Trị giá ‘Sanh mạng Thống kê’ trong mùa dịch Vũ Hán

Sanh mạng của bạn trị giá bao nhiêu? Đó là câu hỏi rất đụng chạm và khó có câu trả lời đúng vì có quá nhiều yếu tố (sinh học, kinh tế, đạo đức). Nhưng thay vì hỏi câu đó, chúng ta có thể đặt một câu hỏi khác liên quan đến khái niệm ‘Sanh mạng thống kê’ mà tôi muốn chia sẻ dưới đây. Hi vọng rằng đọc xong cái note này các bạn (nhứt là giới lãnh đạo thành phố) có một suy nghĩ mới mẻ về chống dịch.

May be an image of 3 people, money and text

1. Lượng giá sự mất mát

Theo số liệu của HCDC, tính đến ngày 28/7 TPHCM đã ghi nhận 77,956 ca ‘mắc bệnh’ (nhưng tôi nghị họ nói ‘dương tính’ nCov). Trong số này, có 929 ca tử vong [1], và tỉ lệ tử vong là 1.2% [1].

Câu hỏi đặt ra là chúng ta đánh giá sự mất mát trên như thế nào? Câu trả lời là có nhiều cách. Đứng trên phương diện dịch tễ học, tôi có thể đánh giá số năm tuổi thọ mất đi như là một chỉ số phản ảnh sự mất mát. Nếu một người nam 50 tuổi chết vì covid, thì người này mất đi 21 năm sống (do tuổi thọ trung bình ở nam giới Việt Nam là 71). Nhưng nếu một phụ nữ 75 tuổi qua đời vì covid thì số năm mất của người này chỉ 1.3. Do đó, tổng số năm-người mất chính là cách thể hiện sự mất mát.

Một cách đánh giá sự mất mát nữa là qua … kinh tế. Giới kinh tế thì lúc nào cũng nghĩ đến tiền, đến dollar. Họ hay hỏi những câu hỏi như ‘một sanh mạng đáng giá bao nhiêu’. Cách suy nghĩ đó sau này lan dần sang y khoa, và người ta có chỉ số QALY để đánh giá một liệu pháp can thiệp. Nhưng đó là cách lượng giá 1 cá nhân, và tôi sẽ không nói về QALY ở đây (bạn nào muốn tìm hiểu thì có thể đọc sách ‘Y học thực chứng’ của tôi, hay bài này trên Thời báo Kinh tế Sài Gòn [2]).

Cách lượng giá ít đụng chạm hơn là dựa vào … xác suất. Và, một khái niệm rất thú vị trong xác suất và mạng sống con người có tên là ‘Statistical Life’ (mà tôi dịch là ‘Sanh mạng Thống kê’). Giới kinh tế học có cách lượng giá một Sanh mạng thống kê, và họ gọi là ‘Value of a Statistical Life’ (VSL).

2. “Sanh mạng thống kê” là gì?

Khái niệm Sanh mạng thống kê xuất phát từ Nhà kinh tế học Thomas Schelling (1921 – 2016), cựu giáo sư kinh tế thuộc Đại học Harvard. Ông được trao giải Nobel về kinh tế học năm 2005 về những công trình nghiên cứu liên quan đến lí thuyết trò chơi (game theory). Năm 1968 Schelling có một phát kiến rất thú vị mà ông gọi là ‘Statistical Life‘ và cách lượng giá sang mạng thống kê là ‘Value of Statistical Life‘.

Không bàn đến triết lí đằng sau của VSL (rất hay) mà chỉ đi thẳng vào ý nghĩa của nó. VSL là một ước số, hay một cách định lượng giá trị mà xã hội chấp nhận để giảm nguy cơ tử vong. Ví dụ như để giảm nguy cơ tử vong từ Covid19 từ x1 xuống còn x2, xã hội phải chi ra một số tiền và số tiền đó được cộng đồng chấp nhận. Khái niệm Sanh mạng thống kê, do đó, không phản ảnh một cá nhân nào cả, mà phản ảnh nguy cơ (và nguy cơ hay risk thì đo lường qua xác suất). Xác suất là một khái niệm quần thể (trong trường hợp này), thành ra VSL chỉ áp dụng cho một quần thể. Phải dong dài, rào trước đón sau vậy để các bạn không hiểu lầm.

Khái niệm VSL có thể giải thích một cách đơn giản như sau. Giả dụ chúng ta có một quần thể mà nguy cơ tử vong trong một năm là 1 trên 10,000 (hay 0.01%). Nếu mỗi người đồng ý mua bảo hiểm 300 USD một năm để chấp nhận nguy cơ đó, thì 10,000 người sẽ trả 3 triệu USD (10,000 * 300) để chấp nhận 1 người tử vong. Trong trường hợp này, VSL là 3 triệu USD.

Một ví dụ khác cho dễ hiểu khái niệm VSL hơn. Nếu một tập đoàn khai thác khoáng sản gồm 5000 công nhân làm việc trong môi trường mà xác suất tử vong mỗi năm là 1 trên 5000. Công nhân đồng ý nhận thêm lương 2000 USD mỗi năm cho nguy cơ đó. Suy ra, VSL cho công việc này là 10 triệu USD. Nói cách khác, công nhân chấp nhận đánh ván bài sanh mạng thống kê với nguy cơ dù chỉ 1 trên 5000.

VSL khác biệt giữa các quốc gia, tuỳ vào mức độ giàu có của nền kinh tế. Ở Úc, chánh phủ dựa vào VSL chừng 4.9 triệu AUD, còn ở Mĩ thì 10 triệu USD (JAMA 12/10/2020). Còn ở Việt Nam thì chúng ta chưa có ai quan tâm đến con số này. Tuy nhiên, một phân tích kinh tế của Kip Viscusi ước lượng rằng VSL của người Việt là 342,000 USD (giá 2017), còn China là 1.364 triệu USD [3].

3. Lượng giá sách lược chống dịch qua VSL

Khái niệm VSL cũng có thể áp dụng cho các chương trình can thiệp dịch Covid-19. Tập san JAMA có một bài về VSL đọc cũng hay, và tôi lấy ý tưởng từ bài này.

Như tôi hay nói ngay từ những tuần đầu tiên của lần bộc phát này là mục tiêu của chống dịch phải tập trung vào giảm thiểu tác hại của dịch. Giảm thiểu số ca tử vong, giảm số ca nhập viện. Còn con số dương tính mỗi ngày không quá quan trọng như tác động của dịch.

TPHCM (và nhiều nơi khác) đang áp dụng chánh sách phong toả. Điều này cũng đúng, nhưng lợi ích và tác hại của phong toả không phải là chuyện dễ bàn vì có quá nhiều bất định [5].

Phong toả thành phố thì ảnh hưởng đến nền kinh tế, nhưng có thể giảm nguy cơ tử vong (mục tiêu hàng đầu). Câu hỏi đặt ra là xã hội chấp nhận tổn hại đến nền kinh tế bao nhiêu để cứu người? Hiện nay, chúng ta không có câu trả lời. Nếu tôi là lãnh đạo thành phố, tôi sẽ yêu cầu các chuyên gia kinh tế ĐỘC LẬP đánh giá để còn biết hướng đi sắp tới.

Thôi thì chúng ta thử làm một … tính rợ. Chúng ta biết rằng GDP của Sài Gòn là khoảng 62 tỉ USD một năm. Theo các chuyên gia bên Úc và Mĩ, GDP quốc gia sẽ giảm chừng 10% sau phong toả. Và, nếu lấy con số 10% làm điểm khởi đầu, chúng ta có thể ước tính rằng xã hội chấp nhận trả cái giá 6.2 tỉ USD để cứu người.

Trong tình huống xấu nhứt, 10% dân số thành phố bị nhiễm, tức 1 triệu người. Số ca tử vong sẽ là bao nhiêu trong tình huống xấu nhứt này? Dựa vào infection fatality rate (chớ không phải case fatality rate), có 2 tình huống khác:

Tình huống 1: nếu xác suất tử vong là 0.0027 [6], chúng ta kì vọng có 2700 người chết; VSL là 1.05 tỉ USD (2700 * 342000 * 1.14).

Tình huống 2: nếu xác suất tử vong cao nhứt là 0.0154 [6], chúng ta kì vọng có 15,400 người chết; VSL là 6.03 tỉ USD.

Ý nghĩa của những con số trên rất quan trọng vì nó liên quan đến chánh sách phong toả. Giả dụ rằng thành phố sẽ thiệt hại 6.2 tỉ USD (vì phong toả), mà VSL có thể chỉ 1.05 tỉ USD, hay nếu cao nhứt cũng là 6.03 tỉ USD.

Nếu xem VSL là một chỉ số của ‘lợi ích’ (cứu người), thì chúng ta thấy rằng lợi ích thấp hơn thiệt hại (harm). Nói cách khác, cách tính rợ VSL gọi ý rằng phong toả thành phố gây ra thiệt hại kinh tế nhiều hơn là lợi ích. Dĩ nhiên, chưa nói đến thiệt hại khác trong xã hội mà chúng ta chưa tính tới.

Vậy nếu bạn là ông Nguyễn Văn Nên hay/và ông Nguyễn Thành Phong, bạn phải làm gì? Tôi nghĩ bạn trước hết sẽ yêu cầu các chuyên gia có kinh nghiệm và biết tính toán ước lượng lại VSL kĩ hơn. Chẳng hạn như ước lượng VSL theo từng độ tuổi và thành phần kinh tế, như đánh giá nguy cơ tử vong, đánh giá khả năng lây nhiễm, v.v. Cần rất nhiều phân tích.

Nhưng đồng thời, tôi nghĩ bạn cũng sẽ xem xét lại chánh sách phong toả. Có lẽ không phong toả toàn bộ các hãng xưởng và hoạt động kinh tế, và nên để cho các ngành nghề quan trọng trong chiến lược phát triển kinh tế hoạt động. (Còn ngành nghề nào thì đó là việc của Chánh phủ). Ngay cả phong toả các ngành nghề ‘không thiết yếu’, cũng phải có thời hạn, chớ không thể kéo dài vô hạn định được.

PS: Xin nói thêm rằng những tính toán trên chỉ là tính rợ thôi vì tôi không có số liệu chi tiết. Mục đích của cái note này là giới thiệu một khái niệm về ‘Sanh mạng Thống kê’, có lẽ mới đối với nhiều bạn, trong việc đánh giá kinh tế về chiến lược chống dịch. Hi vọng rằng các bạn làm bên kinh tế có một đóng góp sau khi đọc bài này.

_____

[1] https://hcdc.vn/category/van-de-suc-khoe/covid19/ban-tin-hang-ngay/thong-tin-ve-dich-benh-covid19-tai-tphcm-cap-nhat-7g-ngay-2972021-878699935da8e5285e4af6b87936df12.html

[2] https://www.thesaigontimes.vn/17652/Luong-gia-mang-song-con-nguoi.html

[3] https://law.vanderbilt.edu/phd/faculty/w-kip-viscusi/355_Income_Elasticities_and_Global_VSL.pdf

[4] https://jamanetwork.com/journals/jama/fullarticle/2771764

[5] https://tuanvnguyen.medium.com/move-away-from-lockdowns-ad24fe2d995b

[6] https://www.who.int/bulletin/volumes/99/1/20-265892.pdf

Câu chuyện Ivermectin

Một bạn đọc hỏi tôi tại sao trong danh sách các thuốc được khuyến cáo cho covid19 không có Ivermectin [1] dù nó được nhiều bác sĩ quảng bá. Câu chuyện đằng sau là những bài học thú vị về nghiên cứu khoa học và y học thực chứng.

Ivermection là thuốc từng được sử dụng chống các kí sinh trùng (như giun, sán) và rất có hiệu quả. Nhiều người Việt chúng ta, nhứt là ở thế hệ tôi, chẳng có xa lạ gì với thuốc này. Trong thời gian gần đây, có người đề ra giả thuyết là Ivermectin cũng có thể dùng để chống virus Vũ Hán [2]. Nhưng vấn đề là chứng cớ khoa học chưa đủ mạnh, nên các chuyên gia không khuyến cáo dùng nó cho bệnh nhân covid19 [1].

