Een PCR test geeft niet positief of negatief. De drempelwaarde stel je zelf vast. Afhankelijk van waar je de lat legt, krijg je een bepaald aantal positieven, a.k.a. besmettingen. Wordt het niet tijd dat we die drempelwaardes in de dataset Casus Landelijk opnemen @rivm? 
Naast deze analytische factor die het aantal positieven bepaalt is er ook nog de klinische specificiteit. Hoeveel van die positief geteste mensen zijn ook daadwerkelijk ziek? Dit is een mooi rapport daarover @rivm, maar waarom geen correctie in de cijfers? rivm.nl/sites/default/…
Dat is belangrijk nu er ook veel mensen worden getest die geen klachten hebben, waarmee de testgroep prevalentie heel laag is en de kans op fout positieven daarmee heel hoog. Zie ook de richtlijnen daarover van de WHO @rivm who.int/publications/i… who.int/news/item/20-0…
Het ontbreken van Ct cijfers en Bayes correctie zorgt voor cruciale informatie-assymetrie tussen de groep adviseurs en beleidsbepalers enerzijds en de miljoenen mensen die de adviezen en het beleid ondergaan anderzijds en moet z.s.m. worden rechtgezet. @rivm @WybrenvanHaga
Want wat is de praktijk nu? Dat een relatief milde toename van het aantal positieve tests, hoofdzakelijk als gevolg van de toename van het totale aantal tests van 20.000 naar 80.000 in een maand tijd, door politici en journalisten als besmettingsgolf wordt gehyped. @rivm
Wie weet wat er van dat aantal positieve tests overblijft, als dit aantal wordt gecorrigeerd naar testgroep-prevalentie en als we ook eens kijken met welke drempelwaardes gerekend is. @rivm
Tot slot: Zou het mogelijk zijn om naast de dataset van COVID19 zkh opnames, ook het aantal zkh opnames en -ontslagen, alsmede de dagelijks beschikbare beddencapaciteit, inzichtelijk te krigen? Dat zijn cruciale metrics in beleidsbepaling, maar ze ontbreken. @rivm
• • •
Missing some Tweet in this thread? You can try to
force a refresh
