε άλλη. Αυτό θα καταστήσει αδύνατη τη σύγκριση μιας πόλης με τη γειτονική της.
Σε εκείνες τις χώρες όπου το JHU παρείχε δεδομένα σε επίπεδο πόλης, καθώς ορισμένες πόλεις χρησιμοποίησαν τα δεδομένα του JHU ως δικά τους, ενώ άλλες όχι, οι συγκεντρωτικές τιμές για κάθε επαρχία ή πολιτεία μπορεί να μην έχουν νόημα.
Το καθαρό αποτέλεσμα ορισμένων περιοχών που δέχονται τα δεδομένα του JHU και άλλων που δεν τα δέχονται, τόσο σε επίπεδο πόλης, πολιτείας, όσο και χώρας, σημαίνει ότι οποιοιδήποτε υπολογιστικοί αλγόριθμοι χρησιμοποιήθηκαν στα μοντέλα του JHU θα είναι ορατοί για ορισμένες γεωγραφικές τοποθεσίες, αλλά όχι για άλλες. Οπότε, σε ορισμένα σημεία τα δεδομένα θα ταιριάζουν σε ένα μοντέλο SIRD, ενώ σε άλλα μέρη δεν θα ταιριάζουν. Αυτό θα κάνει τις επιδημιολογικές μελέτες απελπιστικά συγκεχυμένες.
Όλα τα προαναφερθέντα προβλήματα υπήρξαν κεντρικές πτυχές των πολλών συζητήσεων γύρω από την Covid — όχι μόνο για όσες έχουμε εμπλακεί και γράψει εμείς οι ίδιοι, αλλά και για αυτές για τις οποίες έχουμε διαβάσει ή γνωρίζουμε. Για παράδειγμα, μελετώντας την Ιταλία διαπιστώσαμε ότι οι θάνατοι από την Covid ευθυγραμμίζονται με τα περιφερειακά σύνορα και όχι με αυτό που θα περίμενε κανείς από μια επιδημία ενός νέου ιού [37]. Όταν μελετήσαμε την πόλη της Νέας Υόρκης, διαπιστώσαμε ότι αυτό που φέρεται να συνέβη σε αυτήν την πόλη δεν συνέβη σε άλλες μεγάλες πόλεις των ΗΠΑ [38]. Κατά τη μελέτη των προτύπων θνησιμότητας σε όλο τον κόσμο, διαπιστώσαμε ότι η Covid “σεβάστηκε” τα περιφερειακά σύνορα με απροσδόκητους τρόπους [39]. Επομένως, τα πραγματικά προβλήματα που εμφανίστηκαν κατά τη μελέτη των δεδομένων της Covid ευθυγραμμίζονται με το είδος των προβλημάτων που θα περίμενε κανείς εάν ο πίνακας ελέγχου του JHU βασιζόταν σε προσομοιώσεις σε υπολογιστή, επαυξημένες με δεδομένα παρατήρησης.
Ένα παράδειγμα του πόσο σοβαρό μπορεί αυτό να γίνει, όταν οι πληροφορίες πιστεύεται ότι βασίζονται σε πραγματικά γεγονότα αν και βασίζονται σε υπολογιστικό μοντέλο, είναι η εξαφάνιση της πτήσης MH370 το 2014. Το λογισμικό που χρησιμοποιήθηκε από την Malaysia Airlines για την παρακολούθηση των αεροσκαφών τους οδήγησε να πιστέψουν ότι το χαμένο αεροπλάνο ήταν πάνω από την Καμπότζη. Ωστόσο, αργότερα ανακαλύφθηκε ότι “ο ‘ιχνηλάτης πτήσης’ βασίζεται σε προβολή [προσομοίωσης σε υπολογιστή] και δεν μπορούσε κανείς να βασιστεί [σε αυτόν] για την πραγματική τοποθεσία ή αναζήτηση” [40]. Το αεροπλάνο δεν ήταν καθόλου κοντά στην Καμπότζη και η καθυστέρηση που προκλήθηκε από αυτή την παρεξήγηση ήταν αρκετή για να επιτρέψει στο αεροπλάνο να χαθεί [41].
Παράδειγμα: Νέα Υόρκη
Τέλος, ολοκληρώνουμε αυτήν τη συζήτηση για τον πίνακα ελέγχου του JHU εξετάζοντας τη Νέα Υόρκη (NYC) ως μελέτη περίπτωσης, για να δείξουμε οπτικά ορισμένα από αυτά τα ζητήματα. Στο πρώτο γράφημα παρακάτω, οι ημερήσιοι θάνατοι από/με Covid απεικονίζονται χρησιμοποιώντας δεδομένα που λαμβάνονται από δύο διαφορετικές πηγές: NYC Health (μπλε γραμμή) και τον πίνακα ελέγχου του JHU (κόκκινη γραμμή). Η τρίτη γραμμή (πράσινη) είναι απλώς το αποτέλεσμα του πολλαπλασιασμού των ημερήσιων τιμών του JHU επί 4/3. Ο λόγος πίσω από αυτήν την πράσινη γραμμή εξηγείται παρακάτω. Το γράφημα περιλαμβάνει όλους τους αναφερόμενους θανάτους από/με Covid στη Νέα Υόρκη έως τις 17 Μαΐου 2020.
Ο λόγος που επιλέχθηκε η 17η Μαΐου 2020 ως καταληκτική ημερομηνία για αυτό το γράφημα είναι ότι η NYC Health (NYCH) άλλαξε αρκετές βασικές πτυχές των μεθόδων αναφοράς της αυτήν την ημέρα, προκαλώντας σημαντικές διαταραχές στις τάσεις του JHU. Θα πρέπει επίσης να σημειωθεί ότι τα δεδομένα που χρησιμοποιούνται στο παραπάνω γράφημα δεν εισήχθησαν στα αντίστοιχα αποθετήρια του Github την ημέρα που εμφανίζεται. Τα δεδομένα της NYCH κατατέθηκαν για πρώτη φορά στο αποθετήριο στις 22 Δεκεμβρίου 2020, μετά την οποία προσαρμόστηκαν πολλές φορές τα επόμενα τρία χρόνια. Τα δεδομένα του JHU καταχωρούνταν καθημερινά μέχρι τις 17 Μαΐου και στη συνέχεια προσαρμόστηκαν ξανά την 1η Ιουλίου, την 31η Αυγούστου και την 1η Σεπτεμβρίου. Εκτός από το γεγονός ότι η καταχώριση της 1ης Σεπτεμβρίου από το JHU έγινε για τη διανομή των θανάτων στη Νέα Υόρκη ανά δήμο, δεν γνωρίζουμε καμία εξήγηση για τις άλλες προσαρμογές [42].
Σε γενικές γραμμές, τόσο η NYCH, όσο και το JHU συμπεριέλαβαν αυτό που αποκαλούσαν “πιθανούς θανάτους” στον καθημερινό τους αριθμό. Δεδομένου ότι παρακολουθούσαν αυτά τα ποσά ξεχωριστά και σε καθημερινή βάση, επιλέξαμε να τα συμπεριλάβουμε στις ημερήσιες τιμές της NYCH (μπλε γραμμή), αλλά όχι για το JHU (κόκκινη γραμμή). Με αυτόν τον τρόπο, η διαφορά μεταξύ των μπλε και κόκκινων γραμμών στο παραπάνω γράφημα οφείλεται στους “πιθανούς θανάτους” [42].
Οι ομοιότητες μεταξύ των μπλε και πράσινων γραμμών παρέχουν σχεδόν αδιάψευστη απόδειξη ότι οι αριθμοί των “πιθανών θανάτων” δημιουργήθηκαν τεχνητά σε έναν υπολογιστή. Με λίγη προσπάθεια μπόρεσα να βρω μια σχετικά απλή εξίσωση που κάνει την αντιστοίχιση μεταξύ των δύο γραμμών σχεδόν τέλεια. Ωστόσο, αφήνουμε είτε στη NYCH, είτε στο JHU να μοιραστούν μαζί μας την εξίσωση που χρησιμοποίησαν για να δημιουργήσουν τους “πιθανούς θανάτους”.
Στη συνέχεια σχεδιάζουμε δεδομένα θανάτων από/με Covid (συμπεριλαμβανομένων των "πιθανών θανάτων") μόνο από τη NYCH (Γράφημα 2 παρακάτω). Η ομαλότητα της καμπύλης είναι αξιοσημείωτη και σχεδόν σίγουρα αντανακλά τη χρήση ενός επιδημιολογικού μοντέλου SIRD ως υποκείμενη πηγή των δεδομένων. Φυσικά, δεδομένου ότι η καμπύλη του JHU έχει το ίδιο σχήμα (απλά με μικρότερους αριθμούς), αντανακλά επίσης ένα μοντέλο SIRD. Εφόσον έχουμε ήδη διαπιστώσει ότι υπάρχει μια απλή εξίσωση για τους “πιθανούς θανάτους”, είναι αρκετά πειστικά στοιχεία ότι χρησιμοποιήθηκαν μοντέλα για όλα τα δεδομένα: επιβεβαιωμένα, πιθανά και συνολικά.
Για να δώσουμε έμφαση σε αυτό το τελευταίο σημείο και για λόγους σύγκρισης, σχεδιάζουμε στη συνέχεια το γράφημα των θανάτων από/με Covid στην επαρχία Hubei κατά τους πρώτους τρεις μήνες του 2020 (Γράφημα 3 παρακάτω). Παρά το γεγονός ότι ο πληθυσμός της επαρχίας Hubei (58 εκατομμύρια) είναι επταπλάσιος από αυτόν της Νέας Υόρκης (8,3 εκατομμύρια), ο αριθμός των θανάτων στη Hubei (αιχμή: 147, άθροισμα: 3.164) ήταν σημαντικά μικρότερος από ό,τι στη Νέα Υόρκη (αιχμή: 831, άθροισμα: 23.338). Για να είναι σωστοί αυτοί οι αριθμοί, θα σήμαινε ότι αυτό που συνέβη στη Νέα Υόρκη ήταν 51 φορές χειρότερο από αυτό που συνέβη στην επαρχία από την οποία υποτίθεται ότι προήλθε η Covid. Αυτό το σενάριο είναι τόσο απίθανο, που συνορεύει με το παράλογο και υποστηρίζει την ιδέα ότι τα στοιχεία της Νέας Υόρκης δεν βασίστηκαν σε παρατηρούμενα γεγονότα.
Παρατηρείται επίσης ότι το γράφημα για την επαρχία Hubei (Γράφημα 3) είναι πιο συνεπές με το πώς συνήθως μοιάζουν τα εμπειρικά δεδομένα (οδοντωτό), ενώ το γράφημα για τη Νέα Υόρκη (Γράφημα 2) μοιάζει με αυτό που θα παρήγαγε ένα μηχανογραφημένο μοντέλο (ομαλό).
Έχουμε αποδείξει στο παρελθόν ότι είναι αδύνατο 23.338 άνθρωποι να πέθαναν από/με Covid στη Νέα Υόρκη την άνοιξη του 2020. Έχουμε επίσης αποδείξει ότι τα δεδομένα θνησιμότητας της Νέας Υόρκης είναι αμφίβολης ακεραιότητας [38]. Με βάση την τρέχουσα συζήτηση, τώρα υποστηρίζουμε ότι η πιο βιώσιμη εξήγηση για τα λανθασμένα δεδομένα είναι ότι ένας υπολογιστικός αλγόριθμος (βασισμένος σε ένα επιδημιολογικό μοντέλο) συνδυάστηκε με έναν ακατάλληλο βρόχο ανάδρασης μεταξύ των JHU και NYCH. Όλα αυτά υποδηλώνουν και αυτό μάλλον έντονα, ότι οι αριθμοί θανάτων από/με την Covid για τη Νέα Υόρκη εφευρέθηκαν σε μια αριθμομηχανή, αντί να καταμετρηθούν σε ένα νεκροτομείο. Καλούμε είτε τη NYCH, είτε το JHU να εξηγήσουν γιατί και πώς αυτά τα στοιχεία πρέπει να ερμηνεύονται διαφορετικά και να προσκομίσουν τα πιστοποιητικά θανάτου των θανόντων ως απόδειξη.
Φυσικά, εάν οι αριθμοί θανάτων από/με Covid στη Νέα Υόρκη βασίζονταν σε ένα μοντέλο υπολογιστή, προκύπτει ότι οι κάτοικοι της Νέας Υόρκης υποβλήθηκαν σε τρεις μήνες περιττού τρόμου στις αρχές του 2020, καθώς τους είπαν ότι χιλιάδες γείτονές τους χάνονταν εξαιτίας της Covid, όταν κανείς δεν είχε (ούτε έχει ακόμα) ιδέα πόσοι άνθρωποι πέθαιναν στην πραγματικότητα. Είναι, επομένως, πολύ πιθανό ότι δεν συνέβη τίποτα ασυνήθιστο στη Νέα Υόρκη την άνοιξη του 2020 (ακόμα και όπως δεν συνέβη τίποτα ασυνήθιστο στην Κίνα [43]) και ότι η μέση αύξηση κατά 24% στις κλήσεις στο 911 [44] κατά τη διάρκεια αυτής της χρονικής περιόδου, μαζί με την ανεξήγητη και ανησυχητική αύξηση των καρδιακών ανακοπών [45] δεν προκλήθηκαν από την Covid, αλλά από τον φόβο που προκλήθηκε από τα μέσα ενημέρωσης [46].
