Muertes por coronavirus en San Francisco vs. Nueva York: ¿Qué causa diferencias tan grandes en los peajes de las ciudades?
Datos de COVID-19 al 31 de mayo de 2020. Credit: The Conversation, CC-BY-ND Fuente: Censo de EE. UU., NOAA , Ciudad de Nueva York, Ciudad de San Francisco
San Francisco y la ciudad de Nueva York informaron sus primeros casos de COVID-19 durante la primera semana de marzo. El 16 de marzo, San Francisco anunció que ordenaría a los residentes quedarse en casa para evitar la propagación del coronavirus, y Nueva York hizo lo mismo menos de una semana después. Pero a fines de mayo, mientras San Francisco había atribuido 43 muertes a COVID-19, el recuento de muertes en la ciudad de Nueva York superaba las 20,000.
¿Qué explica la marcada diferencia en las muertes relacionadas con la COVID-19 entre estas dos ciudades? ¿Es responsable el retraso en la orden de quedarse en casa? ¿Qué pasa con las medidas específicas de la ciudad tomadas para mitigar el COVID-19 antes de la orden? ¿Está pasando algo más?
Las trayectorias divergentes de San Francisco y la ciudad de Nueva York, si bien son especialmente llamativas, no son únicas. En todo el mundo, COVID-19 está teniendo efectos muy variables. Dentro de los EE. UU., las infecciones, las hospitalizaciones y las muertes se han disparado en casi todas las ciudades importantes del noreste, mientras que se mantienen bastante bajas en algunos otros centros metropolitanos, como Houston, Phoenix y San Diego.
La forma en que las ciudades y los estados implementaron las intervenciones de salud pública, como el cierre de escuelas y las órdenes de quedarse en casa, ha variado ampliamente. La comparación de estas intervenciones, si funcionaron y para quién, puede proporcionar información sobre la enfermedad y ayudar a mejorar las decisiones políticas futuras. Pero las comparaciones precisas no son simples.
La gama de intervenciones de COVID-19 implementadas en los EE. UU. y en todo el mundo no fue aleatoria, lo que dificulta la comparación. Entre otras cosas, la densidad de población, el tamaño de los hogares, el uso del transporte público y la capacidad hospitalaria pueden haber contribuido a las diferencias en las muertes por COVID-19 en San Francisco y la ciudad de Nueva York. Este tipo de diferencias complican los análisis de la efectividad de las respuestas a la pandemia de COVID-19.
Como bioestadístico y epidemiólogo, utilizamos métodos estadísticos para clasificar causas y efectos al controlar las diferencias entre comunidades. Con COVID-19, a menudo hemos visto comparaciones que no se ajustan a estas diferencias. El siguiente experimento muestra por qué eso puede ser un problema.
Crédito: Laura Balzer/Github, CC BY-ND
Las simulaciones de ciudades revelan una paradoja
Para ilustrar los peligros de las comparaciones que no logran ajustar las diferencias, configuramos una simulación por computadora simple con solo tres variables hipotéticas: tamaño de la ciudad, momento de las órdenes de quedarse en casa y muertes acumuladas de COVID-19 para el 15 de mayo.
Para 300 ciudades simuladas, trazamos las muertes por COVID-19 por el tiempo de demora, definido como la cantidad de días entre el 1 de marzo y la emisión de la orden. Entre ciudades de tamaño comparable, los retrasos en la implementación de las órdenes de quedarse en casa están asociados con más muertes por COVID-19, específicamente, se esperan entre 40 y 63 muertes más por cada retraso de 10 días. La recomendación de política hipotética de este análisis sería la implementación inmediata de las órdenes de quedarse en casa.
Ahora considere un gráfico de las mismas 300 ciudades simuladas que no tiene en cuenta el tamaño de la ciudad. La relación entre retrasos y muertes se invierte: la implementación temprana en esta simulación está fuertemente asociada con más muertes y la implementación posterior con menos muertes. Esta aparente paradoja ocurre debido a las relaciones causales entre el tamaño de la ciudad, los retrasos y las muertes por COVID-19. Las fuertes conexiones o asociaciones entre dos variables no garantizan que una variable cause otra. La correlación no implica causa.
Si no se abordan adecuadamente estas relaciones, se pueden crear percepciones erróneas con implicaciones dramáticas para los formuladores de políticas. En estas simulaciones, el análisis que no considera el tamaño de la ciudad conduciría a una recomendación de política errónea para retrasar o nunca implementar las órdenes de quedarse en casa.
Crédito: Laura Balzer/Github, CC BY-ND
Se vuelve más complicado
Por supuesto, la inferencia causal en la vida real es más complicada que en una simulación por computadora con solo tres variables.
Además de factores de confusión como el tamaño de la comunidad, evidencia sustancial sugiere que las intervenciones de salud pública no protegen a todas las personas por igual.
En San Francisco, han surgido marcadas disparidades. Por ejemplo, las pruebas exhaustivas del Distrito de la Misión revelaron que el 95 % de las personas que dieron positivo eran hispanas. Factores como el estatus socioeconómico, la raza y el origen étnico, y muchos otros, varían ampliamente entre las comunidades y pueden afectar las tasas de infección y mortalidad por COVID-19. Las diferencias entre los residentes de la comunidad hacen que la interpretación adecuada de las comparaciones, como entre San Francisco y Nueva York, sea aún más difícil.
Entonces, ¿cómo aprendemos de manera efectiva en el entorno actual?
Si bien apremiante ahora, los desafíos analíticos planteados por COVID-19 no son nuevos. Los expertos en salud pública han utilizado durante mucho tiempo datos de estudios no aleatorios, incluso en medio de epidemias. Durante el brote de cólera en Londres en 1849, John Snow, famoso en los círculos epidemiológicos, utilizó los datos disponibles, herramientas sencillas y una cuidadosa consideración para identificar una bomba de agua como fuente de propagación de enfermedades. Las decisiones basadas en evidencia requieren datos y métodos apropiados para analizar los datos.
Las ciudades y comunidades de todo el mundo varían en formas importantes que pueden complicar la investigación de salud pública. La aplicación rigurosa de métodos de inferencia causal que puedan tener en cuenta las diferencias entre poblaciones es necesaria para guiar las políticas y evitar conclusiones mal informadas.
Explore más
Siga las últimas noticias sobre el brote de coronavirus (COVID-19) Proporcionado por The Conversation
Este artículo se vuelve a publicar de The Conversation bajo una licencia Creative Commons. Lea el artículo original.
Cita: Muertes por coronavirus en San Francisco vs. Nueva York: ¿Qué causa diferencias tan grandes en los peajes de las ciudades? (2 de junio de 2020) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-06-coronavirus-deaths-san-francisco-york.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.