Ivermectin for COVID-19: Worth a Shot? | MedPage Today

Nhưng Ivermectin vẫn được nhiều người ‘ưu ái’. Một số bác sĩ đến chánh trị gia có đề cập đến thuốc này như là một giải pháp cho covid19, vì họ nói có nghiên cứu lâm sàng cho thấy thuốc có hiệu quả rất tốt. Tốt như thế nào? Họ nói Ivermection có thể giảm nguy cơ tử vong ở bệnh nhân covid19 đến 90% [3].

Trong khoa học, bất cứ nghiên cứu nào có vẻ quá tốt đều là đáng … nghi ngờ. Cái nghiên cứu nổi tiếng về Ivermectin mà nhiều người trích dẫn đó là từ một nhóm bên Ai Cập dưới sự chủ trì của Bs Ahmed Elgazzar thuộc Đại học Benha University.

Kết quả nghiên cứu chưa được công bố trên một tập san có bình duyệt, mà mới công bố trên một trạm preprint (ResearchSquare) [3]. Các bạn có thể download bài báo và đọc xem sao.

Sau khi bài báo đưa lên trạm preprint, một em sinh viên y khoa (tên là Jack Lawrence) được thầy bảo đọc bài báo và báo cáo cho thầy biết nghiên cứu đó phát hiện cái gì và mạnh yếu ra sao. Em sinh viên đọc bài báo, rồi dùng các kĩ thuật trong y học thực chứng để dánh giá kết quả. Em ấy phát hiện bài báo có quá nhiều vấn đề về phương pháp nghiên cứu và kết quả [4]. Em ấy còn phát hiện rằng những thông tin trong bài báo không ăn khớp với những gì hứa trên trang đăng kí clinicaltrials và đó là vấn đề y đức.

Nhưng một số vấn đề Jack không dám đánh giá vì còn thiếu kinh nghiệm và kĩ năng, nên Jack bèn liên lạc Nick Brown (Đại học Linnaeus, Thuỵ Điển) và Gideon Meyerowitz-Katz (Đại học Wollongong, Úc) là những chuyên gia về dịch tễ và thống kê học để đánh giá. Nick Brown đọc xong bài báo và phát hiện hàng loạt vấn đề [5]. Có thể nói là bất cứ trang nào của bài báo cũng đều có vấn đề! Những con số không ăn khớp. Ngày tháng về biến cố lâm sàng sai hay có vấn đề. Phương pháp phân tích số liệu cũng sai. Tất cả những sai sót đó dẫn đến kết luận cũng sai.

Nhận xét của tôi?

Tôi cũng có đọc bài báo gốc của Bs Elgazzar, và cũng có những ý kiến giông giống như Brown. Tôi rất ngạc nhiên là một công trình RCT với 400 bệnh nhân, mà chỉ được báo cáo vỏn vẹn 10 trang giấy! Thiếu nhiều thông tin quan trọng về cách ngẫu nhiên hoá các nhóm bệnh nhân, tiêu chuẩn lâm sàng, ai là người thẩm định dữ liệu (data monitoring committee), phương pháp phân tích thống kê, v.v. đều thiếu. Ngoài ra, những thông tin cung cấp trong bài báo gần như không đáp ứng tiêu chuẩn về công bố khoa học mà tôi và đồng nghiệp đề ra [6] vào năm 2019. Phải nói là thất vọng.

Nếu nhìn vào Bảng số liệu 1 của bài báo (đặc điểm của bệnh nhân lúc ban đầu), dễ dàng thấy nghiên cứu có vấn đề. Nếu việc ngẫu nhiên hoá được làm tốt thì chúng ta kì vọng rằng các khác biệt về Hgb, CRP, D-dimer giữa 4 nhóm không thể khác nhau. Thế nhưng trong thực tế thì rất khác nhau!

Những con số, đặc biệt là số ‘standard deviation’ (SD) cũng có vấn đề. Chẳng hạn như với chỉ số Hgb, có range là 10 đến 14, nhưng SD chỉ 1.8 mg/dL! Đây là một điều không thể xảy ra cho một nhóm bệnh nhân. Đành rằng Hgb không tuân theo luật phân bố chuẩn (normal distribution), nhưng con số SD đó hoàn toàn lệch so với range.

Bảng số liệu 2 và 3 là sai. Sai là vì tác giả chỉ so sánh các chỉ số lâm sàng vào tuần thứ nhứt sau điều trị, nhưng các giá trị này phụ thuộc vào baseline (ban đầu). Mà, bảng số 1 cho thấy các giá trị baseline rất khác nhau giữa các nhóm, nên nếu không hiệu chỉnh cho các giá trị đó thì trị số P và t-test cũng sai.

Nhưng hãy tạm bỏ qua các vấn đề về phương pháp, kết quả có thể đánh giá ra sao? Cái outcome quan trọng nhứt là tử vong. Theo nghiên cứu báo cáo (Bảng số 4), tỉ lệ tử vong ở nhóm chứng là 20% (20 ca trong 100 người), còn trong nhóm điều trị là 2% (6 trên 300). Do đó, Ivermection giảm nguy cơ tử vong 90%.

Kết quả quá đẹp!

Nhưng vấn đề là có đến 79 bệnh nhân có hồ sơ lâm sàng giống y chang nhau. Không hiểu sao có đến 79 bệnh nhân giống như 1? Chúng ta không thể nói tác giả giả tạo dữ liệu, nhưng sự trùng hợp đặt nghi vấn nghiêm trọng về tính ‘integrity’ của dữ liệu.

Câu chuyện Ivermectin dẫn đến một kết cục buồn: ResearchSquare đã rút bài báo xuống để điều tra về dữ liệu.

Những bài học

Bài học về nghiên cứu khoa học từ vụ việc Ivermection thì nhiều lắm. Đây cũng là những bài học cho những ai ở VN nghĩ rằng làm nghiên cứu RCT là dễ dàng.

Bài học thứ nhứt là minh bạch trong nghiên cứu khoa học. Nói cho ngay tác giả cũng tỏ ra minh bạch trong nghiên cứu vì họ có công bố chi tiết trên clinicaltrials.gov, nhưng vấn đề là thông tin trên đó không ăn khớp với thông tin trong bài báo. Điều này có thể là một sai sót không cố ý vì trong quá trình nghiên cứu họ có thể đã điều chỉnh đề cương.

Bài học thứ hai là vai trò của hội đồng thẩm tra dữ liệu và an toàn. Nghiên cứu này không có Data Safety Monitoring Boards (DSMBs). Họ cũng không có một chuyên gia thống kê học nào trong nhóm nghiên cứu. Làm nghiên cứu RCT mà không có đến 1 chuyên gia thống kê thì quả là một mạo hiểm.

Bài học thứ ba là phương pháp ngẫu nhiên hoá trong nghiên cứu RCT. Nhiều người nghĩ rằng chỉ cần dùng Excel là có thể làm ngẫu nhiên hoá dễ dàng. Sai. Ngẫu nhiên hoá kiểu đó thì chẳng khác gì sinh viên làm nghiên cứu, vì trong thực tế có nhiều phương pháp ngẫu nhiên hoá và mỗi nghiên cứu cần một phương pháp riêng. Nghiên cứu này rõ ràng là đã thất bại trong ngẫu hiên hoá, nên dẫn đến biết bao hậu quả.

Bài học thứ tư là phương pháp phân tích dữ liệu. Như các bạn thấy, nhóm tác giả đã không xem xét đến một khía cạnh quan trọng: đó là ảnh hưởng của các yếu tố baseline. Họ chỉ chọn một thời điểm và tập trung vào đó mà không xem cái quá trình tiến hoá của mỗi chỉ tiêu sinh hoá. Nhiều người nghĩ rằng họ học vài bài về thống kê học và với một software họ có thể phân tích dữ liệu. Sai. Phân tích dữ liệu phải có câu hỏi nghiên cứu đằng sau, và để có câu hỏi tốt người phân tích phải am hiểu vấn đề (chớ không phải tìm trị số P).

Bài học thứ năm là cách viết bài báo khoa học và trình bày báo cáo. Cách trình bày dữ liệu phải nói là quá nghèo nàn. Chẳng hạn như đáng lí ra tác giả phải có một biểu đồ Kaplan-Meier để chúng ta biết diễn biến của các ca tử vong theo thời gian ra sao, nhưng đằng này chỉ có 1 bảng số liệu đơn giản!

Tôi rất thông cảm cho tác giả (những người như chúng ta, tức không am hiểu tiếng Anh). Nhưng tôi thấy tiếc cho họ là không nhờ một đồng nghiệp am hiểu về tiếng Anh và cách viết bài báo khoa học giúp họ. Đọc bài báo này, tôi có cảm giác như tác giả viết báo phổ thông, vì cách dùng chữ, cách viết cảm tính hay unprofessional (như ‘Faster time to viral clearance’, ‘Ivermectin is very effective in preventing corona virus infection’, ‘Caly et al. revealed that’, etc). Đọc phần họ mô tả ‘Endpoints’ (trang 4) tôi phải thốt lên “Trời, sao giống Việt Nam quá” — cách viết quá đơn giản, không phù hợp với một bài báo khoa học. Người như tôi đọc thì thông cảm, nhưng người khó tính thì bài báo này bị từ chối là điều có thể hiểu được.

Nhóm tác giả hình như chẳng quan tâm gì đến các hướng dẫn về báo cáo khoa học. Đây là vấn đề tôi rất quan tâm, nên khi nhậm chức Assoc Editor của JBMR (tập san số 1 về loãng xương trên thế giới) điều đầu tiên tôi làm là soạn một ‘phác đồ’ cho tác giả [6]. Đọc bài báo này và phác đồ đó tôi phải nói là tác giả ‘vi phạm’ gần như mọi qui ước!

Tóm lại, quay lại câu hỏi của một bạn là tại sao Ivermectin chưa được khuyến cáo cho điều trị bệnh nhân covid19, lí do là chưa đủ chứng cớ khoa học. Những chứng cớ đang có chưa đủ mạnh để đưa Ivermectin vào phác đồ điều trị covid19 và WHO cũng có nói như thế. Nhưng cái note này chỉ muốn chia sẻ những bài học trong nghiên cứu khoa học qua câu chuyện Ivermectin.

PS: Tháng 8 này tôi sẽ giảng trong 2 workshop về phương pháp nghiên cứu khoa học ở Việt Nam. Một workshop ở Hà Nội, và một trong Nam chỉ dành cho các bạn bên chuyên ngành ung thư học. Chắc tôi sẽ lấy bài báo này để thảo luận và học hỏi thêm.

_____

[1] https://nguyenvantuan.info/2021/07/18/cac-lua-chon-trong-dieu-tri-benh-nhan-covid-19

[2] https://www.sciencedirect.com/science/article/pii/S0166354220302011?via%3Dihub 

[3] https://www.researchsquare.com/article/rs-100956/v4

[4] https://grftr.news/why-was-a-major-study-on-ivermectin-for-covid-19-just-retracted

[5] https://steamtraen.blogspot.com/2021/07/Some-problems-with-the-data-from-a-Covid-study.html?m=1

[6] https://asbmr.onlinelibrary.wiley.com/doi/full/10.1002/jbmr.3885

Nên ưu tiên tiêm vaccine cho ai?

Đây là một câu hỏi hơi tế nhị, nhưng rất cần thiết trong tình hình nguồn vaccine hạn chế và dịch bệnh tăng nhanh như hiện nay. Việt Nam có một danh sách ưu tiên, nhưng tôi nghĩ cần phải xem lại danh sách này vì nó không phản ảnh đúng tình hình dịch bệnh, và cái note này có thể xem như là một ý kiến về khung giá trị và nhóm cần được ưu tiên.

**Đây là đề nghị của tôi dựa trên 4 giá trị xã hội. Không phân biệt giữa ‘quan’ và dân, chỉ dựa vào nguy cơ lây nhiễm.**

Theo báo LĐ, các giới chức Việt Nam đề ra 16 ‘đối tượng’ được ưu tiên chích vaccine [1]. Theo qui định này, nhân viên y tế (kể cả người tham gia chống dịch), kế đến là quân đội và công an, cán bộ ngoại giao, hải quan, giáo viên, v.v. Đa số là công nhân viên, còn dân thì đứng hạng thứ 9 trở đi. Tôi không hiểu sao nhân viên ngoại giao được ưu tiên hơn người dân trên 65 tuổi.

