Mật độ dân số, số ca nhiễm, và tử vong

Đọc dữ liệu về số ca nhiễm và tử vong giữa các tỉnh thành, tôi phát hiện một xu hướng thú vị: nơi nào có mật độ dân số càng cao thì số ca nhiễm cũng càng cao, và số ca nhiễm càng cao có liên quan mật thiết với số ca tử vong. Từ đó, chúng ta có thể ‘xếp hạng’ các tỉnh thành.

Biểu đồ 1 phản ảnh mối liên quan giữa mật độ dân số và số ca nhiễm (tính bằng đơn vị log) cho 62 tỉnh thành có ghi nhận số ca nhiễm. Như có thể thấy, tỉnh thành nào có mật độ dân số cao thì tính trung bình cũng ghi nhận nhiều số ca nhiễm. Đứng đầu là TPHCM như chúng ta biết. Nhưng các tỉnh thành khác như Hà Nội, Đà Nẵng, Tiền Giang và Bình Dương cũng nằm trong nhóm có mật độ dân số cao và có nhiều ca nhiễm. Ngược lại, các tỉnh miền Tây Bắc và Đông Bắc thì có số ca nhiễm rất thấp và mật độ dân số cũng thấp nhứt nước.

Mối liên quan giữa mật độ dân số và số ca nhiễm (tính bằng đơn vị log) cho 62 tỉnh thành có ghi nhận số ca nhiễm.

Biểu đồ 2 phản ảnh mối liên quan giữa mật độ dân số và tỉ lệ tử vong (tính trên số ca nhiễm hay còn gọi là CFR). Tuy có mối liên quan dương tính (tỉnh thành với mật độ dân số cao thì nguy cơ tử vong cũng cao), nhưng mối liên quan nói chung là không chặt chẽ như giữa mật độ dân số và số ca nhiễm, vì mức độ phân tán khá cao.

Mối liên quan giữa mật độ dân số và tỉ lệ tử vong (tính trên số ca nhiễm hay còn gọi là CFR) của 62 tỉnh thành.

Biểu đồ 3 cho thấy mối liên quan giữa số ca nhiễm và số ca tử vong cho 42 tỉnh thành nào có hơn 100 ca nhiễm và có ghi nhận số ca tử vong. Chúng ta thấy mối liên quan rất cao, với hệ số tương quan 0.9 (tối đa là 1). Biểu đồ này cho thấy qui luật dân gian: càng nhiễm nhiều thì số ca tử vong càng nhiều.

Mối liên quan giữa số ca nhiễm và số ca tử vong cho 42 tỉnh thành nào có hơn 100 ca nhiễm và có ghi nhận số ca tử vong.

Chúng ta có thể dùng qui luật đó để so sánh tỉ lệ tử vong giữa các tỉnh thành. Bởi vì số ca tử vong là tương đối thấp so với số ca nhiễm, nên chúng ta có thể giả định rằng số ca tử vong tuân theo luật phân bố Poisson. Gọi số ca tử vong là Y, giả định đó có nghĩa là Y ~ Poisson(mu), trong đó ‘mu’ là tỉ lệ nhiễm. Mô hình hồi qui Poisson với tỉnh/thành là predictor có thể viết như sau: log(mu) = a + beta*tỉnh. so sánh tỉ lệ tử vong của tỉnh với giá trị kì vọng, và do đó cho chúng ta biết tỉnh thành nào có tỉ lệ tử vong cao hay thấp ra sao. Kết quả tính toán này được trình bày trong Hình 4.  

Trong Hình 4, những tỉnh nào có hệ số ‘estimate’ dương có nghĩa là tỉ lệ tử vong cao hơn giá trị kì vọng; ngược lại, tỉnh thành nào có giá trị âm có nghĩa là tỉ lệ tử vong thấp hơn kì vọng. Nhưng vì do dao động mẫu, nên phải xem xét đến trị số P. Trị số P < 0.01 có thể xem là có ý nghĩa thống kê (significant), còn trị số P > 0.01 thì xem như không có khác biệt giữa tỉ lệ tử vong của tỉnh thành đó và giá trị kì vọng.

Hình 4: So sánh hệ số tử vong giữa các tỉnh thành. Ví dụ cách diễn giải: Tỉnh Bà Rịa – Vũng Tàu có hệ số 0.65, có nghĩa là tỉ lệ tử vong ở tỉnh này cao hơn exp(0.65) = 1.9 lần so vì kì vọng dựa vào số ca nhiễm, và sự khác biệt này đáng chú ý vì trị số P = 0.009. Ngược lại, Bạc Liêu có hệ số -0.14, có nghĩa là tỉ lệ tử vong ở đây thấp hơn kì vọng chừng 14% (1 – exp(-0.14)), nhưng vì trị số P = 0.85, nên sự khác biệt này không đáng chú ý, có thể do yếu tố ngẫu nhiên. 

Như có thể thấy, chỉ có Bắc Giang có tỉ lệ tử vong thấp hơn kì vọng. Còn lại, các tỉnh thành có tỉ lệ tử vong cao là: HCM, Bến Tre, Vĩnh Long, Tiền Giang, Sóc Trăng, Bình Thuận, Đà Nẵng, Đồng Tháp, Cần Thơ, Tây Ninh. Các tỉnh khác cũng có tỉ lệ tử vong cao đáng chú ý là Bà Rịa – Vũng Tàu, Bình Dương, Long An, Khánh Hoà, Phú Yên, Trà Vinh, Hà Nội.

Tóm lại, các dữ liệu này cho thấy (a) số ca tử vong có liên quan mật thiết với số ca nhiễm; và (b) số ca nhiễm có liên quan với mật độ dân số. Điều này cho thấy chiến lược chống dịch cần phải xem xét đến mật độ dân số.

PS: Dĩ nhiên, đây chỉ là một thể thao trí não thôi, vì tất cả những con số về số ca nhiễm và tử vong có xác suất rất cao là đều sai. Nhưng cái note này cũng chỉ ra rằng với số liệu hạn chế như vậy, chúng ta vẫn có thể trả lời vài câu hỏi quan trọng bằng phương pháp mô hình thống kê.

Nguồn số liệu về ca nhiễm và tử vong: https://covid19.gov.vn. Số liệu về dân số và mật độ dân số lấy từ Tổng cục Thống kê.

Giải Lasker cho 2 người sáng chế vaccine mRNA

Tiến sĩ Katalin Kariko và Giáo sư Drew Weissman mới được trao giải thưởng danh giá Lasker năm 2021. Đây là tín hiệu cho thấy hai người này có thể được trao giải Nobel trong tương lai gần.

Giải Lasker

Giải thưởng Lasker Awards là một trong những giải thưởng danh giá nhứt trong y khoa. Nó được xem là ‘Giải Nobel của Mĩ’. Giải này do Albert Lasker và phu nhân Mary Woodard Lasker sáng lập, và trao lần đầu vào năm 1945. Tiêu chí của giải là trao cho những người có đóng góp lớn vào y học. Nhiều người được trao giải Lasker sau này được trao giải Nobel.

Năm nay, Giải thưởng Lasker được trao cho Tiến sĩ Katalin Kariko và Giáo sư Drew Weissman. Bà Kariko hiện nay là Phó chủ tịch công ti sinh học BioNTech (Đức), còn Giáo sư Drew Weissman là Giáo sư về miễn dịch học thuộc Đại học Pennsylvania. Hai người này có công ứng dụng mRNA trong việc bào chế vaccine chống covid.

Hành trình khám phá của hai người, nhứt là bà Kariko, rất ư là tiêu biểu ở những người tiền phong. Bà Kariko là một di dân từ Hungary đến Mĩ, phải khá vất vả để tồn tại trong thế giới khoa học đầy cạnh tranh. Đọc qua quá trình đi đến mRNA của bà, tôi chợt nghĩ đến thân phận của các nhà khoa học gốc di dân vốn chọu nhiều thiệt thòi trong thế giới khoa học phương Tây.

Katalin Karikó - Wikipedia
Dr. Katalin Kariko (wikipedia photo)

Vài dòng về Ts Katalin Karikó

Katalin Karikó sanh năm 1955 ở Hungary trong một gia đình lao động. Thân phụ của bà là thợ bán thịt. Bà tốt nghiệp tiến sĩ từ [Đại học] University of Szeged (Hungary), và sau đó làm postdoc trong một viện sinh hoá ở Hungary. Năm 1985 bà bị mất việc và cùng chồng di cư sang Mĩ.

Ở Mĩ, bà làm postdoc tại Đại học Temple (Philadelphia) và một trung tâm quân y ở Bethesda (88-89). Đến năm 1990, bà được bổ nhiệm làm giáo sư trợ lí [Assistant Professor] thuộc Đại học Pennsylvania, nơi bà nghiên cứu ứng dụng mRNA trong điều trị bệnh. Bà không lên nổi chức danh giáo sư thực thụ vì đơn tài trợ của bà bị từ chối hết năm này sang năm khác. Chẳng những thế, bà còn bị giáng chức assistant professor vào năm 1995.

