先說結論，美國疫情數據的增長趨勢較符合實際，但是具體數據(確診量和死亡量）必定比現有的更多。這不只在美國存在，包括意大利，西班牙等，醫療系統在疫情中過載的國家，數據模型都與實際存在差距。
大多數西方國家增長軌跡相似，但不同國家和地區具體數量上還是有很大差別
所謂的「真實數據」受三方面影響
1.檢測量
檢測量既影響了確診量，也影響了病死率。 檢測量這一點，美國一開始就不好，甚至可以說恰恰是因為一開始的檢測量沒跟上，才白白錯過了一個多月的窗口期。
2月初，世界衛生組織（WHO）推薦德國設計的測試模型被美國疾控中心（CDC）拒絕，它覺得WHO提供的測試精度不高，於是想自己做測試，結果失敗了，美國的檢測開始得太晚，後來又太少，以至於無法控制這種新出現的流行病規模。直到二月底華盛頓州出現美國首例新冠死亡案例，FDA才公告指南，私營實驗室可以自行開發檢測試劑，而同一時期證實病例的韓國早已經開始。
CNN獲得內部資料顯示，直到3月25日共32萬個訂單，依然有一半16萬檢測訂單積壓。最近幾天逐漸減少，目前每天測試3萬例，平均所需時常是4-5天。加上還會受到運輸時間影響（都需要醫院送檢）。
檢測量和檢測速度導致了大量患者還沒在醫院確診就死於社區中。
那麼，影響確診量我們很好理解，那麼如何影響病死率呢？
前面我們說的是確診上的差異，現在我們要說死亡人數上的差異。
你可能這段時間經常看到一個術語:「病死率」（case fatality rate”, CFR）這是死亡人數除以確診病例數，當媒體們談論“死亡率”時，他們通常指的就是這個數字。假設一個國家有1萬確診病例和100例死亡，那麼該國的粗病死率為(100/1萬)，即1%。
這不是我們想要的，甚至可能與我們想要的相差甚遠。相反，我們想要的是「感染致死率」（infection fatality rate”, IFR），這是死亡人數除以實際患病人數。 對這種疾病檢測呈陽性的人數可能只是患病總人數的一小部分，因為只有一小部分人口真正接受了檢測。
很明顯，IFR很難準確地確定。唯一接受測試的人將是病情最嚴重的人，所以你的IFR可能比CFR低得多，因為你的分母受檢測量限制，實際上要比你現在的分母可能大得多。
以韓國為例，檢測能力強的國家分母數值更接近於現實中的總感染數，而意大利為例，醫療系統被擊穿的國家，它的粗病死率在媒體上被放得很大，就是因為分子太大而分母小。
所以，病例數與感染數不同，如果這個國家對每個人都進行了檢測，發現了所有的病例，那麼它的IFR和CFR會盡量趨於一致，也就是剛剛假設的1%，但如果它只發現了10%的患者，那麼你的1萬例確診病例只是10萬人的冰山一角。
包括目前的英國也是不準，它只是簡單地統計那些檢測結果為陽性、隨後死亡的人，但在其他一些國家，即使沒有進行檢測(“疑似”而非“確診”)，如果有症狀，也會被記錄為死於Covid-19;而另一些國家，醫院外的人沒有接受檢測，因此也沒有記錄。
檢測條件十分有限的國家，無法檢測輕症患者，目前的確診案例會遠低於人群中的總感染數。
2.醫療系統的承載力（體現在ICU床位等）
要達到對患者「應收盡收」的原則，很大程度上取決當地的床位等醫療資源，如果新聞報道床位已經出現供不應求，那麼必定會出現「醫療擠兌」。
造成的結果是當醫院人滿為患，病人就會被要求呆在家裡，直到出現最嚴重的症狀，許多人會死在自己的家中或養老院，除非屍檢，否則可能不會計入統計。
以下圖為例，圖表的分割是一條線:即醫療系統的承載力（最大負荷量）。在這條線以上，治療冠狀病毒患者和患有其他疾病的人都變得更具挑戰性。
醫療衛生系統的承載能力是有限的，醫院的承載能力和醫務人員的數量、床位數以及醫療設備數等有關，若突破醫療承載力（虛線以上），則出現病例數暴發式增加，流行曲線快速攀到頂峰，超過了醫療系統承受能力，就意味著有一部分病人無法得到有效治療。
德國就屬於醫療系統還未被擊穿，患者數還未突破最大負荷內的，儘管德國也很危險，但是它始終在努力壓平曲線，預防和延緩病毒的傳播，這樣大部分人不會同時生病，給醫療機構減輕救治壓力。
不論是意大利還是現在的美國都有這個情況，當然，意大利是因為後期醫療系統被擊穿導致，而美國還有來自一開
3.上報程序（是否實時/標準）
雖然這並不影響最終數值，但是會影響流行曲線的變化趨勢，讓人們低估風險，美國初期和現在英國都是如此。
以英國數據為例，英國每天都有一個很大的死亡數字。每個人都會跳到這個數字上，把它當成最新的死亡人數。然而，NHS的數據報告的目前佔英國死亡人數的大部分實際上反映的是報告時的數量，而不是當日實際的數量，這個數據通常是在前幾天就出現，有時甚至幾周前。我們不知道前一天有多少人死亡，事實上，總體數字可能會少報前一天實際發生的死亡人數。
我們所聽到的數字通常是計算在較早日期發生的死亡人數。這種差異會導致流行曲線變化比實際更慢，讓人們低估風險，有時候可能放鬆一天發佈隔離措施，就是幾千條人命。
如何校準真實的數據？
一種方法是，不再用具體的數值，而是給定一個值域範圍（最大最小值）這在製作預測模型時常見。
在一個非常簡單的模型中，通過將一個單一的數字，即IFR，改變為幾個值域中的一個參考，而且也不會預測太長時間以後的範圍，通常每天都在動態變化，如牛津大學賈森·奧克(Jason Oke)教授提出的CEBM就是這樣。
另一種可靠的方法是和過去的正常年份死亡人數作比較，尋找「超額死亡量」——即與“正常”年份相比，死亡總人數增加了多少。
比如說，在檢疫解除後送到意大利殯儀館的骨灰盒數量，也要考慮到經常死亡的人數。不能到時候從照片上看數千只骨灰盒被送的大型殯儀館，就說明它比實際更高，這樣你只考慮到了分子，沒考慮到分母。
由於死亡本身可以在不同的地方以非常不同的方式記錄，目前所有的COVID-19相關統計數字，都與各個國家不同的檢測能力和檢測政策、檢測能力、醫療水平、人口結構等息息相關。在大流行結束前，數據都不可能做到百分百精準，比如2009年的豬流感疫情，人們在疫情仍在繼續時使用的數字與科學家們後來確定的數字大相徑庭:2009年的早期估計在0.1%到5.1%之間，世衛組織的最終估計僅為0.02%，與季節性流感相似。
疫情造成的實際傷亡人數只有在疫情結束後，並將新的死亡統計數字與前幾年的數字進行比較時才能得知較為準確的數值。
但可以明確的是，任何國家如果好好把握好中國給的窗口期做準備，都能將數據趨近穩定真實地呈現。
閱讀更多 一團小魚魚 的文章