Không biết các bạn nghĩ sao, nhưng là người đọc tôi cảm thấy hình như có sự phân biệt giữa ‘quan’ và dân. Danh sách này nói lên một cách rõ ràng là quan có ưu tiên cao hơn dân. Có lẽ thứ tự này hơi thất sách về mặt chánh trị, bởi vì Nhà nước vẫn hay nói quan chức là đầy tớ của dân. Nhưng đó là vấn đề chung mà Nhà nước phải suy nghĩ lại.

Vấn đề cụ thể tôi muốn nói là danh sách ưu tiên đó nó có vẻ không dựa trên một nguyên lí xã hội nào cả? (Xin nói lại rằng xác định ưu tiên hoá tiêm vaccine là một đề tài nghiên cứu khoa học). Nguyên lí xã hội mà tôi muốn nói là bình đẳng và tôn trọng. Đáng lí ra đứng trước tình hình dịch bệnh, mọi người trong xã hội phải bình đẳng; không nên phân biệt theo vai vế, quan hay dân. Bảo vệ cho dân cũng là bảo vệ cho quan, do đó, phân biệt quan dân không nên nằm trong ‘phương trình’ ưu tiên hoá.

Nguyên lí và giá trị xã hội

Vậy thì ưu tiên hoá vaccine nên theo tiêu chuẩn nào? Theo tôi là phải xác định mục tiêu mà chúng ta (xã hội) muốn đạt được trong kiển soát dịch. Mục tiêu mà tôi có đề cập hôm trước là: (1) bảo toàn hệ thống y tế; (2) giảm nguy cơ tử vong và bệnh nặng; và (3) trao quyền cho người dân quản lí nguy cơ. Tôi rất vui khi giới lãnh đạo thành phố đã nhắm đến mục tiêu 1 và 2 (theo như một tuyên bố gần đây).

Ở đây, chúng ta có thể triển khai 3 mục tiêu đó thành 4 giá trị xã hội như sau:

Thứ nhứt là bảo vệ sức khoẻ. Mục tiêu tối hậu là giảm nguy cơ tử vong, giảm gánh nặng của dịch đè lên hệ thống y tế, và bảo vệ các dịch vụ thiết yếu như y tế.

Thứ hai là bình đẳng và tôn trọng. Trong mục tiêu này, chúng ta xem lợi ích của tất cả các nhóm là như nhau. Chúng ta cung cấp vaccine cho những cá nhân và nhóm đạt tiêu chuẩn ưu tiên.

Thứ ba là công bằng. Các nhóm có nguy cơ cao bị nhiễm hay các cá nhân nghèo cần được ưu tiên trong việc tiếp cận vaccine.

Thứ tư là bảo vệ đôi bên. Mục tiêu này có nghĩa là bảo vệ những người có nguy cơ cao bị nhiễm (như nhân viên y tế và người nghèo) cũng là một cách bảo vệ những người có nguy cơ thấp trong cộng đồng.

Vấn đề kế tiếp là sau khi đã xác định giá trị chúng ta cần đạt đến, thì chúng ta phải làm gì cụ thể? Nếu Việt Nam có đủ vaccine thì chúng ta chẳng cần đặt ra vấn đề ưu tiên hoá, nhưng vì vaccine quá hạn chế nên ưu tiên hoá là điều cần thiết. Tôi đề nghị để đạt 4 giá trị trên, danh sách ưu tiên hoá như sau:

Nên ưu tiên cho ai?

1. Nhân viên y tế (kể cả những người tham gia chống dịch) công và tư nhân. Đây là những người có nguy cơ cao bị nhiễm vì họ tiếp xúc nhiều người có nguy cơ cao hay bệnh nhân. Bảo vệ họ đáp ứng Giá trị 1.

2. Những người chăm sóc người bị nhiễm tại nhà, nhứt là những căn hộ nhỏ hẹp có nguy cơ lây nhiễm cao. Đây là những người cần được ưu tiên để đáp ứng Giá trị 1 và 4. Ở Việt Nam, nhà cửa thường chật hẹp, mà cách li người bị nhiễm ở điều kiện như thế sẽ dẫn lây lan cho người trong nhà. Do đó, tôi đề nghị phải ưu tiên tiêm vaccine cho những người tiếp xúc gần hay chăm sóc người đang bị nhiễm trong nhà. Đây là giải pháp đơn giản và thực tế nhứt để giải quyết vấn đề cách li tại nhà.

3. Những người cao tuổi (chẳng hạn như 65 tuổi trở lên). Kinh nghiệm ở nước ngoài, đa số các ca nhiễm là cao tuổi, và những người này cũng thường có những bệnh đi kèm có liên quan đến Covid19. Ưu tiên vào nhóm này đáp ứng Giá trị 1 và 3. Nhiều nghiên cứu mô hình dịch tễ học [2,3] cho thấy tập trung vaccine cho nhóm này sẽ đem lại hiệu quả lớn. Nếu có số liệu từ Việt Nam chúng tôi cũng có thể giúp làm mô hình như thế một cách dễ dàng.

4. Những người không cao tuổi nhưng làm những việc có tiếp xúc với nhiều người (như buôn bán lẻ, giáo viên, giới chức, công an, v.v.). Đây là những người có nguy cơ tương đối cao vì công việc của họ. Do đó, ưu tiên nhóm này đáp ứng Giá trị 1, 3 và 4.

Cách ưu tiên hoá trên không dựa vào yếu tố ‘quan’ và dân, mà lấy nguy cơ bệnh và giá trị xã hội để phân định. Quan hay dân không quan trọng; quan trọng là họ có nguy cơ cao hay thấp, và chúng ta nên tập trung vaccine vào nhóm có nguy cơ cao.

________

[1] https://laodong.vn/y-te/16-nhom-doi-tuong-uu-tien-tiem-phong-vaccine-covid-19-nam-2021-2022-932932.ldo

[2] https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1008849

[3] https://www.sciencedirect.com/science/article/pii/S1201971220325996

Hiện nay, danh sách 16 ‘đối tượng’ được ưu tiên tiêm vaccine là:

1. Người làm việc trong các cơ sở y tế, ngành y tế (công lập và tư nhân);

2. Người tham gia phòng chống dịch (Thành viên Ban chỉ đạo phòng, chống dịch COVID-19 các cấp, người làm việc ở các khu cách ly, làm nhiệm vụ truy vết, điều tra dịch tễ, tổ COVID cộng đồng, tình nguyện viên, phóng viên…);

3. Lực lượng Quân đội;

4. Lực lượng Công an;

5. Nhân viên, cán bộ ngoại giao của Việt Nam và thân nhân được cử đi nước ngoài; người làm việc trong các cơ quan Ngoại giao, Lãnh sự, các tổ chức quốc tế hoạt động tại Việt Nam4;

6. Hải quan, cán bộ làm công tác xuất nhập cảnh;

7. Người cung cấp dịch vụ thiết yếu: hàng không, vận tải, du lịch; cung cấp dịch vụ điện, nước;

8. Giáo viên, người làm việc, học sinh, sinh viên tại các cơ sở giáo dục, đào tạo; lực lượng bác sỹ trẻ; người làm việc tại các cơ quan, đơn vị hành chính; các tổ chức hành nghề luật sư, công chứng, đấu giá… thường xuyên tiếp xúc với nhiều người;

9. Người mắc các bệnh mạn tính; người trên 65 tuổi;

10. Người sinh sống tại các vùng có dịch;

11. Người nghèo, các đối tượng chính sách xã hội;

12. Người được cơ quan nhà nước có thẩm quyền cử đi công tác, học tập, lao động ở nước ngoài hoặc có nhu cầu xuất cảnh để công tác, học tập và lao động ở nước ngoài; chuyên gia nước ngoài làm việc tại Việt Nam;

13. Các đối tượng là người lao động, thân nhân người lao động đang làm việc tại các doanh nghiệp (bao gồm cả doanh nghiệp trong khu công nghiệp, khu chế xuất, doanh nghiệp kinh doanh vận tải, tín dụng, du lịch…), cơ sở kinh doanh dịch vụ thiết yếu như các cơ sở lưu trú, ăn uống, ngân hàng, chăm sóc sức khỏe, dược, vật tư y tế… cơ sở bán lẻ, bán buôn, chợ, công trình xây dựng, người dân ở vùng, khu du lịch;

14. Các chức sắc, chức việc các tôn giáo;

15. Người lao động tự do;

16. Các đối tượng khác theo Quyết định của Bộ trưởng Bộ Y tế hoặc Chủ tịch Ủy ban nhân dân tỉnh, thành phố và đề xuất của các đơn vị viện trợ vaccine cho Bộ Y tế.

Giải thích câu chuyện “CDC ngừng sử dụng xét nghiệm PCR”

Đa số báo Việt Nam [1,2] chạy cái tít như “Mĩ ngừng sử dụng xét nghiệm PCR Covid-19 cuối năm 2021.” Nhưng hình như nhiều chuyên gia hiểu lầm về thông cáo của CDC (Mĩ), vì CDC không có ý đó. PCR vẫn là phương pháp ‘chuẩn vàng’ xét nghiệm để chẩn đoán nCov.

Phải nói là cái thông cáo của CDC [3] được viết bằng một văn phong dễ gây nhầm lẫn. (Đây cũng là bài học về viết văn). Họ viết (và tôi dịch) như sau: ‘Sau ngày 31/12/2021, CDC sẽ rút lại yêu cầu của FDA cho sử dụng kĩ thuật ‘2019-nCoV’ trong trường hợp khẩn cấp. Chú ý chữ ‘2019-nCoV’ và tôi giải thích dưới đây.

Câu chuyện là thế này. Hiện nay, có nhiều phương pháp xét nghiệm nhiễm nCov dựa trên kĩ thuật PCR (hay chính xác là RT-PCR). Một trong những phương pháp đó là do CDC phát triển và đưa vào sử dụng từ năm 2019, có tên là “2019-nCoV” [4]. Phương pháp này được phát triển chỉ để phát hiện nCov. Thông cáo ra ngày 27/1 nói rằng CDC sẽ rút lại phương pháp này. Thông cáo đó không nói rằng sẽ rút lại tất cả các phương pháp PCR khác.

Tại sao rút lại phương pháp 2019-nCoV? Theo giải thích của phát ngôn viên của CDC, hiện nay đã có khá nhiều kĩ thuật PCR được phát triển cho chẩn đoán SARS-Cov-2, kể cả kĩ thuật ‘multiplex’ (tức phát hiện nhiều virus cùng một lượt test). Vì cúm mùa (flu) sắp tới, nên một phương pháp multiplex như thế sẽ tốt hơn và hiệu quả kinh tế hơn là phương pháp “2019-nCoV”. Trang web của CDC có liệt kê một danh sách các phương pháp multiplex này [5].

FDA đã phê chuẩn cho hơn 380 kĩ thuật, trong đó có nhiều kĩ thuật PCR, có thể sử dụng để chẩn đoán nhiễm nCov. Cho đến nay, dù có vấn đề dương tính giả và âm tính giả, nhưng PCR vẫn được xem là tiêu chuẩn vàng để chẩn đoán nCov.

Tóm lại, CDC không có rút lại tất cả các phương pháp xét nghiệm PCR cho nCov; họ chỉ rút lại phương pháp của chính họ (‘2019-nCoV’) vào cuối năm nay mà thôi. Còn việc hiểu lầm mấy ngày qua thì tôi nghĩ là do CDC, chớ không phải do báo chí. CDC viết văn hơi dở nên xảy ra tình trạng này.

Hi vọng các bạn nhà báo và đồng nghiệp hiểu hơn về ý nghĩa của thông cáo CDC.

