Studio sulla popolazione

Abbiamo incluso i dati di un sondaggio anonimo sulla percezione del rischio pubblico condotto in Italia e Svezia in due diversi periodi della pandemia di COVID-19. Informazioni dettagliate sullo studio sono state pubblicate altrove³¹. In sintesi, l’indagine esplora la percezione complessiva del rischio di nove minacce (epidemie, inondazioni, siccità, terremoti, incendi, attacchi terroristici, violenza domestica, crisi economiche e cambiamenti climatici). I dati sono stati raccolti in un periodo di una settimana tra agosto e novembre 2020. I campioni erano indipendenti, tratti da due gruppi di attuali comitati di indagine di 100.000 individui in ciascun paese, istituiti dalla società di ricerche di mercato Kantar Sifo.³², e sono da considerarsi rappresentativi delle popolazioni svedese e italiana per sesso ed età. Circa 8000 persone del gruppo sono state invitate a partecipare, se non hanno risposto sono stati inviati fino a due solleciti. Le aree metropolitane erano sovrarappresentate: con un rapporto di campionamento di 1/9 in Italia e un rapporto di campionamento di 4/6 in Svezia) (Figura 1 supplementare). I dati mancanti erano molto bassi, <5% per quasi tutte le variabili incluse nello studio, fatta eccezione per l'orientamento politico nel contesto italiano dove il 20% degli individui ha preferito non rispondere. Il campione totale comprendeva 8.322 individui. Ad agosto hanno partecipato all'indagine 4.154 individui (n = 2033, età media 50,3 anni, 53,0% femmine in Italia e N = 2121, età media 49,3 anni, 49,9% femmine in Svezia) e 4168 a novembre (numero = 2004, età mediana 49,4 anni 50,7% delle femmine in Italia e N = 2164, età mediana 47,9 anni, 51,4% delle femmine in Svezia).

Gli individui che vivevano nell’area metropolitana erano sovrarappresentati e nell’analisi sono stati applicati pesi specifici per tenerne conto. Il presente studio è stato approvato dal Comitato Italiano per l’Etica e la Bioetica della Ricerca (Dnr 0043071/2019) e lo Swedish Ethical Review Board (Dnr 2019-03242). Lo studio è stato condotto in conformità con gli standard etici stabiliti dall’Unione Europea nell’ambito di Horizon 2020 (EU General Data Protection Regulation e FAIR Data Management). I partecipanti sono stati informati che la partecipazione era volontaria e che avevano dato il loro previo consenso a partecipare a questo studio dopo aver completato il questionario.

Visualizza il rischio di epidemie

Il presente studio ha esaminato la percezione del rischio generale di epidemie considerando sette domini: probabilità di epidemie, impatto di un’epidemia su un individuo e sulla popolazione, preparazione e autorità individuale e conoscenza e autorità individuale per le epidemie su una scala di tipo Likert che va da 1, minimo a 5, massimo.

Previsioni sulla percezione del rischio

Le informazioni sull’esperienza diretta dell’epidemia e sui fattori socioeconomici come età, sesso, occupazione (sì vs. no), redditi relativi (da 1 a 5) e istruzione universitaria (sì vs. no) sono state raccolte nell’indagine e incluse in questo studio come potenziali predittori della percezione del rischio.

morti in eccesso

Nello studio sono state prese in considerazione le morti in eccesso regionali in Italia e Svezia durante la prima ondata della pandemia di COVID-19 (15 febbraio – 15 maggio per l’Italia e 1 marzo – 31 maggio per la Svezia). Il livello regionale è determinato secondo la Classificazione delle Unità Territoriali per la Statistica (NUTS) 2 dell’Unione Europea³³. Abbiamo recuperato i dati sull’eccesso di mortalità tra le regioni italiane da Scortichini et al.¹⁷. Per stimare il tasso di mortalità in eccesso in Svezia, abbiamo confrontato l’epidemia di COVID-19 con il periodo precedente l’epidemia. Per calcolare l’eccesso di mortalità a livello regionale svedese è stato utilizzato un approccio basato su serie temporali discrete a due stadi, basato su un modello di Poisson con una funzione che limita l’eccesso di rischio come nullo all’inizio di marzo 2020.³⁴. Il modello è stato corretto per fattori di confusione variabili nel tempo come (1) stagionale utilizzando un termine spline normale con 3 nodi, (2) indici per il giorno della settimana, (3) temperatura dell’aria utilizzando un termine per la temperatura media giornaliera. Le informazioni sulla temperatura sono state recuperate dal set di dati di rianalisi ERA-5 presso il Copernican Climate Data Store³⁵. Abbiamo eseguito modelli di regressione di Poisson a effetti misti a termine casuale per le unità amministrative NUTS3 per calcolare il tasso di mortalità in eccesso regionale (NUTS2) tenendo conto dell’eterogeneità tra le unità amministrative NUTS3.

