¿Un fiasco en ciernes? A medida que la pandemia de coronavirus se afianza, estamos tomando decisiones sin datos confiables

Laactual enfermedad por coronavirus, Covid-19, se ha denominado una pandemia de una vez en un siglo. Pero también puede ser un fiasco de evidencia de una vez en un siglo.En un momento en que todos necesitan una mejor información, desde los modeladores de enfermedades y los gobiernos hasta las personas en cuarentena o solo el distanciamiento social, carecemos de evidencia confiable sobre cuántas personas han sido infectadas con SARS-CoV-2 o que continúan infectadas. Se necesita mejor información para guiar las decisiones y acciones de importancia monumental y para monitorear su impacto.

Se han adoptado contramedidas draconianas en muchos países. Si la pandemia se disipa, ya sea por sí sola o debido a estas medidas, el distanciamiento social extremo a corto plazo y los bloqueos pueden ser soportables. ¿Cuánto tiempo, sin embargo, deberían continuar medidas como estas si la pandemia se agita en todo el mundo sin cesar? ¿Cómo pueden saber los políticos si están haciendo más bien que mal?

Las vacunas o los tratamientos asequibles tardan muchos meses (o incluso años) en desarrollarse y probarse adecuadamente. Dados estos plazos, las consecuencias de los bloqueos a largo plazo son completamente desconocidas.

Los datos recopilados hasta ahora sobre cuántas personas están infectadas y cómo está evolucionando la epidemia son completamente poco confiables. Dadas las pruebas limitadas hasta la fecha, se pierden algunas muertes y probablemente la gran mayoría de las infecciones debidas al SARS-CoV-2. No sabemos si no podemos capturar infecciones por un factor de tres o 300. Tres meses después de que surgió el brote, la mayoría de los países, incluido EE. UU., No tienen la capacidad de evaluar a un gran número de personas y ningún país tiene datos confiables sobre la prevalencia del virus en una muestra aleatoria representativa de la población general.

Este fiasco de evidencia crea una tremenda incertidumbre sobre el riesgo de morir por Covid-19. Las tasas de mortalidad de casos reportados, como la tasa oficial de 3.4% de la Organización Mundial de la Salud, causan horror, y no tienen sentido. Los pacientes que han sido evaluados para el SARS-CoV-2 son desproporcionadamente aquellos con síntomas severos y malos resultados. Como la mayoría de los sistemas de salud tienen una capacidad de prueba limitada, el sesgo de selección puede incluso empeorar en el futuro cercano.

La única situación en la que se probó una población cerrada completa fue el crucero Diamond Princess y sus pasajeros en cuarentena. La tasa de letalidad fue de 1.0%, pero esta era una población mayormente mayor, en la cual la tasa de mortalidad de Covid-19 es mucho más alta.

Proyectando la tasa de mortalidad de Diamond Princess en la estructura de edad de la población de EE. UU., La tasa de mortalidad entre las personas infectadas con Covid-19 sería del 0,125%. Pero dado que esta estimación se basa en datos extremadamente delgados (solo hubo siete muertes entre los 700 pasajeros y la tripulación infectados), la tasa de mortalidad real podría extenderse de cinco veces más baja (0.025%) a cinco veces más alta (0.625%). También es posible que algunos de los pasajeros infectados mueran más tarde y que los turistas puedan tener diferentes frecuencias de enfermedades crónicas, un factor de riesgo para peores resultados con la infección por SARS-CoV-2, que la población general. Agregando estas fuentes adicionales de incertidumbre, las estimaciones razonables para el índice de letalidad en la población general de los Estados Unidos varían de 0.05% a 1%.

Ese enorme rango afecta notablemente la gravedad de la pandemia y lo que debe hacerse. Una tasa de letalidad de 0.05% en toda la población es menor que la influenza estacional. Si ese es el ritmo real, cerrar el mundo con consecuencias sociales y financieras potencialmente tremendas puede ser totalmente irracional. Es como un elefante atacado por un gato doméstico. Frustrado e intentando evitar al gato, el elefante salta accidentalmente de un acantilado y muere.

