Los científicos modelan la 'verdadera prevalencia' de COVID

Apr 07, 2023

Los funcionarios gubernamentales y los formuladores de políticas han tratado de usar números para comprender el impacto de COVID-19. Cifras como el número de hospitalizaciones o muertes reflejan parte de esta carga. Cada punto de datos cuenta solo una parte de la historia. Pero ninguna cifra 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 vacunas.

Ahora, dos científicos de la Universidad de Washington (UW) han desarrollado un marco estadístico que incorpora datos clave de COVID-19, como recuentos de casos y muertes debido a 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 por ciento de los casos de COVID-19 pasaron desapercibidos hasta el 7 de marzo de 2021, la última fecha para la que emplearon el conjunto de datos. está disponible.

Este marco podría ayudar a los funcionarios a determinar la verdadera carga de la enfermedad en su región, tanto diagnosticada como no diagnosticada, 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 propias fallas que dar una imagen sesgada de lo que realmente está sucediendo", dijo el autor principal Adrian Raftery, profesor de sociología y estadística de la UW. "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 la prueba varían según el lugar, 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, estudiante de doctorado en estadística de la UW, incorporaron tres factores: la cantidad de casos confirmados de COVID-19, la cantidad de muertes por COVID-19 y la cantidad de pruebas de COVID-19 administradas cada día según lo informado por el Proyecto de seguimiento de COVID. Además, incorporaron los resultados de las pruebas aleatorias de COVID-19 de los 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 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 sido infectado. Esto indica que es poco probable que EE. UU. alcance la inmunidad colectiva sin su campaña de vacunación en curso, dijeron Raftery y Irons. Además, EE. UU. tenía un factor de conteo insuficiente de 2,3, encontraron los investigadores, lo que significa que solo uno de cada 2,3 casos de COVID-19 se confirmó a través de las pruebas. Dicho de otra manera, alrededor del 60 por ciento de los casos no se contaron en absoluto.

Esta tasa de conteo 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 conteo 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 están muy extendidas y la pandemia no". como grave. Allí, la tasa de subconteo sería más baja".

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

Con la verdadera prevalencia de COVID-19, Raftery y Irons calcularon otras cifras útiles para los estados, como la tasa de mortalidad por infección, que es el porcentaje de personas infectadas que sucumbieron 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 individuos 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 la 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 se detecta en los esfuerzos actuales de pruebas y tratamiento", dijo Raftery.

- Este comunicado de prensa se publicó originalmente en el sitio web de la Universidad de Washington