_____

[1] https://vnexpress.net/my-ngung-su-dung-xet-nghiem-pcr-covid-19-cuoi-nam-nay-4330322.html

[2] https://tuoitre.vn/vi-sao-cdc-my-ngung-xet-nghiem-pcr-vao-cuoi-nam-2021-20210725143723048.htm

[3] https://www.cdc.gov/csels/dls/locs/2021/07-21-2021-lab-alert-Changes_CDC_RT-PCR_SARS-CoV-2_Testing_1.html

“ After December 31, 2021, CDC will withdraw the request to the U.S. Food and Drug Administration (FDA) for Emergency Use Authorization (EUA) of the CDC 2019-Novel Coronavirus (2019-nCoV) Real-Time RT-PCR Diagnostic Panel, the assay first introduced in February 2020 for detection of SARS-CoV-2 only. CDC is providing this advance notice for clinical laboratories to have adequate time to select and implement one of the many FDA-authorized alternatives.“

[4] cdc.gov/coronavirus/2019-ncov/hcp/testing-overview.html

[5] https://www.fda.gov/medical-devices/coronavirus-disease-2019-covid-19-emergency-use-authorizations-medical-devices/in-vitro-diagnostics-euas-molecular-diagnostic-tests-sars-cov-2

Xuyên tâm liên có hiệu quả cho covid-19?

Bộ Y tế mới có chủ trương dùng xuyên tâm liên (và vài thuốc thuộc nhóm y học cổ truyền) trong điều trị bổ trợ bệnh nhân Covid-19. Cơ sở đằng sau của chủ trương này là nghiên cứu từ Mã Lai, Thái Lan, Tàu, v.v. Cái note này chia sẻ một cách đánh giá chứng cớ khoa học và cho thấy rằng hiệu quả của xuyên tâm liên còn nhiều bất định.

Đối với dân trong Nam, xuyên tâm liên (XTL) gợi cả trời ‘kỉ niệm’ vì sau 1975 nó xuất hiện như là một thần dược. Thời đó thì Việt Nam lâm vào khó khăn kinh tế và hệ thống y tế trước 1975 trở nên suy sụp. Sau này, khi ra nước ngoài tôi có tìm hiểu XTL xuất phát từ đâu, và mới biết nó xuất phát từ bên Tàu (có tên là ‘*Chuan Xin Lian*‘), tiếng Anh là ‘*Andrographic paniculata*‘. Hoá ra, nó cũng là một loại thảo dược đã được dùng bên Ấn Độ từ hàng trăm năm trước (?). Nhưng sau 1975 nó xuất hiện rất trang trọng. Bẵng đi một thời gian, bây giờ XTL lại xuất hiện trong vai trò điều trị Covid-19.

Cách để đánh giá hiệu quả của một loại thuốc hay vaccine là thử nghiệm lâm sàng (clinical trial). Thử nghiệm lâm sàng liên quan đến xuyên tâm liên và Covid-19 còn rất ít trong y văn. Điều này cũng dễ hiểu vì đa số nghiên cứu đều tập trung vào ‘thuốc Tây’ hơn là thảo dược trong y học cổ truyền.

1. Nghiên cứu về xuyên tâm liên (XTL)

Tôi thử tìm trong y văn (qua Pubmed) thì thấy có tất cả 13 nghiên cứu về XTL liên quan đến Covid-19 đã được công bố (xem danh sách). Vấn đề là cách xử lí thông tin từ những bài báo khoa học này như thế nào để đồng nghiệp và công chúng hiểu.

Tôi nghĩ trong tình huống này thì chúng ta có thể ứng dụng các nguyên lí của y học thực chứng (evidence-based medicine) để đánh giá thông tin. Theo nguyên lí này, chúng ta xếp các nghiên cứu khoa học theo thứ tự mô hình nghiên cứu (từ cao xuống thấp):

Thử nghiệm lâm sàng RCT giai đoạn III (cao nhứt)
Nghiên cứu đoàn hệ (cohort study)
Nghiên cứu bệnh chứng (case-control study)
Nghiên cứu thiết diện (cross-sectional study)
Các ca lâm sàng
Nghiên cứu trên động vật
Nghiên cứu cơ bản (dòng tế bào)
Ý kiến chuyên gia (thấp nhứt)

Như các bạn thấy 13 nghiên cứu này toàn là loại nghiên cứu bán cơ bản, hay những nghiên cứu loại ‘proof of principle’. Những nghiên cứu này có giá trị khoa học thấp (không phải là thấp nhứt, nhưng thấp). Nói cách khác, các nghiên cứu này chưa thể áp dụng cho lâm sàng được. Ngoài ra, các nghiên cứu này chỉ công bố trên những tập san ‘làng nhàng’, rất khó có thể xem là chứng cớ mạnh.

2. Thử nghiệm lâm sàng từ Thái Lan

Tuy nhiên, nếu chịu khó tìm trong preprint thì tôi thấy có 1 nghiên cứu đạt tiêu chuẩn RCT. Đó là công trình thử nghiệm lâm sàng (RCT) ở Thái Lan chưa công bố trên một tập san có bình duyệt, mới công bố dưới dạng preprint, vào tháng này (7/2021) [1].

Nghiên cứu này có 2 nhóm bệnh nhân: nhóm được điều trị bằng XTL (29 người) và nhóm chứng (placebo, 28 người). Tôi không hiểu sao hội đồng y đức cho phép họ sử dụng placebo trong trường hợp này. Kết quả chánh, sau 5 ngày (?) theo dõi, như sau (xem bảng số liệu):

nhóm XTL có 10 người (35%) vẫn còn bị nhiễm; và

nhóm chứng có 16 người (57%) vẫn bị nhiễm.

Nhưng vì số cỡ mẫu thấp quá, nên sự khác biệt này không có ý nghĩa thống kê (P = 0.09). Họ báo cáo số ca viêm phổi trong nhóm XTL là 0, và nhóm chứng là 3 người (11%, P = 0.039). Họ cũng báo cáo chỉ số CRP nhưng số liệu này chỉ là một ‘salami’ của tiêu chí viêm phổi.

**Tác giả sai trong tính toán và kết luận.**

3. Diễn giải kết quả trên như thế nào?

Nếu là người ủng hộ XTL thì có lẽ sẽ thấy đó là chứng cớ cho thấy XTL có hiệu quả giảm số nhiễm (từ 57% xuống 35%), giảm số ca viêm phổi (P = 0.039). Nhưng tôi e rằng cách diễn giải hay hiểu đó là … khó thuyết phục.

Tại sao?

Lí do thứ nhứt là cỡ mẫu: nghiên cứu này có số cỡ mẫu rất nhỏ (chỉ 28-29 bệnh nhân trong mỗi nhóm), nên độ nhạy không có cao. Nghiên cứu với cỡ mẫu nhỏ có xác suất dương tính giả rất cao; có nghĩa là kết quả có ý nghĩa thống kê, nhưng trong thực tế thì thuốc vô dụng.

Lí do thứ hai là tiêu chí lâm sàng: mục tiêu của điều trị là giảm thời gian nằm viện, giảm mức độ nặng của bệnh, và cứu người. Báo cáo này chỉ liên quan đến lây nhiễm nCov, mà không có thời gian nằm viện, cũng chẳng có đánh giá mức độ nặng nhẹ của bệnh. Ngay cả đánh giá SARS-Cov-2 qua RT-PCR cũng chưa chắc chắn, vì vấn đề dương tính giả và âm tính giả.

Lí do thứ ba là thời gian theo dõi còn quá ngắn: một nghiên cứu đàng hoàng thì cần phải theo dõi bệnh nhân ít nhứt là 2 tuần, nhưng ở đây theo như báo cáo thì chỉ 5 ngày. Thời gian đó chưa đủ để đánh giá hiệu quả điều trị.

Lí do thứ tư là họ phân tích sai và kết quả báo cáo cũng sai luôn. Chú ý trong bảng số liệu họ báo cáo số ca viêm phổi ở nhóm XTL là 0, ấy vậy mà họ tính ra trị số P = 0.039! Thật ra, chỉ cần một thao tác đơn giản [2] tốn chừng 30 giây là thấy trị số P đúng là 0.11, tức là không có ý nghĩa thống kê.

Không chỉ sai về tiêu chí viêm phổi, họ cũng sai luôn về con số ca nhiễm SARS-Cov-2. Họ báo cáo rằng tỉ lệ nhiễm ở nhóm XTL là 35%, thấp hơn nhóm chứng (57%), với P = 0.089. Nhưng thật ra, dùng phương pháp kiểm định chính xác (Fisher’s test) thì trị số P = 0.11 (tỉ số odds 0.4; khoảng tin cậy 95% từ 0.12 đến 1.3), tức cũng chẳng có ý nghĩa thống kê.

Hai tiêu chí lâm sàng quan trọng mà họ đều sai. Không hiểu tại sao họ sai. Chắc chắn họ không có ý báo cáo láo; rất có thể họ không am hiểu phương pháp phân tích dữ liệu. Thôi thì đó là chuyện của họ, còn chuyện của ta thì sao?

Theo tôi, kết quả nghiên cứu trên cho thấy XTL không có hiệu quả trong điều trị bệnh nhân Covid-19.

Cái khó của người ‘decisiom maker’ là phải làm gì với kết quả trên. Trong tình huống khẩn cấp nhưng thiếu thốn chứng cớ như hiện nay, câu hỏi là có cho sử dụng XTL và các biện pháp y học cổ truyền cho Covid-19? Nếu XTL được sử dụng với vai trò bổ trợ cho các thuốc khác (như Dexa, Remdesivir, Tocilizumab, v.v.) thì cần phải có phác đồ điều trị cụ thể và mô hình kinh tế – y tế, chớ dùng đại trà thì rất khó thuyết phục. Dù gì thì vẫn phải cần có thêm nghiên cứu để chứng cớ rõ ràng hơn [3].

Cập nhựt: Hôm nay, Bộ Y tế đã có công văn thu hồi chủ trương dùng xuyên tâm liên cho Covid-19.

______

[1] https://www.medrxiv.org/content/10.1101/2021.07.08.21259912v1.full.pdf

[2] Dùng R để tính xác suất số liệu xảy ra như trong bảng NẾU thuốc hoàn toàn vô dụng:

fisher.test(rbind(c(0, 29), c(3, 25)))

fisher.test(rbind(c(10, 19), c(16, 12)))

[3] Việt Nam không phải là nước đầu tiên ứng dụng y học cổ truyền cho Covid-19. Các nước trong vùng như Tàu, Thái Lan, Ấn Độ đã phê chuẩn cho sử dụng các dược thảo trong việc điều trị Covid-19. Tuy nhiên, khác với Việt Nam, ở Tàu và Ấn Độ các hiệp hội y khoa phê bình gay gắt quyết định của Ấn Độ, cho rằng đó là một ‘fraud’ [2]. Giới y khoa quốc tế cũng chỉ trích các giới chức y tế Tàu đã quá vội vàng xuất khẩu những thảo dược này ra nước ngoài.

[4] Danh sách 13 nghiên cứu liên quan đến xuyên tâm liên trong y văn:

1. Jadhav AK, Karuppayil SM. Phytother Res. 2021 Apr 30.

2. Sa-Ngiamsuntorn K, et al J Nat Prod. 2021 Apr 23;84(4):1261-1270.

3. Mehta S, Sharma AK, Singh RK. Comb Chem High Throughput Screen. 2021 Mar 10.

4. Hiremath S, et al. Kumar HDV, Nandan M, Mantesh M, Shankarappa KS, Venkataravanappa V, Basha CRJ, Reddy CNL. Biotech. 2021 Feb;11(2):44.

5. Sukardiman, et al. J Adv Pharm Technol Res. 2020 Oct-Dec;11(4):157-162.

6. Rajagopal K, et al. Futur J Pharm Sci. 2020;6(1):104.

7. Banerjee S, et al. Phytochem Anal. 2021 Jul;32(4):629-639.

8. Jalali A, et al. Phytother Res. 2021 Apr;35(4):1925-1938.

9. Silveira D, et al. Front Pharmacol. 2020 Sep 23;11:581840.

10. Shi TH, et al. Biochem Biophys Res Commun. 2020 Dec 10;533(3):467-473.

11. Murugan NA, et al. J Biomol Struct Dyn. 2021 Aug;39(12):4415-4426.

12. Banerjee A, et al. Life Sci. 2020 Aug 15;255:117842.

13. Enmozhi SK, etal. J Biomol Struct Dyn. 2021 Jun;39(9):3092-3098.

Anthony Fauci vs Rand Paul: “You don’t know what you are talking about”

Nếu có dịp theo dõi buổi điều trần trong thượng nghị viện Mĩ vài ngày trước, các bạn sẽ thấy tư cách của ông Anthony Fauci hình như có vấn đề.

