Ahoracasting de hospitalizaciones por COVID-19 en Alemania

Durante brotes de enfermedades infecciosas, los Datos en tiempo real ayudan a los funcionarios de salud a entender la situación y manejar los riesgos. Estos datos son cruciales para planificar recursos e implementar medidas de control. Sin embargo, interpretar estos datos puede ser complicado porque a menudo están incompletos y pueden cambiar con el tiempo. Los retrasos en los reportes significan que los datos más recientes pueden no reflejar la verdadera situación, llevando a conclusiones incorrectas sobre las tendencias.

Para abordar este problema, se utilizan métodos estadísticos llamados Nowcasting. El nowcasting predice cuánto se ajustarán los datos preliminares una vez que se disponga de datos más completos. Esto ayuda a identificar tendencias actuales que pueden no estar claras en los informes iniciales. Ha habido una investigación significativa sobre este tema en diferentes campos, incluyendo economía y salud pública. El nowcasting se ha aplicado a varias situaciones en epidemiología, incluyendo VIH, brotes de influenza y enfermedades transmitidas por mosquitos.

La pandemia de COVID-19 aumentó el interés en el nowcasting ya que los funcionarios de salud necesitaban información oportuna y precisa para manejar los brotes de manera efectiva. Se desarrollaron y adaptaron muchas técnicas nuevas para proporcionar mejores predicciones. A pesar de estos avances, dos problemas importantes siguen sin explorarse. Primero, hay pocos estudios que evalúan cómo se desempeñan estos métodos en situaciones en tiempo real. La mayoría de la investigación se ha basado en datos pasados, potencialmente pasando por alto los desafíos que se enfrentan cuando los datos son incompletos. En segundo lugar, las comparaciones sistemáticas de diferentes métodos son raras. Este estudio tiene como objetivo llenar estos vacíos evaluando múltiples enfoques de nowcasting en tiempo real y examinando la efectividad de las predicciones combinadas.

#La Importancia de las Hospitalizaciones

En Alemania, el número de hospitalizaciones relacionadas con COVID-19 ha sido un indicador clave para gestionar la pandemia. En noviembre de 2021, las hospitalizaciones fueron oficialmente reconocidas como una medida crucial para determinar restricciones. Se establecieron umbrales para guiar las decisiones de salud pública basadas en estos números.

Los datos de hospitalización se reportan según la fecha de pruebas positivas en lugar de la fecha de admisión. Esto significa que hay un retraso entre cuando se reporta un caso y cuando ese caso se refleja en los datos de hospitalización. El retraso consiste en dos partes: el tiempo entre la prueba positiva y la admisión y el tiempo que lleva reportar la hospitalización. Ha habido críticas a este método de reporte, pero las autoridades de salud lo han defendido como un equilibrio necesario entre rapidez y precisión de los datos.

#La Tarea del Nowcasting

Este estudio analiza el nowcasting en el contexto de los datos de hospitalización en Alemania. Se centra específicamente en la incidencia de hospitalización de 7 días. Un enfoque de conjunto, donde múltiples Modelos proporcionan pronósticos, es particularmente útil aquí debido a la naturaleza compleja de los datos y los retrasos en los reportes.

Se estableció el COVID-19 Nowcast Hub para recopilar y combinar pronósticos de diferentes modelos a diario. Esta iniciativa es parte de un esfuerzo más grande para mejorar los métodos de pronóstico durante la pandemia y proporciona una imagen más precisa de las tendencias de infección.

#Estructura del Estudio

El estudio está organizado de la siguiente manera. La primera sección presenta la definición de la incidencia de hospitalización de 7 días según las autoridades de salud alemanas y esboza los objetivos del nowcasting. La siguiente parte describe los métodos individuales utilizados para el nowcasting y cómo se evaluarán. La sección de resultados presenta la evaluación del desempeño de estos métodos, destacando tanto sus fortalezas como debilidades. La sección final discute los hallazgos y sus implicaciones.

Un aspecto clave de este estudio es que se pre-registraron los criterios de evaluación para garantizar transparencia y responsabilidad. Esto permite una evaluación clara de los métodos utilizados y su desempeño según criterios especificados.

#Definición de la Incidencia de Hospitalización

En Alemania, la incidencia de hospitalización de 7 días se calcula según el número de casos hospitalizados de COVID-19 reportados durante un período de 7 días por cada 100,000 habitantes. Esta métrica se basa en la fecha en que se reporta un caso, no cuando ocurre la admisión al hospital. En consecuencia, los valores reportados pueden cambiar a medida que se dispone de más información.