¿Podría la tasa de letalidad del caso Covid-19 ser tan baja? No, dicen algunos, señalando la alta tasa de personas mayores. Sin embargo, incluso algunos de los llamados coronavirus de tipo resfriado leve o común que se conocen desde hace décadas pueden tener tasas de letalidad de hasta 8% cuando infectan a personas mayores en hogares de ancianos. De hecho, estos coronavirus «leves» infectan a decenas de millones de personas cada año, y representan del 3% al 11% de los hospitalizados en los Estados Unidos con infecciones de las vías respiratorias inferiores cada invierno.

Estos coronavirus «leves» pueden estar implicados en varios miles de muertes cada año en todo el mundo, aunque la gran mayoría de ellos no están documentados con pruebas precisas. En cambio, se pierden como ruido entre 60 millones de muertes por diversas causas cada año.

Aunque los sistemas de vigilancia exitosos han existido durante mucho tiempo para la influenza, la enfermedad es confirmada por un laboratorio en una pequeña minoría de casos. En los Estados Unidos, por ejemplo, en lo que va de la temporada , se han analizado 1,073,976 muestras y 222,552 (20.7%) han dado positivo por influenza. En el mismo período, el número estimado de enfermedades similares a la influenza es de entre 36,000,000 y 51,000,000, con un estimado de 22,000 a 55,000 muertes por gripe.

Tenga en cuenta la incertidumbre sobre las muertes por enfermedades similares a la gripe: un rango de 2.5 veces, correspondiente a decenas de miles de muertes. Cada año, algunas de estas muertes se deben a la influenza y otras a otros virus, como los coronavirus del resfriado común.

En una serie de autopsias que probó virus respiratorios en muestras de 57 personas mayores que murieron durante la temporada de influenza 2016 a 2017, se detectaron virus de influenza en el 18% de las muestras, mientras que se encontró cualquier tipo de virus respiratorio en el 47%. En algunas personas que mueren por patógenos respiratorios virales, se encuentra más de un virus en la autopsia y las bacterias a menudo se superponen. Una prueba positiva para el coronavirus no significa necesariamente que este virus sea siempre el principal responsable de la muerte del paciente.

Si suponemos que la tasa de letalidad entre las personas infectadas por el SARS-CoV-2 es del 0.3% en la población general, una suposición de rango medio de mi análisis de Diamond Princess, y que el 1% de la población de los EE. UU. Se infecta (aproximadamente 3.3 millones de personas ), esto se traduciría en unas 10.000 muertes. Esto suena como un gran número, pero está enterrado en el ruido de la estimación de muertes por «enfermedad similar a la gripe». Si no hubiéramos sabido acerca de un nuevo virus y no hayamos examinado a las personas con pruebas de PCR, la cantidad total de muertes por «enfermedad similar a la influenza» no parecería inusual este año. A lo sumo, podríamos haber notado casualmente que la gripe esta temporada parece ser un poco peor que el promedio. La cobertura de los medios habría sido menor que para un juego de la NBA entre los dos equipos más indiferentes.

Algunos temen que las 68 muertes de Covid-19 en los EE. UU. A partir del 16 de marzo aumenten exponencialmente a 680, 6,800, 68,000, 680,000 … junto con patrones catastróficos similares en todo el mundo. ¿Es ese un escenario realista o una mala ciencia ficción? ¿Cómo podemos saber en qué punto podría detenerse esa curva?

La información más valiosa para responder esas preguntas sería conocer la prevalencia actual de la infección en una muestra aleatoria de una población y repetir este ejercicio a intervalos regulares para estimar la incidencia de nuevas infecciones. Lamentablemente, esa es información que no tenemos.

