Home Salud El nuevo marco estadístico podría ayudar a determinar la ‘verdadera prevalencia’ de la pandemia de COVID-19

El nuevo marco estadístico podría ayudar a determinar la ‘verdadera prevalencia’ de la pandemia de COVID-19

by notiulti

Los funcionarios gubernamentales y los formuladores de políticas han intentado usar números para comprender el impacto de COVID-19. Cifras como el número de hospitalizaciones o muertes reflejan parte de esta carga. Cada dato cuenta solo una parte de la historia. Pero ninguna figura describe la verdadera omnipresencia del nuevo coronavirus al revelar la cantidad de personas realmente infectadas en un momento dado; una cifra importante para ayudar a los científicos a comprender si se puede alcanzar la inmunidad colectiva, incluso con las vacunas.

Ahora, dos científicos de la Universidad de Washington han desarrollado un marco estadístico que incorpora datos clave de COVID-19; tales como recuentos de casos y muertes por COVID-19 -; para modelar la verdadera prevalencia de esta enfermedad en los Estados Unidos y estados individuales. Su enfoque, publicado la semana del 26 de julio en las Actas de la Academia Nacional de Ciencias, proyecta que en los EE. UU. Hasta el 60% de los casos de COVID-19 no fueron detectados hasta el 7 de marzo de 2021, la última fecha para la que el conjunto de datos que emplearon está disponible.

Este marco podría ayudar a los funcionarios a determinar la verdadera carga de morbilidad en su región; tanto diagnosticados como no diagnosticados; y dirigir los recursos en consecuencia, dijeron los investigadores.

“Hay todo tipo de fuentes de datos diferentes a las que podemos recurrir para comprender la pandemia de COVID-19; la cantidad de hospitalizaciones en un estado o la cantidad de pruebas que dan positivo. Pero cada fuente de datos tiene sus propios defectos que daría una imagen sesgada de lo que realmente está sucediendo “, dijo el autor principal Adrian Raftery, profesor de sociología y estadística de la Universidad de Washington. “Lo que queríamos hacer es desarrollar un marco que corrija las fallas en múltiples fuentes de datos y aproveche sus fortalezas para darnos una idea de la prevalencia de COVID-19 en una región, un estado o el país en su conjunto”.

Las fuentes de datos pueden estar sesgadas de diferentes maneras. Por ejemplo, una estadística de COVID-19 ampliamente citada es la proporción de resultados de pruebas en una región o estado que dan positivo. Pero dado que el acceso a las pruebas y la voluntad de hacerse las pruebas varían según la ubicación, esa cifra por sí sola no puede proporcionar una imagen clara de la prevalencia de COVID-19, dijo Raftery.

Otros métodos estadísticos a menudo intentan corregir el sesgo en una fuente de datos para modelar la verdadera prevalencia de la enfermedad en una región. Para su enfoque, Raftery y el autor principal Nicholas Irons, un estudiante de doctorado en estadística de la Universidad de Washington, incorporaron tres factores: el número de casos confirmados de COVID-19, el número de muertes debido al COVID-19 y el número de pruebas de COVID-19 administradas cada uno. día según lo informado por el Proyecto de seguimiento COVID. Además, incorporaron resultados de pruebas COVID-19 aleatorias de residentes de Indiana y Ohio como un “ancla” para su método.

Los investigadores utilizaron su marco para modelar la prevalencia de COVID-19 en los EE. UU. Y en cada uno de los estados hasta el 7 de marzo de 2021. En esa fecha, según su marco, se estima que el 19,7% de los residentes de EE. UU., O alrededor de 65 millones de personas, habían ha sido infectado. Esto indica que es poco probable que Estados Unidos alcance la inmunidad colectiva sin su campaña de vacunación en curso, dijeron Raftery and Irons. Además, EE. UU. Tuvo un factor de recuento insuficiente de 2,3, encontraron los investigadores, lo que significa que solo alrededor de 1 de cada 2,3 casos de COVID-19 se confirmaron mediante pruebas. Dicho de otra manera, alrededor del 60% de los casos no se contabilizaron en absoluto.

Esta tasa de recuento insuficiente de COVID-19 también varió ampliamente según el estado y podría tener múltiples causas, según Irons.

“Puede depender de la gravedad de la pandemia y la cantidad de pruebas en ese estado”, dijo Irons. “Si tiene un estado con una pandemia grave pero pruebas limitadas, el recuento insuficiente puede ser muy alto y se está perdiendo la gran mayoría de las infecciones que están ocurriendo. O podría tener una situación en la que las pruebas estén generalizadas y la pandemia no tan grave. Allí, la tasa de recuento insuficiente sería menor “.

Además, el factor de recuento insuficiente fluctuó por estado o región a medida que avanzaba la pandemia debido a las diferencias en el acceso a la atención médica entre las regiones, los cambios en la disponibilidad de las pruebas y otros factores, dijo Raftery.

Con la prevalencia real de COVID-19, Raftery y Irons calcularon otras cifras útiles para los estados, como la tasa de letalidad por infección, que es el porcentaje de personas infectadas que habían sucumbido a COVID-19, así como la incidencia acumulada, que es el porcentaje de la población de un estado que ha tenido COVID-19.

Idealmente, las pruebas aleatorias regulares de las personas mostrarían el nivel de infección en un estado, región o incluso a nivel nacional, dijo Raftery. Pero en la pandemia de COVID-19, solo Indiana y Ohio realizaron pruebas virales aleatorias de los residentes, conjuntos de datos que fueron fundamentales para ayudar a los investigadores a desarrollar su marco. En ausencia de pruebas aleatorias generalizadas, este nuevo método podría ayudar a los funcionarios a evaluar la verdadera carga de enfermedad en esta pandemia y la próxima.

“Creemos que esta herramienta puede marcar la diferencia al brindar a las personas a cargo una imagen más precisa de cuántas personas están infectadas y qué fracción de ellas no están siendo detectadas por los esfuerzos actuales de pruebas y tratamiento”, dijo Raftery.

.

0 comment
0

You may also like

Leave a Comment

This site uses Akismet to reduce spam. Learn how your comment data is processed.