¿Cómo afecta una multitud del tamaño de Sturgis a COVID-19? Es complicado

STURGIS, SD: la gente camina por Main Street durante el 80 ° Rally Anual de Motocicletas Sturgis en Sturgis, Dakota del Sur, el 8 de agosto de 2020.
Agrandar / STURGIS, SD: la gente camina por Main Street durante el 80 ° Rally Anual de Motocicletas Sturgis en Sturgis, Dakota del Sur, el 8 de agosto de 2020.

Michael Ciaglo | imágenes falsas

El coronavirus ama a la multitud. Ponga suficientes cuerpos calientes y susceptibles juntos y seguro que se extenderá. Los científicos han sabido que desde casi el comienzo de la pandemia, al estudiar los brotes de Covid-19 a bordo el Princesa Diamante crucero, dentro una megaiglesiaen Corea del Sur, en un partido de fútbol de la Champions League en Italia. Desde entonces se han registrado innumerables otros grupos, a menudo sembrados por un solo individuo contagioso.

Es el peligro de las multitudes lo que llevó a los gobiernos de otros países a promulgar cierres nacionales. En los Estados Unidos, era más un mosaico de estatales y locales pedidos para quedarse en casa, cierres de escuelasy prohibiciones de reuniones masivas. A medida que los científicos han aprendido más acerca de las condiciones específicas que pueden llevar a eventos tan extendidos (personas sin máscara que hablan, cantan o hacen ejercicio dentro de espacios interiores mal ventilados), eso ha hecho posible, en teoría, ajustar estas estrategias de contención de enfermedades y aliviar las restricciones más dramáticas y centrarse en las políticas que hacen más para detener la propagación del virus.

Pero la gente también ama a la multitud. Y durante el final de la primavera y el verano, una serie de reuniones masivas, a menudo observadas con ansiedad por los medios de comunicación, los profesionales de la salud y los vecinos preocupados, se convirtieron en experimentos de la vida real sobre lo que sucede cuando se junta a las personas en la era Covid-19. Los eventos variaron desde lo apolítico (vacaciones de primavera, campamento de verano, De vuelta a la escuela) a los políticamente supercargados (el mitin de Tulsa del presidente Trump, “Reabrir” protestas, protestas contra la brutalidad policialy manifestaciones en curso en Portland contra el uso de agentes federales). Cada uno probó diferentes variables (máscaras o sin máscaras, en interiores o al aire libre), pero todas dieron la oportunidad de estudiar las mismas preguntas: cuántas personas se enfermarían como resultado, cuántas morirían y quién asumiría el costo de la salud. factura de cuidado?

¿Cómo afecta una multitud del tamaño de Sturgis a COVID-19? Es complicado

Descubrir ese tipo de cosas es esencial para los gobiernos y las personas que desean realizar cálculos informados de riesgo-beneficio sobre los tipos de actividades que permitirán o en las que participarán. En los EE. UU., Con su respuesta pandémica políticamente polarizada, la gente está ansiosa por esta información también por otra razón. Cada lado está buscando evidencia de que el otro está actuando de manera irresponsable o hipócrita, controlando quién está agregando más dígitos al número nacional de muertos.

Es por eso que estudios como el publicado esta semana que miden el efecto del rally de motocicletas de Sturgis, Dakota del Sur, en las transmisiones Covid-19 llevaron a tal frenesí de intercambio en las redes sociales que alimenta el sesgo de confirmación. En una no revisada por pares hoja de trabajo, Cuatro investigadores afiliados al Centro de Estudios de Política y Economía de la Salud de la Universidad Estatal de San Diego analizaron datos anónimos de teléfonos celulares recopilados en los EE. UU. durante el verano para ver de dónde atrajo Sturgis a sus casi 500,000 asistentes en Estados Unidos. Luego rastrearon lo que sucedió con las tasas de casos de Covid-19 en condados con un alto número de asistentes al rally en las semanas posteriores al evento de agosto. Compararon estas áreas llamadas de alto flujo con condados “sintéticos” demográficamente emparejados. Para aclarar, los condados sintéticos son reales; son lugares en los EE. UU. con características similares (estructura de población, tasas y tendencias de transmisión de Covid-19 y políticas de mitigación de enfermedades) a las de alto flujo. Lo único diferente sobre ellos, asume el modelo de los investigadores, es que un grupo de residentes en estos condados no pasó una semana de fiesta en las colinas de Dakota del Sur. Eso es lo que los convierte en un control.