Trong giao tiếp tiếng Anh, mệnh đề ‘You don’t know what you are talking about’ (Ông không biết ông nói gì) là một cách nói xem thường người đối diện như là một kẻ ngu xuẩn, dốt. Đó cũng là một cách tấn công cá nhân thô thiển, mà giới khoa học rất rất ít khi nào dùng cho đồng nghiệp.

Thế nhưng ông Anthony Fauci lại dùng cách nói đó cho một đồng nghiệp và cũng là thượng nghị sĩ (TNS). Trong buổi điều trần trước thượng viện, trước câu hỏi của ông TNS Randal Paul về thí nghiệm tăng chức năng của virus (gain-of-function hay GoF), thay vì trả lời câu hỏi, ông Fauci giận dữ mắng ông TNS rằng: “Anh không biết anh đang nói cái gì (You do not know what you’re talking about). Cần nhớ rằng ông Paul cũng là một bác sĩ (chuyên khoa mắt).

Tuy nhiên, trái lại với thái độ giận dữ của ông Fauci, ông Paul tỏ ra điềm tỉnh và xoáy vào vấn đề: có hay không có việc viện nghiên cứu của ông Fauci tài trợ cho Viện virus học Vũ Hán (WIV) làm nghiên cứu GoF, tức nghiên cứu làm cho virus độc hại hơn.

Nhưng các báo chí ‘chánh thống’ Mĩ như CNN, CBS, WP, New York Times, Guardian, CNBC, NBC, MSNBC, v.v thì hỉ hả trước sự tấn công của ông Fauci và họ hàm ý cho rằng ông Paul sai. Các báo này có vẻ rất hỉ hả trích câu nói giận dữ của Bs Fauci “you do not know what you’re talking about“, nhưng không cho các bạn biết bối cảnh đằng sau của cuộc cãi lộn (không còn ‘tranh luận’ nữa) giữa hai ông bác sĩ.

Những tờ báo này không còn làm cái việc truyền thông nữa và họ cũng đã đánh mất sự trung lập từ lâu. Họ trân tráo nghiêng hẳn về một bên và không cho chúng ta biết quan điểm của bên kia. Họ trở thành những con bệnh xã hội nguy hiểm.

Nghiên cứu GoF

Bối cảnh đằng sau là thí nghiệm GoF (tăng chức năng của virus). Có giả thuyết cho rằng con virus chúng ta đang đau khổ vì nó là từ phòng thí nghiệm của WIV, nơi từng làm nhiều thí nghiệm viru từ động vật hoang dã và cũng từng bị tai nạn để cho virus rò rỉ ra ngoài.

Quan trọng hơn, WIV từng nhận tài trợ của Viện Y tế Hoa Kì (NIH). NIH có nhiều viện nghiên cứu, trong đó có viện nghiên cứu các bệnh dị ứng và truyền nhiễm (NIAID) mà ông Anthony Fauci là giám đốc. NIAID từng tài trợ 800,000 USD cho WIV nghiên cứu virus, nhưng qua trung gian một tổ chức có tên là EcoHealth Alliance do Tiến sĩ Peter Daszak (và ông này rất thân với Tàu).

Năm 2015, một nhóm nghiên cứu WIV công bố một bài báo khoa học ‘A SARS-like cluster of circulating bat coronaviruses shows potential for human emergence‘ trên tập san y khoa lừng danh Nature Medicine [1].

TNS Paul dựa vào bài báo này và cho rằng WIV đã từng làm thí nghiệm GoF. Ông cho biết một nhà khoa học Mĩ (Kevin Esvelt, thuộc MIT) bình duyệt bài báo này và nhận xét rằng một số kĩ thuật sử dụng trong thí nghiệm có vẻ nhứt quán với thí nghiệm GoF (“seemed to meet the definition of gain-of-function”), nhưng Esvelt nói thêm rằng bài báo trên Nature Medicine không dẫn đến việc tạo ra con virus SARS-Cov-2.

Thí nghiệm GoF được xem là nguy hiểm và bị cấm ở một số nước. Ông Fauci từng tuyên bố trước phiên điều trần thượng viện trước đây rằng NIH chưa bao giờ tài trợ cho nghiên cứu thêm chức năng.

Một phiên … cãi lộn

Mở đầu phiên điều trần, TNS Paul nhắc rằng nói láo trước thượng viện là một trọng tội, và hỏi ông Fauci có muốn rút lại lời tuyên bố trước đây (rằng NIH không có tài trợ cho nghiên cứu GoF). Fauci đáp trả rằng: ‘Tôi chưa bao giờ nói láo trước thượng viện, và tôi không rút lại lời tuyên bố đó.’

Ông Paul hỏi vặn: ‘Anh lấy virus từ động vật và anh làm tăng khả năng lây nhiễm của nó đến con người, vậy mà anh nói đó không phải là tăng chức năng ư?’

Fauci trả lời và nói trong giận dữ: ‘Đúng thế! Và, thưa ngài TNS Paul, thành thật mà nói, anh không biết anh đang nói cái gì, và tôi muốn nói điều này một cách chánh thức.’

Ông Fauci cho biết ‘Bài báo đó đã được đánh giá từ trên xuống dưới và kết luận rằng đó không phải là thí nghiệm tăng chức năng.’

TNS Paul cáo buộc rằng ông Fauci ‘nhảy cò’ chung quanh sự việc vì ông ấy muốn trốn tránh trách nhiệm làm cho 4 triệu người chết trên thế giới.

Ông Fauci càng nổi giận, và nói ông hoàn toàn phản đối cáo buộc đó. Ông chỉ tay vào TNS Paul và nói trong giận dữ: ‘Nếu ai đang nói láo ở đây, thì người đó chính là ông thưa ngài thuợng nghị sĩ.‘

Tranh luận

Tôi xem cuộc đối thoại giữa 2 người là một cuộc cãi lộn, chớ không phải tranh luận. Tranh luận đúng nghĩa thì phải có lí luận, có luận điểm, và đặc biệt là không tấn công cá nhân. Người tấn công cá nhân ở đây là ông Fauci.

Một bên (Paul) thì nêu định nghĩa về GoF và nói rằng bài báo đó phù hợp với định nghĩa GoF. Nếu là người có tư cách khoa học thì ông Fauci phải chỉ ra luận điểm hay định nghĩa của ông Paul sai chỗ nào. Đằng này, ông Fauci nổi nóng chửi thẳng người đối thoại là ‘Anh không biết anh nói cái gì’! Đó không phải là tư cách của người chuyên nghiệp.

Thật ra, tranh luận là một nghệ thuật, nhưng có lẽ ít người Á châu (kể cả Việt Nam mình) nắm được. Vì không nắm được nghệ thuật này nên tuyệt đại đa số người mình hay sa đà vào những nguỵ biện (fallacy). Danh sách nguỵ biện thì rất dài, và khó có ai hiểu hết được. Nhưng những ngụy biện phổ biến nhứt là:

Tấn công cá nhân (Ad Hominem): đây là loại ngụy biện phổ biến nhứt, khi người nguỵ biện thay vì bàn vấn đề trước mặt lại quay sang tấn công cá nhân. Ví dụ: người ta đang bàn về thí nghiệm tăng chức năng (GoF), nhưng người nguỵ biện nói ‘Anh không có chuyên môn về GoF, anh không biết gì cả’. Trong chánh trị, người nguỵ biện hay dùng cách nói ‘Anh là phản động’ để tránh tranh luận về một vấn đề an sinh xã hội.

Tấn công người rơm (Straw Man Fallacy): người nguỵ biện đơn giản hoá một vấn đề hay đánh lạc hướng vấn đề bằng cách tạo ra một ‘straw man’ (người rơm). Ví dụ tiêu biểu là kiểu đối thoại ‘Nhà nước cần phải phụ cấp an sinh xã hội cho người nghèo’, người nguỵ biện sẽ hỏi lại ‘Anh muốn đất nước này suy sụp à?’

Dựa vào đám đông (Argumentum ad Populum): người ngụy biện dùng đám đông để thuyết phục rằng luận điểm của họ là đúng. Loại nguỵ biện này hay xuất hiện dưới hình thức như ‘Quần chúng và nhân dân ủng hộ chánh sách này‘ và nếu anh không ủng hộ là anh sai.

Dựa vào số nhỏ (Cherry Picking): Thay vì dựa vào đám đông, người nguỵ biện cherry picking dựa vào một con số hay dữ liệu đơn lẻ nào đó để yểm trợ cho quan điểm của mình. Việc này cũng giống như làm thí nghiệm với kết quả rất nhiều dữ liệu, nhưng nhà nghiên cứu chỉ lấy một hình đẹp nhứt (hay tệ nhứt) để minh chứng. Ví dụ: người nguỵ biện có thể trích một câu nào đó trong bài viết (mà không đọc hết hay đọc không kĩ) và tấn công người viết.

Dựa vào chứng cớ đơn lẻ (Anecdotal Fallacy): người nguỵ biện hay lấy một ca đơn lẻ để biện minh cho quan điểm của mình. Ví dụ: ‘Chú tôi hết bệnh nhờ uống loại trái cây A này’. Cũng giống như trong đại dịch Covid, người ta lấy một hình bệnh nhân trong ICU và nói ‘thấy chưa, bị dính Covid-19 là sẽ vầy nè’. Đó là một nguỵ biện, vì đa số các ca nhiễm nCov không nhập ICU.

Dựa vào thẩm quyền (Argumentum ad Verecundiam): người ngụy biện dùng chuyên môn, chức danh, vị trí xã hội của mình để bảo đảm rằng quan điểm của họ là đúng. Ví dụ: ‘Tôi là bác sĩ với 30 năm kinh nghiệm, tôi biết rằng thuốc này có hiệu quả.‘

Dựa vào thành tựu (Appeal to Accomplishment): người nguỵ biện hay lấy thành tựu của một người nào đó để biện minh cho một quan điểm. Ví dụ: ‘Giáo sư Smith, giải Nobel y học, nói rằng vaccine có hại. Anh là ai mà dám nói không có hại?’

Dựa vào tương quan (Ecologic Fallacy): người ngụy biện hay dùng mối tương quan thống kê để biện minh cho quan điểm của mình. Ví dụ: ‘Nước nào có IQ cao đều có đường sắt cao tốc. Việt Nam chúng ta có IQ cao, nên cũng phải có đường sắt cao tốc.’

Đẩy gánh nặng cho người khác (Burden of Proof fallacy): người nguỵ biện thay vì bàn câu hỏi đưa ra nhưng lại bảo người đối thoại chứng minh. Ví dụ: ông A phàn nàn rằng thành phố bị ô nhiễm quá nặng; ông B không đồng ý và cho rằng không có ô nhiễm gì đáng chú ý; ông A bèn bảo ông B hãy chứng minh là không có ô nhiễm.

Dựa vào cảm tính (Appeal to Emotion hay Appeal to Fear): người nguỵ biện dùng cảm tính hay nỗi sợ để bảo lưu quan điểm của mình. Chẳng hạn như người ta đang nói rằng đa số ca nhiễm nCov là nhẹ, nhưng người nguỵ biện chiếu hình ảnh về 1 người bị nhiễm virus phải nằm ICU để bác bỏ quan điểm của người kia.

Ngụy biện ‘Tôi cũng làm được’: người nguỵ biện thay vì bàn về đề tài hiện tại thì quay sang nói mình cũng có khả năng làm như thế. Ví dụ: trước sự thành công của người khác về một công việc, người nguỵ biện thường nói ‘Tôi cũng làm được, nhưng không muốn làm điều sơ đẳng đó.’