Năm 1997 bà gặp Giáo sư Drew Weissman, một chuyên gia về miễn dịch học cũng thuộc Đại học Pennsylvania. Hai người hợp tác với nhau, và bà kiên trì theo đuổi ý tưởng dùng mRNA trong điều trị bệnh. Trong một loạt bài báo từ 2005, Karikó và Weissman mô tả cách biến đổi mRNA để tăng cường hệ miễn dịch. Họ đăng kí bằng sáng chế, nhưng đại học sau này bán bản quyền cho một công ti khác. Khi được một nhà đầu tư đằng sau công ti Moderna liên lạc mua lại bản quyền, bà Karikó nói “we don’t have it” (chúng tôi không có bản quyền). Bà nghĩ rằng mình khó có cơ hội ở Đại học Pennsylvania, và thế là trở thành phó chủ tịch công ti sinh học BioNTech RNA ở Đức.

Câu chuyện vaccine mRNA

Câu chuyện vaccine mRNA bắt đầu từ năm 2005, khi Kariko và Weissman công bố một phát hiện mang tính đột phá. Họ báo cáo rằng có thể dùng mRNA để sản xuất protein. Đại khái là khi họ thêm mRNA vào tế bào thì tế báo lập tức tiêu diệt mRNA, nhưng khi họ thay đổi một chút mRNA thì thì tế bào sản xuất ra protein mà họ chọn. Nói cách khác, họ có thể dùng mRNA để ‘chỉ thị’ cho tế bào sản xuất protein mà họ muốn.

Đó là một khám phá độc đáo, nhưng thời đó thì giới khoa học không tin hay không mấy quan tâm. Thời đó, đa số đều nghĩ đến tiêm chủng, chớ không nghĩ đến vaccine mRNA. Do đó, khi họ gởi bản thảo bài báo khoa học đến các tập san lớn thì đều bị từ chối. Cuối cùng thì có tập san Immunity chấp nhận công bố bài báo.

Dù bài báo được công bố, Weissman và Kariko vẫn còn gặp khó khăn. Họ viết grant xin tiền tài trợ để làm nghiên cứu tiếp, nhưng grant của họ bị từ chối. May mắn thay, có 2 công ti sinh học quan tâm: Moderna ở Mĩ và BioNTech ở Đức.

Hai công ti này sản xuất mRNA vaccines cho cúm mùa và vài bệnh khác, nhưng họ chưa thử nghiệm lâm sàng. Thế rồi, dịch Vũ Hán bùng phát, và cơ hội đã đến để thử nghiệm lâm sàng. Moderna và BioNTech dựa vào khám phá của Kariko và Weissman để sản xuất vaccine có hiệu quả rất cao mà chúng ta sử dụng ngày nay.

Như các bạn thấy, thân phận của người làm khoa học gốc di dân trong thế giới khoa học phương Tây rất khổ. Bà Katalin Karikó là một trường hợp khá tiêu biểu. Có ý tưởng hay và tiền phong, nhưng giới đồng nghiệp không tin và không xin được tài trợ (grant). Mà, trong thế giới khoa học phương Tây, có được tài trợ từ các nguồn uy tín là đồng nghĩa với vinh quang, còn không có tài trợ thì rất khó được thăng tiến trong sự nghiệp. Nhiều người phải ‘nghỉ hưu sớm’ vì không có được tài trợ. Bất cứ ai làm khoa học đều có thể cảm nhận nỗi khổ của bà. Nhưng sự kiên trì và bền bĩ theo đuổi ý tưởng của bà thì cuối cùng cũng đem đến kết cục có hậu. Đóng góp của bà rất lớn vì giúp cứu hàng triệu người trên thế giới, và bà rất đáng được trao giải thưởng Nobel.

Ngoáy mũi và nước miếng: cái nào tốt hơn?

Ở Việt Nam hiện nay, chọc ngoáy mũi đang là một nỗi ám ảnh kinh hoàng đối với nhiều người. Nhưng nghiên cứu khoa học [1] chỉ ra một cách làm khác nhẹ nhàng hơn: dùng nước miếng.

Chúng ta biết rằng phương pháp chuẩn ‘vàng’ để chẩn đoán covid là xét nghiệm PCR, dựa trên chu kì khuếch đại (Cycle Threshold, Ct). Mẫu xét nghiệm thường lấy từ mũi hay cổ họng. Chẳng hiểu sao ở Việt Nam chủ yếu lấy mẫu từ mũi.

Lấy mẫu từ mũi có nghĩa là dùng một cái que chọc vào mũi để lấy đủ dung lượng. Người lấy mẫu phải được huấn luyện, và dù đã qua huấn luyện, cách làm này tương đối xâm phạm và gây khó chịu cho rất nhiều người. Một số người rất sợ lấy mẫu bằng cách ngoáy mũi vì họ cho rằng dễ bị tổn thuơng.

Một cách làm khác là lấy mẫu nước miếng (không cần dùng que). Nước miếng hàm chứa nCov rất nhiều. Nhiều nghiên cứu từ năm ngoái (Ý, Tàu, Hồng Kong) cho thấy nCov hiện diện trong nước miếng từ 87-100%. Lấy mẫu nước miếng thì dễ hơn, không cần huấn luyện, và nhẹ nhàng hơn so với chọc vào mũi. Có thể xem cách làm mô tả trên youtube [2].

No photo description available.

Câu hỏi đặt ra là giữa mẫu nước miếng và mẫu lấy từ mũi, cái này cho ra kết quả chính xác hơn. Chính xác ở đây hiểu theo nghĩa là lấy PCR làm chuẩn vàng. Các nhà khoa học bên Singapore mới công bố một nghiên cứu nhằm trả lời câu hỏi đó. Để các bạn hiểu kết quả (vì họ trình bày khá phức tạp), tôi tóm tắt nghiên cứu như sau. Họ làm nghiên cứu trên 337 mẫu (khá lớn); trong đó, 188 là có triệu chứng và 149 là không có triệu chứng covid. Họ so sánh độ chính xác (nói vậy cho dễ hiểu) 3 loại mẫu xét nghiệm covid:

  • Mẫu A: ngoáy mũi do nhân viên y tế làm
  • Mẫu B: nước miếng
  • Mẫu C: tự ngoáy mũi

Xét nghiệm bằng PCR trên mẫu A cho ra 150 kết quả dương tính. Trong số này, 139 (93%) mẫu B cũng cho ra kết quả dương tính, so với 106 (71%) kết quả dương tính từ mẫu C. Như vậy, xét nghiệm trên nước miếng có độ nhạy cao hơn xét nghiệm trên mẫu tự lấy từ mũi.

Tác giả còn phân tích chi tiết hơn như sau. Trong số 63 A có ngưỡng Ct < 30, mẫu B cho ra 62 (98.4%) kết quả dương tính, còn mẫu C cho ra 57 (90.5%) kết quả dương tính. Một lần nữa, mẫu từ nước miếng có độ nhạy cao hơn mẫu tự lấy từ mũi.

Đọc bài báo này [1] tôi mới biết là câu hỏi [mẫu từ mũi và nước miếng cái này chính xác hơn] đã được nghiên cứu khá nhiều trong quá khứ. Một số nghiên cứu thì cho rằng mẫu từ mũi cho ra kết quả chính xác hơn, nhưng một số nghiên cứu khác thì kết luận rằng mẫu nước miếng chính xác hơn.

Vấn đề là chúng ta phải đánh giá bằng chứng khoa học. Các nghiên cứu trước đây thường có số tình nguyện viên rất thấp (thường là vài chục người, hay cao hơn là chừng 100), nên kết quả có nhiều bất định. Còn nghiên cứu của nhóm Singapore thì số cỡ mẫu lớn (hơn 300), nên đó là một ưu điểm. Nghiên cứu ở Singapore còn dùng cả công nghệ NGS để đánh giá kết quả xét nghiệm, và đây là một ưu điểm lớn mà các nghiên cứu trước không có. Ngoài ra, họ còn so sánh hai xét nghiệm trong mỗi mẫu để cho thấy quả thật xét nghiệm trên nước miếng là đáng tin cậy. Dựa vào những đánh giá đó, tôi nghĩ chứng cớ từ nghiên cứu Singapore là khá thuyết phục.

Vậy thì Việt Nam nên làm gì? Tôi nghĩ các nhà chức trách nên: (a) triển khai dùng mẫu nước miếng làm xét nghiệm chung; (b) chỉ lấy mẫu từ mũi ở những người có triệu chứng mà thôi; và (c) làm nghiên cứu so sánh như nhóm Singapore để có chứng cớ cho người Việt. Ngoài ra, nên bỏ đi chuyện phân chia vùng xanh – vàng – đỏ vì nó chẳng có ý nghĩa gì cả mà chỉ đày đoạ và kì thị người dân.

____

[1] https://www.nature.com/articles/s41598-021-82787-z

[2] https://www.youtube.com/watch?v=4jGrJUbjBBs (từ phút 1:25)

Hiệu lực của vaccine Tàu và tử vong

Cái note này trình bày dữ liệu về tử vong liên quan đến covid ở hai nước dùng vaccine Tây (Do Thái và Mĩ) và 7 nước chủ yếu dùng vaccine Tàu (Cambodia, Thái Lan, Mã Lai, Nam Dương, Chile, Seychelles và UAE). Các bạn sẽ thấy hình như vaccine Tây có hiệu lực tốt hơn vaccine Tàu.

Để đánh giá hiệu lực của vaccine trong cộng đồng (effectiveness), con số tử vong rất quan trọng. Con số ca nhiễm chỉ quan trọng trong thử nghiệm lâm sàng, vì nó dùng để đánh giá hiệu quả của vaccine (efficacy). Ngoài cộng đồng, chúng ta chỉ quan tâm đến những ca nặng và tử vong. Do đó, con số tử vong phản ảnh khá đúng với mức độ nghiêm trọng của dịch.

