封锁并没有挽救生命

美国及其 50 个州的司法管辖区提供了一个自然实验，以测试是否可以将过度的全因死亡直接归因于实施由命令一般人口封锁引起的社会和经济结构的大规模变化。

十个州没有实施封锁，共有 38 对封锁/非封锁州共享陆地边界。 我们发现，全州范围内的就地避难或居家令的监管实施和执行最终与各州更大的健康状况校正后的人均全因死亡率相关。 这一结果与封锁挽救生命的假设不一致。

介绍

11 年 2020 月 19 日，世界卫生组织根据在中国武汉报告的 COVID-2（以下简称 COVID）爆发宣布大流行，这是一种据称由 SARS-CoV-13 病毒引起的呼吸道疾病。 2020 年 19 月 2020 日，美国宣布因 COVID-XNUMX 爆发而进入国家紧急状态。 在美国，这一声明引起了各州卫生当局和政府官员的不同反应。 在这些不同的州级政策响应中，大多数州在 XNUMX 年 XNUMX 月和 XNUMX 月发布了就地避难或居家令（以下简称“封锁”）。 

这些封锁措施的动机是通过限制社交互动来减缓 COVID-19 的传播，假设疾病是通过人与人之间的接触传播的。 但是，由于美国国家治理的独立性，封锁措施的实施和执行范围很广，一些州完全取消了封锁。 

因此，在各州决定是否封锁方面存在这些差异，因此建立了一个有用的实验来检验封锁挽救生命的假设。 这一假设预测，在调整了各州人口健康状况的差异后，如果假定所有其他因素都有影响较小。 可用于测试这些预测的数据可以在疾病预防控制中心报告的按时间和按州的全因死亡率 (ACM) 中找到。

正如其他调查人员所证明的那样（例如 Rancourt, Baudin & Mercier 2021)，ACM 回避了死因指定的难题，该问题本质上是政治性的，因此容易受到偏见的影响（例如 伊利等人。 2020)。 在呼吸系统疾病的情况下，很少有人知道正确的主要死因，而且死亡通常不是单因的。 

分析 ACM 的优势在于美国的死亡记录具有高保真度（没有报告偏差或少报）。 一旦记录下来，死亡就是死亡，无论死亡证明上的原因是如何分配的。 如果封锁能有效防止大流行期间因疾病传播而导致的死亡，那么如果没有压倒一切的混杂因素，实施封锁的地区因各种原因导致的人均死亡人数应该会减少。

数据和方法

我们的目标是通过比较两个州的所有原因造成的死亡总数来评估封锁在 COVID 时代拯救生命的功效：一个州处于封锁状态，一个没有封锁但与封锁边界接壤的州状态。 为了完整性，我们还检查了不与任何非锁定状态共享边界的锁定状态。

我们通过审查州政府在 2020 年 XNUMX 月至 XNUMX 月期间发布的行政和行政命令来确定非封锁州，以响应世界卫生组织以及联邦和州政府的大流行声明。 这些订单中的大部分已在网站上存档 选票网，我们通过搜索州政府网站找到了链接不再有效的订单。 我们根据针对该州公民的封锁令的语言为每项行政命令分配了“严格性”分数：

我们发现有七 (7) 个州因为没有发布居家令而得分为 0：北达科他州、南达科他州、怀俄明州、爱荷华州、俄克拉荷马州、内布拉斯加州和阿肯色州。 另外三 (3) 个州的得分为 1，因为政府只建议或鼓励公民待在家里，但没有要求他们这样做，也没有提供执法手段：犹他州、肯塔基州和田纳西州。 

我们对锁定与非锁定状态的标准在其简单性上不同于以前的研究（即仅关注行政命令中语言的严格性）。 但是我们得到的非锁定状态列表包括所有被列为非锁定状态的七个状态 民间棋类游戏，并包括由 CDC 赞助的研究确定的所有四个非封锁状态 莫兰德等人。 (2020). 

