Dự báo khả năng đáp ứng dịch Covid-19 của TPHCM

Trước tình hình số ca nhiễm hay nghi nhiễm đang tăng ở HCM, câu hỏi quan trọng là thành phố có đủ giường bệnh (kể cả ICU) cho số ca nhiễm nặng. Nếu có thay đổi chủ trương về cách li và với nhiều giả định thì thành phố có thể kham nổi tối đa 44,000 ca nhiễm mỗi ngày trong tương lai.

Theo HCDC, tính đến ngày 18/7 đã có 31,751 ‘trường hợp mắc bệnh’ phát hiện tại TPHCM. Cho đến nay, các giới chức y tế vẫn chủ trương nhập viện những ca gọi là ‘F0’, và nếu như thế thì gánh nặng cho ngành y tế sẽ càng ngày càng nặng nề. Nói ‘gánh nặng’ là có vẻ uyển ngữ, hãy nói thẳng là số giường bệnh có thể đáp ứng số ca nhiễm hay nghi nhiễm sẽ tăng trong tương lai?

1.  Vấn đề tính toán

Trả lời câu hỏi về nhu cầu số giường bệnh không đơn giản chút nào. Câu trả lời phụ thuộc vào hàng loạt phương trình tính toán [1], và mỗi phương trình có nhiều yếu tố (tham số) mà chúng ta không có dữ liệu thực tế để tính.

Nhưng chúng ta thử nghĩ đến một tình huống đơn giản như sau. Ngày t(i), có y(i) người bị nhiễm. Ngày t(i+k) có y(i+k) nhập viện, nhưng cũng có x(i+k) người xuất viện, trong đó k có thể là 10 ngày, với giả định thời gian nằm viện là 10 ngày. Số người mới nhập viện và số người cũ xuất viện được phản ảnh qua một chỉ số gọi là turnover rate — hệ số lưu chuyển. Hệ số này có ý nghĩa thực tế là số bệnh nhân có thể điều trị trên mỗi giường bệnh trong một thời gian. Như các bạn thấy hệ số lưu chuyển rất quan trọng trong hoạch định nhu cầu giường bệnh.

Tình huống đơn giản trên cho thấy nhu cầu số giường bệnh phụ thuộc vào: (1) thời gian nằm viện; (2) thời gian nằm trong khoa hồi sức cấp cứu; và (3) thời gian cần máy thở.

Nhưng nó còn phụ thuộc vào tỉ lệ ca cần nhập viện. Nếu tỉ lệ là 100% (như hiện nay) thì chắc chắn hệ thống y tế sẽ không kham nổi. Giả dụ rằng chỉ nhập viện số ca nặng và số ca trung nhưng có xác suất diễn biến nặng như tôi mô tả hôm qua [2], thì cách tính toán lại phụ thuộc vào một tham số khác: xác suất nhập viện p (tỉ lệ này dĩ nhiên là dưới 1).

Nhưng xác suất nhập viện còn phụ thuộc vào độ tuổi. Người cao tuổi có xác suất nhập viện cao hơn người trẻ tuổi vì họ có nhiều bệnh đi kèm làm cho họ có nguy cơ cao. Như vậy, một tham số khác là phân bố xác suất nhập viện theo độ tuổi.

Từ đó, chúng ta có thể ước tính số ca nhiễm mỗi ngày mà hệ thống y tế thành phố có thể kham nổi bằng cách lấy số giường lưu chuyển tối đa mỗi ngày chia cho xác suất nhập viện. (Nên nhớ là xác suất này phụ thuộc vào tuổi).

Lí thuyết thì như vậy, nhưng thực tế ở Việt Nam thì … khó hơn nhiều. Khó là vì tất cả những dữ liệu đó Việt Nam đều thiếu. Chúng ta chưa biết phân số số ca theo độ tuổi ra sao. (Nếu có thì chúng tôi — tôi và nghiên cứu sinh — sẽ sẵn sàng bỏ thì giờ giúp đỡ phân tích dù labo chúng tôi chỉ làm về gen và loãng xương). Chúng ta không có số liệu về thời gian nằm viện, ICU hay thở máy. Chúng ta cũng chẳng có con số xác suất nhập viện theo độ tuổi. Nói tóm lại, chúng ta … chẳng có gì.