Vaccine Tàu đã được nhiều nước trên thế giới sử dụng trong việc phòng chống dịch. Trong thử nghiệm lâm sàng, hiệu quả của vaccine Tàu dao động từ 51% đến 70% (tuỳ vào cách phân tích).  Câu hỏi đặt ra là trong cộng đồng thì vaccine Tàu hiệu lực ra sao?

Để trả lời câu hỏi này, chúng ta có thể so sánh tỉ lệ tử vong trước và sau khi đợt dịch mới xảy ra. Đợt dịch mới xảy ra vào khoảng tháng 5 hay 6 (tùy nơi). Do đó, số liệu về tử vong trước và sau dịch ở những nước sử dụng vaccine Tây và vaccine Tàu có thể cho chúng ta một vài thông tin về hiệu lực của vaccine.

Nếu vaccine có hiệu lực, chúng ta kì vọng rằng tỉ lệ tử vong phải suy giảm theo thời gian. Và, đó chính là những gì có thể thấy qua hai nước Mĩ và Do Thái. Ở Mĩ, tỉ lệ tử vong tháng 8/2021 là 0.78%, giảm 70% so với tỉ lệ tử vong vào tháng 6/2021 (2.5%). Ở Do Thái, tỉ lệ tử vong vào tháng 8 là 0.29%, giảm hơn 90% so với tháng 4 và 5. Hai nước này chỉ dùng vaccine Tây, chủ yếu là Pfizer và Moderna.

Tỉ lệ tử vong ở một số nước dùng vaccine phương Tây (màu xanh) và vaccine Tàu (màu đỏ). Số liệu lấy từ worldometer

Còn các nước dùng vaccine Tàu thì sao? Biểu đồ dưới đây trình bày tỉ lệ tử vong cho các nước Cambodia, Thái Lan, Mã Lai, Nam Dương, Chile, Seychelles và UAE (màu đỏ). Như các bạn thấy, tỉ lệ tử vong ở các nước này tăng trong 3 tháng qua. Chẳng hạn như Nam Dương, tỉ lệ tử vong tháng 8/2021 là 5.75%, tăng gần 2 lần so với tỉ lệ tháng 4/2021 (2.96%).

Ở Cambodia, tỉ lệ tử vong liên tục tăng từ 0.7% vào tháng 5/2021 đến 3.18% trong tháng 8/2021. Tình hình ở Thái Lan và Mã Lai cũng vậy: tỉ lệ tử vong covid tăng trong những tháng qua. Theo báo Khmer Times thì chánh phủ Cambodia đã ra lệnh ngưng lễ hội Kan Ben vì số ca nhiễm và tử vong tăng nhanh trong 3 tháng qua.

Ngay cả ở những nước xa chúng ta như Chile, Seychelles và UAE cũng ghi nhận sự gia tăng về tử vong. Đáng chú ý là Chile, với tiêm chủng bao phủ 77% dân số, tỉ lệ tử vong vào tháng 8/2021 lên đến 6.4%, cao gấp 4 lần so với tỉ lệ tháng 5/2021.

Seychelles là một hòn đảo có tỉ lệ tiêm chủng vaccine (chủ yếu là Sinopharm) rất cao (78%). Nhưng tỉ lệ tử vong trong tháng 6-8 là 0.6% đến 1%, so với 0.3% vào tháng 4.

Tỉ lệ tiêm chủng vaccine trên trên toàn dân số ở Mĩ, Do Thái, Cambodia, Thái Lan, Mã Lai, Nam Dương, Chile, Seychelles và UAE

Tóm lại, những dữ liệu thực tế mới nhứt cho thấy những nước dùng vaccine Tàu đang trải qua một đợt dịch mới và tỉ lệ tử vong tăng khá cao dù tỉ lệ tiêm chủng vaccine đã đạt trên 70% (Mã Lai, Chile, Seychelles, UAE). Ngược lại, hai nước dùng vaccine phương Tây (Do Thái và Mĩ) có tỉ lệ tử vong trong đợt dịch mới suy giảm rất đáng kể so với những tháng trước đó.

Những con số này phản ảnh một phần về hiệu lực của vaccine Tàu và Tây. Tôi nói ‘một phần’ là vì còn các yếu tố khác nữa, chớ không phải chỉ vaccine, có thể giúp các nước như Mĩ và Do Thái giảm tỉ lệ tử vong hay các nước kia tăng nguy cơ tử vong. Đây là số liệu cấp quần thể, nên chúng ta không thể suy luận cho cá nhân. Nhưng ở cấp độ quần thể thì sự giảm về tử vong ở những nơi dùng vaccine Tây rất nhứt quán với kết quả nghiên cứu khoa học đã được công bố.

Vaccine Tàu và trường hợp Cambodia

Có vẻ như Việt Nam đã lọt vào quĩ đạo của Tàu qua hợp đồng mua 20 triệu liều vaccine VeroCell (tức Sinopharm) [1]. Một số người ủng hộ việc mua vaccine Vero Cell cho rằng nó rẻ hơn vaccine Tây, và rằng rằng Cambodia đã kiểm soát dịch thành công nhờ vaccine Tàu. Nhưng nếu xem xét dữ liệu kĩ thì không phải vậy.

Tính đến nay, Việt Nam đã có hay sắp có 141 triệu liều vaccine, và được phân bố như sau:

  • Pfizer: 50 triệu
  • AstraZeneca: 30 triệu
  • Abdata: 10 triệu
  • Các vaccine khác: 50 triệu

Với quyết định mới nhứt mua 20 triệu liều Vero Cell, thì Việt Nam sẽ có 161 triệu liều. Vẫn chưa đủ cho 96 triệu dân, nhưng với nhiều nguồn khác thì hi vọng sẽ đủ.

Quyết định mua Vero Cell của Việt Nam lại dấy lên một làn sóng tranh cãi về hiệu quả. Người ủng hộ thì hay lấy trường hợp nước láng giềng Cambodia ra làm ví dụ về sự thành công của vaccine Tàu. Họ cho rằng nhờ vaccine Tàu mà Cambodia đã kiểm soát được dịch rất tốt. Chúng ta thử xem qua nhận xét này xem có cơ sở không.

1. Trường hợp Cambodia

Cambodia bắt đầu tiêm chủng vaccine Tàu từ tháng 3/2021.  Tính đến đầu tháng 9, khoảng 70% dân số Cambodia (tổng dân số là 16 triệu) đã được tiêm 1 liều, 55% được tiêm 2 liều. Thủ đô Nam Vang được xem là nơi có tỉ lệ tiêm chủng vaccine cao nhứt thế giới. Có thể nói rằng Cambodia đã phần nào đạt được miễn dịch cộng đồng.

Kết quả ra sao? Tính đến nay, Cambodia đã ghi nhận 196619 ca nhiễm, và trong số này có 2176 người tử vong, tức tỉ lệ 2.04%. Tỉ lệ này y chang với tỉ lệ các nước trên thế giới gộp lại, tức 2.05%.

Nhưng để đánh giá hiệu lực của vaccine trong cộng đồng, chúng ta nên xem con số tử vong (chớ không phải số ca nhiễm). Từ tháng 7, Cambodia cũng như Việt Nam trải qua một trận dịch mới, và họ ghi nhận khoảng 20-25 ca tử vong mỗi ngày (trung bình). Bắt đầu từ tháng 8, số ca tử vong có xu hướng giảm xuống chừng 15-17 ca mỗi ngày, nhưng vì con số còn thấp nên khó nói xu hướng này sẽ còn tiếp tục hay chỉ là dao động ngẫu nhiên.

Số ca tử vong ở Cambodia trong 6 tháng qua. Từ đầu tháng 4 đến cuối tháng 6, Cambodia có tỉ lệ tử vong là 1.48% (748 ca); từ đầu tháng 7 đến nay (24/9), tỉ lệ tử vong tăng lên 2.53% (1392 ca).

Những con số trên có thể cho phép chúng ta nói rằng vaccine Tàu đã có hiệu lực giúp Cambodia thoát dịch? Dĩ nhiên là không, vì số ca nhiễm vẫn xảy ra và thậm chí có xu hướng tăng trong tháng qua. Hơn thế nữa, số ca tử vong vẫn xảy ra ngay cả sau khi cả dân số gần đạt miễn dịch cộng đồng. Thật ra, tình hình nếu phân tích kĩ hơn thì không tốt cho Cambodia chút nào:

  • Từ đầu tháng 4 đến cuối tháng 6, Cambodia có tỉ lệ tử vong là 1.48% (748 ca);
  • Từ đầu tháng 7 đến nay (24/9), tỉ lệ tử vong tăng lên 2.53% (1392 ca).

Nếu vaccine Tàu có hiệu lực giảm tử vong thì chúng ta kì vọng số ca và tỉ lệ tử vong sẽ giảm trong đợt bùng phát từ tháng 7. Nhưng trong thực tế thì cả 2 chỉ số này đều tăng. Tôi nghĩ chỉ số này cho thấy vaccine Tàu không có hiệu lực như nhiều người nghĩ hay tưởng.