Risposta politica nazionale

indice di durezza¹⁸ È un indice di risposta nazionale e viene utilizzato per misurare le misure attuate in risposta alla pandemia di COVID-19. L’indice di rafforzamento è una misura giornaliera a livello nazionale che tiene conto di nove aree: chiusura delle scuole; chiusura del posto di lavoro, annullamento di eventi pubblici; restrizioni sugli assembramenti pubblici; chiusure dei trasporti pubblici obbligo di restare a casa; campagne di informazione pubblica; restrizioni ai movimenti interni; e controlli sui viaggi internazionali. In questo documento, il livello di risposta delle politiche nazionali è stato utilizzato come variabile ambientale a quattro livelli (Svezia fino ad agosto, Italia fino ad agosto, Svezia fino a novembre e Italia fino a novembre) e definita come l’area sotto la curva dell’indice di gravità per ciascun paese, tra due giorni consecutivi fino al 5 agosto 2020 (prima rilevazione) e al 4 novembre 2020 (seconda rilevazione). Questa scala è stata standardizzata sul valore della Svezia ad agosto (considerato come riferimento).

analisi statistica

Le potenziali differenze nei mezzi e negli intervalli di confidenza per sette componenti della percezione del rischio tra paesi e nel tempo sono presentate graficamente utilizzando appezzamenti forestali e stratificate per paese e periodo. L’aggiustamento per l’effetto per paese e periodo è stato esaminato utilizzando modelli di regressione logistica ordinale con percezione del rischio (variabili indipendenti), paese e periodo come variabili dipendenti. I risultati sono stati presentati come (1) odds ratio (OR) per ciascun paese e strati del periodo, (2) OR per il paese all’interno degli strati del periodo e per il periodo all’interno degli strati del paese e (3) misure di interazione su scale additiva e moltiplicativa.³⁶.

In secondo luogo, sono stati eseguiti modelli di regressione logistica ordinale multivariata per valutare le associazioni tra genere, età, occupazione, reddito relativo, istruzione universitaria ed esperienza epidemiologica come potenziali predittori con i sette domini di percezione del rischio (variabili indipendenti). L’analisi è stata suddivisa per paese e periodo.

In terzo luogo, abbiamo esaminato se la percezione del rischio differisse in base alla misura in cui la regione è stata colpita dalla prima ondata della pandemia di COVID-19. Abbiamo confrontato le medie e gli intervalli di confidenza per sette componenti della percezione del rischio tra la regione più colpita dall’eccesso di mortalità (regione di Stoccolma in Svezia ~60% di mortalità in eccesso e regione Lombardia in Italia ~100% di mortalità in eccesso) e il resto delle regioni. Paese. Successivamente, sono stati eseguiti modelli di regressione logistica ordinale per esaminare se l’eccesso di mortalità regionale (variabile dipendente) fosse associato ai domini di percezione del rischio (variabili indipendenti) alla stratificazione per paese e all’aggiustamento per sesso, età e reddito relativo. Infine, l’associazione tra il livello delle misure implementate e la percezione del rischio è stata esplorata utilizzando modelli di regressione logistica ordinale modificati.

L’uso dei modelli di regressione logistica ordinale si basava sull’ipotesi che l’effetto fosse lineare sulla scala logaritmica e che ogni variabile indipendente avesse un effetto pari a un incremento unitario sulla variabile ordinale dipendente (probabilità relative). Inoltre, l’adattamento dei modelli logistici ordinali è stato testato utilizzando lo skew fit test. Dai modelli non è stata rilevata una relazione lineare multipla tra le variabili indipendenti e la correlazione tra gli errori.

Come suggerito in letteratura, vi sono rischi significativi di errata interpretazione dei valori di p³⁷. Pertanto, abbiamo scelto di interpretare le stime in termini di probabile direzione degli effetti e utilizzando odds ratio e intervalli di confidenza (CI) al 95%, che contengono informazioni sulla significatività. In particolare, l’ampiezza dell’intervallo di confidenza e l’ampiezza del valore p sono correlati: più stretto è l’intervallo, minore è il valore p. Inoltre, l’intervallo di confidenza fornisce informazioni aggiuntive sull’entità dell’effetto in esame.

Le analisi statistiche sono state eseguite utilizzando Stata versione 15.0 (StataCorp, College Station, TX, USA) e R versione 4.0.3³⁸.