En ausencia de datos, el razonamiento de preparación para el peor conduce a medidas extremas de distanciamiento social y bloqueos. Desafortunadamente, no sabemos si estas medidas funcionan. El cierre de escuelas, por ejemplo, puede reducir las tasas de transmisión. Pero también pueden ser contraproducentes si los niños socializan de todos modos, si el cierre de la escuela lleva a los niños a pasar más tiempo con miembros de la familia ancianos susceptibles, si los niños en el hogar interrumpen la capacidad de trabajo de sus padres, y más. El cierre de escuelas también puede disminuir las posibilidades de desarrollar inmunidad de rebaño en un grupo de edad que no padece enfermedades graves.

Esta ha sido la perspectiva detrás de la postura diferente del Reino Unido de mantener abiertas las escuelas , al menos hasta que escribo esto. En ausencia de datos sobre el curso real de la epidemia, no sabemos si esta perspectiva fue brillante o catastrófica.

Allanar la curva para evitar abrumar al sistema de salud es conceptualmente sólido, en teoría. Una imagen visual que se ha vuelto viral en los medios y las redes sociales muestra cómo aplanar la curva reduce el volumen de la epidemia que está por encima del umbral de lo que el sistema de salud puede manejar en cualquier momento.

Sin embargo, si el sistema de salud se ve abrumado, la mayoría de las muertes adicionales pueden no deberse al coronavirus sino a otras enfermedades y afecciones comunes como ataques cardíacos, derrames cerebrales, traumatismos, hemorragias y similares que no se tratan adecuadamente. Si el nivel de la epidemia abruma al sistema de salud y las medidas extremas solo tienen una eficacia modesta, entonces aplastar la curva puede empeorar las cosas: en lugar de verse abrumado durante una fase corta y aguda, el sistema de salud seguirá abrumado por un período más prolongado . Esa es otra razón por la que necesitamos datos sobre el nivel exacto de la actividad epidémica.

Una de las líneas de fondo es que no sabemos cuánto tiempo se pueden mantener las medidas de distanciamiento social y los bloqueos sin mayores consecuencias para la economía, la sociedad y la salud mental. Pueden surgir evoluciones impredecibles, incluyendo crisis financiera, disturbios, conflictos civiles, guerra y un colapso del tejido social. Como mínimo, necesitamos datos de prevalencia e incidencia imparciales para la carga infecciosa en evolución para guiar la toma de decisiones.

En el escenario más pesimista, que no defiendo, si el nuevo coronavirus infecta al 60% de la población mundial y el 1% de las personas infectadas mueren, eso se traducirá en más de 40 millones de muertes en todo el mundo, lo que coincide con la pandemia de gripe de 1918.

La gran mayoría de este hecatomb serían personas con expectativas de vida limitadas. Eso contrasta con 1918, cuando murieron muchos jóvenes.

Uno solo puede esperar que, al igual que en 1918, la vida continúe. Por el contrario, con bloqueos de meses, si no años, la vida se detiene en gran medida, las consecuencias a corto y largo plazo son completamente desconocidas, y miles de millones, no solo millones, de vidas pueden estar en juego eventualmente.

Si decidimos saltar del precipicio, necesitamos algunos datos para informarnos sobre la razón de tal acción y las posibilidades de aterrizar en un lugar seguro.

John PA Ioannidis es profesor de medicina, epidemiología y salud de la población, ciencia de datos biomédicos y estadística en la Universidad de Stanford y codirector del Centro de Innovación en Meta-Investigación de Stanford.

 

FUENTE: https://www.statnews.com/2020/03/17/a-fiasco-in-the-making-as-the-coronavirus-pandemic-takes-hold-we-are-making-decisions-without-reliable-data/

 

The current coronavirus disease, Covid-19, has been called a once-in-a-century pandemic. But it may also be a once-in-a-century evidence fiasco.At a time when everyone needs better information, from disease modelers and governments to people quarantined or just social distancing, we lack reliable evidence on how many people have been infected with SARS-CoV-2 or who continue to become infected. Better information is needed to guide decisions and actions of monumental significance and to monitor their impact.

Draconian countermeasures have been adopted in many countries. If the pandemic dissipates — either on its own or because of these measures — short-term extreme social distancing and lockdowns may be bearable. How long, though, should measures like these be continued if the pandemic churns across the globe unabated? How can policymakers tell if they are doing more good than harm?

Vaccines or affordable treatments take many months (or even years) to develop and test properly. Given such timelines, the consequences of long-term lockdowns are entirely unknown.

The data collected so far on how many people are infected and how the epidemic is evolving are utterly unreliable. Given the limited testing to date, some deaths and probably the vast majority of infections due to SARS-CoV-2 are being missed. We don’t know if we are failing to capture infections by a factor of three or 300. Three months after the outbreak emerged, most countries, including the U.S., lack the ability to test a large number of people and no countries have reliable data on the prevalence of the virus in a representative random sample of the general population.

This evidence fiasco creates tremendous uncertainty about the risk of dying from Covid-19. Reported case fatality rates, like the official 3.4% rate from the World Health Organization, cause horror — and are meaningless. Patients who have been tested for SARS-CoV-2 are disproportionately those with severe symptoms and bad outcomes. As most health systems have limited testing capacity, selection bias may even worsen in the near future.

The one situation where an entire, closed population was tested was the Diamond Princess cruise ship and its quarantine passengers. The case fatality rate there was 1.0%, but this was a largely elderly population, in which the death rate from Covid-19 is much higher.

Projecting the Diamond Princess mortality rate onto the age structure of the U.S. population, the death rate among people infected with Covid-19 would be 0.125%. But since this estimate is based on extremely thin data — there were just seven deaths among the 700 infected passengers and crew — the real death rate could stretch from five times lower (0.025%) to five times higher (0.625%). It is also possible that some of the passengers who were infected might die later, and that tourists may have different frequencies of chronic diseases — a risk factor for worse outcomes with SARS-CoV-2 infection — than the general population. Adding these extra sources of uncertainty, reasonable estimates for the case fatality ratio in the general U.S. population vary from 0.05% to 1%.

That huge range markedly affects how severe the pandemic is and what should be done. A population-wide case fatality rate of 0.05% is lower than seasonal influenza. If that is the true rate, locking down the world with potentially tremendous social and financial consequences may be totally irrational. It’s like an elephant being attacked by a house cat. Frustrated and trying to avoid the cat, the elephant accidentally jumps off a cliff and dies.

Could the Covid-19 case fatality rate be that low? No, some say, pointing to the high rate in elderly people. However, even some so-called mild or common-cold-type coronaviruses that have been known for decades can have case fatality rates as high as 8% when they infect elderly people in nursing homes. In fact, such “mild” coronaviruses infect tens of millions of people every year, and account for 3% to 11% of those hospitalized in the U.S. with lower respiratory infections each winter.

These “mild” coronaviruses may be implicated in several thousands of deaths every year worldwide, though the vast majority of them are not documented with precise testing. Instead, they are lost as noise among 60 million deaths from various causes every year.

Although successful surveillance systems have long existed for influenza, the disease is confirmed by a laboratory in a tiny minority of cases. In the U.S., for example, so far this season 1,073,976 specimens have been tested and 222,552 (20.7%) have tested positive for influenza. In the same period, the estimated number of influenza-like illnesses is between 36,000,000 and 51,000,000, with an estimated 22,000 to 55,000 flu deaths.

Note the uncertainty about influenza-like illness deaths: a 2.5-fold range, corresponding to tens of thousands of deaths. Every year, some of these deaths are due to influenza and some to other viruses, like common-cold coronaviruses.