2. Miễn trừ trách nhiệm

Một trong những điều người ta quan tâm là nếu người được tiêm vaccine và bị biến chứng nghiêm trọng thì ai sẽ bồi thường cho họ. trước đây thì các công ti thuốc phải bồi thường, nhưng trong tình hình hiện nay thì … rất khác.

Nhưng thật ra, các hãng sản xuất khác cũng vậy. Từ năm ngoái, một số nước (như Mĩ, Canada, Úc) đã ban hành các đạo luật miễn trừ trách nhiệm cho Pfizer và Moderna. Điều này có nghĩa là ‘nạn nhân’ không thể kiện các nhà sản xuất vaccine. Vậy ai trả? Trả lời là chánh phủ phải dành ra một ngân sách để trả cho những trường hợp này.

Do đó, không ngạc nhiên khi điều khoản trong hợp đồng mua vaccine Vero Cell của Việt Nam có câu: ‘miễn trừ trách nhiệm đối với các khiếu nại phát sinh từ hoặc liên quan đến vaccine, hoặc việc sử dụng vaccine‘.

Nói cách khác, người Việt tiêm vaccine Vero Cell và bị biến chứng sẽ không thể kiện Sinopharm.  Nhưng ai sẽ đứng ra bồi thường họ thì không rõ, vì chánh phủ chưa thấy nói đến một ngân quĩ cho vấn đề này.

3. Vaccine Tàu rẻ hơn vaccine Tây? 

Một số bạn cho rằng các nước như nghèo như Nam Dương, Mã Lai, Thái Lan, v.v. lệ thuộc vào vaccine Tàu là do vaccine phương Tây đắt quá. Nhưng điều này có lẽ không đúng. Bảng dưới đây trình bày giá của các vaccine đang được lưu dụng hiện nay [2].

Như có thể thấy, giá vaccine Tàu không hề rẻ như nhiều người tưởng hay nghĩ. Thật ra, giá vaccine của Sinopharm và Sinovac có khi còn đắt hơn các vaccine phương Tây và Nga.

4. Sử dụng vaccine Tàu như thế nào?

Tôi nghĩ công bằng mà nói vaccine Sinopharm cũng có hiệu quả giảm nguy cơ nhiễm và điều này thì đã được báo cáo trên JAMA. Nhưng nó có hiệu lực giảm nguy cơ tử vong hay không thì còn phải chờ nghiên cứu mới biết. Ngoài ra, kinh nghiệm thực tế ở những nước dùng nhiều vaccine của Tàu đáng để chúng ta phải suy nghĩ một cách tiếp cận. Trước đây, tôi đưa ra 4 điểm như sau:

Thứ nhứt, chỉ tiêm vaccine Sinopharm và Sinovac 1 liều như là bổ trợ cho các vaccine khác như AstraZeneca, Pfizer và Moderna. Điều này có nghĩa là đối với những người chưa tiêm vaccine, họ có thể dùng 1 liều Vero Cell, nhưng sau đó là 1 liều của một trong ba vaccine phương Tây. Cách làm này bảo đảm nếu Vero Cell không có hiệu quả thì vẫn có được sự bảo vệ của các vaccine đã ‘chứng minh’ là có hiệu quả.

Thứ hai, không dùng vaccine Tàu cho những người có nguy cơ cao. Bởi vì các thử nghiệm lâm sàng là trên người khoẻ mạnh, như nhân viên y tế, nên dữ liệu khoa học về hiệu quả của hai vaccine này ở những người có bệnh nền vẫn còn rất thiếu. Ngay cả vaccine CoronaVac, hiệu quả ở người trên 60 tuổi chỉ 51%, tức rất thấp. Do đó, tôi nghĩ không nên dùng vaccine này cho những người có nguy cơ cao.

Thứ ba, tạm thời chưa công nhận những ai đã tiêm vaccine Tàu là đã được tiêm chủng.  Trong thực tế, Âu châu và vài nơi không công nhận những người đã tiêm vaccine Tàu là có ‘giấy thông hành miễn dịch’, và họ không được vào Âu châu trong tương lai. Việt Nam cũng nên có một chánh sách như thế để bảo đảm cộng đồng về lâu dài.

Thứ tư, yêu cầu Sinopharm cung cấp thêm dữ liệu khoa học về hiệu quả và an toàn vaccine. Tôi nghĩ Nhà nước phải có trách nhiệm với dân khi triển khai một loại vaccine mà có nhiều yếu tố khoa học bất định. Nhà nước phải nói cho người dân biết sự thật về hiệu quả và an toàn của vaccine Tàu.

Tóm lại, vaccine Sinopharm như chúng ta biết qua thử nghiệm lâm sàng có hiệu quả chừng 70%, nhưng hiệu lực trong cộng đồng ở những nước dùng vaccine Tàu thì vẫn là một câu hỏi lớn. Tình hình ở Cambodia, nơi cũng dùng rất nhiều vaccine Tàu, thì tỉ lệ tử vong có vẻ tăng trong 2 tháng qua, chớ không giảm. Do đó, tôi nghĩ Việt Nam nên dùng vaccine Vero Cell như là bổ trợ, chớ không xem đó là can thiệp chánh.

______

[1] https://tuoitre.vn/chinh-phu-phe-duyet-mua-20-trieu-lieu-vac-xin-vero-cell-cua-sinopharm-trung-quoc-20210922192228461.htm

[2] https://www.biospace.com/article/comparing-covid-19-vaccines-pfizer-biontech-moderna-astrazeneca-oxford-j-and-j-russia-s-sputnik-v

Hệ số lây lan ở TPHCM đang giảm

Tôi đã nói nhiều lí do (trước đây) tại sao TPHCM nên ngưng phong toả. Hôm nay đọc qua dữ liệu hàng ngày ở TPHCM, tôi có thêm một lí do nữa để ngưng phong toả: hệ số lây lan ở HCM đã và đang giảm.

Có lẽ không cần giải thích kĩ ý nghĩa của ‘hệ số lây lan’ (reproduction ratio, hay R) vì tôi đã giải thích từ năm ngoái khi dịch mới bắt đầu. Đại khái rằng nếu 1 người bị nhiễm và lây lan cho 2 người khác, thì hệ số lây lan R = 2. Đối với đại dịch này, WHO dựa vào dữ liệu của Vũ Hán ước tính rằng R dao động trong khoảng 1.4 đến 2.5.

Sự thay đổi của hệ số lây lan có ý nghĩa rất quan trọng, vì nó là một trong những yếu tố để quyết định chánh sách. Nếu R > 1 thì dịch còn lây lan; nếu R < 1 thì dịch đang suy giảm và sẽ ‘suy tàn’ theo thời gian.

Năm ngoái, dùng dữ liệu của Vũ Hán và số ca hàng ngày ở Việt Nam, tôi ước tính rằng R =  1.08, nhưng xác suất 95% có thể dao động từ 0.87 đến 1.33. Sau đó thì hệ số R giảm xuống dưới 1 và quả vậy, dịch đã được kiểm soát.

Còn năm nay với TPHCM thì sao?

Tôi dùng dữ liệu về số ca nhiễm hàng ngày (tính từ 1/7/21) và lại tính toán R cho mỗi tuần. Biểu đồ dưới đây cho thấy vào thời điểm đầu tháng 7, hệ số R = 1.33 (khoảng tin cậy 95%: tứ 1.12 đến 1.61). Nhưng sau đó thì trồi sụt theo thời gian, và quan trọng nhứt là tính từ đầu tháng 9/21 thì R giảm xuống thấp hơn 1. Tính từ tuần 13/9 thì R = 0.94 (khoảng tin cậy 95%: 0.89 đến 0.99).

Biểu đồ 1: Hệ số lây lan R từ 1/7/2021 đến 20/9/2021

Một chỉ số khác cũng quan trọng là ‘hệ số lây lan thực tế’ (Re hay effective R). Có thể ước tính bằng công thức:

Re = R*(1 – P),

trong đó P là tỉ lệ dân đã được miễn dịch qua vaccine hay bình phục sau khi bị nhiễm. Chúng ta biết rằng ở TPHCM số người được tiêm 1 liều là 90%, và với R = 0.9 thì Re = 0.09. Ngay cả nếu tỉ lệ 2 liều là 30% Thì Re = 0.63.

Biểu đồ 2: Số ca dương tính / nhiễm mỗi ngày tính từ 1/7/2021 đến 20/9/2021

Tóm lại, lí giải dịch tễ học trên cho thấy dịch ở TPHCM đang suy giảm và hệ số lây lan thực tế thấp hay rất tháp. Điều này có nghĩa là HCM nên ngưng phong toả. Ngưng càng sớm càng tốt.

Vaccine Abdala của Cuba hiệu quả ra sao?

Việt Nam sẽ mua 10 triệu liều vaccine Abdala của Cuba [1]. Nhưng những thông tin khoa học về vaccine này thì rất ư là hiếm. Qua vài thông tin sơ khởi tôi có làm thử một phân tích và thấy những gì họ báo cáo khá nhứt quán với dữ liệu về hiệu quả.

Rất ít thông tin khoa học về vaccine Abdala của Cuba vì trong y văn không có bài báo nào đề cập đến. Tuy nhiên, qua báo phổ thông, thì đây là vaccine được bào chế theo phương pháp protein tái tổ hợp (tức recombinant protein như Novavax của Mĩ). Cần nói thêm rằng, Novavax của Mĩ đã được thử nghiệm ở giai đoạn III và đạt hiệu quả 90% [2], và được Úc phê chuẩn.