我们假设病毒传播不受州边界的阻碍，将这十个非封锁状态与共享边界的封锁状态的结果进行了比较。 在这项研究中，我们将重点放在指定时间段内的总全因死亡率 (ACM) 作为锁定效果的指标。 我们使用如下所述的三个时间段。 

我们每周从每个州下载包含 ACM 的逗号分隔值 (csv) 文件 CDC Wonder 网站. 我们将每个州的每周 ACM 数据除以该州的人口（美国人口普查，1 年 2020 月 XNUMX 日），从而得出每周人均死亡人数（D_个人电脑)。 在本报告中，我们表示 D_个人电脑 为每 10,000 名居民的死亡人数。 

一个额外的校正步骤是必要的，以允许对死亡率进行准确的逐州比较。 年龄分布、肥胖率、贫困水平、身心残疾率和其他健康决定因素的差异将导致 D 的内在差异_个人电脑 在各个州。 这些差异共同体现在 D 中的偏移中_个人电脑 见于非大流行年份（2020 年之前）。 

例如，图 1 显示了 D 的比较_个人电脑 2014-2020 年在纽约和佛罗里达之间。 与所有州级比较一样，纽约州和佛罗里达州在 D 方面的时间变化非常相似_个人电脑 每周和每年，但也有一个清晰且几乎恒定的偏移量。 

我们通过计算因子 H 来校正这个偏移量_州，这是一个州的 D 比率的中值_个人电脑 和 D_个人电脑 从 1 年 2014 月 31 日到 2020 年 XNUMX 月 XNUMX 日的参考州。我们选择纽约作为计算 H 的参考州_州. 这种参考状态的选择是任意的，但纽约的大量人口意味着，在大多数情况下，H 中的误差_州 由 D 中的泊松误差主导_个人电脑 的利益状态。 

在图 1 所示的示例中，佛罗里达州的健康状况校正因子为 H_州 = 0.537，表明纽约的 D 减少了 53.7%_个人电脑 2014 年至 2020 年，佛罗里达州的人口数量超过佛罗里达州，部分原因可能是佛罗里达州的人口老龄化。 对于 D 的每个状态比较_个人电脑 我们采用该比率作为校正因子，使这两个州处于同一规模，从而可以对大流行期间的死亡率进行健康状况校正比较。 

这个健康状况校正因子是合理的，因为我们正在对有和没有封锁的状态进行差异比较。 我们在问，“在颁布封锁措施后，每对州调整后的人均 ACM 之间的分数差异是多少？” 这假设在消除邻州人口健康状况的差异后，对调整后的人均 ACM 的最大影响是实施封锁。 鉴于预计封锁将对国家和地区经济、医疗保健系统和总体社会结构造成巨大破坏，这一假设是合理的。

图1： 每周人均死亡人数（D_个人电脑）在佛罗里达（蓝色）和纽约（红色）。 左侧面板显示 D 中的偏移量_个人电脑，我们将其归因于每个州的人口健康状况（年龄结构、贫困水平、肥胖率等）的差异。 右边的面板显示了修正后的 D_个人电脑，这允许从 2020 年开始对这两个州进行差异比较。

为了量化 COVID 期间封锁对死亡率的影响，我们计算了综合（总）健康状况校正的人均死亡人数，D_死, 在选定的时间段内。 然后我们计算 D 的比率_死 对于每对状态，用 R 表示（锁定除以非锁定）。 我们使用三个不同的时间段，我们预计 D_死和 R，以捕捉锁定措施的影响：

D_总,1：锁定状态的锁定期间的总和。 
D_总,2：由 Rancourt 等人确定的“COVID peak 1”（cp1）期间的总和。 （2021 年；11 年第 25 周至第 2020 周）
D_总,3: 11 年 2020 月 31 日至 2021 年 XNUMX 月 XNUMX 日期间的总和

在整篇论文中，我们报告了针对锁定和非锁定状态的每个成对比较以及经过健康状况校正的人均综合死亡率的综合、人口标准化和健康状况校正死亡率的 95% 置信区间我们报告的死亡率。 这些置信区间是在假设误差的主要来源来自计数统计的假设下计算的。

成果

我们的结果总结在下图中。 

在图 2、3 和 4 中，y 轴列出了用于比较死亡率结果的所有 38 个锁定/非锁定状态对，首先列出的是锁定状态，然后是非锁定状态。 蓝点显示比率 R 的点估计，相关的误差条显示 95% 置信区间； 垂直虚线标志着统一。 垂直线左侧的值表示与非封锁状态相比，封锁状态下经健康状况校正的人均死亡人数较少的情况。 线右侧的值表明，与非封锁状态相比，封锁状态经历了更多的健康状况校正人均死亡人数。

图2： y 轴上列出的每对相邻州的健康状况调整后的人均 ACM 比率 (R)。 该比率基于在对应于 COVID 高峰期（3 年 11 月 2020 日至 6 年 24 月 2020 日）期间每个州的所有死亡人数的总和。 误差条显示每对比率的 95% 置信区间。 垂直线左侧的比率表明锁定状态下的死亡人数少于非锁定状态下的死亡人数，而垂直线右侧的比率表明锁定状态下的死亡人数更多。