In an autopsy series that tested for respiratory viruses in specimens from 57 elderly persons who died during the 2016 to 2017 influenza season, influenza viruses were detected in 18% of the specimens, while any kind of respiratory virus was found in 47%. In some people who die from viral respiratory pathogens, more than one virus is found upon autopsy and bacteria are often superimposed. A positive test for coronavirus does not mean necessarily that this virus is always primarily responsible for a patient’s demise.

If we assume that case fatality rate among individuals infected by SARS-CoV-2 is 0.3% in the general population — a mid-range guess from my Diamond Princess analysis — and that 1% of the U.S. population gets infected (about 3.3 million people), this would translate to about 10,000 deaths. This sounds like a huge number, but it is buried within the noise of the estimate of deaths from “influenza-like illness.” If we had not known about a new virus out there, and had not checked individuals with PCR tests, the number of total deaths due to “influenza-like illness” would not seem unusual this year. At most, we might have casually noted that flu this season seems to be a bit worse than average. The media coverage would have been less than for an NBA game between the two most indifferent teams.

Some worry that the 68 deaths from Covid-19 in the U.S. as of March 16 will increase exponentially to 680, 6,800, 68,000, 680,000 … along with similar catastrophic patterns around the globe. Is that a realistic scenario, or bad science fiction? How can we tell at what point such a curve might stop?

The most valuable piece of information for answering those questions would be to know the current prevalence of the infection in a random sample of a population and to repeat this exercise at regular time intervals to estimate the incidence of new infections. Sadly, that’s information we don’t have.

In the absence of data, prepare-for-the-worst reasoning leads to extreme measures of social distancing and lockdowns. Unfortunately, we do not know if these measures work. School closures, for example, may reduce transmission rates. But they may also backfire if children socialize anyhow, if school closure leads children to spend more time with susceptible elderly family members, if children at home disrupt their parents ability to work, and more. School closures may also diminish the chances of developing herd immunity in an age group that is spared serious disease.

This has been the perspective behind the different stance of the United Kingdom keeping schools open, at least until as I write this. In the absence of data on the real course of the epidemic, we don’t know whether this perspective was brilliant or catastrophic.

Flattening the curve to avoid overwhelming the health system is conceptually sound — in theory. A visual that has become viral in media and social media shows how flattening the curve reduces the volume of the epidemic that is above the threshold of what the health system can handle at any moment.

Yet if the health system does become overwhelmed, the majority of the extra deaths may not be due to coronavirus but to other common diseases and conditions such as heart attacks, strokes, trauma, bleeding, and the like that are not adequately treated. If the level of the epidemic does overwhelm the health system and extreme measures have only modest effectiveness, then flattening the curve may make things worse: Instead of being overwhelmed during a short, acute phase, the health system will remain overwhelmed for a more protracted period. That’s another reason we need data about the exact level of the epidemic activity.

One of the bottom lines is that we don’t know how long social distancing measures and lockdowns can be maintained without major consequences to the economy, society, and mental health. Unpredictable evolutions may ensue, including financial crisis, unrest, civil strife, war, and a meltdown of the social fabric. At a minimum, we need unbiased prevalence and incidence data for the evolving infectious load to guide decision-making.

In the most pessimistic scenario, which I do not espouse, if the new coronavirus infects 60% of the global population and 1% of the infected people die, that will translate into more than 40 million deaths globally, matching the 1918 influenza pandemic.

The vast majority of this hecatomb would be people with limited life expectancies. That’s in contrast to 1918, when many young people died.

One can only hope that, much like in 1918, life will continue. Conversely, with lockdowns of months, if not years, life largely stops, short-term and long-term consequences are entirely unknown, and billions, not just millions, of lives may be eventually at stake.

If we decide to jump off the cliff, we need some data to inform us about the rationale of such an action and the chances of landing somewhere safe.

John P.A. Ioannidis is professor of medicine, of epidemiology and population health, of biomedical data science, and of statistics at Stanford University and co-director of Stanford’s Meta-Research Innovation Center.

About The Author