Chúng ta không có, nhưng ‘anh bạn’ láng giềng phương Bắc thì có. Mấy anh bạn phương Tây cũng có. Trong đợt dịch vừa qua, các đồng nghiệp ở Vũ Hán là nơi cung cấp rất nhiều dữ liệu quí báu. Chẳng hạn như bài này [3] là bài đã nhận được hơn 17,000 trích dẫn, hay bài mô tả đầu tiên này [3] vì nó cung cấp rất nhiều dữ liệu quí báu về bệnh trạng của người bị nhiễm virus Vũ Hán.

2.  Ước tính khả năng hệ thống y tế TPHCM có thể đáp ứng trong vài tuần tới.

Chúng ta tạm dùng dữ liệu của Tàu để ước tính cho tình huống ở Việt Nam. Và, theo số liệu của Tàu công bố chúng ta có thể đoán rằng:

  • Thời gian nằm viện trung bình 12 ngày;
  • Thời gian nằm ICU 16 ngày;
  • Và nếu nặng, thời gian dùng thở máy có thể 20 ngày.

Tất cả những con số trên chỉ là trung bình, vì trong thực tế nó có thể cao hay thấp hơn. Và chúng ta cũng giả định rằng số ca nhiễm ở HCM sẽ phân bố theo độ tuổi như bên Vũ Hán. Chúng ta cũng giả định rằng xác suất cần nhập viện ở người dưới 60 khoảng 1-2%, nhưng ở người trên 60 có thể lên đến 25%. Chúng ta có thể dùng các ‘tham số’ trên để tính toán, và kết quả tính toán có thể tóm tắt như sau:

Số giường bệnh và nhập viện

Nếu với 30,000 giường bệnh (kể cả số giường dã chiến) và nếu thời gian nằm viện là 12 ngày, thì số giường lưu chuyển (turnover) tối đa là 2,500 giường mỗi ngày. Với con số này, thành phố có khả năng quản lí tối đa 43,932 ca nhiễm mỗi ngày.  

ICU

Nếu thành phố có 1000 giường ICU (theo các giới chức y tế), và nếu thời gian nằm ICU trung bình là 16 ngày thì số giường lưu chuyển tối đa là 62 mỗi ngày. Từ đó, với phân bố xác suất nhập ICU như Vũ Hán, có thể ước tính rằng thành phố có khả năng kham nổi 4,400 ca mỗi ngày.

Thở máy

Chúng ta chưa biết TPHCM có bao nhiêu máy thở. Thôi thì cứ giả định là 300 (cần phải xác định lại). Giả định rằng thời gian thở máy cho những ca nặng là 20 ngày, thì số lưu chuyển tối đa mỗi ngày chỉ 15 máy. Với tính toán này, thành phố có khả năng chịu đựng tối đa 1761 ca nhiễm cần thở máy mỗi ngày.

Dĩ nhiên, những tính toán này dựa vào quá nhiều giả định, và chỉ cần 1 giả định sai thì dự báo cũng sai. Tôi thì nghĩ chắc chắn là sai. Niels Bohr từng dạy dự báo rất ư là khó, đặc biệt là dự báo về tương lai (“Prediction is very difficult, especially if it’s about the future“). Nhưng mục tiêu của dự báo không phải là sai hay đúng (vì lúc nào cũng sai) mà là để chúng ta nhìn xa trong tình huống xấu nhứt để có biện pháp can thiệp.

Ý nghĩa của những kết quả trên đây là các giới chức nên thay đổi chủ trương nhập viện. Không thể và không nên nhập viện những ca nhẹ, vì làm như thế sẽ giảm sự lưu chuyển giường bệnh và làm cho bệnh viện quá tải (ngay cả với 30,000 giường). Nhưng với giả định rằng chỉ một số nhỏ cần nhập viện và thời gian nằm viện như báo cáo ở Vũ Hán thì hệ thống y tế thành phố có thể chịu được tối đa là ~44,000 ca nhiễm.

______

[1] https://bmjopen.bmj.com/content/11/1/e041536

[2] https://nguyenvantuan.info/2021/07/19/mot-cach-phan-nhom-nguoi-bi-nhiem-ncov

[3] Zhou F ,  Yu T ,  Du R , et al. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. Lancet. 2020;395:1054-1062.

[4] The Epidemiological Characteristics of an Outbreak of 2019 Novel Coronavirus Diseases (COVID-19) — China, 2020. https://github.com/cmrivers/ncov/blob/master/COVID-19.pdf

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s