Entendiendo las tasas de gravedad en datos de salud

Las tasas de severidad se usan para entender la probabilidad de que un evento de salud primaria, como contagiarse de un virus, lleve a un evento secundario, como hospitalización o muerte. Por ejemplo, si una persona da positivo por una enfermedad, la tasa de severidad puede ayudar a averiguar las chances de que ese caso termine en un resultado grave. Esto es útil para evaluar qué tan peligroso puede ser un brote.

#Ejemplos Comunes

Dos medidas comunes de tasas de severidad son las tasas de letalidad por caso (CFR) y las tasas de letalidad por infección (IFR). Estas tasas ayudan a los funcionarios de salud a evaluar cuán mortal puede ser un brote de enfermedad. Otra medida importante es la tasa de letalidad por hospitalización (HFR), que mira específicamente cuántas personas que son hospitalizadas debido a una enfermedad terminan falleciendo por ella.

#El Desafío de Recoger Datos

En un mundo perfecto, los investigadores tendrían acceso a registros detallados que incluyan el resultado de cada paciente con diversas enfermedades. Sin embargo, durante epidemias de rápido movimiento, como la pandemia de COVID-19, ha sido complicado rastrear a cada individuo en tiempo real. En cambio, los expertos en salud a menudo se basan en datos agregados, lo que significa mirar cuentas totales en lugar de casos individuales.

Por ejemplo, pueden mirar el número total de casos y muertes de COVID-19 para estimar la CFR. Aunque usar datos agregados es común, es importante notar que los números pueden cambiar según nuevos tratamientos, vacunas y variantes del virus.

#Usando Estimaciones de Proporciones

Los funcionarios de salud a menudo calculan tasas de severidad usando lo que se conoce como “estimadores de proporción”. Estos estimadores toman el número de eventos primarios (como nuevos casos) y los dividen por el número de eventos secundarios (como muertes). Por ejemplo, si hay 100 nuevos casos de COVID-19 y 10 muertes relacionadas, la CFR sería del 10%. Sin embargo, estos estimadores pueden ser complicados y no siempre cuentan toda la historia.

Un gran problema con estos estimadores de proporción es que pueden estar sesgados, especialmente cuando las tasas de severidad están cambiando. Este sesgo puede hacer que los funcionarios de salud se pierdan señales importantes sobre los riesgos asociados con una enfermedad.

#Los Altibajos del Estimador Atrasado

Un método popular para calcular la severidad es el “estimador de proporción atrasada”. Este método mira los conteos de días anteriores y asume un cierto retraso antes de que ocurran muertes tras una infección. Sin embargo, tiene sus desafíos. Si el número de casos está subiendo o bajando rápidamente, el estimador atrasado puede mostrar resultados engañosos.

Por ejemplo, si el riesgo real está disminuyendo pero el estimador atrasado sigue mostrando una tasa alta, puede indicar falsamente un aumento en el peligro, causando alarma innecesaria.

#Un Vistazo más Cercano al Estimador Convolucional

Otra forma de estimar tasas de severidad es a través de un “estimador convolucional”. Este método usa una distribución de retraso que relaciona la serie temporal de eventos primarios y secundarios. Al tener en cuenta datos pasados y estimar cómo se relacionan con los eventos actuales, busca crear una imagen más precisa de la tasa de severidad.

Sin embargo, al igual que el estimador atrasado, el estimador convolucional también puede enfrentar problemas si las suposiciones subyacentes sobre cómo se distribuyen los datos son incorrectas.

#El Impacto de Cambiar Datos

Cuando las tasas de severidad cambian, el estimador atrasado puede que no reaccione lo suficientemente rápido. Imagina un pronóstico del clima que predice sol cuando, en realidad, se está formando una tormenta. De manera similar, cuando las tasas de hospitalización caen, pero el estimador muestra un aumento en la severidad, puede confundir a los funcionarios de salud sobre el verdadero peligro.

Por ejemplo, durante los primeros días de COVID-19, el estimador atrasado no logró capturar el riesgo creciente durante la ola Delta. Más tarde, cuando estaba presente la variante Ómicron, mostró un aumento abrupto en severidad incluso cuando el riesgo real disminuyó.

#Aprendiendo de la Especificación Errónea

Uno de los grandes problemas con estos estimadores surge cuando las suposiciones subyacentes sobre las distribuciones de retraso son incorrectas. Cuando el modelo usado para los cálculos no coincide con el escenario del mundo real, lleva a la “especificación errónea”.

Esto es como tratar de encajar un clavo cuadrado en un agujero redondo; simplemente no funciona. En tales casos, el sesgo puede exagerar o subestimar la tasa de severidad.

#Estimaciones en Tiempo Real: Una Doble Espada

Cuando se estima tasas de severidad, el tiempo es crucial. Los datos en tiempo real pueden ser engañosos a veces porque se actualizan constantemente y pueden no reflejar siempre la verdadera situación. Es un poco como intentar pescar con una red que tiene huecos: algunos datos pueden escaparse.

Experimentar con datos en tiempo real durante la pandemia de COVID-19 mostró que los estimadores de proporción a menudo se quedaban atrás de los cambios reales en la severidad. Fueron lentos para reaccionar durante períodos cruciales, como el aumento de la variante Delta.

#El Valor de los Datos de Hospitalización

Los datos de hospitalización pueden ser un tesoro cuando se trata de estimar tasas de severidad. A diferencia de los datos de casos, los informes de hospitalización tienden a ser más completos. Los hospitales están obligados a reportar admissions diarias, lo que facilita evaluar la gravedad de la situación.

Dado que los datos de hospitalización generalmente se alinean por fechas de admisión, ayudan a crear una imagen más clara de cuán severo es un brote a lo largo del tiempo.

#¿Qué Se Puede Hacer?

Dadas las dificultades con los estimadores de proporción tradicionales, los funcionarios de salud pueden necesitar considerar métodos alternativos para mejorar la precisión de las estimaciones de tasas de severidad. Esto incluye buscar mejores maneras de manejar los datos y usar técnicas avanzadas para tener en cuenta sesgos.

Al reconocer cuándo los estimadores pueden ser engañosos, los funcionarios pueden ajustar sus respuestas. Por ejemplo, si se nota un aumento repentino en la tasa de severidad después de un fuerte descenso en hospitalizaciones, podría ser prudente revisar los datos más detenidamente antes de tomar decisiones apresuradas.

#Conclusión: Un Acto de Equilibrio

En el mundo de la salud pública, estimar tasas de severidad es una tarea esencial que ayuda a salvar vidas. Sin embargo, viene con sus desafíos. Los métodos usados para calcular estas tasas a veces pueden llevar a información engañosa.

Aunque las tasas de severidad brindan información valiosa a los funcionarios de salud, ¡siempre hay que mirar de cerca los datos detrás de ellas! Después de todo, entender la verdadera situación es crítico, especialmente cuando se trata de tomar decisiones que afectan la salud pública.

Así que la próxima vez que escuches sobre un aumento repentino en las tasas de severidad, recuerda: podría ser solo un bache en el radar, o una señal de que todos debemos ser más cautelosos. De cualquier manera, ¡los hechos importan!