图3： y 轴上列出的每对相邻州的健康状况调整后的人均 ACM 比率 (R)。 该比率基于在与锁定状态的锁定持续时间相对应的时间段内每个州的所有死亡人数的总和。 误差条显示每对比率的 95% 置信区间。 垂直线左侧的比率表明锁定状态下的死亡人数少于非锁定状态下的死亡人数，而垂直线右侧的比率表明锁定状态下的死亡人数更多。

图4： y 轴上列出的每对相邻州的健康状况调整后的人均 ACM 比率 (R)。 该比率基于我们数据集中（11 年 2020 月 25 日至 2022 年 95 月 XNUMX 日）整个“COVID 时代”中每个州的所有死亡人数的总和。 误差条显示每对比率的 XNUMX% 置信区间。 垂直线左侧的比率表明锁定状态下的死亡人数少于非锁定状态下的死亡人数，而垂直线右侧的比率表明锁定状态下的死亡人数更多。

如果封锁挽救了生命，那么我们预计大多数 ACM 比率 (R) 将小于 1。 相反，我们看到了相反的情况。 对于所有三个积分期，大多数比率都大于 28。 对于 cp28 (lockdown, full) 期间，21 (0, 0) 对的 ACM 比率 (R) 大于 9，而 10 (10, 8) 对的比率小于 95，其余 XNUMX (XNUMX, XNUMX)对的 R 在 XNUMX% 的置信度下与统一无法区分。 

因此，我们对预计封锁会产生影响的三个时间段的 R 值的分析表明，过去两年的 ACM 数据与封锁挽救生命的假设不一致。 另一方面，我们的结果与 Rancourt 等人的结论一致。 （2021 年）美国 COVID 期间的超额死亡是由政府和医疗措施以及对宣布的大流行的反应造成的。

图 4 显示了在 15 周“COVID 高峰 1”期间（cp1；11 年第 25 至 2020 周），所有州（红色）和相同的 15 周整合后的人均健康状况校正综合死亡人数2019 年（蓝色）和 2018 年（绿色）的窗口。 在这里，各州按各州平均人口密度的降序排列，从上到下排列，这通常被认为是传染病传播的一个因素。 洋红色的状态名称对应于我们的十个非锁定状态，其锁定严格度得分为 0 或 1。青色的状态名称是与非锁定状态共享边界的锁定状态，我们在计算 R . 

在 15 年和 1 年的 2019 周“cp2018”期间，经过健康状况校正的综合全因死亡率值对于所有州都严格限制为每 14 人中有 10,000 人死亡（图 5），而相应的值在 COVID 期间，各州之间差异很大，从 2019 年的基线值到新泽西州的每 25 人中高达 10,000 人，通常高达每 15 人 21 到 10,000 人。 非锁定状态在 y 轴上的名称为洋红色，而在计算 R 时用作我们比较对象的锁定状态为青色。 

图 5 显示，我们的 15 个非封锁状态中的大多数在 COVID 前（1 年和 2018 年）基线值上的 2019 周 cp14 中的健康状况校正综合全因死亡率约为 10,000/2，而大多数锁定严格度得分为 3 和 XNUMX 的州的死亡率远高于 COVID 之前的基线值。

图5： 与 1 年同期相比，cp11 期间（29 年 2020 月 2019 日至 XNUMX 月 XNUMX 日；红色）的综合健康状况校正 ACM（蓝色）和2018（墨绿色)。 各州按照人口密度从上到下的顺序排列。 品红 表示非锁定状态，而 青色 表示与非锁定状态共享边界的锁定状态。

虽然对封锁导致的超额死亡率的精确估计超出了本文的范围，但我们可以根据图 5 进行粗略估计。人口最多的三个州（加利福尼亚州、德克萨斯州、佛罗里达州）的 COVID 时期增幅高于基线大约每 1 人中有 10,000 人。 在一个日历年（52 周）的基础上，对于与整个美国相等的人口，这将对应于大约 110,000 人死亡，这可能直接归因于下令封锁的影响，如果封锁尚未实施。 该值与每年 97,000 人的锁定超额死亡率估计值一致 穆里根和阿诺特 （2022）。 

