本文探讨了在 COVID-19 大流行期间如何解读相关数据和媒体报道的挑战。作者指出，由于信息发布速度优先于研究严谨性，许多未经严格同行评审的论文被快速发布，导致信息质量参差不齐，难以辨别。
文章通过多个例子说明合理假设如何导致截然不同的结论：
-
无症状感染率的假设影响成本估算：以一项估算美国医疗保健成本的快速发布论文为例，作者使用了钻石公主号游轮乘客的无症状感染率（18%）来估算全美人口，但该样本存在偏差。相比之下，其他研究表明无症状感染率差异很大（从 12% 到 88%），导致对需要治疗的患者数量和医疗系统成本的高估。
-
住院率的假设影响医院容量预测：另一项由知名学术团队开发的模型预测了医院床位需求的速度，但其假设的住院率基于中国的研究，未考虑大量无症状感染者的存在。将住院率应用于包括无症状感染者的总体感染率，会导致对医院床位需求的过度估计。
-
感染率和住院率的假设影响住院人数预测：作者通过举例说明，即使基于已发表研究的相对合理假设，对感染率（20% 至 80%）、无症状感染比例（12% 至 82%）和住院率（20% 至 31%）的不同假设也会导致住院人数从 4,800 到 200,000 的巨大差异。
文章还讨论了 COVID-19 测试的影响，指出测试策略、测试类型和结果报告方式的不同都会影响确诊病例数的统计，进而影响对疫情严重程度的判断：
- 测试对象的选择：严格的测试标准会导致确诊病例数与实际感染人数差异较大，而宽松的标准则相反。
- 测试类型：不同速度和敏感性的测试方法会导致确诊时间延迟和病例数差异。
- 结果报告方式：按检测日期或症状出现日期报告结果会导致病例数趋势的明显差异。
最后，文章提出了几个帮助读者解读数据的构建模块：
- 是否经过同行评审：同行评审可以提供额外的专家审查层。
- 假设是否描述或引用：检查假设是否合理，并考虑其组合是否合理。
- 考察的场景和结果范围：由于不确定性，高质量的研究通常会展示结果的范围。
- 是否描述了研究局限性：高质量的研究会承认并审查其方法和假设的局限性。
作者强调，理解每个研究背后的局限性和假设对于利用结果改善对疫情影响的了解至关重要。
