El modelo de riesgo de COVID-19 utiliza datos hospitalarios para guiar las decisiones sobre el distanciamiento social
Esta imagen de microscopio electrónico de transmisión muestra el SARS-CoV-2, también conocido como 2019-nCoV, el virus que causa el COVID-19, aislado de un paciente en los EE.UU. Se muestran partículas de virus emergiendo de la superficie de las células cultivadas en el laboratorio. Los picos en el borde exterior de las partículas de virus dan a los coronavirus su nombre, en forma de corona. Crédito: NIAID-RML
Con las comunidades de todo Estados Unidos luchando contra los aumentos repentinos de casos y hospitalizaciones de COVID-19, los investigadores de la Universidad de Texas en Austin y la Universidad Northwestern han creado un marco que ayuda a los legisladores a determinar qué datos rastrear y cuándo tomar medidas para proteger a sus comunidades. El modelo especifica una serie de puntos de activación para ayudar a las entidades locales a saber cuándo reforzar las medidas de distanciamiento social para evitar que los hospitales se vean invadidos por pacientes con virus. El método también tiene como objetivo minimizar el impacto económico en las comunidades al sugerir los primeros tiempos para relajar las restricciones de manera segura.
El marco se describe en un nuevo artículo publicado hoy en Proceedings of the National Academy of Sciences. La alta tasa continua de infección de los Estados Unidos significa que los legisladores de todo el país deben continuar tomando decisiones sobre el restablecimiento y la relajación de las medidas de distanciamiento social. Usando datos de hospitales, el nuevo modelo les permite a los líderes locales saber cuándo es el momento de pisar el freno para reabrir versus aliviar las restricciones.
Por ejemplo, en Austin, Texas, los modeladores aplicaron este marco para ayudar a los líderes de la ciudad a decidir cuándo alternar entre cinco niveles de alerta de COVID-19 diferentes. La ciudad ahora está rastreando el número diario de nuevas admisiones al hospital, y recientemente endureció las medidas cuando los datos superaron el umbral prescrito.
«Desarrollamos este marco para garantizar que COVID-19 nunca supere la capacidad local de atención médica mientras se minimizan los costos económicos y sociales de las estrictas medidas de distanciamiento social», dijo Lauren Ancel Meyers, coautora del artículo y directora del Consorcio de Modelado COVID-19 de la Universidad de Texas.
Daniel de Northwestern Duque, el primer autor, dijo que «el enfoque proporciona indicaciones claras de cuándo se deben promulgar y relajar las medidas para gestionar el riesgo».
Hay dos componentes clave para implementar con éxito la estrategia: monitorear de cerca los datos sobre las hospitalizaciones por COVID -19 y garantizar que las comunidades protejan a los más vulnerables a la enfermedad.
«Si bien muchas ciudades han implementado niveles de alerta y nuevas políticas, nuestra investigación puede ser la primera en brindar una guía clara sobre qué hacer exactamente». rack (datos de admisiones hospitalarias) y exactamente cuándo actuar (umbrales estrictos)», dijo David Morton, presidente y profesor de ingeniería industrial y ciencias de la gestión en Northwestern y coautor del artículo. «Las comunidades deben actuar mucho antes de que los aumentos repentinos en los hospitales se vuelvan peligrosos. Los datos de ingresos hospitalarios brindan una indicación temprana del rápido crecimiento de la pandemia, y el seguimiento de esos datos garantizará que los hospitales mantengan una capacidad suficiente». En las últimas semanas, los funcionarios de salud pública expresaron su preocupación de que los datos de hospitalización han sido inconsistentes, ya que el gobierno federal trasladó los datos a un nuevo portal alojado en el Departamento de Salud y Servicios Humanos.
«Hospitalización por COVID-19 los datos son vitales para rastrear el ritmo cambiante de la pandemia e informar una buena toma de decisiones», dijo Meyers.
El equipo también determinó que prevenir un aumento inmanejable en las hospitalizaciones requiere el cumplimiento de un distanciamiento social estricto para los pacientes de alto riesgo. poblaciones, conocido como capullo. Por ejemplo, los investigadores estimaron que no proteger a las poblaciones vulnerables duplica con creces las muertes resultantes y, al mismo tiempo, duplica la cantidad de días de confinamiento para evitar el desbordamiento de los hospitales.
El marco combina dos modelos matemáticos: un modelo subyacente que predice cómo es probable que se propague la pandemia y un modelo de optimización que utiliza datos de admisiones de los sistemas hospitalarios de Austin. Intenta caminar por una línea muy fina para prevenir el desastre económico y evitar que los sistemas hospitalarios se vean abrumados. Aunque los investigadores usaron datos de Austin, otras comunidades pueden usar fácilmente el marco con datos de admisiones hospitalarias disponibles públicamente.
«Este es un marco general que se puede usar para diseñar activadores de múltiples etapas, no solo para cierres sino también para mover entre fases exactamente como lo hemos hecho para Austin», dijo Morton. «Nuestro marco ya ha guiado los cambios de política en Austin».
Explore más
Siga las últimas noticias sobre el brote de coronavirus (COVID-19) Más información: Daniel Duque et al, Timing social distancing to avi inmanageable COVID-19 hospital surges, Actas de la Academia Nacional de Ciencias (2020). DOI: 10.1073/pnas.2009033117 Información de la revista: Procedimientos de la Academia Nacional de Ciencias
Proporcionado por la Universidad de Texas en Austin Cita: Usos del modelo de riesgo de COVID-19 datos hospitalarios para orientar las decisiones sobre el distanciamiento social (30 de julio de 2020) recuperados el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-07-covid-hospital-decisions-social-distancing.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.