1.  Hiệu quả vaccine Abdala

Cuba tuỳ nghèo nhưng là nước có kinh nghiệm làm vaccine và họ đã chứng minh thành tựu trong quá khứ. Trong trận dịch này, Cuba tự nghiên cứu và bào chế vaccine, nhưng thông tin khoa học về vaccine của họ thì quá hiếm trong y văn. Tìm trong Pubmed, chỉ thấy những bài viết mang tính bình luận về vaccine Abdala, và qua đó chúng ta biết rằng họ đã thử nghiệm vaccine Abdala từ năm ngoái (7/2020) [3].

Còn thử nghiệm RCT giai đoạn III thì được đăng kí vào ngày 18/3/2021, và theo đề cương thì họ so sánh 3 liều vaccine với placebo (giả dược). Vaccine phải tiêm 3 liều vào ngày đầu, ngày 14, và ngày 28. Số lượng tình nguyện viên lên đến 124,000 người tuổi từ 19 đến 80.

Kết quả ra sao? Theo thông tin chánh thức từ Chánh phủ Cuba thì dựa vào dữ liệu của 48,2900 tình nguyện viên, hiệu quả của vaccine là 92.28% [4]. Nếu đúng thì con số này thậm chí còn tốt hơn cả hiệu quả của Novavax của Mĩ (90%), nhưng dĩ nhiên là không thể so sánh một cách khoa học như thế.

2.  Phân tích hiệu quả Abdala

Chúng ta thử kiểm định xem con số hiệu quả 92.3% của Cuba báo cáo là hợp lí không.

Thật ra, như tôi trình bày hôm qua [5] hiệu quả của vaccine chỉ tuỳ thuộc vào 2 con số chánh: số ca nhiễm trong nhóm vaccine và nhóm chứng.  

Rất hay là trong trang wiki chúng ta có 2 con số đó của Cuba. Theo đó, tổng số ca nhiễm (có triệu chứng và được xác định bằng PCR) là 153; trong số này 142 là trong nhóm chứng, và chỉ có 11 là trong nhóm vaccine Abdala.

Bởi vì số cỡ mẫu cao và được chia theo tỉ số 1:1, nên chúng ta không cần biết số cỡ mẫu chính xác cho mỗi nhóm là bao nhiêu, vì thông tin về hiệu quả nằm trong 2 con số ca nhiễm đó (11 và 142). Và, vì số ca nhiễm rất thấp so với số ca thử nghiệm (tình nguyện viên), nên chúng ta có thể giả định rằng số ca nhiễm tuân theo luật phân bố Poisson. Giả dụ rằng chúng ta không biết hiệu quả thật của vaccine là Abdala bao nhiêu, nên có thể qui cho nó một phân bố Uniform. Tích hợp hai phân bố này (Poisson và Uniform) cho chúng ta xác suất hậu định (posterior probability). Chúng ta có thể mô phỏng 10000 lần và lấy số trung vị cùng khoảng tin cậy 95% để xem hiệu quả vaccine mà nhà chức trách Cuba báo cáo có đáng tin cậy không.

Dùng phương pháp trên, tôi ước tính được hiệu quả của vaccine Abdala là 91.7%, và khoảng tin cậy 95% dao động từ 85.6% đến 95.6%. Họ dùng trung bình (92.3%), còn tôi dùng trung vị (91.7%), nên khác nhau một chút là điều dễ hiểu. Như vậy, báo cáo của họ là nhứt quán với dữ liệu 142 ca nhiễm ở nhóm chứng và 11 ca nhiễm ở nhóm vaccine.

Còn so sánh với các vaccine khác thì sao? Thật ra, không thể so sánh hiệu quả giữa các vaccine vì mỗi thử nghiệm dùng một nhóm chứng khác nhau. Tuy nhiên, chúng ta có thể xem xét phân bố hiệu quả của mỗi vaccine hiện hành (xem Biểu đồ dưới đây). Cách đọc biểu đồ này là vaccine nào có đỉnh càng cao và trục hoành càng ngắn thì điều đó phản ảnh độ tin cậy càng cao, càng nhứt quán. Nhìn vào phân tích này thì quả thật vaccine Abdala của Cuba có độ tin cậy chẳng kém gì so với Pfizer và Moderna, thậm chí còn cao hơn AstraZeneca và Sinopharm.

Phân bố hiệu quả giảm nguy cơ lây nhiễm covid-19 của các vaccine Abdala, JJ, Novavax, Sinopharm, AstraZeneca (AZ), Moderna, và Pfizer. Phân tích này dùng phương pháp Bayes.

Tuy nhiên, những phân tích trên chỉ dựa vào số liệu chưa qua bình duyệt. Chúng ta phải đợi số liệu họ công bố chánh thức trên một tập san y khoa thì mới có thể đưa ra những nhận xét khoa học được.

____

[1] https://tuoitre.vn/viet-nam-ky-hop-dong-mua-10-trieu-lieu-vac-xin-cua-cuba-20210920215914298.htm

[2] https://www.nejm.org/doi/full/10.1056/NEJMoa2107659?query=featured_home

[3] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7990484

[4] https://tuoitre.vn/vac-xin-abdala-viet-nam-vua-mua-cua-cuba-co-gi-dac-biet-20210920165416616.htm

[5] https://www.facebook.com/t.nguyen.2016/posts/1323047984809182

Cạnh tranh trong khoa học ở Úc

Tuần qua là một thời điểm vinh quang cho vài người nhưng cũng là ‘ngày tang tóc’ cho nhiều đồng nghiệp khác của tôi. Đó là ngày mà Hội đồng Quốc gia về Y khoa và Y tế Úc công bố danh sách những nhà khoa học được trao giải Leadership Fellowship năm 2021 [1].

Năm nay, Đại học New South Wales (UNSW Sydney) có đến 33 nhà khoa học được trao giải thưởng Leadership Fellowship, trị giá lên đến ~61 triệu đôla [2]. So với năm ngoái với 22 người và 30 triệu đôla [3] thì kết quả năm nay quá đẹp.

Tôi gắn bó với UNSW và UTS, nhưng năm nay UTS chỉ có 1 người duy nhứt được trao giải thưởng Leadership Fellowship. Kết quả này chắc sẽ là đề tài mổ xẻ trong vài tháng tới đây và tôi càng bận rộn.

Ở Úc, chương trình NHMRC Leadership Fellow là chương trình danh giá nhứt trong giới khoa học. Những người này được xem là ‘elite’ trong giới khoa học Úc, vì họ có thành tích khoa học không chỉ xuất sắc mà phải vượt trội cấp quốc tế. Những người được trao giải thưởng kèm theo một ngân sách cho nghiên cứu và lương bổng suốt 5 năm liền. NHMRC chia các fellow thành 5 bậc:

  • Emerging Leadership 1 (cho những người sau 5 năm sau PhD)
  • Emerging Leadership 2 (5-10 năm hậu tiến sĩ)
  • Leadership 1 (10-15 năm hậu tiến sĩ)
  • Leadership 2 (15-20 năm hậu tiến sĩ)
  • Leadership 3 (trên 20 năm hậu tiến sĩ)

Các fellowship này có tính cạnh tranh khá cao. Ứng viên phải bỏ ra vài tháng để soạn hồ sơ khoa học, và hồ sơ phải qua quá trình bình duyệt đến 6 tháng trời. Mỗi hồ sơ có đến 6 chuyên gia bình duyệt, và họ cho điểm từ dưới trung bình đến ngoại hạng.

Thành tích nghiên cứu (10 năm qua) và công bố khoa học của các leadership fellow thuộc NHMRC

Chỉ sốEL1EL2L1L2L3
Tuổi trung bình3540455260
Số bài báo khoa học công bố 10 năm3878110173186
Số bài trong nhóm top 10% trích dẫn1227415167
Số bài trong nhóm top 10% tập san18406079105
Số trích dẫn (sự nghiệp)60020006200770023000
Chỉ số H (sự nghiệp)  384674
Tác động chuyên ngành (field-weighted citation impact)3.863.813.652.872.90

Các con số là trung bình hoặc trung vị. Số liệu trích từ “DrData” trên twitter.

Năm nay có 1722 giáo sư và giảng viên đệ đơn, nhưng chỉ có 254 người (15%) thành công, cao hơn năm ngoái chừng 1.5%. Số người được trao Leadership 3 (cao nhứt) năm nay là 51, so với 45 người năm ngoái.

Sự hiện diện của người gốc Việt trong nhóm này rất rất hiếm. Nhìn qua danh sách năm nay chỉ thấy 1 người mang họ Việt trong nhóm EL2. Năm ngoái cũng có 1 (hay 2) người trong nhóm EL này. Người Việt chúng ta (và Á châu nói chung) còn phải làm quen với văn hoá khoa học để vươn lên trong môi trường cạnh tranh rất cao này.

___

[1] https://www.nhmrc.gov.au/funding/data-research/outcomes

[2] https://newsroom.unsw.edu.au/news/science-tech/unsw-tops-australian-universities-61m-nhmrc-investigator-grants

[3] https://newsroom.unsw.edu.au/news/health/unsw-awarded-30m-health-and-medical-research-funding

Tại sao xét nghiệm đại trà không đem lại hiệu quả?

