COVID-19: gráficos muestran la probabilidad de hospitalización y muerte según edad, sexo y factores de riesgo

Desde que comenzó la pandemia del COVID-19, calibrar el riesgo relacionado con la enfermedad se ha convertido en un elemento de la vida cotidiana. Pocos lugares son completamente seguros. ¿Es prudente ir al supermercado? ¿Qué tal tomar un taxi con las ventanillas bajadas y con barbijo?

Las respuestas dependen no solo de la probabilidad de que una actividad cause transmisión, sino también de qué tan grave la lucha contra el COVID-19 para la persona involucrada. En los países ricos, la tasa de letalidad (CFR por sus siglas en inglés) para las personas que dan positivo en la prueba es poco menos del 2% (la tasa de muerte real, incluidos los casos no diagnosticados, es más baja). Sin embargo, la letalidad de COVID-19 varía tanto que la mayoría de las personas no enfrentan un CFR de un solo dígito bajo. Pocos niños muestran síntomas, mientras que los ancianos, especialmente aquellos con otras enfermedades (“comorbilidades”), mueren a un ritmo alarmante. Los funcionarios han enfatizado recomendaciones universales como el uso de barbijo y el distanciamiento social, dejando que las personas elijan tolerancias al riesgo dentro de esas pautas.

Estas evaluaciones pueden ser complejas. Aunque las personas mayores representan la mayoría de las muertes por COVID-19, el mecanismo detrás de este patrón no está claro. ¿Están los ancianos en riesgo simplemente por su edad? ¿O es más bien porque a menudo tienen comorbilidades que debilitan las defensas contra el COVID-19 y, de ser así, cuáles? No hay consenso sobre la importancia relativa de estos factores. En los Estados Unidos, la lista de comorbilidades que permiten que las personas más jóvenes se vacunen varía mucho entre los estados.

Hacer estimaciones granulares de los riesgos de COVID-19 requiere una gran cantidad de datos. La muestra debe tener muchos ejemplos raros, como adolescentes gravemente enfermos y alegres personas de 90 años. También necesita proporciones precisas de pares específicos de demografía-comorbilidad, como los hombres de 30 años con COVID-19, pancreatitis y asma.

Ahora existe un conjunto de datos de este tipo, aunque tiene defectos notables. Un grupo de hospitales, médicos, aseguradoras, farmacias y proveedores de datos estadounidenses han reunido datos sobre sus pacientes para crear la base de datos de investigación COVID-19, un archivo de más de 5 mil millones de registros médicos. En asociación con A3.AI, un grupo de investigación que ha empalmado los registros de cada paciente, los administradores del proyecto le otorgaron acceso a The Economist.

El archivo registra la edad, el sexo y la presencia de 29 comorbilidades entre 104 millones de personas en Estados Unidos, de las cuales 466.000 fueron diagnosticadas con COVID-19 en mayo-diciembre de 2020. También enumera cuáles murieron en 2020 y, para las personas que dieron positivo, su fecha de diagnóstico y si fueron hospitalizados durante su enfermedad. Aunque la población del conjunto de datos está más enferma que el promedio, este sesgo puede compensarse ajustando la muestra utilizando datos oficiales sobre casos y muertes por edad, sexo y período de tiempo.

Los datos iluminan patrones que los médicos ya han visto en las salas de coronavirus, pero que aún no son sabiduría convencional. El COVID-19 se propaga principalmente a través del aire y, a menudo, se considera una enfermedad respiratoria. Sin embargo, las complicaciones en casos graves suelen ser cardiovasculares, incluida la inflamación del corazón y la coagulación sanguínea irregular. El archivo refuerza la creciente evidencia de que el COVID-19 ataca al cuerpo en general y se ve más exacerbado por comorbilidades que causan inflamación o que afectan el sistema circulatorio, como problemas renales, hepáticos o cardíacos. Por el contrario, las afecciones respiratorias como el asma importan menos, aunque las graves, como el cáncer de pulmón o la fibrosis pulmonar, también son factores de riesgo importantes.

