Coronavirus: las comparaciones de países no tienen sentido a menos que tomemos en cuenta los sesgos de prueba
Nuevos casos diarios de COVID-19 en el mundo y en los principales países. Crédito: Chris55 /wikipedia, CC BY-SA
Supongamos que quisiéramos estimar cuántos propietarios de automóviles hay en el Reino Unido y cuántos de ellos poseen un Ford Fiesta, pero solo tenemos datos sobre las personas que visitaron las salas de exhibición de automóviles Ford. en el año pasado. Si el 10% de los visitantes de la sala de exhibición tuvieran un Fiesta, entonces, debido al sesgo en la muestra, esto ciertamente sobreestimaría la proporción de propietarios de Ford Fiesta en el país.
La estimación de las tasas de mortalidad de las personas con COVID-19 se lleva a cabo actualmente en gran medida de la misma manera. En el Reino Unido, por ejemplo, casi todas las pruebas de COVID-19 se realizan en personas que ya están hospitalizadas con síntomas de COVID-19. En el momento de escribir este artículo, hay 29 474 casos confirmados de COVID-19 (análogos a los propietarios de automóviles que visitan una sala de exposición) de los cuales 2352 han muerto (propietarios de Ford Fiesta que visitaron una sala de exposición). Pero pasa por alto a todas las personas con síntomas leves o sin síntomas.
La conclusión de que la tasa de mortalidad por COVID-19 es en promedio del 8 % (2352 de 29 474) ignora a las muchas personas con COVID-19 que están no hospitalizados y no han muerto (análogo a los propietarios de automóviles que no visitaron una sala de exhibición de Ford y que no poseen un Ford Fiesta). Por lo tanto, es equivalente a cometer el error de concluir que el 10% de todos los propietarios de automóviles tienen un Fiesta.
Hay muchos ejemplos destacados de este tipo de conclusión. El Servicio de Evidencia COVID-19 de Oxford ha llevado a cabo un análisis estadístico exhaustivo. Reconocen un posible sesgo de selección y agregan intervalos de confianza que muestran cuán grande puede ser el error para la proporción (potencialmente altamente engañosa) de muertes entre los pacientes confirmados con COVID-19.
Señalan varios factores que pueden resultar en amplias diferencias nacionales, por ejemplo, la «tasa de mortalidad» (media) del 8 % del Reino Unido es muy alta en comparación con el 0,74 % de Alemania. Estos factores incluyen diferentes datos demográficos, por ejemplo, la cantidad de ancianos en una población, así como también cómo se informan las muertes. Por ejemplo, en algunos países, todas las personas que mueren después de haber sido diagnosticadas con COVID-19 se registran como una muerte por COVID-19, incluso si la enfermedad no fue la causa real, mientras que otras personas pueden morir a causa del virus sin que realmente se les haya diagnosticado. COVID-19.
Sin embargo, los modelos no incorporan explicaciones causales explícitas en su modelado que podrían permitirnos hacer inferencias más significativas a partir de los datos disponibles, incluidos los datos sobre las pruebas de virus.
Hemos desarrollado un prototipo inicial de «modelo causal» cuya estructura se muestra en la figura anterior. Los vínculos entre las variables nombradas en un modelo como este muestran cómo dependen unas de otras. Estos vínculos, junto con otras variables desconocidas, se capturan como probabilidades. A medida que se ingresan datos para variables conocidas específicas, todas las probabilidades de variables desconocidas se actualizan utilizando un método llamado inferencia bayesiana. El modelo muestra que la tasa de mortalidad de COVID-19 depende tanto de los métodos de muestreo, las pruebas y los informes, como de la tasa subyacente de infección en una población vulnerable.
Por lo tanto, puede parecer que diferentes países tienen diferentes tasas de mortalidad, pero solo porque han aplicado diferentes políticas de muestreo y notificación. No es necesariamente porque estén gestionando mejor el virus o porque el virus haya infectado a menos o más personas.
Con un modelo causal que explica el proceso mediante el cual se generan los datos, podemos dar cuenta mejor de estas diferencias entre países. También podemos aprender con mayor precisión las verdaderas tasas subyacentes de infección y mortalidad de la población a partir de los datos observados. Dicho modelo podría ampliarse para incluir factores demográficos, así como el distanciamiento social y otras políticas de prevención. Hemos desarrollado dichos modelos para muchos problemas similares y actualmente estamos recopilando los datos necesarios para completar el tipo de modelo que describimos en la figura anterior.
Pruebas aleatorias
En ausencia de pruebas en toda la comunidad, solo las pruebas aleatorias aplicadas en toda la población nos permitirán conocer la cantidad de personas con COVID-19 que son asintomáticas o ya se han recuperado. Solo cuando sepamos cuántas personas no muestran síntomas, sabremos la infección subyacente y la tasa de mortalidad. También nos permitirá conocer la precisión de las pruebas (tasas de falsos positivos y falsos negativos).
Por lo tanto, las pruebas aleatorias siguen siendo la estrategia más efectiva para evitar el sesgo de selección y reducir las distorsiones en las estadísticas reportadas. Idealmente, esto debería combinarse con un modelo causal.
Actualmente, parece que no existen protocolos estatales en ningún país para pruebas comunitarias aleatorias de ciudadanos para COVID-19. España lo intentó. Pero eso implicó la compra de grandes volúmenes de pruebas rápidas de COVID-19, y pronto descubrieron que algunas pruebas de origen chino tenían poca validez y confiabilidad y solo brindaban un 30 % de precisión, lo que resultaba en una gran cantidad de falsos positivos.
Países como Noruega han propuesto introducir tales pruebas, pero existe incertidumbre sobre cómo obligar legislativamente a los ciudadanos a realizar la prueba y qué podría constituir un protocolo de aleatorización apropiado. En Islandia, tienen un muestreo voluntario que ha cubierto el 3% de la población, pero esto no es aleatorio. Algunos países con pruebas a gran escala, como Corea del Sur, podrían estar más cerca de ser aleatorios.
La razón por la que es tan difícil realizar pruebas aleatorias es que hay que tener en cuenta varios factores prácticos y psicológicos. ¿Cómo se recolectan muestras al azar? Recolectar muestras de voluntarios puede no ser suficiente ya que no previene el sesgo de autoselección.
Durante la pandemia de influenza H1N1 de 2009-2010, hubo mucha ansiedad sobre la enfermedad que creó una «enfermedad psicógena masiva». Esto es cuando la hipersensibilidad a síntomas particulares lleva a que las personas sanas se autodiagnostiquen como portadoras de un virus, lo que significa que estarían muy incentivadas a hacerse la prueba. Esto podría, en parte, contribuir aún más a las tasas de falsos positivos si la sensibilidad y la especificidad de las pruebas no se comprenden por completo.
Si bien no se eliminará el sesgo de autoselección, podría reducirse realizando pruebas de campo. Esto podría implicar pedir al público que brinde muestras voluntarias en lugares donde, incluso en un estado de cierre, se espera que asistan y también de aquellos en aislamiento o cuarentena autoimpuestos.
En cualquier caso, cuando las estadísticas se comunican en conferencias de prensa o en los medios de comunicación, se deben explicar sus limitaciones y se debe delinear adecuadamente cualquier relevancia para el individuo o la población. Es esto lo que sostenemos que falta en la crisis actual.
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: Coronavirus: las comparaciones de países no tienen sentido a menos que tengamos en cuenta los sesgos de las pruebas (3 de abril de 2020) consultado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-04- coronavirus-country-comparisons-pointless-account.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.