“No podemos observar qué habría pasado si el evento no hubiera ocurrido”, dice Joseph Sabia, uno de los cuatro coautores del informe. “Así que construimos nuestra mejor estimación de cómo se ve ese universo alternativo”.

Los investigadores tomaron ese delta, la diferencia en las tasas de casos entre cada condado y su control, y lo multiplicaron por el total de casos que cada condado había acumulado antes del mitin. Luego agregaron todos esos. En otras palabras, fueron muchas matemáticas. No es sorprendente, dado que se trataba de un estudio económico, no de una investigación epidemiológica. Pero aún es importante tener en cuenta que los autores no utilizaron métodos como el rastreo de contactos o el análisis genético de cepas virales para determinar dónde las personas en varios condados se habían infectado realmente y si de hecho todas portaban la misma cepa (o cepas) viral , lo que cabría esperar de las personas que habían estado expuestas en un solo evento.

260.000 nuevos casos?

Fue utilizando esta metodología centrada en las matemáticas que los investigadores estimaron que el rally condujo a más de 260.000 casos nuevos en todo el país, o el 19 por ciento de los 1,4 millones de nuevas infecciones registradas en los EE. UU. Entre el 2 de agosto y el 2 de septiembre de 2020. Además, pusieron un precio a todas esas infecciones adicionales estimadas: la friolera de $ 12.2 mil millones, entre costos hospitalarios y pérdida de productividad en el lugar de trabajo.

“Si todos los riesgos y costos de salud fueran asumidos por los asistentes, yo sería el primero en la fila para respaldar su derecho a elegir asistir a un evento como Sturgis”, dice Sabia. Pero con las enfermedades contagiosas, esos riesgos y costos no se pueden contener tan claramente. Ahí es donde él y sus colegas ven un papel para análisis como el que realizaron: para sopesar los beneficios económicos de organizar grandes reuniones con las pérdidas incurridas si los asistentes se enferman. ¿La meta? Identificar las estrategias de mitigación que protegen a las comunidades al tiempo que asesta el menor golpe a las economías locales.

Solo hay un problema. En los EE. UU., El tipo de datos necesarios para cuantificar los efectos que tienen las grandes reuniones en la transmisión de Covid-19 simplemente no existe. Fracasos para construir pruebas sólidas y programas de rastreo de contactos, tanto como sistemas de informes de datos, me he asegurado de eso. Esta catástrofe de la información ha dejado a los investigadores estrujar explicaciones de una bolsa de sorpresas de formas de evidencia más débiles y menos directas. Modelos econométricos como el que desarrolló el equipo de Sabia para estimar los efectos no solo de Sturgis sino también de la manifestación de Tulsa del presidente Trump, Protestas de Black Lives Matter, y la decisión de la Corte Suprema de Wisconsin de anular la orden de quedarse en casa de ese estado necesariamente se basan en medidas de poder que agregan enormes cantidades de ruido e incertidumbre.

Eso se debe a que la métrica más aparentemente obvia, la cantidad de casos confirmados, no es tan sencilla o confiable como podría pensar. En los EE. UU., Donde las pruebas a menudo todavía están racionadas, se cree que los casos confirmados subestiman la tasa de infección real de 5 a 10 veces. Eso significa que son una medida de la cantidad de pruebas que se realizan y quién las recibe, en lugar de una medida directa de la verdadera tasa de infección.

“Los casos confirmados son una medida aproximada que pretende permitir a los legisladores ver grandes tendencias y tomar decisiones a corto plazo de vida o muerte sobre dónde colocar recursos como ventiladores o camas de hospital”, dice Rex Douglass, experto en modelar datos de ciencias sociales que dirige el Laboratorio de Aprendizaje Automático para Ciencias Sociales en UC San Diego. Pero los recuentos de casos confirmados, y cómo varían después de un evento masivo, no pueden proporcionar buena información sobre los cambios en las tasas de infección. “Si bien la conclusión burda de que Sturgis probablemente propagó Covid-19 es casi seguro que sea cierto —sería impactante si no lo fuera— el diseño de investigación que utilizan no puede decirnos específicamente hasta qué punto con certeza ”, dice.