Συμπέρασμα
Ο πίνακας ελέγχου του JHU “αναπτύχθηκε για να παρέχει στους ερευνητές, στις αρχές δημόσιας υγείας και στο ευρύ κοινό ένα φιλικό προς τον χρήστη εργαλείο για την παρακολούθηση της επιδημίας καθώς αυτή ξετυλίγεται”. Εκτός από το γεγονός ότι η παρακολούθηση οποιασδήποτε ασθένειας σε πραγματικό χρόνο είναι λειτουργικά αδύνατη και παρά το γεγονός ότι τίποτα ιδιαίτερο δεν “ξετυλίχθηκε” όταν τον ανέπτυξαν, όλα τα στοιχεία δείχνουν ότι κατάφεραν να δημιουργήσουν έναν πίνακα ελέγχου για την Covid, χρησιμοποιώντας υπολογιστικά μοντέλα που “διορθώνονταν” κατά καιρούς με δεδομένα που λαμβάνονταν από επίσημους κυβερνητικούς ιστοτόπους. Αναμιγνύοντας δεδομένα από υπολογιστικά μοντέλα με δεδομένα από παρατηρήσεις, ενώ ταυτόχρονα ισχυρίζονταν ότι “βασίζονταν εξ ολοκλήρου σε δημόσια διαθέσιμα δεδομένα”, μπέρδεψαν τα δεδομένα τόσο πολύ, που τα κατέστησαν χωρίς νόημα. Ως αποτέλεσμα, η βάση δεδομένων του JHU για την Covid είναι και ήταν τόσο αναξιόπιστη, που δεν θα έπρεπε ποτέ να είχε χρησιμοποιηθεί για τον προσδιορισμό είτε των κρουσμάτων, είτε των θανάτων από/με Covid.
Όσο εντυπωσιακό κι αν ακούγεται αυτό το συμπέρασμα, είναι βασικά αυτό που είπε ο Aaron Katz (επόπτης στην ομάδα ανάπτυξης του JHU) πριν από τέσσερα χρόνια:
“Σε δέκα χρόνια από τώρα θα δούμε όλες τις αναφορές και τις αναδρομικές, που θα μας πουν τι ακριβώς συνέβη και πού…. [Αλλά προς το παρόν] προσπαθούμε να λύσουμε αυτό το πρόβλημα της επίγνωσης της κατάστασης στην παρούσα στιγμή” [11].
Τουλάχιστον τα λόγια του μας πληροφορούν ότι χρειάζονται συνήθως δέκα χρόνια για να ληφθούν ακριβή δεδομένα για μια συγκεκριμένη ασθένεια. Στη χειρότερη περίπτωση, τα λόγια του μας διαβεβαιώνουν ότι ο πίνακας ελέγχου του JHU ήταν αναξιόπιστος, ότι η εμπιστοσύνη που δόθηκε στα δεδομένα ήταν εντελώς άστοχη και ότι ο πίνακας ελέγχου του JHU προκάλεσε πολλά λανθασμένα συμπεράσματα σχετικά με την Covid.
Υπό το φως όλων αυτών των γεγονότων και των παρατηρήσεων:
Καλούμε τις κυβερνήσεις και τις στατιστικές υπηρεσίες σε όλο τον κόσμο να επιστρέψουν στην προηγούμενη αργή, αλλά ακριβή διαδικασία συλλογής αξιόπιστων δεδομένων μέσω κανονικών καναλιών,
Ενθαρρύνουμε τους ιατρικούς ερευνητές να αντισταθούν στον πειρασμό να χρησιμοποιήσουν δεδομένα για την Covid από το αποθετήριο του JHU και αντ'αυτού να περιμένουν μέχρι να γίνουν διαθέσιμα αξιόπιστα δεδομένα,
Ζητάμε από το Πανεπιστήμιο Johns Hopkins να είναι πλήρως ανοιχτό και διαφανές σχετικά με τον υπολογιστικό κώδικα, τα μοντέλα, τις πηγές και τις διαδικασίες που χρησιμοποιούνται στον πίνακα ελέγχου του,
Καλούμε τη Νέα Υόρκη να ξεκινήσει μια διαφανή έρευνα για το εάν και πώς τα δεδομένα της αλλοιώθηκαν από υπολογιστικά μοντέλα και, τέλος,
Προτρέπουμε το ευρύ κοινό να είναι πιο επικριτικό για τυχόν ισχυρισμούς που υποστηρίζουν παγκόσμιες στατιστικές “σε πραγματικό χρόνο” για μια ασθένεια.
Ο συγγραφέας είναι ευγνώμων για την πολύτιμη βοήθεια που παρείχαν συνάδελφοι και κάποιοι συντελεστές αυτού του άρθρου, που επιθυμούν να μείνουν ανώνυμοι.