Suy diễn hấp tấp (Hasty Generalization): Với loại nguỵ biện này, người ta dùng dữ liệu từ một nghiên cứu với số cỡ mẫu nhỏ, để khái quát hoá. Ví dụ như họ chỉ quan sát 3 ca tử vong trên 10 người bị phơi nhiễm, và nói rằng ngu cơ tử vong là 30%. Một suy diễn khác là lấy mẫu không mang tính đại diện cho quần thể, nhưng lại khái quát hoá cho quần thể. Chẳng hạn như lấy mẫu từ bệnh viện nhưng khái quát hoá ra dân số trong cộng đồng.

Đánh trống lãng (Red Herring fallacy): Người nguỵ biện thay vì tập trung vào vấn đề đang bàn, thì đánh lạc hướng sang một vấn đề khác. Chẳng hạn như khi ông Tổng thống Trump tức giận dùng mệnh đề ‘Chinese Virus’, một phát ngôn viên Bộ ngoại giao Tàu nói ‘Dịch Covid-19 có nguồn gốc từ Mĩ’. Khi Tổng thống Brazil ủng hộ ông Trump, viên đại sứ Tàu mỉa mai rằng ông ấy bị nhiễm virus tâm thần (‘mental virus’).

Nguỵ biện mù mờ (Vagueness Fallacy): Với nguỵ biện này, người ngụy biện dùng những chữ mù mờ (không rõ nghĩa) làm cho người đọc hiểu sao thì hiểu. Ví dụ như cách nói ‘Dịch diễn biến rất phức tạp, và đòi hỏi chúng ta phải phong toả thành phố‘, thì chữ ‘phức tạp’ là chữ không có ý nghĩa rõ ràng, và người nguỵ biện có thể dựa vào đó mà đưa ra bất cứ chánh sách nào họ thích.

Những lỗi nguỵ biện đó xảy ra với người chưa quen với nghị luận thì chẳng nói làm gì, nhưng xảy ra với người cao cấp như ông Fauci thì quả là vừa đáng tiếc vừa ngạc nhiên. Cũng có thể ông Fauci chẳng xem ông Paul ra gì (vì Fauci có thành tích khoa học đầy mình, nên với người bác sĩ như Paul thì ông ấy có thể xem thường). Dù sao đi nữa thì lối nói của ông Fauci là không chuyên nghiệp chút nào.

Hai ông bác sĩ

Randal Paul (58 tuổi) là bác sĩ chuyên khoa mắt và cũng là thượng nghị sĩ đảng Cộng Hoà từ năm 2011. Ông này còn trẻ nhưng có vẻ có tiếng nói nặng kí trong thượng nghị viện. Một trong những vấn đề mà ông Paul và phe Cộng Hoà theo đuổi là giả thuyết con virus gây đại dịch là do nhân tạo và xuất phát từ Viện virus học Vũ Hán (WIV).

Anthony Fauci (81 tuổi) là bác sĩ chuyên về miễn dịch học và giám đốc NIAID (Viện các bệnh dị ứng và truyền nhiễm) đồng thời cố vấn y tế cho cựu TT Donald Trump và đương kim TT Biden. So với Paul, Fauci có thành tích khoa học nổi trội hơn nhiều. Ông Fauci không chỉ là một bác sĩ (dù không hành nghề) mà còn là một nhà khoa học có hạng, với hàng trăm công trình nghiên cứu trên các tập san nổi tiếng, và được trao nhiều giải thưởng. Nhưng về chánh trị thì Paul ‘nặng kí’ hơn và có quyền lực hơn Fauci (vốn được xem là một công chức).

Hai người này không thuận nhau. Trong quá khứ Paul (và đồng đảng Cộng Hoà nói chung) không có ấn tượng tốt với Fauci. Lí do là ông Fauci thay đổi quan điểm liên tục về dịch Vũ Hán, làm cho mấy người làm chánh trị lẫn lộn. Giới chánh trị muốn có câu trả lời YES hay NO, nhưng Fauci là nhà khoa học nên chỉ có thể nói ‘may be’, không có cái gì là chắc chắn. Cách nói bất định của Fauci làm cho đảng Cộng Hoà điên tiết.

Không phải chỉ phe Cộng Hoà, ngay cả các giáo sư kinh tế cố vấn cho ông Trump cũng xem thường Fauci. Một trong những người thân cận TT Trump là Giáo sư Peter Navarro (tác giả cuốn sách nổi tiếng Death by China) khinh thường Fauci ra mặt, xem Fauci chỉ là một công chức, và trong nhiều cuộc họp quan trọng ông không mời Fauci vì cho rằng … không cần thiết!

***

Tóm lại, theo dõi phiên điều trần trước thượng viện Mĩ tôi thấy ông Fauci đã mất cái tánh điềm đạm và trở nên mất bình tĩnh, dùng cách nói tấn công cá nhân đến ông TNS Rand Paul. Sự việc diễn biến theo chiều càng ngày càng trở thành cuộc đấu đá cá nhân, khi ông Paul cho biết rằng ông sẽ yêu cầu Bộ Công lí điều tra hình sự về ông Fauci. Tuy nhiên, có lẽ phe Dân Chủ sẽ tìm cách bảo vệ cho ‘buddy’ của họ.

Có một điều tôi thấy hình như ông Fauci (và những người theo phe ông cùng báo chí ‘mainstream’) quá ngây thơ. Họ chỉ dựa vào một bài báo khoa học và xác quyết rằng Viện virus học Vũ Hán không có làm thí nghiệm GoF. Thật là một sự ngây thơ đến ngạc nhiên. Đúng như ông TNS Paul nói làm sao biết được họ có làm thí nghiệm GoF; họ làm và không báo cáo hay không viết thành bài báo khoa học thì có ai biết. Chẳng lẽ cả 100 năm tương tác mà họ không biết bản chất của nhà cầm quyền Tàu? Dựa vào bài báo khoa học mà nói rằng họ không làm thí nghiệm GoF thì quả thật ông Fauci không xứng đáng đứng đầu cái viện NIAID.

Đại dịch Vũ Hán đã diễn ra hơn 18 tháng rồi, và chúng ta vẫn chưa biết nó xuất phát từ đâu. Điều bị tổn thương lớn nhứt trong đại dịch này có lẽ là sự thật.

________

Video clip trong phiên điều trần giữa Fauci và Paul. https://www.youtube.com/watch?v=ahmJ1kYcnnM

[1] https://www.nature.com/articles/nm.3985#ethics

Phun xịt nơi công cộng không có hiệu quả chống Covid-19

Sài Gòn đang có chiến dịch phun xịt khử khuẩn nơi công cộng để tẩy virus nCov. Tôi nghĩ không nên theo đuổi cách làm này vì sẽ không đem lại hiệu quả mà còn tăng nguy cơ bệnh tật cho công chúng.

Năm ngoái tôi có một cái note giải thích tại sao phun xịt khử khuẩn ngoài trời không có hiệu quả. Hôm nay xin đề cập lại với những bằng chứng khoa học cụ thể để các bạn biết và tham khảo.

1. Lí do thứ nhứt: 99% là lây lan trong nhà

đa số các ca nhiễm xảy ra trong nhà và building (indoor) chớ không phải ngoài trời (outdoor). Hàng loạt nghiên cứu bên Tàu và Âu châu đã khẳng định điều đó. Xin trình bày một số kết quả nghiên cứu khoa học như sau:

Một nghiên cứu bên Tàu năm ngoái cho thấy tỉ lệ lây nhiễm trong nhà là 7322/7324 (gần 100%), so với ngoài trời là 2/7324 hay 0.03% [1].

Một nghiên cứu khác cũng bên Tàu với cỡ mẫu nhỏ hơn cho thấy tỉ lệ lây nhiễm trong nhà là 96% so với ngoài trời là ~4% [2].

Tương tự, một nghiên cứu khác trên gần 11,000 ca nhiễm, kết quả là 99.1% là lây nhiễm trong nhà, chỉ có 0.9% là lây nhiễm ngoài trời [3].

2. Lí do thứ hai: cơ chế lây lan

Đến nay thì chúng ta đã biết cơ chế lây nhiễm của con virus. Nó lây truyền qua những giọt bắn từ người bị nhiễm. Những giọt li ti này đi vào không khí khi người bị nhiễm ho hay hắt hơi, và những người đứng gần có thể bị nhiễm.

Con virus này nó tồn tại trong không khí chừng 3 giờ đồng hồ, nhưng nó tồn tại 2-3 ngày trên bề mặt các vật dụng làm bằng inox hay sắt thép [4]. Có nghiên cứu cho biết nó có thể tồn tại trên vật dụng trong nhà đến 9 ngày [5]. Do đó, phun xịt ngoài trời không có hiệu quả gì cả.

3. Nếu có vệ sinh thì có thể làm ở trong nhà hơn là ngoài trời. Những nơi trong nhà hay lây nhiễm nhiều nhứt, theo một phân tích ở Pháp là như sau (theo thứ tự):

Nhà ở (13%)
Phương tiện đi lại công cộng (12%)
Nhà hàng, quán ăn (7%)
Nơi làm việc (2%)
Trường học (~2%)
Bệnh viện (1.7%)

Vấn đề là phun xịt hoá chất ‘bừa bãi’ như thế có thể gây tác hại cho công chúng [6].

Trước đây (năm ngoái) ở vài nước (Nam Hàn, Đài Loan, Ý) họ tổ chức những đoàn xe xịt hoá chất khử khuẩn, nhưng họ cũng phải bỏ chiến dịch này vì không có hiệu quả mà lại tốn tiền. Do đó, tôi nghĩ chúng ta nên làm theo ‘ánh sáng’ của khoa học: ngưng chiến dịch phun xịt khử khuẩn như hiện nay ở TPHCM. Thay vì làm vậy, nên tổ chức những đoàn tình nguyện khử khuẩn ở những ghế đá công viên (khi hết lockdown).

_____

[1] Qian H , et al. Indoor transmission of SARS-CoV-2 Indoor Air. doi:10.1111/ina.12766.

[2] Lan F-Y, et al. Work-related COVID-19 transmission in six Asian countries/areas: a follow-up study. PLoS One2020; 15:e0233588.

[3] Leclerc QJ, et al. CMMID COVID-19 Working Group. What settings have been linked to SARS-CoV-2 transmission clusters? Wellcome Open Res 2020; 5:83.

[4] https://www.medrxiv.org/content/10.1101/2020.03.09.20033217v1.full.pdf

[5] https://www.journalofhospitalinfection.com/article/S0195-6701(20)30046-3/fulltext

[6] https://oem.bmj.com/content/74/9/684

_____

Tin mới nhứt (2/8/2021) là TPHCM đã yêu cầu “không phun khử khuẩn ngoài trời, vào người do kém hiệu quả và ảnh hưởng sức khỏe”.

https://tuoitre.vn/yeu-cau-khong-phun-khu-khuan-ngoai-troi-vao-nguoi-do-kem-hieu-qua-va-anh-huong-suc-khoe-20210802110855738.htm

Chờ vaccine xịn (Pfizer)?

Nhiều người nghĩ rằng vaccine Pfizer an toàn hơn và có hiệu quả hơn vaccine AstraZeneca (AZ), nên có nơi người ta ưu tiên vaccine Pfizer cho lãnh đạo, và dẫn đến tình trạng ‘chờ vaccine xịn’ (vaccine hesitancy). Cái note này giải thích rằng đó là một hiểu lầm, vì trong thực tế 2 vaccine này có hiệu quả như nhau và độ an toàn như nhau.

Hiện tượng ngần ngại vaccine (vaccine hesitancy)

Ở Úc và cả thế giới, vaccine AZ bị tai tiếng hơn vaccine Pfizer. Ở bang New South Wales, vaccine AZ được triển khai vào đầu tháng 4/2021, và chỉ sau vài ngày thì xảy ra một ca (48 tuổi) tử vong vì đông máu sau khi được tiêm vaccine AZ. Báo chí gây ồn ào chung quanh ‘sự cố’ này, và Sở Y tế phải điều tra. Sau đó, nhiều bài báo cũng nói rằng vaccine AZ có liên quan đến hội chứng đông máu. Họ dùng chữ ‘link’, hàm ý nói mối liên hệ nhân quả. Trong khi đó rất ít ‘tin xấu’ về vaccine Pfizer.