Las cifras iniciales de hospitalización pueden ser significativamente más bajas que los números finales debido a los ajustes continuos en el proceso de reporte. Por ejemplo, los datos recibidos el mismo día pueden cubrir solo alrededor del 50-60% del total final de hospitalizaciones. Con el tiempo, a medida que se reportan más números, este porcentaje aumenta.

Este reporte incompleto puede llevar a discrepancias entre los números vistos en tiempo real y aquellos que finalmente se confirman. Por ejemplo, las tasas pueden variar ampliamente entre diferentes regiones, grupos de edad y días de la semana.

#Objetivos del Nowcasting y Período del Estudio

El objetivo principal del nowcasting es predecir cuánto cambiarán las cifras preliminares de hospitalización a medida que se disponga de más datos. Se hicieron predicciones para cada día desde el 22 de noviembre de 2021 hasta el 29 de abril de 2022, cubriendo todos los días laborables y algunos días festivos.

Se pidió a los modelos de nowcasting que predijeran valores tanto a nivel nacional como para los estados alemanes individuales, así como para diferentes grupos de edad. Para proporcionar un sentido de certeza en estas predicciones, los equipos enviaron un rango de valores en lugar de solo predicciones individuales.

Inicialmente, se esperaba que los modelos de nowcasting reportaran solo para los días laborables, pero la automatización de estos modelos permitió predicciones durante fines de semana y días festivos. Esto significó que el estudio pudo recopilar datos más completos y proporcionar información más oportuna.

#Descripción General de los Modelos

Se utilizaron ocho modelos en este estudio, cada uno contribuyendo con sus métodos para hacer predicciones. La mayoría de estos modelos se basaron únicamente en datos iniciales de hospitalización, utilizando varias técnicas para estimar retrasos y predecir números futuros. Sin embargo, un modelo incluyó casos confirmados como un factor adicional.

Los métodos variaron en complejidad, con algunos modelos teniendo en cuenta retrasos más largos y otros confiando en suposiciones más simples sobre los tiempos de reporte. Cada modelo aportó un enfoque único al problema, lo que proporcionó un conjunto diverso de predicciones.

#Nowcasting de Conjunto

El estudio utilizó nowcasting de conjunto, que combina pronósticos de diferentes modelos en una sola Predicción. Este método tiene como objetivo capturar una gama más amplia de posibilidades y mejorar la precisión. Se utilizaron dos enfoques de conjunto principales: uno basado en la media de las predicciones y otro basado en la mediana. Ambos enfoques estaban diseñados para proporcionar una visión más equilibrada de los datos.

Al combinar los pronósticos, el estudio buscó minimizar las debilidades de los modelos individuales y mejorar el rendimiento predictivo general. Este esfuerzo colaborativo destacó cómo el pronóstico conjunto podría llevar a un nowcasting más fiable, especialmente durante períodos estresantes como una pandemia.

#Métricas de Evaluación

Para evaluar la efectividad de los modelos de nowcasting, se utilizaron reglas de puntuación específicas. Estas medidas ayudan a garantizar que las predicciones realizadas sean honestas y basadas en la realidad. Las puntuaciones evalúan qué tan cerca están las predicciones de los valores observados reales, teniendo en cuenta el nivel de incertidumbre.

También se evaluaron las tasas de cobertura, o qué tan a menudo las predicciones cubren los resultados reales. Un modelo que proporciona predicciones precisas debería tener tasas de cobertura cercanas a sus niveles previstos.

#Completitud de las Presentaciones

Todos los modelos participantes produjeron con éxito nowcasts durante todo el período del estudio. En raras ocasiones cuando faltaban presentaciones, a menudo se completaron retrospectivamente. En los casos donde los conjuntos completos de datos eran inalcanzables, esos objetivos se omitieron de la evaluación para garantizar la equidad.

La mayoría de los modelos proporcionaron predicciones a nivel nacional, mientras que otros se centraron en estados o grupos de edad. La capacidad de completar los vacíos permitió una evaluación más exhaustiva del desempeño de cada modelo.

#Inspección Visual de los Nowcasts

Para tener una idea de cuán bien se desempeñó cada modelo de nowcasting, se realizaron inspecciones visuales. Estas inspecciones compararon las predicciones medianas de cada modelo con los valores finales confirmados. Era evidente que, aunque las predicciones variaron, muchos modelos capturaron con éxito las tendencias generales a lo largo del tiempo.

