Incertezza e incoerenza degli effetti delle misure non farmaceutiche per il COVID-19 con modelli statistici competitivi multipli

Perché questo studio è importante adesso

La pandemia di COVID-19 ha rimodellato la vita quotidiana tramite la chiusura delle scuole, i coprifuoco, l'obbligo di mascherine e molte altre regole. I governi sostenevano che queste misure non farmaceutiche, o NPI, fossero necessarie per rallentare il virus. Ma quanto solide erano le prove che ciascuna misura funzionasse realmente, e quanto erano certi gli scienziati delle loro stime? Questo studio rivede l'analisi ufficiale tedesca delle politiche per il COVID-19 e mostra che gran parte della presunta precisione su ciò che ha aiutato e di quanto era un'illusione.

Rivalutare il manuale pandemico della Germania

Il ministero della salute tedesco ha incaricato un'analisi importante, chiamata studio StopptCOVID, per stimare come diverse misure avessero influenzato la diffusione del virus in ciascuno stato federale. Il lavoro originale utilizzava un modello statistico che collegava un numero di riproduzione variabile nel tempo, R(t) – quante nuove infezioni provoca in media ciascun caso – a più di 50 variabili di politica e contesto, incluse vaccinazione e stagione dell'anno. Il modello ha prodotto numeri netti su quanto la chiusura degli spazi pubblici, le restrizioni alla vita notturna o l'obbligo di mascherine riducessero R(t), e questi numeri sono stati riportati con intervalli di confidenza apparentemente ristretti, suggerendo una notevole certezza.

Cosa ha voluto verificare la rianalisi

Il nuovo gruppo di ricerca ha trattato il rapporto tedesco come qualcosa che necessitava di una verifica indipendente. Ha mantenuto gli stessi dati di input e le stesse ipotesi epidemiologiche di base, ma ha impiegato nove diversi approcci statistici ampiamente accettati per sondare quanto fossero robuste le risultanze originali. L'obiettivo era deliberatamente ristretto: anziché discutere quale fosse il miglior modello biologico dell'epidemia, hanno chiesto quanto cambiassero le risposte se si consideravano seriamente le incertezze statistiche, in particolare per serie temporali che tracciano molte regioni su lunghi periodi e includono dozzine di politiche sovrapposte.

Insidie statistiche nascoste nello studio originale

Due problemi si sono rivelati cruciali. Primo, il modello ufficiale assumeva che la parte non spiegata dei dati – i residui – fosse casuale di giorno in giorno. In realtà, quando tracciati nel tempo per ciascuno stato, questi residui si muovevano per serie, mostrando forte autocorrelazione. Ciò significa che gli errori di ieri erano legati a quelli di oggi, violando le assunzioni di base della regressione e rendendo gli intervalli di errore calcolati con formule standard molto troppo ottimistici. Secondo, molte misure sono state introdotte o inasprite quasi nello stesso momento in tutto il paese. Questo ha creato una grave multicollinearità: i pattern di attivazione delle diverse NPI erano così simili che il modello faticava a distinguerle. In tali condizioni, le stime degli effetti delle singole politiche possono oscillare ampiamente o persino invertirsi se il modello viene modificato, minando di nuovo qualsiasi impressione di precisione.

Ciò che rimane solido e ciò che non lo è

Nel complesso dei modelli competitivi, i ricercatori hanno rilevato che gli intervalli di confidenza ufficiali avrebbero dovuto essere molto più ampi. Quando autocorrelazione e collinearità sono gestite in modo più rigoroso, la maggior parte delle NPI non può essere collegata con sicurezza a cambiamenti di R(t). Questo non significa che le misure non abbiano avuto effetto; significa che i dati e i metodi disponibili non consentono di distinguerle in modo affidabile. Alcune associazioni sono più robuste: la vaccinazione emerge chiaramente come riduttrice della trasmissione, e c'è una forte e coerente evidenza che il COVID-19 seguiva un andamento stagionale. Le restrizioni sugli spazi pubblici, sulla vita notturna e su alcuni settori di servizi, così come le regole più severe nella cura dei bambini, emergono anch'esse come candidati a effetti reali, ma anche in questi casi la dimensione esatta del beneficio è altamente incerta e può essere in parte confusa con misure precoci e diffuse come il distanziamento fisico generale.

Lezioni per decisioni pandemiche future

Per un non specialista, il messaggio principale è che tabelle ordinate che classificano le politiche per efficacia possono essere fuorvianti quando si basano su dati complessi e rumorosi. Gli autori sostengono che l'approccio tedesco – e gran parte della letteratura globale sulle serie temporali relative alle politiche COVID-19 – ha sottovalutato l'incertezza e quindi ha sovrastimato quanto precisamente si possa giudicare le singole misure. Chiedono che i piani pandemici futuri integrino la valutazione nella progettazione delle misure: permettere periodi di osservazione adeguati, raccogliere dati di migliore qualità, usare metodi moderni per serie temporali e sottoporre i modelli influenti a verifiche indipendenti. Senza tali cautele, i governi rischiano di adottare o difendere politiche ampie su una base statistica fragile, e il pubblico potrebbe ricevere più fiducia in quei numeri di quanta ne meriterebbero.

Citazione: Müller, B., Padberg, I., Lorke, M. et al. Uncertainty and inconsistency of COVID-19 non-pharmaceutical intervention effects with multiple competitive statistical models. Sci Rep 16, 5767 (2026). https://doi.org/10.1038/s41598-026-36265-z

Parole chiave: Interventi COVID-19, valutazione delle politiche pandemiche, incertezza statistica, Germania, misure non farmaceutiche