Câu trả lời là (a) phương pháp xét nghiệm sẽ cho ra kết quả âm tính giả và dương tính giả; (b) chi phí cao; và (c) hiệu quả kinh tế – y tế thấp. Cái note này giải thích 3 nguyên do đó, và đề nghị một phương án xét nghiệm khác mà tôi gọi là ‘focus screening’.

1. Sai sót trong xét nghiệm

Có lẽ đa số công chúng đều nghĩ rằng khi họ nhận một kết quả dương tính thì họ bị nhiễm. Ngược lại, nếu họ nhận một kết quả xét nghiệm âm tính thì họ cảm thấy an tâm là mình không bị nhiễm. Nhưng niềm tin này sai.

Sai là vì không có phương pháp xét nghiệm nào là hoàn hảo cả. Mỗi phương pháp xét nghiệm đều có 2 sai sót chánh: dương tính giả và âm tính giả. Dương tính giả là hiện tượng người không bị nhiễm nhưng xét nghiệm cho ra kết quả dương tính. Âm tính giả là tình trạng người bị nhiễm nhưng xét nghiệm cho ra kết quả âm tính.

Trong xét nghiệm đại trà, âm tính giả dẫn đến nhiều hệ luỵ. Nếu một người nhận kết quả âm tính nhưng trong thực tế họ bị nhiễm thì họ lây lan cho người khác, bởi vì họ nghĩ mình không bị nhiễm nên đi lại thoải mái. Đây chính là mối quan tâm của giới dịch tễ học.

Xét nghiệm kháng nguyên

Tỉ lệ âm tính giả là bao nhiêu? Số liệu từ Liverpool (Anh), nơi làm xét nghiệm kháng nguyên sơ khởi (pilot), cho thấy tỉ lệ âm tính giả lên đến 51.1% [1]. Tỉ lệ này dựa trên ‘chuẩn vàng’ là PCR. Kết quả của Liverpool còn cho thấy trong số 3026 người, chỉ có 23 người thật sự bị nhiễm, tức tỉ lệ 0.76%.

Số liệu của Liverpool rất quan trọng, vì nó nói lên rằng cứ 100 người có kết quả xét nghiệm kháng nguyên âm tính, thì có 51 người thật sự bị nhiễm. Đó là một con số khá lớn, nếu tính chung cho cộng đồng hàng triệu người.

Xét nghiệm PCR

Như đề cập trên, phương pháp PCR được xem là tiêu chuẩn vàng. Nhưng ngay cả PCR cũng không phải là phương pháp chính xác 100%. Và, điều này ít ai chú ý khi kêu gọi xét nghiệm đại trà.

Phương pháp PCR dựa vào một giá trị có tên tiếng Anh là ‘cycle threshold’ (Ct), tức là số chu kì cần thiết để khuếch đại RNA của virus đến mức có thể phát hiện được virus. Ct là một biến liên tục, và có giá trị từ 0 đến 50, và độ lệch chuẩn có thể là khoảng 6.5.

Khi giá trị Ct thấp thì tải lượng virus cao; và ngược lại, nếu Ct cao thì đó là tín hiệu cho thấy tải lượng virus thấp. Nhưng cũng có nghiên cứu chỉ ra rằng khi giá trị Ct càng thấp là một dấu hiệu báo trước bệnh nhân sẽ có diễn biến xấu.

Vậy thì câu hỏi là Ct bao nhiêu thì được xem là ‘dương tính’? Trả lời câu hỏi này hơi khó, vì phải có chuẩn vàng để gọi là nhiễm. Có thể lấy tỉ lệ cấy làm chuẩn vàng. Và, theo một nghiên cứu bên Pháp thì khoảng 70% mẫu với Ct <= 25 là có thể cấy [2], còn khi Ct > 35 thì tỉ lệ cấy được chỉ 3%. Nói cách khác, nghiên cứu này gợi ý là ngưỡng Ct để tuyên bố dương tính là 25 hay thấp hơn.

Riêng ở Việt Nam, các giới chức y tế dùng ngưỡng Ct < 30 để xem là ‘dương tính’. Theo một báo cáo ở TPHCM, trong số 2740 người được xét nghiệm (trong ngày 29/7 tại HCM), có đến 2030 người (hay 74%) có CT < 30 (dương tính). Điều này giải thích tại sao đa số ca dương tính không có triệu chứng.

Những phân tích trên cho thấy một kết quả dương tính từ phương pháp xét nghiệm ‘chuẩn vàng’ như PCR tuỳ thuộc vào một cái ngưỡng. Và, ở bất cứ ngưỡng nào cũng có dương tính giả và âm tính giả.

Có nhiều lí do tại sao phương pháp PCR vẫn có thể cho ra kết quả sai. Cách xử lí và bảo quản mẫu từ khâu lấy mẫu có thể không tốt nên chất lượng xét nghiệm cũng không cao. Ngay cả khi một người đã hết covid nhưng xét nghiệm PCR vẫn cho ra kết quả dương tính vì nó phát hiện những con virus chết. Nhìn chung, phương pháp xét nghiệm PCR có tỉ lệ dương tính giả khoảng 1-2% và âm tính giả khoảng 20% [3]. Mức độ sai sót còn tuỳ thuộc vào labo xét nghiệm [4].

2. Bao nhiêu người có kết quả âm tính giả và dương tính giả?

Chúng ta có thể làm vài tính toán đơn giản để trả lời câu hỏi trên. Giả dụ rằng Hà Nội có 8.4 triệu dân, và các giới chức y tế làm xét nghiệm toàn dân số.

Số người có kết quả âm tính giả và dương tính giả tuỳ thuộc vào (a) tỉ lệ nhiễm trong cộng đồng; (b) xác suất âm tính giả; và (c) xác suất dương tính giả của phương pháp xét nghiệm. Vì Hà Nội có số ca nhiễm thấp, nên chúng ta có thể giả định rằng tỉ lệ nhiễm là 1% (trong thực tế có thể thấp hơn). Chúng ta biết rằng xác suất dương tính giả của PCR là 2% và âm tính giả là 20%. Từ đó, có thể thấy:

  • Số người có kết quả dương tính nhưng không bị nhiễm: 0.99 * 8.4 triệu * 0.02 = 166,320
  • Số người có kết quả âm tính giả nhưng bị nhiễm: 0.01 * 8.4 triệu * 0.20 = 16,800

Nói cách khác, sẽ có hơn 166,000 người bị đưa đi cách li … oan. Ngược lại, sẽ có chừng 17,000 người tiếp tục lây nhiễm trong cộng đồng.

Nhưng tính toán trên là dựa vào giả định tỉ lệ nhiễm là 1%. Trong thực tế, tỉ lệ này có thể thấp hơn, và do đó con số dương tính giả sẽ cao hơn (xem Biểu đồ 1).

Biểu đồ 1: Số người có kết quả dương tính giả (trái) và âm tính giả (phải), với giả định: dân số Hà Nội 8.4 triệu; độ nhạy của PCR là 80% và độ đặc hiệu là 98%.

3. Xét nghiệm ‘gộp’

Một phương án khác có thể tiết kiệm tiền là xét nghiệm gộp. Thật ra, phương án này không phải là mới, vì nó đã triển khai từ năm 1943 và được ứng dụng cho tầm soát ung thư ruột. Nhưng cũng như bất cứ phương án nào, xét nghiệm gộp có những điểm mạnh và điểm yếu.

Xét nghiệp gộp mẫu có nghĩa là trộn mẫu từ nhiều nhiều người (n) thành một mẫu chung, rồi dùng phương pháp xét nghiệm trên mẫu chung đó. Nhiều người ở đây có thể là những cá nhân trong một gia đình, hay trong một con hẽm, hay trong một nhóm. Có hai tình huống xảy ra:

  • Nếu kết quả xét nghiệm là âm tính, thì có nghĩa là tất cả người đều âm tính.
  • Nếu kết quả là dương tính, tức là có ít nhứt 1 người trong mẫu chung đó có thể bị nhiễm. Điều này cũng có nghĩa là phải tiếp tục xét nghiệm, nhưng lần này thì làm xét nghiệm từng mẫu một.

Nhưng bởi vì phương pháp xét nghiệm có sai sót về dương tính giả và âm tính giả (thể hiện qua độ nhạy và đặc hiệu), nên vấn đề không đơn giản như trên. Khi chúng ta trộn nhiều mẫu từ nhiều người thành 1 mẫu gộp thì nó tiết kiệm, nhưng nếu số mẫu càng nhiều thì sẽ tăng xác suất âm tính giả (vì mẫu trở tên loãng). Ngược lại, còn nếu thấp thì có thể tăng xác suất dương tính giả.

Thành ra, vấn đề là xác định số mẫu cần gộp là bao nhiêu thì sẽ tối ưu? Ông bộ trưởng đưa ra ví dụ con số n = 10, nhưng chưa rõ dựa vào giả định nào. Tôi thì nghĩ khác ông bộ trưởng.

Thật ra, con số này lệ thuộc vào các tham số sau đây: tỉ lệ nhiễm trong cộng đồng (p); độ nhạy của phương pháp xét nghiệm (se); độ đặc hiệu của phương pháp xét nghiệm (sp); và sai số mà chúng ta chấp nhận. Có thể đặt vấn đề thành bài toán kiểm định đa giả thuyết (multiple tests of hypothesis), nhưng để ngắn gọn, chúng ta có thể dùng cách tính xấp xỉ. Và, theo cách tính xấp xỉ, số mẫu cần gộp trong một xét nghiệm là:

n = 0.35 / p

Ở Hà Nội hiện nay, tỉ lệ nhiễm còn thấp, nên chúng ta có thể giả định rằng p = 1%. Và, với giả định này thì cần gộp 35 mẫu trong một xét nghiệm.