Ngay cả ở bên Pháp, ông tổng thống Emmanuel Macron nói rằng vaccine AZ là ‘quasi-ineffective’ (có thể hiểu là ‘không có hiệu quả’) ở người trên 65 tuổi [1]. Chẳng hiểu ông này dựa vào đâu mà nói vậy, vì vaccine này có hiệu quả thật ở những người trung niên và cao tuổi. Hình như ông không biết rằng EMA (giống như FDA bên Mĩ) phê chuẩn vaccine AZ.

Hôm qua, trong buổi họp lab hàng tuần chúng tôi bàn về hiệu quả của 2 vaccine AZ và Pfizer. Thậm chí, có bác sĩ chờ vaccine Pfizer vì họ nghĩ rằng nghĩ rằng vaccine này có hiệu quả hơn và an toàn hơn vaccine AZ. Có người nói rằng vaccine AZ có nhiều trường hợp đông máu (blood clot) hơn vaccine Pfizer. Tình trạng này dẫn đến hiện tượng ‘Vaccine Hesitancy’. Nhưng tôi chỉ ra rằng đây là một hiểu lầm và viết ngay một cái note để giải thích.

Nguy cơ đông máu của vaccine AZ và Pfizer

Thế nhưng trong thực tế thì số ca blood clot ở Úc rất thấp. Tính từ lúc triển khai đến nay (July 2021), chỉ có 5 ca tử vong liên quan đến đông máu sau 10.1 triệu liều vaccine. Như các bạn thấy, tỉ lệ đông máu rất thấp.

Nhưng số liệu nghiên cứu sẽ cho chúng ta một bức tranh tốt hơn để so sánh nguy cơ đông máu giữa 2 vaccine. Theo số liệu của EMA, tính đến 4/4/2021, khoảng 34 triệu người đã được tiêm vaccine AZ, và trong số này có 169 ca đông máu được báo cáo [2]. Tính ra, nguy cơ đông máu liên quan đến vaccine AZ là 5 trên 1 triệu.

Còn đối với vaccine Pfizer thì sao? Một nhóm nghiên cứu thuộc ĐH Oxford phân tích dữ liệu (từ 20/1/2020 đến 25/3/2021) trên 366,869 người đã được tiêm vaccine Pfizer [3]. Họ ước tính rằng nguy cơ đông máu liên quan đến vaccine Pfizer là 6 trên 1 triệu.

Hiệu quả trong cộng đồng của vaccine AZ và Pfizer

Anh bạn bác sĩ dùng kết quả thử nghiệm lâm sàng và chỉ ra rằng vaccine Pfizer có hiệu quả cao hơn AZ. Theo số liệu, hiệu quả của vaccine AZ là 70% [4] và Pfizer là 95% [5].

Hai con số này rất nổi tiếng, và một lần nữa nó làm vaccine AZ bị … hàm oan. (Để biết ý nghĩa thật của hiệu quả vaccine, có thể xem bài này của tôi: https://tuanvnguyen.medium.com/the-real-meaning-of-90-efficacy-for-pfizer-vaccine-77499dec6e1c)

Sự thật là chúng ta không thể so sánh hiệu quả của 2 vaccine một cách đơn giản như vậy. Tôi có giải thích trong một cái note trước đây [6] rằng vì 2 thử nghiệm dựa trên 2 nhóm chứng rất khác nhau, nên con số về hiệu quả vaccine cũng khác nhau là bình thường. Sự khác biệt về hiệu quả giữa 2 vaccine không phản ảnh vaccine nào có ảnh hưởng cao hay thấp hơn vaccine nào. Chỉ có thể làm nghiên cứu thử nghiệm 2 vaccine cùng 1 lúc dùng một nhóm chứng thì mới có thể biết sự khác biệt ra sao, nhưng một nghiên cứu như thế sẽ không bao giờ thực hiện.

Một cách thực tế để so sánh là phân tích hiệu quả vaccine trong cộng đồng (thuật ngữ dịch tễ học gọi là ‘effectiveness’). Đã có một nghiên cứu như vậy, cũng do một nhóm bên Anh (ĐH Oxford) thực hiện. Trong nghiên cứu này, họ phân tích dữ liệu từ 373,402 người đã được tiêm vaccine AZ và Pfizer [7]. Họ phân tích rất nhiều, nhưng kết quả chánh mà tôi muốn chia sẻ là như sau:

Vaccine AZ giảm nguy cơ nhiễm 64% (khoảng tin cậy 95%: 55% đến 70%) sau 21 ngày được tiêm liều 1.

Vaccine Pfizer giảm nguy cơ nhiễm 67% (khoảng tin cậy 95%: 61% đến 72%) sau 21 ngày được tiêm liều 1.

Như các bạn thấy, chẳng cần tính trị số P, chúng ta cũng thấy hai vaccine này có hiệu quả như nhau.

Tóm lại, những phân tích và ‘đọc báo dùm bạn’ trên đây giúp chúng ta có thể kết luận rằng:

(a) nguy cơ bị chứng đông máu rất thấp, và không có khác biệt gì giữa 2 vaccine AstraZeneca (5 trên 1 triệu) và Pfizer (6 trên 1 triệu); và

(b) hiệu quả ngừa nhiễm trong cộng đồng của hai vaccine AstraZeneca (55-70%) cũng như vaccine Pfizer (61-72%).

Rất tiếc là những thông tin khoa học đó không đến với công chúng và cả giới y tế. Hi vọng rằng cái note này đã giải toả thắc mắc cho các bạn. Nếu có một thông điệp từ cái note này, tôi muốn nói là không nên phân cấp ưu tiên vaccine Pfizer hay AZ và cho lãnh đạo hay thường dân.

Có lẽ các bạn sẽ nói ‘ừ, ông nói hay lắm, vậy ông đã tiêm vaccine nào?’ Xin thưa là tôi đã tiêm 2 liều vaccine AstraZeneca, và không có biến chứng gì cả.

Bản tiếng Anh tại đây: https://tuanvnguyen.medium.com/?p=5aac13684b5c

____

PS: Con số tử vong vì đông máu ở Úc đến nay (25/7) là 6 người.

[1] https://www.independent.co.uk/news/world/europe/covid-vaccine-france-astrazeneca-macron-b1810072.html

[2] https://www.ema.europa.eu/en/news/astrazenecas-covid-19-vaccine-ema-finds-possible-link-very-rare-cases-unusual-blood-clots-low-blood

[3] https://osf.io/a9jdq

[4] https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(20)32661-1/fulltext

[5] https://www.nejm.org/doi/full/10.1056/nejmoa2034577

[6] https://www.facebook.com/t.nguyen.2016/posts/1269984693448845

[7] https://www.medrxiv.org/content/10.1101/2021.04.22.21255913v1.full.pdf

Kết quả xét nghiệm dương tính (Covid-19) có nghĩa gì với một người?

Đa số công chúng khi nghe đến một kết quả xét nghiệm dương tính là đồng nghĩa với ‘dính covid’. Nhưng trong thực tế thì không hẳn như vậy, và đây là vấn đề mà đa số công chúng không/chưa biết. Cái note này chia sẻ cách tính xác suất mà bạn ‘dính virus’ nếu kết quả xét nghiệm là dương tính.

Hai phương pháp xét nghiệm

Cách để phát hiện người có thể nhiễm virus Vũ Hán là xét nghiệm mà có lẽ đa số các bạn đã thấy. Hiện nay, có hai phương pháp xét nghiệm phổ biến được sử dụng để phát hiện những người có thể bị nhiễm virus Vũ Hán: RT-PCR và xét nghiệm kháng nguyên (antigen test).

Với xét nghiệm RT-PCR, nhân viên y tế lấy mẫu trong mũi hay cổ họng (hoặc đàm), sau đó mẫu được chuyển về labo xét nghiệm, nơi mà chuyên gia sẽ chiết xuất chất liệu di truyền (RNA) của con virus từ mẫu. Sau đó, họ khuếch đại bằng PCR để xác định virus có hiện diện trong mẫu. Phương pháp này được xem là chuẩn vàng để chẩn đoán nhiễm virus. Nhưng phương pháp này cần thời gian khá lâu, thường khoảng 6 giờ cộng với thời gian lấy mẫu, xử lí mẫu và vận chuyển mẫu về labo xét nghiệm.

Giản đồ mô tả qui trình lấy mẫu và xét nghiệm PCR. Nguồn: mdpi collection

Phương pháp xét nghiệm kháng nguyên ra đời là để khắc phục phương pháp RT-PCR. Phương pháp này được một số công ti quảng bá khá mạnh. Nguyên lí đằng sau phương pháp này là phát hiện những kháng nguyên, như là một loại marker của protein ở bề ngoài con virus. Cái lợi của xét nghiệm kháng nguyên là cho ra kết quả rất nhanh, chỉ chừng 15-30 phút, và có thể thực hiện ở nhà, công sở, hay những điểm dịch vụ (như nhà thuốc, phòng mạch). Tuy nhiên, phương pháp xét nghiệm kháng nguyên không được xem là chuẩn để chẩn đoán nhiễm virus.

Ngoài ra, CT ngực cũng có thể sử dụng để chẩn đoán nhiễm virus, nhưng phương pháp này tốn tiền nhiều và có tỉ lệ dương tính giả khá cao (35%) nên ít ai sử dụng.

Nhưng có lẽ các bạn không có lựa chọn xét nghiệm nào. Đối với tình hình dịch bệnh như hiện nay, các giới chức chức y tế có thể sử dụng RT-PCR, nhưng ở các công sở và điểm dịch vụ thì xét nghiệm kháng nguyên được ưa chuộng.

Câu hỏi cá nhân

Câu hỏi mà có lẽ các bạn quan tâm là: nếu tôi có kết quả xét nghiệm dương tính, xác suất mà tôi bị nhiễm virus là bao nhiêu?

Đa số các bạn đều nghĩ rằng hễ kết quả xét nghiệm dương tính (RT-PCR hay xét nghiệm kháng nguyên) thì các bạn bị nhiễm. Còn kết quả âm tính là không bị nhiễm. Ngay cả các nhà chức trách cũng nghĩ như vậy, nên vài nơi căn cứ vào kết quả xét nghiệm để quyết định bạn được vào cơ quan hay không!

Nhưng cách diễn giải dương tính = nhiễm và âm tính = không nhiễm là sai. Trong thực tế, việc chẩn đoán bạn bị nhiễm hay không không đơn giản như chỉ dựa vào kết quả xét nghiệm. Tại sao? Tại vì phương pháp xét nghiệm không chính xác tuyệt đối.

Hai sai sót của xét nghiệm

Mỗi phương pháp xét nghiệm có 2 sai sót: dương tính giả và âm tính giả. Dương tính giả có nghĩa là người ta không bị nhiễm nhưng kết quả xét nghiệm là dương tính. Âm tính giả có nghĩa là người ta bị nhiễm nhưng kết quả xét nghiệm là âm tính.

Độ chính xác của một xét nghiệm được đánh gía qua 2 chỉ số: độ nhạy và độ đặc hiệu. Độ nhạy là xác suất một người thật sự bị nhiễm và có kết quả dương tính. Độ đặc hiệu là xác suất một người thật sự không bị nhiễm và có kết quả âm tính.

Vậy thì câu hỏi là mức độ sai sót của 2 phương pháp xét nghiệm virus hiện nay ra sao? Đã có nghiên cứu công bố trong y văn, và tôi tóm tắt trong bảng dưới đây cho dễ hiểu:

Đối với RT-PCR, dù là tiêu chuẩn vàng, nhưng tỉ lệ dương tính giả là khoảng 5% và âm tính giả là 13%.

Nhưng các phương pháp xét nghiệm kháng nguyên thì tỉ lệ dương tính giả rất thấp (từ 0 đến 3%), nhưng tỉ lệ âm tính giả thì khá cao, dao động từ 45% đến 55%.