Hubo una variabilidad notable en cuán anchas o estrechas eran las intervalos de predicción a través de diferentes modelos. Algunos modelos mostraron patrones estacionales fuertes, indicando que incorporaron cambios diarios en las hospitalizaciones para informar sus predicciones.

#Evaluación Formal

Para consolidar los hallazgos de las inspecciones visuales, se realizaron evaluaciones formales. Esto incluyó el análisis de las puntuaciones promedio de los diversos modelos. Las evaluaciones mostraron que algunos modelos eran constantemente mejores que otros, particularmente en predecir tendencias a lo largo del tiempo.

Los resultados indicaron que la mayoría de los modelos funcionaron bien, con algunos logrando reducciones sustanciales en el error en comparación con datos no corregidos. Además, las tasas de cobertura revelaron que ciertos modelos sobresalieron en proporcionar intervalos que capturaron con precisión los resultados observados.

#Interpretación de los Resultados de la Evaluación

Los resultados de las evaluaciones revelaron algunos hallazgos interesantes. Muchos modelos, particularmente el modelo ILM, lograron puntuaciones impresionantes y demostraron una mejor calibración de la incertidumbre en comparación con otros. Los hallazgos sugieren que ciertas elecciones de modelado afectan significativamente el rendimiento predictivo.

Uno de los factores críticos que influyó en los resultados fue el retraso máximo elegido por los modelos. Los modelos que tuvieron en cuenta retrasos más largos tendieron a desempeñarse mejor, sugiriendo que entender los patrones de reporte es vital para un nowcasting preciso.

#Impacto de Patrones de Reporte Inusuales

Los modelos de nowcasting operaron bajo la suposición de que los patrones de reporte se mantendrían estables. Sin embargo, hubo momentos en que estas suposiciones no se sostuvieron. Por ejemplo, si los hospitales se veían abrumados, los reportes podían caer drásticamente, llevando a nowcasts inexactos.

Se documentaron instancias de reportes inusuales durante el estudio, resaltando cuán rápidamente podían cambiar las circunstancias. Ciertas regiones experimentaron picos en los casos o caídas repentinas en los números reportados, afectando las predicciones generales generadas por los modelos.

#Variaciones Retrospectivas de Modelos

Al examinar el rendimiento de los modelos, se realizaron revisiones en algunos de ellos basadas en nuevos conocimientos del período del estudio. Se ejecutaron diferentes variaciones de los modelos para ver cómo los cambios podían mejorar la precisión.

Los resultados mostraron que ajustar ciertos elementos, como aumentar el retraso máximo o cambiar cómo se generaban los intervalos de incertidumbre, llevó a mejoras en el rendimiento predictivo.

#Sensibilidad de los Resultados a la Definición de Datos Finales

El estudio enfrentó desafíos relacionados con la definición de lo que constituía los "datos finales". Diferentes versiones de datos emergieron con el tiempo, y la incorporación de estas actualizaciones en las predicciones presentó desafíos. La elección de la versión de datos finales impactó significativamente en qué tan bien se desempeñaron los modelos.

Se exploró un enfoque de rodillo, donde las predicciones se evalúan basándose en retrasos de reporte para cada fecha, como una posible alternativa. Este enfoque podría haber proporcionado una comprensión más clara de cuán bien las predicciones se alineaban con los resultados reales.

#Conclusión

Este estudio exploró la efectividad de los métodos de nowcasting en la predicción de hospitalizaciones por COVID-19 en Alemania. Destacó la importancia de datos oportunos y precisos en la gestión de respuestas de salud pública. En general, los hallazgos sugieren que, si bien muchos modelos fueron capaces de proporcionar predicciones útiles, aún hay espacio para mejorar, especialmente en la calibración de la incertidumbre.

El enfoque colaborativo hacia el nowcasting ofreció ventajas significativas, particularmente en asegurar la disponibilidad constante de pronósticos. Fomentar la comunicación entre modeladores facilitó el intercambio de conocimientos y estimuló mejoras en los métodos.

Estos conocimientos pueden ayudar a informar futuros esfuerzos en modelado epidémico, demostrando que la cooperación continua y la adaptación son críticas para abordar desafíos de salud pública. Los resultados del estudio subrayan el valor de utilizar modelos combinados para abordar escenarios de datos complejos, llevando en última instancia a decisiones mejor informadas durante crisis de salud.