Nhưng vấn đề không dừng ở đó. Lí do là nếu kết quả xét nghiệm mẫu gộp là dương tính, thì phải làm xét nghiệm lại cho mỗi cá nhân trong mẫu. Đến đây thì bài toán bắt đầu phức tạp hơn. Tôi phải dùng một chút kí hiệu:

  • p = tỉ lệ nhiễm covid trong cộng đồng = 1%
  • N = số người sẽ xét nghiệm toàn thành phố = 8.4 triệu
  • n = số cá nhân trong mẫu gộp = 35
  • se là độ nhạy của phương pháp xét nghiệm = 80%
  • sp là độ đặc hiệu của phương pháp xét nghiệm = 98%

Xác suất một mẫu cho ra kết quả dương tính:

P.spec = (p * se) + (1 – sp)*(1 – p) = 0.028

Xác suất có ít nhứt một mẫu gộp cho ra kết quả dương tính:

P.pool = 1 – (1 – P.spec)^n  = 0.627

Số mẫu gộp sẽ cho ra kết quả dương tính:

N.pos = (N / n)*P.pool = 150,534

Từ đó, số ca cần xét nghiệm lại (bước 2):

N.pos * n = 5,268,691

Thành ra, trên lí thuyết xét nghiệm gộp có thể tiết kiệm, nhưng nếu tính toán cụ thể và điều chỉnh cho độ chính xác của phương pháp xét nghiệm thì vẫn rất tốn kém.  

4. Hiệu quả kinh tế – y tế

Trong thực tế, chúng ta đã thấy chi phí tốn kém như thế nào ở Hà Nội. Theo một nguồn tin [5], Hà Nội đã tiêu ra 572.1 tỉ đồng để làm xét nghiệm sàng lọc trên 3,128,380 mẫu, với 74% là PCR và 26% là xét nghiệm nhanh.

Các nhà chức trách chỉ phát hiện 19 ca dương tính. Tính trung bình, để phát hiện 1 ca dương tính, Hà Nội mất 30.1 tỉ đồng (hơn 1.3 triệu USD).  

Đó là một sự tốn kém thấy trước. Thật ra, con số đó cao hơn là những gì tôi tính toán ở trên.

Thế nhưng có bạn lí giải rằng chi phí đó (30 tỉ đồng để phát hiện 1 ca dương tính) là chấp nhận được vì nếu không phát hiện thì số ca này sẽ lây lan ra nhiều số ca khác và gây tử vong. Cách lí giải này như sau:

  • 1 ca nhiễm biến thể Delta sẽ lây cho 7 người khác và với “chu kỳ là 2 ngày” thì trong 10 ngày sẽ có 7^5 = 16807 ca.
  • Tỉ lệ tử vong 2.5% có nghĩa là sẽ có 300 ca tử vong.

Rất tiếc không thấy tác giả lí giải thêm là thế nào thì có hiệu quả kinh tế – y tế, vì tính toán dừng ở đó.

Tuy nhiên, cách lí giải này dựa trên sự hiểu lầm (?) về ý nghĩa của chỉ số lây lan và sai sót trong tính toán. Tôi giải thích ngắn gọn như sau:

Thứ nhứt, không ai biết có bao nhiêu ca nhiễm ở Hà Nội là liên quan đến biến thể Delta. Biến thể Delta có chỉ số lây lan trung bình là 7. Thật ra, không ai biết chính xác hệ số lây lan của biến thể Delta là bao nhiêu, nên nó là một con số bất định. Con số này không có nghĩa là 1 người sẽ lây cho đúng 7 người; nó có nghĩa là xác suất lây lan cho 7 người hay thấp hơn là 50% (không phải 100%). Có một số người tiếp xúc với người bị nhiễm biến thể Delta sẽ không bị lây nhiễm. Do đó, dùng chỉ số lây lan 7 cho cách tính đơn giản đó là… sai.

Thứ hai, tỉ lệ tử vong 2.5% là tính theo khái niệm ‘case fatality rate‘ và nó không thể nói lên nguy cơ tử vong của covid. Cái cần tính là ‘infection fatality rate‘, và con số này thì thấp hơn nhiều, chỉ chừng 0.5% mà thôi. Nên nhớ rằng, không ai biết tỉ lệ tử vong đối với biến thể Delta, nhưng số liệu bên Anh cho thấy nó có nguy cơ tử vong thấp hơn biến thể gốc.

Thứ ba, tôi không rõ ‘chu kỳ là 2 ngày’ là gì. Trong dịch tễ học người ta dùng khái niệm incubation period (IP, thời gian ủ bệnh), và IP đối với biến thể Delta giống như biến thể Alpha, tức trung bình 4 ngày [6]. Do đó, nếu nói IP = 2 thì sai, không có cơ sở khoa học nào cả.

Thứ tư, để tính toán số ca nhiễm trong tương lai, thì không ai tính theo kiểu lấy chỉ số lây lan rồi nhân theo hàm số mũ của số ngày IP cả. Đó là cách tính … rợ. Tính theo khoa học thì phải có mô hình, và mô hình phổ biến là SEIR mà tôi có giải thích sơ qua trước đây [6]. Nhưng đây là một đề tài khác; ở đây chỉ nói ngắn gọn để thấy cách tính rợ đó không có ý nghĩa gì cả.

Tóm lại, rất khó biện minh cái chi phí 30 tỉ đồng để phát hiện 1 ca dương tính. Những lí giải đơn giản và không dựa vào khoa học khó có thể làm sáng tỏ vấn đề.

5. Thay đổi phương án xét nghiệm

Xét nghiệm là cần thiết trong chiến lược kiểm soát dịch, nhưng xét nghiệm đại trà thì không phải là phương án tối ưu. Lí do là xét nghiệm giống như chụp hình tại 1 thời điểm, mà dịch thì diễn biến liên tục. Người ta có thể không bị nhiễm ngày 1, nhưng bị nhiễm vào ngày thứ 5, và trong trường hợp này thì nếu xét nghiệm ngày 1 sẽ không phát hiện. Do đó, con số 19 ca phát hiện ở Hà Nội là chỉ tại một thời điểm, và trong cộng đồng vẫn còn nhiều ca khác nữa.

Mục đích chánh của xét nghiệm là đi tìm bệnh, không phải tìm ca dương tính. Theo tôi, nên áp dụng xét nghiệm tôi gọi là ‘focused screening‘. Theo phương án này, chúng ta chỉ xét nghiệm những nhóm có nguy cơ cao. Theo đó, nên ưu tiên xét nghiệm cho những cá nhân sau đây:

  • Người có triệu chứng giống như covid. Những người này có nguy cơ nhiễm cao, và vì đã có triệu chứng nên phương pháp xét nghiệm sẽ nhạy hơn (cho ra kết qủa chính xác hơn).
  • Người đã từng tiếp xúc với người bị nhiễm. Những người này cũng có nguy cơ nhiễm cao, và xét nghiệm họ có thể cho ra kết quả đáng tin cậy hơn là những người không có triệu chứng và không bị phơi nhiễm.
  • Người có nguy cơ phơi nhiễm như đi lại nhiều, người chăm sóc bệnh nhân, người về từ nơi khác, nhân viên y tế, v.v.
  • Người sống ở những nơi có mật độ dân số cao. Lây nhiễm xảy ra cao ở những vùng có mật độ dân cư cao, và xét nghiệm ở những nơi này sẽ đem lại lợi ích y tế – kinh tế cao hơn là xét nghiệm đại trà.

Dĩ nhiên, phương án trình bày trên mới là phác hoạ. Chúng ta cần phải có dữ liệu để mô hình hoá chiến lược và đánh giá hiệu quả kinh tế (cost-effectiveness) trước khi triển khai xét nghiệm.

Ngay từ năm ngoái khi dịch bùng phát ở Anh, các giới chức y tế đã đi đến kết luận rằng xét nghiệm đại trà không phải là cách chính xác để truy tìm các ca covid trong dân số [8]. Trong lá thư gởi Chánh phủ, Bộ trưởng Y tế Anh viết rằng xét nghiệm trên những người không có triệu chứng bằng que là không chính xác và có thể cho ra kết quả làm cho người bị nhiễm tưởng rằng mình không bị nhiễm (do sai sót trong xét nghiệm).

Thiết nghĩ bài học ở Anh cùng với kinh nghiệm thực tế ở TPHCM và Hà Nội đã quá đủ để ngưng chương trình xét nghiệm đại trà, và suy nghĩ đến một chương trình xét nghiệm có hiệu quả kinh tế và y tế hơn.

