Citat:
Ursprungligen postat av
Ola Schubert
Jo, men de 7,3 procent som hunnit utveckla antikroppar vecka 17 måste ha tillfrisknat, senast vecka 15, eftersom det behövs 14 dagar efter att man tillfrisknat för att hinna utveckla antikroppar. Men innan dessa 7,3 procent blev friska så hade de ju varit sjuka i covid-19. Sjuktider på 3 veckor i covid-19 är inte något ovanligt. Även om vi sätter snittet på två veckor så insjuknade de 7,3 procenten i covid-19 senast vecka 13. Då hamnar vi på en vecka som började den 23 mars och en vecka tidigare än så om vi räknar med 3 veckors sjukdomstid.
Men, ok: Inte början av mars, kanske mitten av mars och, definitivt slutet av mars, då de 7,3 procenten insjuknade.
En pandemi som bara startade en månad tidigare i Sverige och som ändå han smitta 7,3 procent av invånarna i Stockholmsregionen pekar på att det hunnit hänt ganska mycket under de 9 veckor som gått tills nästa serologiska undersökning kommer att göras nästa vecka, dvs under vecka 22.
Nej FHM bygger sin strategi på empirisk grund, inte på "moderna modeller" som svävar i det blå och bygger på abstrakta sannolikskalkyler som roulettforskarna på Imperial college utvecklat.
60% of IgG antibodies present around ten days after being infected — these are also the slowest antibodies to present. So the test mostly reflects upon the situation on the 24th of April. Considering 95% of IgG antibodies present after 14 days, it definitely reflects the situation from the 20th of April onwards (Since testing concluded 4th of May.)
Of course, the test parameters are quite bad. This means that there will be a large number of false-positives in the result; and also means the low-prevalence results can be thrown away. It’s the reason Skåne reports higher infection rates than Göteborg, for example.
If you plug the numbers into a Bayesian inference model to find the true-prevalence based on the sensitivity/specificity given, you’ll find around 5% in Stockholm and around 2-3% in Sweden as a whole.
Examples, Sweden:
π = (p+γ−1)/(δ+γ−1)
γ = Specificity (0.977)
δ = Sensitivity (0.983)
p = Prevalence (0.05)
(0.027)/(0.96) = 0.0281
Which calculates a true-prevalence of 2.81%.
Another Bayesian example in short for Stockholm:
(7.3 + 97.7 - 100) / (98.3 + 97.7 - 100) * 100
Gives us a true-prevalence of 5.21%.