讨论与结论

使用封锁来“隔离”美国普通民众以控制传染病的传播在美国历史上是史无前例的。 在以前的大流行期间，只有病人和体弱者被隔离，而其他人或多或少地继续正常工作。 

这种“重点保护”的方法得到了美国医学专家的推荐。 大巴灵顿宣言 2020 年，这表明存在替代封锁的方法，并且在医学界得到了很好的理解。 就在 2019 年，世界卫生组织在其降低流感大流行风险的建议中提倡采用类似的方法，但没有提及针对普通人群的封锁措施（世卫组织2019)。 事实上，世卫组织的报告明确指出，“不建议隔离暴露的个人，因为这项措施没有明显的理由”（见他们的表 1 和表 4）。 同样， 美国流感大流行防范行动计划 没有提及封锁，并指出“……旨在降低某些传染性病原体引入和传播风险的经典措施，例如在入境口岸进行临床筛查和隔离，不太可能有效”（斯特里卡斯等人。 2002年). 

在他们审查了有关流感大流行干预措施的现有文献时， 英格尔斯比等人。 (2006) 明确建议不要在流感大流行时对病人和健康人采取隔离措施，因为预计社会成本将远远超过收益。 他们总结说：“[E] 经验表明，当社区的正常社会功能受到最少干扰时，面临流行病或其他不良事件的社区反应最好，焦虑最少。” 这些建议超出了流感大流行的准备和应对范围。 在一份标题为 为高影响呼吸道病原体大流行做好准备，作者得出结论，隔离是控制疾病传播最无效的非药物措施之一（约翰霍普金斯大学健康安全中心 2019).

因此，2020 年美国大多数州以及全球许多国家实施的封锁措施，代表了一场前所未有的大规模传染病控制实验。 我们分析的全因死亡率数据使我们能够检验封锁在 COVID 大流行期间挽救生命的假设。 我们发现这些数据与这个假设不一致； 封锁的州比没有封锁的邻国经历了更多的全因死亡。 因此，我们得出结论，该实验是公共卫生政策的失败，在未来的疾病爆发期间不应使用封锁措施。 

我们发现封锁状态的州全因死亡率增加，这与以下结论一致 阿格拉瓦尔等人。 （2021 年）谁发现在美国和 43 个国家/地区因就地避难令导致的超额死亡率在统计上显着增加。 相似地， 穆里根和阿诺特 （2022 年）估计，由于封锁，每年有 97,000 人超额死亡，超额死亡率平均分布在所有成人年龄组中，这与最常归因于老年人的 COVID 死亡不同。

鉴于实施一般人群的封锁措施与增加的全因死亡率之间存在很强的关联，如上所示（图 2-5），对这种关联的一个或多个原因进行假设是适当的。 

显然，来自中上阶层和专业阶层的特权美国人并没有因为呆在家里而死。 然而，假设一般人口锁定法规和命令仍然是该州社会机构对宣布的大流行作出反应或反应的积极程度（包括放弃）的代理或法定指标，这并非不合理。 这些机构将包括学校、疗养院、医院、诊所、残疾服务、日托设施、警察服务、家庭和社会服务等。

我们试探性地推进这一点，因为与封锁相关的过多死亡很可能来自那些极有可能因生活和支持网络遭受大规模负面破坏而遭受致命后果的人群。 考虑到经历的压力和社会孤立与疾病严重程度和死亡率之间的已知关联，通过对免疫系统的影响，无论死亡的实际机械原因如何，这都是正确的。阿德和科恩 1993; 科恩等人。 1991; 科恩等人。 1997; 科恩等人。 2007; 萨波尔斯基 2005; 普伦德维尔等人，2015; 达巴尔 2014; 兰考特等人。 2021)。 事实上，有充分的证据表明，封锁与大规模增加有关 失业 和心理健康的普遍恶化（例如 朱厄尔等人。 2020, 蔡斯勒等人。 2020). 

通过 CDC Wonder 网站获得的 ACM 数据并未按州和人口统计数据进行分类，因此我们无法检查每个州哪些人口群体正在死亡，以及他们是如何死亡的。 但是，人口统计信息可以在国家一级获得，并且 穆里根和阿诺特 （2022 年）发现 18-65 岁人群的超额死亡率大幅增加，这一人群的 COVID 风险并不高。 

同样， 兰考特等人。 （2021）发现，大流行期间全因死亡率的时空分布与病毒性呼吸道疾病的影响不一致。 他们发现证据表明，大流行期间的许多额外死亡是被误诊的细菌性肺炎感染，这可能因美国医疗保健系统的中断而加剧。

因此，有强有力的证据支持这样一种假设，即封锁给美国弱势人口带来了突然而严重的压力负担，导致那些使用封锁作为疾病控制措施的州的死亡人数显着增加。

本摘要摘自 作者的大型研究.