Một nghiên cứu khác cho biết đối với người có triệu chứng, độ nhạy và độ đặc hiệu thường cao hơn đối với người không có triệu chứng.

Ngoài ra, các yếu tố khác như cách lấy mẫu trong cổ họng hay mũi, thời gian vận chuyển, phương tiện bảo quản, dung lượng, và nhứt là thời gian từ lúc nhiễm đến khi lấy mẫu đều có ảnh hưởng đến lượng RNA và do đó kết quả xét nghiệm. Chẳng hạn như lấy mẫu ở mũi có độ đặc hiệu cao nhứt cho Covid-19 so với mẫu ở cổ họng. Đó là chưa nói đến vấn đề chuẩn hoá giữa các labo xét nghiệm. Do đó, một mẫu có thể dương tính khi xét nghiệm labo này mà có thể âm tính ở labo khác.

Độ nhạy và đặc hiệu của vài phương pháp xét nghiêm phổ biến hiện nay.

Tại sao PCR là chuẩn vàng mà có dương tính giả? Cơ chế của xét nghiệm PCR là phát hiện chất liệu RNA của con virus. Nhưng vì PCR rất nhạy, nên ngay cả khi con virus đã bị ‘chết’ (không còn khả năng gây bệnh) vài tuần thì PCR vẫn phát hiện và do đó gây ra tình trạng ‘dương tính giả’. Điều này giải thích tại sao ngay cả sau khi bệnh nhân đã bình phục, nhưng kết quả xét nghiệm PCR vẫn dương tính. Theo một nghiên cứu, khoảng 16% bệnh nhân đã bình phục vẫn có kết quả xét nghiệm dương tính.

Diễn giải kết quả xét nghiệm

Quay lại câu hỏi: nếu tôi có kết quả xét nghiệm dương tính, xác suất mà tôi bị nhiễm là bao nhiêu?

Câu trả lời có liên quan đến một linh mục người Anh tên là Thomas Bayes. Linh mục Bayes lí giải rằng câu trả lời trên phụ thuộc vào 3 yếu tố:

tỉ lệ người bị nhiễm trong cộng đồng (tạm kí hiệu P);
xác suất dương tính giả (kí hiệu FP); và
độ nhạy (hay xác suất dương tính thật, kí hiệu Se).

Linh mục Bayes chứng minh rằng xác suất bạn bị nhiễm nếu có kết quả dương tính (Pr) là:

Pr = (P * Se) / [(P * Se) + (1 – P) * FP]

Tham số quan trọng trong phương trình trên là P, tức tỉ lệ người bị nhiễm trong cộng đồng. Đó là một ‘ẩn số’, dù không ai biết chắc được. Chúng ta chỉ có thể … đoán mò. Á quên, đoán trí thức (intelligent guess). Tỉ lệ này tuỳ thuộc vào độ tuổi (người cao tuổi có nguy cơ nhiễm cao hơn người trẻ) và người có bệnh nền. Nhân viên y tế có thể có nguy cơ cao hơn người ngoài cộng đồng. Nhìn chung, tỉ lệ này có thể dao động trong khoảng 0.01% đến 5% trong cộng đồng.

Những nơi như TPHCM hay Hà Nội (thành phố lớn) có nguy cơ cao, nên có thể lấy tỉ lệ 5% làm điểm tham khảo. Còn những tỉnh lẻ hay vùng quê, có thể lấy tỉ lệ 0.5% làm điểm khởi đầu cho việc tính toán. Bảng dưới đây trình bày xác suất bạn bị nhiễm nếu có kết quả xét nghiệm dương tính cho nhiều tỉ lệ trong cộng đồng:

Xác suất bị nhiễm nếu có kết quả xét nghiệm dương tính, và xác suất không bị nhiễm nếu có kết quả âm tính.

Kết quả tính toán trên cho thấy nếu trong một cộng đồng có tỉ lệ nhiễm 0.1-5%, (a) nếu bạn có kết quả xét nghiệm âm tính thì xác suất cao (99%) là bạn không bị nhiễm; nhưng nếu kết quả dương tính với các xét nghiệm kháng nguyên thì xác suất bạn bị nhiễm là trên 30%.

Câu hỏi là xác suất cao cỡ nào thì cần can thiệp (xét nghiệm thêm hay cách li)? Rất khó có câu trả lời cho câu hỏi này. Ở vài nơi (như Úc) họ lấy ngưỡng 80% hay cao hơn để quyết định cách li và truy vết. Nhưng đối với người có triệu chứng (ho, sốt) thì xác suất thấp hơn (như 5% chẳng hạn) cũng có thể xem là ‘cao’ và cần xét nghiệm tiếp để xác định.

______

PS 1: Có ngưởi hỏi tại sao đã hết bệnh mà kết quả PCR vẫn dương tính? Trả lời câu hỏi này cần phải biết qua cơ chế của PCR. Cơ chế của xét nghiệm PCR là phát hiện chất liệu RNA của con virus. Nhưng vì PCR rất nhạy, nên ngay cả khi con virus đã bị ‘chết’ (không còn khả năng gây bệnh) vài tuần thì PCR vẫn phát hiện và do đó gây ra tình trạng ‘dương tính giả’. Điều này giải thích tại sao ngay cả sau khi bệnh nhân đã bình phục, nhưng kết quả xét nghiệm PCR vẫn dương tính. Khoảng 16% bệnh nhân đã bình phục vẫn có kết quả xét nghiệm dương tính.

PS2 : Một cách khác nữa để tính toán xác suất nhiễm nếu có kết quả dương tính là dùng Biểu đồ Fagan (xem hình). Biểu đồ này có 3 cột: cột đầu là tỉ lệ nhiễm trong cộng đồng, cột giữa là tỉ số khả dĩ (xem bảng số liệu), và cột sau cùng là xác suất nhiễm.

Ví dụ: một người đến từ nơi có tỉ lệ Covid-19 trong cộng đồng là 1% (tương đối cao) và có kết quả PCR dương tính. PCR có tỉ số khả dĩ là 17 (xem bảng trên). Để ước tính xác suất nhiễm của cá nhân này, bạn làm như sau: (1) đánh dấu 1% trên cột thứ nhứt; (2) đánh dấu tỉ số khả dĩ 17 trên cột thứ hai; (3) vẽ đường thẳng từ điểm 1% trên cột thứ nhứt ngang qua điểm 17 trên cột 2 đến cột thứ 3. Đáp số chính là đường giao chéo tại cột thứ 3, và trong trường hợp này là chừng 15%.

Sài Gòn chống dịch có hiệu quả?

Dựa vào số liệu thực tế và mô hình dự báo, tôi nghĩ câu trả lời là ‘có lẽ’. Cái note này chia sẻ một phân tích đơn giản về tình hình dịch trong thời gian qua và mô hình dịch tễ học cho thấy số ca nhiễm bắt đầu giảm so với dự báo tình huống xấu nhứt.

Ngày hôm nay (22/7) thì TPHCM báo cáo có 2433 ca nhiễm mới, tăng gấp 5.2 lần so với đầu tháng (464 vào ngày 1/7). Con số ca nhiễm tăng mỗi ngày trong 3 tuần qua. Cụ thể, số ca nhiễm mỗi ngày tình từ 1/7 đến nay là như sau:

464, 418, 714, 599, 641, 710, 766, 915, 1229, 1320, 1397, 1764, 1797, 2229, 2691, 2420, 2786, 4692, 3074, 3322, 1739, 2433

Chúng ta có thể làm gì với số liệu đó? Không nhiều. (Đó là chưa nói đến sự mâu thuẫn về số liệu giữa HCDC và Bộ Y tế, nhưng hãy tạm gác qua). Có thể thể hiện số liệu này qua Biểu đồ 1 dưới đây.

Biểu đồ 1: Số ca nhiễm ở TPHCM tính từ ngày 1/7/21 đến 22/7/21. Biểu đồ bên trái là số ca nhiễm thực tế, biểu đồ bên phải là vẽ theo đơn vị log cho dễ thấy. Mấy con số ‘nhảy nhót’ trong vài ngày qua làm tôi hơi lo về độ chính xác của số liệu.

Tuy nhiên, tôi nghĩ có thể mô phỏng tình huống xấu nhứt. Chúng ta có thể bắt đầu bằng mô hình dịch tễ học đơn giản nhứt: SIR. Như tên gọi, mô hình này mô phỏng số ca có nguy cơ nhiễm (S = susceptible); từ nguy cơ sang nhiễm (I = infected); và sau can thiệp thì sẽ đến tình trạng hồi phục (R = recovered). Đáng lí ra tôi có thể thêm E (exposure = phơi nhiễm) nữa, nhưng tạm thời hãy đơn giản như vậy.

Mô hình này có thể mô tả như đồ thị trong một bài giảng dưới đây. Đại khái rằng chúng ta có một quần thể có nguy cơ lây nhiễm (gọi là S = 10 triệu người); một số trong những người này sẽ bị nhiễm (I); và sau một thời gian họ sẽ bình phục (R). Không cần đi vào chi tiết kĩ thuật sợ làm loảng vấn đề đằng sau của mô hình, ở đây mà chỉ nói qua về tham số và ý nghĩa của chúng. Xác suất đi từ trạng thái S đến I là beta, và từ I đến R là gamma. Vấn đề là xác định beta và gamma để mô phỏng.

May be an image of text that says 'Mô hình SIR căn bản Số người có nguy cơ (Susceptible) Số người bị nhiễm (Infed) Số người hồ“i phục (Recovered) Tham số B (xác suất nhiễ»m) dS -ßSI Tham số (xác suất bình phục) dI tlà thời gian dR S() R(t)=1 giải bằng deSolve Heesterbeek: Mathematical epidemiology of infectious diseases: model building, analysis and interpretation. Vol WS 2000 Bài giảng trực tuyến www. youtube. com/user/drnguyenvtuan/videos © Tuan Nguyen' — Giản đồ minh họa cho mô hình dịch tễ học SIR để dự báo diễn biến của dịch bệnh. Có thể dùng dữ liệu thực tế để ước tính tham số beta và gamma. Trong trường hợp TPHCM, được beta = 0.55 và gamma = 0.45. Suy ra, hệ số lây lan là R0 = 0.55 / 0.45 = 1.22.

Dùng mô hình SIR và số ca thực tế, chúng ta có thể giải vài phương trình vi phân để ước tính beta và gamma. Tôi tính được beta = 0.55 và gamma = 0.45. Suy ra, hệ số lây lan là R0 = 0.55 / 0.45 = 1.22. Không đến nổi tệ!

Biểu đồ 2: So sánh số ca nhiễm thực tế (Observed, màu hồng) và số ca nhiễm dự báo (Predicted, màu xanh) theo mô hình SIR. Dự báo có nghĩa là không can thiêp gì cả. Ba ngày qua, số ca thực tế thấp hơn số ca dự báo, và có thể xem đó là tín hiệu cho thấy chiến lược chống dịch đã bắt đầu có hiệu quả?

Số ca dự báo và thực tế

Để so sánh, tôi vẽ biểu đồ về số ca nhiễm thực tế và dự báo. Như các bạn thấy, mô hình SIR dự báo khá tốt so với số ca thực tế. Chẳng hạn như ngày 19/7, số ca thực tế là 3074 thì mô hình dự báo là 3036; ngày 20/7, số ca thực tế là 3322 và dự báo là 3368. Mô hình này không tệ.

Ý nghĩa quan trọng của mô hình này là bắt đầu từ 2 ngày qua thì số ca thực tế đã thấp hơn số ca dự báo. Điều này có lẽ nói lên rằng chiến lược chống dịch của HCM đã có hiệu quả. Thôi thì ít ra chúng ta cũng có một tin vui cho ngày hôm nay.

PS: Sẵn đây, xin cám ơn một nhà báo đã cung cấp dữ liệu về số ca nhiễm mỗi ngày. Nhưng những con số này lại hơi khác so với con số của Bộ Y tế cung cấp. Ví dụ như ngày 8/7 số liệu giữa 2 nguồn chênh lệch nhau đến 348 ca. Có ngày chênh lệch cả 1358 ca! Số liệu này là của HCDC.