MADRID (EUROPA PRESS).- Científicos de la Universidad de Washington, en Estados Unidos, han desarrollado un marco estadístico que incorpora datos clave sobre la covid-19, como el recuento de casos y las muertes por esta causa, para modelar la verdadera prevalencia de esta enfermedad en el país y en los distintos estados. Su enfoque proyecta que en los Estados Unidos hasta el 60% de los casos de covid-19 no se detectaron hasta el 7 de marzo de 2021, la última fecha para la que está disponible el conjunto de datos que emplearon.

Los funcionarios gubernamentales y los responsables políticos han tratado de utilizar las cifras para comprender el impacto de covid-19, como el número de hospitalizaciones o de muertes reflejan parte de esta carga. Cada dato cuenta sólo una parte de la historia pero ninguna cifra describe la verdadera omnipresencia del nuevo coronavirus al revelar el número de personas realmente infectadas en un momento dado, una cifra importante para ayudar a los científicos a entender si se puede alcanzar la inmunidad de rebaño, incluso con las vacunas.

Ahora, el marco estadístico desarrollado por los dos científicos de la Universidad de Washington, publicado en 'Proceedings of the National Academy of Sciences', 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, dicen los investigadores.

"Hay todo tipo de fuentes de datos a las que podemos recurrir para entender la pandemia de covid-19: el número de hospitalizaciones en un estado o el número de pruebas que dan resultado positivo. Pero cada fuente de datos tiene sus propios defectos que darían una imagen sesgada de lo que realmente está sucediendo", explica el autor principal Adrian Raftery, profesor de sociología y de estadística de la UW.

"Lo que hemos querido hacer es desarrollar un marco que corrija los defectos de las múltiples fuentes de datos y aproveche sus puntos fuertes para darnos una idea de la prevalencia del covid-19 en una región, un estado o el país en su conjunto", añade.

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 las pruebas en una región o estado que resultan positivos. Pero como el acceso a las pruebas y la disposición a someterse a ellas varían según el lugar, esa cifra por sí sola no puede ofrecer una imagen clara de la prevalencia del covid-19, señala Raftery.

Otros métodos estadísticos suelen intentar corregir el sesgo de 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: el número de casos confirmados de covid-19, el número de muertes debidas a covid-19 y el número de pruebas de covid-19 administradas cada día, tal como informa 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 "ancla" para su método.

Los investigadores utilizaron su marco para modelar la prevalencia de covid-19 en los Estados Unidos y en cada uno de los estados hasta el 7 de marzo de 2021. En esa fecha, según su marco, se estimaba que el 19.7% de los residentes de Estados Unidos, o unos 65 millones de personas, estaban infectados. Esto indica que es poco probable que el país alcance la inmunidad de rebaño sin su campaña de vacunación en curso, asegura Raftery e Irons.

Además, los investigadores descubrieron que en Estados Unidos había un factor de infravaloración de 2.3, lo que significa que sólo uno de cada 2.3 casos de covid-19 se confirmaba mediante pruebas. Dicho de otro modo, alrededor del 60% de los casos no se contabilizaron en absoluto. Esta tasa de infravaloración de covid-19 también variaba mucho según el estado, y podría tener múltiples causas, según Irons.

"Puede depender de la gravedad de la pandemia y de la cantidad de pruebas realizadas en ese estado --subraya Irons--. Si tienes un estado con una pandemia grave pero con un número limitado de pruebas, el recuento puede ser muy alto, y estás pasando por alto la gran mayoría de las infecciones que se están produciendo. O puede darse una situación en la que las pruebas estén muy extendidas y la pandemia no sea tan grave. En ese caso, la tasa de infravaloración sería menor".

Además, el factor de infravaloración fluctúa según el estado o la región a medida que avanza 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, apunta Raftery.

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

Lo ideal sería que las pruebas aleatorias regulares de los individuos mostraran el nivel de infección en un estado, región o incluso a nivel nacional, apunta Raftery. Pero en la pandemia de covid-19, sólo Indiana y Ohio realizaron pruebas virales aleatorias a los residentes, conjuntos de datos que fueron fundamentales para ayudar a los investigadores a desarrollar su marco. A falta de pruebas aleatorias generalizadas, este nuevo método podría ayudar a los funcionarios a evaluar la verdadera carga de la enfermedad en esta pandemia y en la siguiente.

"Creemos que esta herramienta puede marcar la diferencia al ofrecer a los responsables 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", concluye Raftery.