El peligro que representan estas afecciones para los pacientes con COVID-19 depende del resultado que mida. La mayoría de los análisis de riesgo se concentran en las muertes. En esta métrica, la edad bruta es un predictor más fuerte que las comorbilidades enumeradas; el sexo también es importante. Después de corregir los sesgos en los datos, murieron el 8,5% de los hombres y el 4,9% de las mujeres de 70 años sin afecciones conocidas además del COVID-19. Las cifras para las personas de 25 a 34 años con COVID-19, enfermedad cardíaca e hiperlipidemia (por ejemplo, colesterol alto) fueron del 0,8% para los hombres y del 0,7% para las mujeres. Esto significa que es posible que deseemos esperar hasta que nuestros abuelos, que juegan al tenis y que viajan por aventuras, estén vacunados antes de visitarlos. También significa que los gobiernos han hecho bien al vacunar primero a las personas mayores, incluso a las que se encuentran en un estado inusual, y que los hombres podrían necesitar límites de edad más bajos que las mujeres.

Sin embargo, el COVID-19 puede causar un gran daño a las personas incluso si no las mata. Y cuando se trata de predecir estancias hospitalarias, las comorbilidades juegan un papel más importante. De las personas de 25 a 34 años con problemas cardíacos, hiperlipidemia y COVID-19, una cuarta parte de los hombres y una quinta parte de las mujeres fueron hospitalizadas, aproximadamente las mismas proporciones que las de las personas de 70 años sin otras afecciones enumeradas. Las personas de 25 a 34 años sin enfermedades conocidas además del COVID-19, por el contrario, tenían solo un 1,6% (para hombres) y un 1,0% (para mujeres) de posibilidades de hospitalización. Aunque la mayoría de los pacientes más jóvenes vencen eventualmente al COVID-19, aquellos con comorbilidades relevantes a menudo no pueden hacerlo en casa.

“Las interacciones del COVID-19 con la demografía y las comorbilidades son demasiado complejas para reglas básicas simples. Para calcular los riesgos de todas las combinaciones posibles de estos factores, hemos construido un modelo estadístico utilizando un algoritmo de aprendizaje automático llamado ‘árboles potenciados por gradientes’. Para cualquier grupo de personas no vacunadas de una determinada edad, sexo y combinación de comorbilidades, el modelo estima las proporciones que, dentro de los 30 días posteriores a una prueba positiva para el COVID-19 en Estados Unidos a fines de 2020, habrían muerto o serían hospitalizados”, aseguran desde la revista.

Y sostienen: “Nuestro modelo no puede estimar el riesgo de manera confiable para las personas. El archivo utilizado para construirlo tiene varias limitaciones. Solo incluye a personas con seguro médico y no incluye la ubicación, el origen étnico o la fecha de muerte de los pacientes. La mayoría de las edades de los octogenarios aparecen como ’80+’. Cualquiera que haya presentado una reclamación médica desde 2014 citando una comorbilidad figura con esa condición, independientemente de su antigüedad o gravedad, lo que evita las distinciones entre cánceres en remisión y tumores malignos. No todas las personas sin enfermedades conocidas son saludables: algunas tienen dolencias que no están en el menú de 29 condiciones. Y nuestra corrección de la sobrerrepresentación de los datos de personas enfermas podría producir una subestimación del impacto de las comorbilidades”.

Además, advierten que es posible que las suposiciones del modelo no se mantengan más allá de sus datos de entrenamiento. “Se asume que las personas están infectadas con una de las cepas de SARS-CoV-2 común en Estados Unidos a fines de 2020; que la calidad de su tratamiento y las probabilidades de hacerse la prueba son similares a los promedios estadounidenses en ese momento; y que se parecen demográfica e inmunológicamente a las personas en los datos que comparten sus atributos enumerados. Sin embargo, las nuevas variantes virales se están extendiendo rápidamente; la mayor parte de la atención médica es mejor o peor que el promedio estadounidense; los tratamientos siguen mejorando; y las diferencias en la genética y la exposición viral pasada pueden afectar los CFR”.

Aun así, a pesar de estas limitaciones, el modelo probablemente sea más preciso que la mayoría de las alternativas disponibles públicamente. Tiene en cuenta las interacciones entre las comorbilidades en lugar de considerar cada una de forma aislada, y estima las posibilidades tanto de hospitalización como de muerte. Su salida representa un promedio de grupo, del que se diferenciará cualquier individuo. Pero al reducir ese grupo a personas de la misma edad, sexo y combinación de comorbilidades, proporciona un punto de partida más relevante que un promedio de talla única.

Gráficos: Marcelo Regalado

SEGUIR LEYENDO: