¿En qué momento estamos de la epidemia de COVID-19?

La “segunda ola” de COVID-19 ya está causando estragos en toda Europa y el debate sobre los confinamientos de todo tipo e intensidad está abierto. Un elemento importante que ha dificultado la toma de decisiones durante este período, y que sigue distorsionándolo todo, ha sido la mala calidad de los datos.

Así, los que seguimos la evolución de la curva epidémica diariamente, solemos encontrarnos con una imagen fuertemente distorsionada (ver Gráfico 1), ya que las estadísticas oficiales muestran un patrón ascendente de nuevos casos para los cinco países más importantes de Europa. Si tomásemos por buenos estos datos, deberíamos concluir que la segunda ola estaría siendo mucho más intensa que la primera en términos de incidencia.

Gráfico 1. Evolución temporal de los nuevos casos (datos oficiales)

Sin embargo, en este post muestro que la situación actual, aunque es preocupante, al compararse con la situación de primavera de 2020 todavía es bastante buena para la mayoría de los países analizados (sólo Alemania está igual que en marzo) y que las medidas restrictivas, esta vez parece que sí que se están tomado a tiempo.

Ahora bien, para poder comparar la incidencia entre las oleadas, hay que corregir las series históricas de contagios de los diferentes países durante la “primera ola”, ya que están plagadas de errores de medida. Esto se debe a que en la primera oleada de primavera de 2020 sólo se detectó una fracción pequeña del verdadero número de casos (un promedio del 10%). Este nivel contrasta con la elevada capacidad de detección actual (que oscila entre el 80- 100%), tal y como se ve en el Gráfico 2.

Gráfico 2.  Porcentaje de casos de COVID-19 detectados con respecto al total

Para (i) corregir los datos de nuevos casos por los problemas de “under-reporting” y aportar una imagen más realista de lo ocurrido, (ii) así como para ubicarnos en el momento en el contexto en el que estamos ahora; la estimación del porcentaje de casos detectado con respecto al total es crucial. Para llevarla a cabo, he empleado el algoritmo de corrección de Nishuira et al. (2009) que sirve para estimar la incidencia en tiempo real de brotes epidémicos. La forma genérica de corregir las series oficiales de un brote epidémico que propone Nishiura et al. (2009) y que ha sido utilizada por el grupo de investigación de la London School of Hygiene & Tropical Medicine para el caso del COVID-19 (y que replico aquí),  parte de dos observaciones clave.

  • La primera es que una simple división del número de defunciones totales (Dt) entre los casos totales (Ct) en un período t, la denominada naive fatality rate (nCFR=Dt/Ct), es una estimación sesgada de la letalidad real, ya que muchos de esos casos no están resueltos. Es decir, no se sabe con certeza si se recuperarán o no. Esto es así ya que el curso de la enfermedad lleva un tiempo, y existe un desfase o retardo temporal entre contagio y defunción.
  • El segundo hecho es que, aun cuando consigamos una CFR ajustada (CFRa) por los desfases temporales y dividamos las muertes por los contagios en el período que sucedieron con más probabilidad, esas estimaciones de letalidad tenderán a sobreestimar la verdadera letalidad de la enfermedad.

Gráfico 3. Ratio letalidad ingenua: Defunciones totales / Contagios totales

Como puede observarse en el Gráfico 3, según las estadísticas oficiales, la tasa de letalidad ingenua (o nCFR) de España, Francia, Italia o Reino Unido hasta bien entrado el verano ha estado por encima del 10%, lo que no es realista. De hecho, el consenso de la literatura científica (ver aquí, aquí,  aquí o aquí) es que la verdadera letalidad por contagiado está en el rango del 1 al 1.5%. La estimación de letalidad ajustada por retrasos temporales (CFRa) de casos con resultados ciertos también sufre de un problema de sobre-estimación, ya que  hasta el verano, sólo se detectaba una proporción de los casos reales. Así que para corregir esto sesgo, se asume que los excesos de la CFRa con respecto a “la mejor estimación posible” pueden atribuirse a una falta de detección.

Aunque la letalidad puede variar por países y en el tiempo (y con los años puede que converja a un valor entre el 0.5% y el 1% tal y como plantea la OMS),  asumiré que “la mejor estimación posible de letalidad” para el período estudiado y para todos los países considerados es del 1.25%, aún a riesgo de sobreestimar el tamaño real de la epidemia en algunos e infraestimarlo en otros.