Ya conoce el dicho: entrada de datos incorrectos, salida de datos incorrectos. El problema, entonces, surge cuando las personas (y los escritores de titulares) toman esos resultados al pie de la letra. Cada artículo que ha publicado el equipo de Sabia le ha dado a personas de diferentes extremos del espectro político algo que quieren escuchar. En contraste con el mitin de Sturgis, los investigadores no encontraron efectos de otras reuniones masivas, incluidas las protestas de Black Lives Matter y Manifestación de Trump en Tulsa. Sabia dice que eso podría explicarse por ser eventos más pequeños. O, en el caso de las protestas, porque la mayoría de la gente usaba máscaras. O, en el caso de Tulsa, porque los datos de los teléfonos celulares mostraban que los residentes de esa ciudad se quedaban más en casa en los días previos y posteriores al evento, ya sea por temor al contagio o la violencia. Pero esas son solo hipótesis. El diseño del estudio en sí hace poco para aclarar las razones reales, o incluso los riesgos, de la propagación del Covid-19 a partir de estos eventos.

“Tanto los legisladores como los votantes deben saber que todavía no podemos responder a las preguntas más básicas sobre esta pandemia con las herramientas que tenemos a mano”, dice Douglass, quien ha estado un crítico vocal de Twitter del tipo de estudios como el publicado esta semana sobre Sturgis, y ha sido coautor un documento de próxima aparición sobre deficiencias similares en el literatura Covid en rápido aumento. Y no está solo. A otros científicos también les preocupa que la prisa por utilizar datos incorrectos o incompletos para proporcionar respuestas, cualquier respuesta, sobre los efectos de las grandes reuniones, en última instancia, hará poco para poner fin a la pandemia. Y, de hecho, piensan que puede hacer más daño que no tener ninguna respuesta.

“Mire, estas son preguntas realmente urgentes que debemos resolver”, dice Asish Jha, médico, investigador de salud y recientemente nombrado decano de la Escuela de Salud Pública de la Universidad de Brown. “Necesitamos poder analizar cuidadosamente cuántas protestas, mítines y otros eventos contribuyen a los brotes de enfermedades. Pero es más importante realizar un análisis de inmediato que hacerlo rápidamente. Y en este caso, simplemente no se hace lo suficientemente bien. Ojalá los autores, sabiendo lo increíblemente volátil políticamente que es el medio ambiente, hubieran hecho un trabajo más cuidadoso “.

DEADWOOD, SD — No hubo mucho distanciamiento social en Deadwood, Dakota del Sur durante el 80º Rally Anual de Motocicletas de Sturgis el 8 de agosto de 2020.
Agrandar / DEADWOOD, SD — No hubo mucho distanciamiento social en Deadwood, Dakota del Sur durante el 80 ° Rally Anual de Motocicletas de Sturgis el 8 de agosto de 2020.

Michael Ciaglo | imágenes falsas

Rechazo de Dakota del Sur

De hecho, los funcionarios de Dakota del Sur rechazaron rápidamente los hallazgos del investigador. Un portavoz del Departamento de Salud del estado le dijo a WIRED en un correo electrónico que el estudio “no se alinea con el impacto que hemos visto en el terreno”. La gobernadora Kristi Noem, una republicana que ha evitado los mandatos de máscaras y otras medidas de prevención de enfermedades, fue más allá, decirle a Fox News que los investigadores “hicieron algunos cálculos matemáticos al revés de la servilleta, inventaron algunos números y los publicaron”.

Ahora, ese es un universo alternativo propio. Los métodos bien aceptados empleados por el equipo de la Universidad Estatal de San Diego son estándar para que los economistas los utilicen cuando tratan de responder preguntas sobre los impactos sociales de un evento repentino. Pero eso no significa que fueran los métodos correctos para responder esta pregunta, ni que el estudio esté libre de defectos. En particular, Jha está en desacuerdo con la falta de los llamados análisis de falsificación. Estas pruebas son una forma de verificar su trabajo, para asegurarse de que mide lo que cree que es. Una forma de hacerlo es imaginar un mundo en el que el rally haya ocurrido tres semanas antes de lo que realmente sucedió y ejecutar los modelos nuevamente. Si el rally (el rally real) realmente fue lo que impulsó los picos de coronavirus, un análisis que utilice esta fecha ficticia de Sturgis no debería mostrar ningún cambio en las tasas de casos, porque en este análisis el rally real es todavía de tres semanas en el futuro. Si ve un cambio, entonces sabe que algo más que el rally de Sturgis está causando el pico. Sin ese tipo de controles, es más difícil hacer afirmaciones de causalidad.

Pero el problema más importante, dice Jha, es que los datos del mundo real simplemente no parecen coincidir con las estimaciones del estudio, excepto en Dakota del Sur. El departamento de salud del estado ha identificado hasta ahora a 124 personas que asistieron al mitin y luego dieron positivo por Covid-19. Un portavoz del departamento se negó a decir cuántos contactos cercanos de esas personas están siendo monitoreados actualmente para ver si se enferman. Pero en el mes siguiente al rally, el promedio diario de Dakota del Sur para nuevos diagnósticos se triplicó de 82 a 307. Ese es un pico visible que se alinea bastante bien, en términos de tiempo, con Sturgis, dice Jha.

Sin embargo, según los datos de los teléfonos celulares, el 90 por ciento de los asistentes al mitin provenían de lugares fuera del estado. Sin embargo, cuando observa los condados identificados por los autores del estudio de Sturgis como los que contribuyen con el mayor número de asistentes, no ve aumentos similares. Según su modelo, en las tres semanas posteriores al mitin, las infecciones por Covid-19 aumentaron más en lugares como el condado de Maricopa, Arizona; El condado de Hennepin, Minnesota; y tres condados que rodean el área metropolitana de Denver en Colorado. En esos condados, los autores encontraron que el mitin de Sturgis estaba asociado con un aumento del 13,5 por ciento en los casos de Covid-19. Pero según los datos del departamento de salud pública del estado, el condado de Maricopa realmente vio un descensoen los casos reportados diariamente, desde un promedio de siete días de 775 al comienzo del rally a 266 un mes después. En dos de los tres condados de Colorado, la cantidad de casos nuevos disminuyó o se estancó después del rally. Esa tendencia también se observó en algunos otros condados de alto flujo, incluidos San Diego, Los Ángeles y el condado de Clark, Nevada, hogar de Las Vegas.

Una excepción es Minnesota, que informó la primera muerte de Covid-19 relacionada con Sturgis la semana pasada. Los funcionarios de salud del estado de Minnesota dijeron a WIRED que los 51 casos que hasta ahora se remontan a Sturgis están contribuyendo a un aumento reciente de las infecciones. (No tenían desgloses por condado en este momento).

Cuando se le preguntó acerca de la discrepancia entre las estimaciones del estudio y las tasas de casos en estos condados, Sabia dijo que las cifras provenían de más de un puñado de jurisdicciones. “Los impactos fueron difusos, vistos en cientos de condados en todos los rincones de los Estados Unidos”, dijo.

Los números “no son completamente locos”

Jha no se lo cree. “Tal vez no esté en esos condados, pero ¿dónde está?” él pide. “Puede ocultar un aumento del 5 por ciento o del 2 por ciento solo por el ruido. Pero están diciendo que el 20 por ciento de los casos es un efecto enorme. Eso es uno de cada cinco casos en Estados Unidos. No puedes simplemente enterrar eso en un montón de pequeños condados y no ver un bache. Por eso, para mí, lo que están diciendo es inverosímil: 250.000 casos en las últimas tres semanas simplemente no pasan la prueba de olfateo “.

Justin Lessler, epidemiólogo de enfermedades infecciosas de la Universidad Johns Hopkins, está más inclinado a encontrar la estimación, si al menos no plausible, “no completamente loca”, como él dice. Sus razones para ser escéptico también se reducen a lo blando de los métodos que se utilizan. Elegir condados equivalentes para que sirvan como su control es un asunto complicado. Puede que no haya una coincidencia exacta. Y pequeñas diferencias en la dinámica de transmisión antes del evento que está estudiando pueden sesgar los resultados de manera importante, hasta el punto de ser completamente incorrectos. “Debido a que existen todos estos posibles errores en la forma de hacerlo, es una de las formas más débiles de inferencia”, dice Lessler. “Y en este caso, las estimaciones también tienen una incertidumbre muy alta”.

Sin embargo, Lessler dice que este tipo de análisis es lo único que puede hacer con los datos disponibles, porque no hay forma de ver una versión de la realidad en la que la gente no vaya a Sturgis. Y probar a todos los asistentes al rally y rastrear contactos a todos los que podrían haber expuesto sería una empresa demasiado grande para el mosaico de operaciones de rastreo de contactos de EE. UU. Quizás podría haber sido manejado por programas gubernamentales más intrusivos, como los operados en Singapur, Corea del Sury China que rastrean más información personal en nombre de la vigilancia de enfermedades. Pero ciertamente no en los Estados Unidos que no me pisan, donde las aplicaciones de rastreo de contactos digitales han fracasado y equipos de rastreo manual ha tenido problemas para mantenerse al día incluso con aumentos moderados en los casos de Covid-19. “Si tuvieras recursos infinitos, podrías hacerlo. Pero, prácticamente, probablemente va más allá de los recursos de cualquiera ”, dice Lessler.