____

[1] https://www.gov.uk/government/publications/innova-lateral-flow-sars-cov-2-antigen-test-accuracy-in-liverpool-pilot-preliminary-data-26-november-2020

[2] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7386165/pdf/40121_2020_Article_324.pdf

[3] https://www.cap.org/member-resources/articles/how-good-are-covid-19-sars-cov-2-diagnostic-pcr-tests

[4] https://www.health.gov.au/resources/publications/post-market-validation-of-the-beijing-genomics-institute-bgi-sars-cov-2-real-time-pcr-platform

[5] https://www.facebook.com/vu.k.hanh.52/posts/10159974232286122

[6] https://www.uq.edu.au/news/article/2021/06/whats-delta-covid-variant-found-melbourne-it-more-infectious-and-does-it-spread-more

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

[8] https://www.bmj.com/content/371/bmj.m4916

Tại sao Việt Nam có số ca tử vong cao? Phân biệt “chết vì” và “chết với” coronavirus

Việt Nam đã vượt cái mốc 15,000 người tử vong liên quan đến covid (con số chính xác là 16186). Tôi cứ phân vân về cách diễn giải con số này, và tự hỏi cách mà giới chức y tế xác định thế nào là một ca tử vong vì covid. Câu này này đơn giản nhưng rất quan trọng. Tôi nghĩ phải phân biệt ‘chết vì covid’ và ‘chết với covid’.

Nhiều người so sánh tỉ lệ tử vong giữ Việt Nam và Thái Lan. Thái Lan có số ca nhiễm cao gấp 2 lần Việt Nam, nhưng số ca tử vong thì thấp hơn Việt Nam 8%. Thật ra, tỉ lệ tử vong ở Việt Nam (2.5%) còn cao hơn cả Cambodia (2.0%) (Xem Hình 1).

Hình 1: Số ca nhiễm và tử vong ở các nước trong vùng. Chỉ có China là … ngoại lệ. Cho đến nay, China ghi nhận 123,808 ca nhiễm và 5688 ca tử vong (tỉ lệ 4.6%).

Tại sao có sự khác biệt quá lớn giữa các nước trong vùng? Ai trong chúng ta cũng có thể nghĩ ra một lí do để giải thích, và lí do có thể là do hệ thống y tế của Việt Nam còn yếu trong điều kiện quá tải, có thể là thiếu thốn máy móc và thuốc men, có thể là tình trạng phong toả kéo dài, v.v. Tất cả những lí do đó có thể đúng, nhưng các nước khác như Lào hay Cambodia thì cũng như chúng ta thôi, tức cũng thiếu thốn tư bề (có lẽ Thái Lan thì hơn một chút). Tôi e rằng các ‘lí do cơ‘ đó khó giải thích tại sao Việt Nam có quá nhiều ca tử vong trong trận dịch này.

Tôi nghĩ đến lí do kĩ thuật: cách đếm và xác định nguyên nhân tử vong.

Để các bạn hiểu vấn đề tôi xin tóm tắt 1 trường hợp ở Úc như sau. Năm ngoái, một thanh niên tên Nathan Turner, tuổi 30s, qua đời ở nhà sau khi có triệu chứng giống như cúm. Khi bệnh viện làm xét nghiệm tử thi, họ tuyên bố anh ta dương tính cho covid. Thế là cái chết của anh được xem là ‘chết vì covid.’ Nhưng sau đó, người ta điều tra kĩ về nguyên nhân tử vong, thì mới biết anh ta có nhiều bệnh lí phức tạp, và làm xét nghiệm lại, nhưng lần này thì kết quả là âm tính! Do đó, đếm anh ta vào con số thống kê tử vong vì covid là sai. Câu chuyện nói lên tính phức tạp trong việc xác định nguyên nhân tử vong.

1. Xác định nguyên nhân tử vong và covid

Ở Úc, các giới chức thống kê có hướng dẫn cụ thể về các xác định nguyên nhân tử vong. Hướng dẫn của Úc viết đại khái rằng nếu người qua đời bị nhiễm nCov thì trên giấy chứng tử nên ghi rằng COVID-19 là nguyên nhân tử vong, bất kể Covid-19 là nguyên nhân trực tiếp, hay được giả định là nguyên nhân gây ra hay đóng góp vào sự tử vong [1]. Nói cách khác, nếu bệnh nhân bị đột quị và covid, thì nguyên nhân tử vong phải ghi là covid.

Ở Mĩ, lúc số ca tử vong tăng cao, có một cuộc tranh luận về nguyên nhân tử vong liên quan đến covid. CDC có hẳn một tài liệu hướng dẫn ghi nguyên nhân tử vong, và đọc tài liệu đó mới thấy phức tạp ra sao [2].

Nhưng nếu đọc kĩ thì thấy là bất cứ ai từng bị nhiễm nCov và qua đời sau đó thì phải ghi Covid-19 là nguyên nhân tử vong. Qui định này rất giống với Úc. Nhiều người trong y khoa không đồng ý với cách phân loại này, nhưng qui định là qui định và bác sĩ viết giấy chứng tử phải tuân theo!

Vấn đề là nguyên nhân tử vong nhiều khi tuỳ thuộc vào cá nhân bác sĩ. Trên trang cdc.gov [3] có một cuộc đối thoại thú vị về cách viết nguyên nhân tử vong, và tôi có thể tóm tắt như sau:

Hỏi: Đối với những trường hợp mà người ta chết vì các bệnh như ung thư hay Alzheimer’s ở giai đoạn cuối, và trước khi chết họ bị nhiễm covid, bác sĩ phán xét như thế nào về nguyên nhân tử vong?

Đáp (tóm tắt): Không hề đơn giản để xác định nguyên nhân tử vong của một cá nhân, nhứt là họ bị bệnh ở giai đoạn cuối. Chẳng hạn như nếu bệnh nhân bị ung thư ở giai đoạn cuối và bác sĩ nghĩ anh ta còn sống được 6 tháng, nhưng vì anh ta bị covid và chết trước 6 tháng, thì bác sĩ có thể sẽ ghi nguyên nhân tử vong là covid. Nhưng nói cho cùng thì tuỳ thuộc vào người viết giấy chứng tử.

Cái câu tuỳ thuộc vào người viết giấy chứng tử rất quan trọng. Sự thật này nói lên rằng nguyên nhân tử vong không phải được xác định một cách khách quan. Nếu 2 người bị covid và qua đời, bác sĩ A có thể xem qua tiền sử và nói nguyên nhân tử vong là suy thận, nhưng bác sĩ B có thể viết nguyên nhân là covid.

Đó chính là một lí do tại sao số ca tử vong liên quan đến Covoid-19 tăng cao.

2. ‘Chết vì virus’ hay ‘chết với virus’?

Đa số hay tuyệt đại đa số những người chết liên quan với covid là người trên 60 tuổi. Mà, người ở độ tuổi đó thì thường có những bệnh đi kèm (gọi là ‘comorbidities’). Ở Úc, theo một phân tích, 73% ca tử vong covid có những bệnh đi kèm [4]. Những bệnh phổ biến là mất trí nhớ (dementia), tim mạch mãn tính, tiểu đường, cao huyết áp, bệnh đường hô hấp, ung thư, và các bệnh xương khớp (xem Hình 2).

Những bệnh lí đi kèm ở những người chết có liên quan đến covid.

Hai tuần trước, Chánh phủ tiểu bang New South Wales đã đổi cách nói về tử vong covid. Họ tuyên bố rằng từ nay trở đi, các giới chức y tế sẽ viết/nói rằng “death with virus” (chết với con virus) thay vì “death from virus ” (chết vì con virus). Cách nói ‘chết với con virus’ là kém xác định và khiêm tốn hơn câu ‘chết vì con virus’. Thật ra, cá nhân tôi từ năm ngoái đã dùng cách nói đó: covid-associated deaths.

3. Nguyên nhân tử vong covid ở Việt Nam có chính xác?

Quay lại câu hỏi tại sao Việt Nam ghi nhận nhiều ca tử vong covid hơn các nước khác (như Thái Lan chẳng hạn) dù số ca nhiễm thì thấp hơn. Tôi nghĩ rất có thể là do lí do kĩ thuật trong việc xác định nguyên nhân tử vong.

Như đề cập trên, ở Úc và Mĩ, người ta có qui định về cách viết nguyên nhân tử vong trên giấy chứng tử. Tôi không rõ ở Việt Nam có qui định như thế hay không. Tìm trong trang web của Bộ Y tế thì không thấy có qui định nào về ghi nhận nguyên nhân tử vong. Nếu chưa có thì tôi nghĩ nên soạn một qui định về chứng tử để bác sĩ căn cứ vào đó mà xác định nguyên nhân chính xác hơn.

Mà, dù có hay chưa có qui định, thì nguyên nhân tử vong vẫn là một thông tin không khách quan, bởi vì nó tuỳ thuộc vào đánh giá của bác sĩ. Như thấy qua đoạn đối thoại trên ở CDC (Mĩ), xác định nguyên nhân tử vong covid nhiều khi chỉ là một phán xét cá nhân. Do đó, giả thuyết là số ca tử vong covid ở Việt Nam chắc chắn không phản ảnh đúng thực trạng, và những so sánh giữa các nước chỉ có ý nghĩa thông tin hơn là tham khảo.

Các bạn nào trực tiếp ghi giấy chứng tử có thể chia xẻ kinh nghiệm với các bạn khác xem sao.

______

[1] https://www.abs.gov.au/ausstats/abs@.nsf/mf/1205.0.55.001

[2] https://www.cdc.gov/nchs/data/nvss/vsrg/vsrg03-508.pdf

[3] https://www.cdc.gov/nchs/pressroom/podcasts/2021/20210319/TRANSCRIPT_STATCAST_031921.pdf

[4] https://www.abs.gov.au/articles/covid-19-mortality-0