Para el caso de España una letalidad del 1.25% es algo superior al 1.16% que arrojó el estudio serológico a 22 de junio (28.3 mil muertos/ 2.47 millones de infectados con anticuerpos) pero me parece un valor bastante razonable.  Por un lado, los datos del MoMo sugieren que los muertos están muy infraestimados (lo que tendería a aumentar bastante el numerador). De otro lado, sabemos que hay una proporción de población que, aunque se infecte y supere la enfermedad, pierde los anticuerpos rápidamente. En la muestra representativa del estudio de seroprevalencia, el 15% perdió anticuerpos a lo largo de las olas del estudio que duró 2 meses (lo que también sube el denominador y cancelaría parcialmente el efecto de infraestimar las defunciones). Por tanto, si tenemos en cuenta este 15% de población adicional que pierde anticuerpos, cualquier estimación fiable de lo ocurrido, para el 22 de junio, debería dar como poco un total 2.8 millones de infectados.

Si usamos el porcentaje de casos no detectados cada período, se puede obtener la magnitud real de la epidemia en cada periodo. Un elemento que le da credibilidad a esta estimación basada en Nishiura et al. (2009) es que, para España a fecha de 22 de junio, este cálculo situaba el impacto de la epidemia en 2.95 millones de casos > 2.8 millones.

Así pues, tal y como puede observarse a continuación, las curvas epidémicas del COVID-19 que se derivan de este análisis, tanto para el caso de España como para el resto de países, son  muy diferentes de los datos oficiales.

Gráfico 4. Comparación datos oficiales vs datos reales: España

Gráfico 5. Nuevos casos por países: datos oficiales vs reales  Estos gráficos son clave para comprender la situación actual.

  • Muy lejos de estar batiendo récords cada día, el esfuerzo que se está realizando con el distanciamiento social, el uso de mascarilla y confinamientos parciales de todo tipo, está dando sus frutos ya que aunque 20 mil – 25 mil casos diarios son muchos, estas cifras no tienen nada que ver con la explosión y el pico de primavera, que para España se situó en unos 143 mil casos diarios el día 26 de marzo. Por poner el dato en contexto: a 4/5 de noviembre, estamos registrando aproximadamente 6 veces menos casos diarios que en el pico real.
  • Si se tiene en cuenta el conjunto de infecciones totales con los datos corregidos, el número total de infecciones asciende a 4 millones. Es decir, ya hay un 8.5% de la población que ha pasado la enfermedad. De nuevo, este dato contrasta con la cifra oficial de 1.2 millones o del 2.6% de la población.
  • En el período de 5 meses del 22 de febrero al 22 junio, se estima que se contagiaron aproximadamente 3 millones mientras que en los 4 meses y medio del 21 de junio al 5 de noviembre, sólo se han contagiado 1 millón de personas. Es decir, los primeros 5 meses son un 74% de los casos. Así pues, hemos ralentizado sustancialmente la velocidad de la epidemia y le hemos quitado casi un 66% de efectividad de transmisión al coronavirus.
  • Otra lección que podemos extraer al comparar lo sucedido recientemente en otros países, es que los gobiernos de Francia y Reino Unido, tras observar un fuerte acelerón en los casos y superar los umbrales del 50-20% de incidencia del pico de primavera, han endurecido las restricciones al máximo. Esto sugiere que en España, con incidencias > 45 mil casos un último endurecimiento de las restricciones y la vuelta al confinamiento domiciliario sería muy probable.

Con los datos del 4/5 de noviembre, en España, estamos al 17% del pico de marzo, por lo que todavía hay un cierto margen de tiempo y maniobra. Sin embargo, registros diarios de 20mil casos (unos 6000-7000 muertos al mes) a la larga podrían ser insostenibles para la capacidad hospitalaria. Llegados a este punto, si se estima que finalmente se va a tener que tomar la medida del confinamiento domiciliario, lo mejor sería ejecutarla cuanto antes para que la bajada de la curva fuese más rápida y se pudiese salvar la Navidad. Obviamente este confinamiento no debería ser tan duro para bajar la curva, ya que como he mostrado, la incidencia actual es 6 veces menor que la de marzo.

Acerca de Vicente Rios

Soy investigador de macro-econometría especializado en la modelación de sistemas sociales dinámicos y la propagación de perturbaciones espacio-temporales en los mismos empleando algoritmos de Model Averaging. Actualmente trabajo en cuestiones de desigualdad, conflicto, crecimiento, instituciones y medio ambiente. Web personal: https://sites.google.com/view/vicenterios/home
Minientrada | Esta entrada fue publicada en Epidemics. Guarda el enlace permanente.

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s