Sabia está de acuerdo en que, aunque imperfectos, estos análisis tienen un papel que desempeñar para llenar los vacíos de información que dejan los esfuerzos de rastreo de contactos fragmentados y abrumados. “No me parece que sea preferible volar a ciegas para tomar decisiones políticas importantes que podrían resultar en eventos de superdifusión a usar datos que podrían tener algunas limitaciones”, dice Sabia.

Por otro lado, Douglass, del Machine Learning for Social Science Lab, dice que solo porque sea posible hacer este tipo de análisis no significa que uno debería. Su preocupación es que debido a que este estudio está disponible, nunca obtendremos una respuesta buena y real a la pregunta de cuántas infecciones surgieron en el mitin de Sturgis o en otras reuniones masivas. La misma lógica también se aplica a los estudios que utilizan métodos igualmente débiles para medir la eficacia del uso de mascarillas, las órdenes para quedarse en casa y otras intervenciones destinadas a retrasar la propagación de la enfermedad.

Toma por ejemplo, un estudio bien cubierto publicado en junio que concluyó que las mascarillas faciales eran el medio más eficaz para controlar la transmisión del coronavirus. Se compartió ampliamente como prueba de que todos los estadounidenses deberían usar una máscara, hasta que docenas de especialistas en estadística comenzó a pedir su retractación inmediata. Ellos señaló que si bien es casi seguro que las máscaras previenen la propagación comunitaria de Covid-19, y averiguar exactamente cuánto ayudan es de importancia urgente para la salud pública, este estudio en particular no fue diseñado para responder la pregunta. El episodio contribuyó a la saga de mensajes contradictorios de este año sobre la importancia de llevar máscaras.

El problema sigue siendo la falta de datos precisos sobre cuántas personas han contraído Covid-19. Hasta que tengamos una buena idea de cómo varía la disponibilidad de las pruebas a lo largo del tiempo, las regiones y los datos demográficos, los investigadores no pueden estar seguros de cuánto varían también las tasas de infección. Uno podría usar razonablemente Técnicas bayesianas hacer algunas conjeturas razonables, pero incluso entonces las tasas de falsos positivos y los retrasos en los tiempos de respuesta de los resultados de las pruebas podrían arruinarlo, dice Douglass. “Es un desastre”, concluye.

Para remediar la situación, le gustaría que EE. UU. Invirtiera en pruebas a gran escala y programadas regularmente, como encuesta sobre la infección por Covid-19 de la Oficina de Estadísticas Nacionales del Reino Unido, que ofrece pruebas de diagnóstico y anticuerpos gratuitas a 28.000 británicos cada dos semanas. Los participantes registran los síntomas en una aplicación y se les hace un seguimiento durante al menos un año. La agencia anunció recientemente planes para escalar hasta 150.000 personas para octubre, con el objetivo de llegar a 400.000.

En Alemania, la toma de muestras, los análisis de sangre y la toma de cuestionarios regulares permitieron a los investigadores capturar con mayor precisión las consecuencias de un evento de gran difusión en un carnaval al aire libre. Descubrieron que asistir al evento duplicaba con creces las posibilidades de que las personas se contagiaran.

Pero los legisladores y los financiadores de investigaciones en los EE. UU. Podrían tener más dificultades para justificar los recursos para este tipo de experimentos a largo plazo para toda la población si parece que ya se tienen buenas respuestas, aunque la pregunta solo se está volviendo más importante a medida que las protestas escalada, conciertos y partidos de fútbol se reanudan, y el gobierno intenta ejecutar de forma segura unas elecciones nacionales en noviembre.

“Una consecuencia perversa de la extrema necesidad social de respuestas que se encuentran con una completa escasez de evidencia es que las respuestas emergerán del éter de todos modos”, dice Douglass. Los partidos políticos, las agencias gubernamentales, los medios de comunicación y la mayoría de las demás instituciones están perfectamente dispuestos a satisfacer la demanda del mercado de respuestas confiables, estén o no justificadas, dice. Pero la ciencia como oficio significa resistir esta tentación, sentirse cómodo con la ignorancia y hacer un trabajo paciente y, a veces, dolorosamente incremental. Como él dice: “Ese es el trabajo”.

Esta historia apareció originalmente en wired.com.

Related Stories

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí