Proyecciones actuales de las intervenciones no farmacéuticas de protección covid 19 en EEUU.

Dr. Carlos Alberto Díaz.

Globalmente:

55 154 651 casos confirmados y  1 328 537  muertes

• Esta semana, el número diario de muertes en todo el mundo ha alcanzado un nuevo máximo: 7842 (7-promedio del día) en comparación con 6825 durante el pico máximo en abril.
• Europa,  Estados Unidos y el resto de las Américas  siguen contribuyendo a la mayoría de los casos y muertes recientemente confirmados en los últimos días. 

Desarrollo:

Las proyecciones de las estrategias actuales de intervención no farmacéutica por estado, con mandatos de distanciamiento social restablecidos cuando se excede un umbral de 8 muertes por millón de habitantes (escenario de referencia), sugieren que, en conjunto, 511,373 (469,578–578,347) vidas podrían perderse por COVID- 19 en los Estados Unidos antes del 28 de febrero de 2021. Descubrimos que lograr el uso universal de mascarillas (95% de uso de mascarillas en público) podría ser suficiente para mejorar los peores efectos de los resurgimientos epidémicos en muchos estados.

El uso de mascarilla universal podría salvar 129.574 (85.284-170.867) vidas adicionales desde el 22 de septiembre de 2020 hasta fines de febrero de 2021, o 95.814 (60.731-133.077) vidas adicionales suponiendo una menor adopción del uso de mascarillas (85%), en comparación al escenario de referencia. 347) se podrían perder vidas a causa de COVID-19 en los Estados Unidos para el 28 de febrero de 2021. Descubrimos que lograr el uso universal de mascarillas (95% de uso de mascarillas en público) podría ser suficiente para mejorar los peores efectos de los resurgimientos epidémicos en muchos estados. 

Obviamente no como medida única, sino evitar las concentraciones en ambientes cerrados, el distanciamiento social, el aislamiento de los casos sospechosos.

Principal

El origen zoonótico del nuevo síndrome respiratorio agudo severo coronavirus 2 (SARS-CoV-2) ¹ informado por primera vez en Wuhan, China ² , y la propagación mundial de la enfermedad por coronavirus 2019 (COVID-19; https: //covid19.who. int / ) ³ promete ser un evento de salud global definitorio del siglo XXI ⁴ . Esta pandemia ya ha provocado una disrupción social, económica y política extrema en todo el mundo y en los Estados Unidos ( https://www.economist.com/united-states/2020/03/14/tracking-the-economic-impact- of-covid-19-en-tiempo-real / ) ^5 , 6 . El establecimiento del SARS-CoV-2 y su rápida propagación en los Estados Unidos ha sido espectacular (https://www.thinkglobalhealth.org/article/updated-timeline-coronavirus/ ). Desde el primer caso en los Estados Unidos fue identificado el 20 de enero 2020 (ref. ⁷ ; primera muerte el 6 de febrero de 2020: https://www.sccgov.org/sites/covid19/Pages/press-release-04-21- 20-early.aspx ), el SARS-CoV-2 se ha extendido a todos los estados y ha provocado más de 28,2 millones de casos y 199,213 muertes hasta el 21 de septiembre de 2020 ( https://coronavirus.jhu.edu/map.html ) ^7 , 8 .

Aún no existe una vacuna aprobada para la prevención de la infección por SARS-CoV-2 y existen pocas opciones farmacéuticas para el tratamiento de COVID-19 ^{9 , 10 , 11} . Los científicos más optimistas no predicen la disponibilidad de nuevas vacunas o terapias antes de 2021 (refs. ^{12 , 13 , 14 , 15} ). Las intervenciones no farmacéuticas (NPI) son, por lo tanto, las únicas palancas políticas disponibles para reducir la transmisión ¹⁶ . Varias intervenciones no farmacéuticas se han puesto en marcha en los Estados Unidos en respuesta a la epidemia (Fig. 1), incluida la atenuación de la transmisión mediante el uso de máscaras faciales y los mandatos de distanciamiento social (MDS) destinados a reducir los contactos a través del cierre de escuelas, restricciones de reuniones, órdenes de quedarse en casa y el cierre parcial o total de negocios no esenciales. El aumento de las pruebas y el aislamiento de las personas infectadas y sus contactos también habrá tenido un impacto ¹⁷ . A estos NPI se les atribuye una reducción en la transmisión viral ^18 , 19 , junto con una serie de otros determinantes ambientales, conductuales y sociales que se postula que afectan el curso de la epidemia a nivel estatal.

En los Estados Unidos, las decisiones para implementar el SDM o requerir el uso de máscaras generalmente se toman a nivel estatal por funcionarios del gobierno. Estos ejecutivos deben equilibrar las pérdidas netas de la agitación social, el daño económico y los efectos indirectos en la salud causados ​​por las NPI con los beneficios directos para la salud humana de controlar la epidemia. El control de enfermedades a menudo se ha definido operativamente en este contexto pandémico como la restricción de infecciones por debajo de un nivel específico en el que los servicios de salud no se ven abrumados por la demanda y, en consecuencia, la pérdida de vidas y salud humana se minimiza ²⁰ .

En los primeros meses del brote de SARS-CoV-2 en los Estados Unidos, los estados promulgaron SDM restrictivos destinados a reducir la transmisión (limitando el contacto de persona a persona) ⁵ , mientras que existían recomendaciones contradictorias sobre el uso de máscaras ( https: //www.npr.org/sections/goatsandsoda/2020/04/10/829890635/why-there-so-manydifferent-guidelines-for-face-masks-for-the-public/ ). En esa etapa inicial, los modelos estadísticos relativamente simples de riesgo futuro fueron suficientes para capturar los patrones generales de transmisión ²¹ . A medida que surgían diferentes respuestas de comportamiento a SDM y, más importante, ya que algunos estados comenzaron a relajarse SDM (Fig. 1), era necesario un enfoque de modelización que cuantificara directamente la transmisión y pudiera utilizarse para explorar estos escenarios en desarrollo. Como estados variaban en sus acciones de quitar y SDMs reintegrar (Fig. 1 ) o comenzaron a emitir órdenes obligatorias máscara de uso ( https://www.cnn.com/2020/06/19/us/states-face-mask- coronavirus-trnd / index.html ) en medio de los resurgimientos del COVID-19 ( https://www.nytimes.com/2020/07/01/world/coronavirus-updates.html ), una clara necesidad de evaluaciones basadas en la evidencia del Se hizo evidente el posible efecto de las opciones de NPI disponibles para los tomadores de decisiones.

En la actualidad, existe una creciente evidencia de que las mascarillas pueden reducir considerablemente la transmisión de virus respiratorios como el SARS-CoV-2, limitando así la propagación de COVID-19 (refs. ^{22 , 23 , 24} ). Actualizamos una revisión publicada recientemente ²⁴ para generar un nuevo metanálisis ( información complementaria ) de estudios revisados ​​por pares y preimpresiones para evaluar la efectividad de las máscaras en la prevención de infecciones virales respiratorias en humanos ²⁵ . Este análisis indicó una reducción de la infección (de todos los virus respiratorios) para los usuarios de mascarillas en un 40% (riesgo relativo = 0,60, intervalo de incertidumbre (IU) del 95% = 0,46-0,80)) en relación con los controles ²⁵. Esto sugiere un beneficio considerable para la salud de la población por el uso de mascarillas con un gran potencial de aceptación en los Estados Unidos, donde el promedio nacional de uso de mascarillas autoinformado era del 49% al 21 de septiembre de 2020 ( https://covid19.healthdata.org). / ; Información complementaria ).

Aquí proporcionamos un análisis epidemiológico descriptivo a nivel estatal de la introducción de la infección por SARS-CoV-2 en los Estados Unidos, desde el primer caso registrado hasta el 21 de septiembre de 2020. Usamos estas observaciones para aprender sobre la progresión de la epidemia y, por lo tanto, modelar la primera onda de transmisión utilizando un marco compartimental determinista SEIR ^26 , 27 . Esta comprensión observada, basada en procesos, de cómo las NPI afectan los procesos epidemiológicos se utiliza luego para hacer inferencias sobre la trayectoria futura de COVID-19 y cómo diferentes combinaciones de NPI existentes podrían afectar este curso. Luego se proyectaron cinco escenarios impulsados ​​por SEIR, junto con covariables que los informan, hasta el 28 de febrero de 2021 ( Métodos). Usamos estos escenarios como una secuencia de experimentos para describir una variedad de resultados del modelo, incluido R _efectivo (el cambio a lo largo del tiempo en el número promedio de casos secundarios por caso infeccioso en una población donde no todos son susceptibles ^{26 , 27 , 28} ), infecciones, muertes y resultados de la demanda hospitalaria, que podrían esperarse de los límites plausibles de las opciones de política disponibles durante el otoño y el invierno de 2020 (consulte Métodos e información complementaria para obtener una justificación más amplia sobre la construcción de escenarios).

Establecimos tres escenarios de límites. Primero, pronosticamos los resultados esperados si los estados continúan eliminando los MDF al ritmo actual de ‘flexibilización del mandato’, con los consiguientes aumentos en la movilidad de la población y el número de contactos de persona a persona. Este es un escenario alternativo a la situación más probable en la que se espera que los estados respondan a una crisis de salud inminente restableciendo algunos MDF. En el segundo escenario, de ‘referencia plausible’, modelamos el progreso futuro de la pandemia asumiendo que los estados cerrarían una vez más la interacción social y alguna actividad económica en un umbral para la tasa de mortalidad diaria de 8 muertes por millón de habitantes: el percentil 90 de la distribución observada de cuando los estados implementado previamente SDMs (Fig. 1 y complementaria Información). Este escenario supone el restablecimiento de los SDM durante 6 semanas. Además, los nuevos datos disponibles sobre la eficacia de las mascarillas permitieron la exploración de un tercer escenario de ‘uso universal de mascarillas’ para investigar los beneficios potenciales a nivel de población de un mayor uso de mascarillas además del mismo restablecimiento de los SDM impulsado por el umbral. En este modelo de escenario del mejor de los casos, ‘universal’ se definió como el 95% de las personas que usan máscaras en público, según la cobertura más alta observada de uso de máscaras a nivel mundial (en Singapur) durante la pandemia de COVID-19 hasta la fecha ( Información complementaria). También se incluyeron dos escenarios derivados para ayudar a comprender, matizar y resolver políticas en torno a los tres escenarios de límites. El primer escenario, denominado ‘referencia plausible + 85% de uso de mascarilla’, modeló menos que el uso de mascarilla universal en público (85%) en presencia de restablecimiento de SDM. El segundo fue un escenario de uso de mascarilla universal (95%) en ausencia de NPI (denominado «alivio del mandato + uso de mascarilla universal»). Los detalles y resultados de estos escenarios adicionales se encuentran en la Información complementaria . Además, se proporcionan análisis de sensibilidad y diagnósticos detallados para ayudar a los usuarios a calibrar los efectos de las covariables utilizadas en los modelos en los escenarios discutidos ( información complementaria ).

Resultados

Patrones COVID-19 observados

La epidemia de COVID-19 ha progresado de manera desigual en todos los estados. Desde que se registró la primera muerte en los Estados Unidos a principios de febrero de 2020, acumulados hasta el 21 de septiembre de 2020, se han reportado 199,213 muertes por COVID-19 en los Estados Unidos (Fig. 2 ); una sexta parte de ellos (16,6%) ocurrió solo en Nueva York. Washington y California emiten los primeros conjuntos de mandatos a nivel estatal el 11 de marzo de 2020, que prohíbe reuniones de 250 personas o más en ciertos condados, y el 23 de marzo de 2020, los 50 estados iniciaron alguna combinación de SDMs (Fig. 1 ). Los niveles más altos de muertes diarias a nivel estatal entre febrero y septiembre de 2020 se produjeron en Nueva York, Nueva Jersey y Texas en 998, 311 y 220 muertes por día, respectivamente (Fig. 3 y Fig datos ampliados.1 ). El 21 de septiembre de 2020, el nivel más alto de muertes diarias se registró en Florida con 101 muertes por día. Una necesidad política crítica en esta etapa del modelado fue el pronóstico de la demanda de recursos hospitalarios en los estados de EE. UU. Con las peores tasas de transmisión efectivas (Virginia, Nueva York y Missouri; Fig. 4 ). El pico de demanda más alto se observó en 8,380 camas de la unidad de cuidados intensivos (UCI) hospitalarios en Nueva York (disponibilidad de camas de UCI hospitalaria inicial estimada de 718) el 10 de abril y 2,786 camas de UCI hospitalarias en Nueva Jersey (disponibilidad de camas de UCI hospitalaria inicial estimada de 466) el 21 de abril; la demanda de camas de UCI del hospital había retrocedido hasta dentro de los niveles iniciales de capacidad en los Estados Unidos el 21 de septiembre 2020 (Extended Data Fig. 3). Las demandas de recursos hospitalarios (capacidad total de camas) se habían excedido en el período anterior al 21 de septiembre de 2020 en tres estados (Nueva York, Nueva Jersey y Connecticut; Datos extendidos, Figuras 2 y 3 ).

El mapa insertado muestra las muertes acumuladas en el escenario de referencia plausible el 28 de febrero de 2021. Un fondo amarillo claro separa la parte observada y la predicha de la serie temporal, antes y después del 22 de septiembre de 2020. La línea vertical discontinua identifica el 3 de noviembre de 2020. Continuo las líneas representan escenarios de límites y las líneas discontinuas representan escenarios derivados. Los números son los medios y las IU para el escenario de referencia plausible en las fechas resaltadas. Un asterisco indica estados con centros de población que superan los 2 millones de personas. Las IU se muestran solo para el escenario de referencia plausible.

Patrones de COVID-19 previstos

En un escenario donde los estados límite continúan con la eliminación de SDM (mandato aliviando), nuestras proyecciones de los modelos muestran que las muertes totales acumuladas en los Estados Unidos podrían llegar a 1.053.206 (759,693-1,452,397) el 28 de febrero 2021 (Fig. 2 y en la Tabla 1). A nivel estatal, las contribuciones a ese número de muertos se distribuirían de forma heterogénea en los Estados Unidos. Aproximadamente un tercio de las muertes proyectadas desde el 22 de septiembre de 2020 al 28 de febrero de 2021 en este escenario ocurrirían en solo tres estados: California (146,501 (84,828-221,194) muertes), Florida (66,943 (40,826-96,282) muertes) y Pensilvania ( 62,352 (30,318–93,164) muertes). Se prevé que las tasas de mortalidad acumuladas más altas (por 100.000) del 22 de septiembre de 2020 al 28 de febrero de 2021 se produzcan en Rhode Island (605,1 (428,1–769,0) muertes por 100.000)), Massachusetts (561,4 (315,8–901,3) muertes por 100.000), Connecticut (547,8 (209,3–978,2) muertes por cada 100.000) y Pensilvania (541,1 (294,7–778,3) muertes por cada 100.000; Datos extendidos Fig. 4 y Tabla 1). Por la elección nacional de Estados Unidos el 3 de noviembre de 2020, un total de cinco estados se prevé que superan un umbral de muertes diarias de 8 muertes por millón (Fig. 3 ), y un total de 40 estados tendría un R _efectiva mayor que uno ( Figura 4 ). El 28 de febrero de 2021, un total de 45 estados se predice que superar dicho umbral bajo este escenario, y todos los estados alcanzaría un R _efectiva de más de uno antes de finales de febrero de 2 021 (Tabla 1 y Fig. 4 ). Este escenario da como resultado un total estimado de 152,775,751 (115,305,817–199,130,145) infecciones en los Estados Unidos a fines de febrero de 2021 (Datos extendidos, Fig. 5). Se estima que los niveles más altos de infección en los estados en relación con el tamaño de su población se producen en Arizona (71,2% (61,5% a 80,8%) infectados), Nueva Jersey (68,2% (47,5% a 84,1%) infectados) y Rhode Island (65,5% (50%) –79,7%) infectados; Datos extendidos Fig. 6 ). Los resultados adicionales para las necesidades de uso de recursos hospitalarios proyectadas se presentan en las Figs. De datos extendidos. 2 y 3 , y las infecciones pronosticadas en este escenario están disponibles en las Figs. De datos extendidos. 7 y 8 .

Rendimiento del modelo

Los modelos presentados aquí han sido evaluados para la validez predictiva OOS utilizando pruebas estándar y métricas de manera continua y en un marco disponible públicamente ²¹ . Estos modelos SEIR han producido consistentemente entre los pronósticos más precisos observados en los modelos comparados ²¹ . Por ejemplo, para los modelos lanzados en junio, el modelo SEIR del Instituto de Métricas y Evaluación de la Salud (IHME) tuvo el error de porcentaje absoluto medio (MAPE) más bajo a las 10 semanas de pronóstico con un 20,2%, en comparación con el 32,6% en todos los modelos. Hemos incluido nuevos conjuntos de modelos y diagnósticos de covariables con descripciones trabajadas para los estados más poblados ( información complementaria y datos complementarios 1 – 4) para una evaluación transparente del desempeño de nuestro modelo. Enfatizamos que estos son pronósticos de posibles futuros, que están sujetos a muchos supuestos de modelos y fuentes de variabilidad de datos.

Discusión

Hemos delimitado tres posibles escenarios futuros del curso de la epidemia de COVID-19 en los Estados Unidos, a nivel estatal, escenarios de flexibilización del mandato, referencia plausible y uso universal de máscaras, para ayudar a enmarcar e informar una discusión nacional sobre qué acciones podría tomarse durante el otoño de 2020 y las influencias de salud pública, económicas y políticas que estas decisiones tendrán durante el resto del invierno (aquí definido como finales de febrero de 2021). Para ayudarnos a comprender los matices de las políticas de estos escenarios de límites, también se exploraron dos escenarios derivados (referencia plausible + 85% de uso de máscara y reducción del mandato + uso de máscara universal). Además, se realizaron análisis de sensibilidad seleccionados para las covariables utilizadas en los modelos, de modo que se pudiera comprender mejor su influencia.

En todos los escenarios evaluados aquí, es probable que Estados Unidos enfrente un desafío continuo de salud pública a partir de la pandemia de COVID-19 hasta el 28 de febrero de 2021 y más allá, y los estados populosos en particular podrían enfrentar altos niveles de enfermedad, muertes y demandas de UCI como resultado. de la enfermedad. La implementación de SDM tan pronto como los estados individuales alcancen un umbral de 8 muertes diarias por millón podría mejorar drásticamente los efectos de la enfermedad; lograr un uso casi universal de la mascarilla podría retrasar, o en muchos estados, posiblemente evitar que se alcance este umbral y tiene el potencial de salvar la mayor cantidad de vidas al tiempo que se minimiza el daño a la economía. Los responsables de la toma de decisiones a nivel nacional y estatal pueden utilizar estos pronósticos de los posibles beneficios para la salud de las ISFL disponibles, junto con consideraciones de costos económicos y otros costos sociales. para tomar decisiones más informadas sobre cómo enfrentar la pandemia de COVID-19 a nivel local. Nuestros hallazgos indican que el uso universal de mascarillas, una intervención relativamente asequible y de bajo impacto, tiene el potencial de servir como una estrategia prioritaria para salvar vidas en todos los estados de EE. UU. Nuestros escenarios derivados sugieren que esto probablemente siga siendo cierto en niveles subuniversales de cobertura de máscara y en cobertura de máscara universal en ausencia de otras NPI.

Las nuevas epidemias, los resurgimientos y las segundas oleadas no son inevitables. Varios países, como Corea del Sur, Alemania y Nueva Zelanda, han mantenido reducciones en los casos de COVID-19 a lo largo del tiempo ( https://covid19.healthdata.org/ ). Los primeros indicios de que la estacionalidad puede desempeñar un papel en la transmisión, con una mayor propagación durante los meses más fríos del invierno, como se observa con otros virus respiratorios ^{29 , 30 , 31 , 32} , resaltan la importancia de tomar medidas antes y durante la temporada de neumonía en los Estados Unidos. . Si bien aún no está claro si la estacionalidad del COVID-19 seguirá el patrón de los coronavirus relacionados ³²y paralelamente a la de la estacionalidad de la neumonía, las asociaciones a veces fuertes observadas en estos pronósticos indican que es prudente aumentar la vigilancia del gobierno. Además, dada la sensibilidad potencial del modelo a los efectos de la estacionalidad, no se puede descartar un efecto invernal sustancial. Este efecto se produciría en un contexto de infección por COVID-19 más generalizada y prevalente que la experimentada en la primera ola.

El uso de máscaras se ha convertido en un tema polémico en los Estados Unidos, y solo el 49% de los residentes de los EE. UU. Informaron que « siempre » usan una máscara en público a partir del 21 de septiembre de 2020 ( https://covid19.healthdata.org/ ). Independientemente, hacia fines de 2020, las máscaras podrían ayudar a contener una segunda ola de resurgimiento al tiempo que reducen la necesidad de una implementación frecuente y generalizada de SDM. Aunque el uso de mascarillas del 95% en la población puede parecer un umbral alto para lograr y mantener, a escala de vecindario este nivel ya se ha observado en áreas de Nueva York ( https://www.nytimes.com/2020/08/20/ nyregion / nyc-face-masks.html ); y a nivel estatal, el uso de mascarillas reportado ha superado el 60% en Virginia, Florida y California (consulte la Información complementariapara métodos relacionados). En países donde el uso de mascarillas ha sido ampliamente adoptado, como Singapur, Corea del Sur, Hong Kong, Japón e Islandia, entre otros, la transmisión ha disminuido y, en algunos casos, se ha detenido ( https://covid19.healthdata.org/ ). Estos ejemplos sirven como experimentos naturales adicionales ³³ de los efectos probables de las máscaras y respaldan las suposiciones y hallazgos del escenario de uso universal de máscaras en nuestro estudio. No se puede exagerar el beneficio potencial para salvar vidas de aumentar el uso de mascarillas en el próximo otoño e invierno. Es probable que los residentes de EE. UU. Necesiten elegir entre niveles más altos de uso de mascarillas o arriesgarse a la frecuente redistribución de SDM más estrictos y económicamente dañinos; o, en ausencia de cualquiera de las medidas, enfrentar la realidad de un número creciente de muertos ³⁴. A más largo plazo, el futuro de COVID-19 en los Estados Unidos estará determinado por el despliegue de una vacuna eficaz y la evolución de la inmunidad colectiva ³⁵ .

Este trabajo representa los resultados de una clase de modelos que tienen como objetivo abstraer el proceso de transmisión de enfermedades en las poblaciones a un nivel que sea manejable para su comprensión y, en este caso, que pueda usarse para la predicción. Una limitación clara de cualquier ejercicio de modelado de este tipo es que estará limitado por los datos (enfermedad y covariables relevantes), el modelo de comprensión desarrollado y el tiempo disponible para que el modelo aprenda / entrene las dinámicas importantes. Por lo tanto, hemos intentado comparar nuestro modelo con modelos alternativos de la pandemia de COVID-19 y documentar completamente nuestro desempeño predictivo con una variedad de medidas ²¹. Además, hemos proporcionado todos los datos y el código del modelo para permitir una reproducibilidad total y una mayor transparencia, proporcionamos análisis de sensibilidad a algunos de nuestros supuestos básicos; y presentó una gama de futuros probables ³⁶ en forma de escenarios de flexibilización de mandatos, referencia plausible y uso de máscara universal (así como dos escenarios derivados de los mismos) para que los tomadores de decisiones los revisen. Además, la triangulación de otras salidas del modelo SEIR, tales como la proporción de la población que se ven afectados, también se proporcionan y se prueba contra datos independientes, en este caso encuestas de seroprevalencia (Extended Data Fig. 9). Finalmente, debido a que la incertidumbre se agrava con una mayor distancia hacia el futuro predicho, los datos, el modelo y sus supuestos se actualizarán iterativamente a medida que la pandemia continúe desarrollándose (https://www.latimes.com/opinion/story/2020-07-10 / Covid-Forecast-Death-Ihme-Washington / ).

Deseamos reiterar a los responsables de la toma de decisiones que existen multitud de limitaciones en cualquier estudio de modelización de este tipo ^26 , 27 ; Se proporciona una descripción ampliada de las limitaciones específicas de este estudio ( Métodos). Específicamente, (1) estos modelos son aproximaciones de escenarios del mundo real, y hemos simplificado muchos aspectos del proceso epidemiológico de transmisión de enfermedades para hacer estos modelos computacionalmente factibles; (2) estos modelos están fuertemente impulsados ​​por datos de mortalidad con toda su fidelidad y registrando imperfecciones; (3) estos modelos también están informados por una gran cantidad de otros tipos de datos, cada uno de los cuales tiene una disponibilidad diferencial, así como por problemas de sesgo de detección y medición para los cuales nunca podemos calibrar completamente; (4) estos modelos hacen suposiciones particulares sobre las covariables, incluida la estacionalidad, que si bien se basan en pruebas y se declaran explícitamente, están sujetas a análisis de sensibilidad porque sus efectos podrían ser sustanciales; y (5) nuestro conocimiento de esta pandemia dinámica mejora a diario, por lo que no debe haber ninguna expectativa de que este marco de modelado sea definitivo o que los datos que lo impulsan sean fijos. Si bien reconocemos todas estas limitaciones relevantes para las políticas, nos preocupamos de señalar que nuestro marco de comparación de modelos publicado públicamente²¹ apoya la evaluación robusta, iterativa y objetiva de nuestro enfoque de modelado. Esto es especialmente valioso ya que las complejidades de la respuesta a la pandemia requieren que nuestros esfuerzos de modelado sigan siendo ágiles para los desarrollos epidemiológicos y sociales y que continuemos reevaluando y publicando actualizaciones semanalmente ( https://covid19.healthdata.org/ ). Finalmente, es especialmente importante para los tomadores de decisiones que enfaticemos que no estamos pronosticando un futuro, sino más bien una gama de resultados que creemos son más probables dados los escenarios probados, basados ​​en los datos observados hasta el momento y los supuestos de nuestro modelo. Es mejor considerar estos pronósticos como guías útiles, en lugar de mapas definitivos.

Identificación y procesamiento de datos

Los pronósticos del IHME incluyen datos de gobiernos locales y nacionales, redes y asociaciones de hospitales, la Organización Mundial de la Salud, agregadores de terceros y una variedad de otras fuentes. Las fuentes de datos y las correcciones se describen en detalle en la Información complementaria y en la declaración de disponibilidad de datos. Brevemente, los números diarios de casos confirmados y muertes debido a COVID-19 se recopilan del depósito de datos de la Universidad Johns Hopkins; complementamos y corregimos este conjunto de datos según sea necesario para mejorar la precisión de nuestras proyecciones y ajustarnos a los sesgos del día de presentación de informes ( información complementaria ). Los datos de prueba se obtienen de Our World in Data ( https://ourworldindata.org/ ), The COVID Tracking Project ( https://covidtracking.com/) y complementado con datos de sitios web gubernamentales adicionales ( información complementaria ). Los datos de distanciamiento social se obtienen de diversas fuentes oficiales y abiertas, que varían según el estado ( información complementaria ). Los datos de movilidad se obtienen de Facebook Data for Good ( https://dataforgood.fb.com/docs/covid19/ ), Google ( https://www.google.com/covid19/mobility/ ), SafeGraph ( https: // www.safegraph.com/dashboard/covid19-shelter-in-place/ ) y Descartes Labs ( https://www.descarteslabs.com/mobility/ ; Información complementaria). Los datos sobre el uso de mascarillas se obtienen de la Encuesta global de síntomas de Facebook (en colaboración con el Centro de ciencia de datos sociales de la Universidad de Maryland), la Fundación de la familia Kaiser, la encuesta YouGov COVID-19 Behavioral Tracker ( https://today.yougov.com/covid -19 / ) y PREMISE ( https://www.premise.com/covid-19/ ; Información complementaria ). Las fuentes específicas de datos sobre la capacidad de la UCI y la cama autorizada y la utilización anual promedio en los Estados Unidos se detallan en la Información complementaria .

Antes del modelado, las muertes acumuladas observadas se suavizan utilizando un algoritmo de suavizado basado en splines con nudos colocados aleatoriamente ³⁷ . La incertidumbre se deriva del bootstrapping y el remuestreo de las muertes observadas. La serie temporal de datos de casos se utiliza como un indicador principal de muerte basado en una tasa de letalidad por infección (IFR) y un desfase entre la infección y la muerte. Estas estimaciones suavizadas de muertes observadas por ubicación se utilizan luego para crear infecciones estimadas basadas en una distribución de infecciones por edad y en IFR específicas por edad. Las infecciones específicas por edad se redujeron a infecciones totales por día y estado y se utilizaron como entradas de datos en el modelo SEIR. En la información complementaria se proporcionan descripciones detalladas de los pasos de transformación y suavizado de datos .

Selección de covariables

Las covariables para el modelo SEIR de transmisión compartimental son predictores del parámetro β en el modelo que afecta la transición del estado susceptible al estado expuesto; específicamente, βrepresenta la tasa de contacto multiplicada por la probabilidad de transmisión por contacto. Las covariables se evaluaron sobre la base de la plausibilidad biológica y el impacto en los resultados del modelo SEIR. Dada la evidencia empírica limitada de predictores a nivel de población de la transmisión del SARS-CoV-2, predictores biológicamente plausibles de neumonía como la densidad de población (porcentaje de la población que vive en áreas con más de 1,000 individuos por kilómetro cuadrado), prevalencia de tabaquismo, población- Se consideraron la elevación ponderada, la tasa de mortalidad por infecciones respiratorias inferiores y la contaminación del aire por material particulado. Estas covariables son representativas a nivel de población y son invariantes en el tiempo. Estimaciones específicas para cada ubicación para estas covariables se derivan de la Carga Global de Enfermedad de estudios 2019 (ref. ^{38, 39 , 40} ). Las covariables que varían en el tiempo incluyen la estacionalidad del exceso de mortalidad por neumonía, las pruebas de diagnóstico administradas per cápita, la movilidad a nivel de población y el uso de máscaras personales. Estos se describen a continuación.

Estacionalidad de la neumonía

Usamos datos semanales de mortalidad por neumonía del Sistema Nacional de Vigilancia de la Mortalidad del Centro de Estadísticas de Salud ( https://gis.cdc.gov/grasp/fluview/mortality.html ) de 2013 a 2019 por estado de EE. UU. Las muertes por neumonía incluyeron todas las muertes clasificadas por el rango completo de los códigos de la Clasificación Internacional de Enfermedades en J12 – J18.9. Combinamos los datos de los años disponibles para cada estado y encontramos la desviación semanal de la mortalidad media anual específica del estado debida a neumonía. Luego ajustamos un patrón estacional utilizando un modelo de metarregresión bayesiana con una spline flexible y una periodicidad anual asumida ( información complementaria). Para ubicaciones fuera de los Estados Unidos, usamos datos de registro civil cuando estaban disponibles. Las ubicaciones sin datos de registro civil tenían la estacionalidad de la neumonía semanal predicha según la latitud de un modelo que agrupa todos los datos disponibles ( información complementaria ).

Pruebas per cápita

Consideramos las pruebas de diagnóstico para infecciones activas por SARS-CoV-2 como un predictor de la capacidad de un estado para identificar y aislar infecciones activas. Supusimos que las tasas más altas de pruebas se asociaron negativamente con la transmisión del SARS-CoV-2. Nuestras fuentes principales de datos de pruebas de EE. UU. Fueron compiladas por el Proyecto de seguimiento de COVID ( información complementaria). A menos que existieran datos de prueba antes del primer caso confirmado en un estado, asumimos que la prueba era distinta de cero después de la fecha del primer caso confirmado. Antes de producir predicciones de pruebas per cápita, suavizamos los datos de entrada utilizando el mismo algoritmo de suavizado utilizado para suavizar los datos de muerte diaria antes del modelado (descrito anteriormente). Las proyecciones de prueba per cápita para los días futuros no observados se basaron en la extrapolación lineal de la diferencia diaria promedio en las pruebas diarias per cápita para cada ubicación. Ponemos un límite superior a las pruebas de diagnóstico per cápita de 500 por 100.000 según las tasas más altas observadas en junio de 2020.

Mandatos de distanciamiento social

Los SDM no se utilizaron como covariables directas en el modelo de transmisión. Más bien, los SDM se utilizaron para predecir la movilidad de la población (ver más abajo), que posteriormente se utilizó como covariable en el modelo de transmisión. Recopilamos las fechas de los mandatos emitidos por el estado que imponen el distanciamiento social, así como la eliminación planificada o real de estos mandatos. Las medidas que incluimos en nuestro modelo fueron: (1) severas restricciones de viaje, (2) cierre de instalaciones educativas públicas, (3) cierre de negocios no esenciales, (4) pedidos para quedarse en casa y (5) restricciones en la recolección Talla. Generalmente, estos provienen de órdenes oficiales del gobierno estatal o comunicados de prensa.

Para determinar el cambio esperado en la movilidad debido a los MDF, utilizamos un modelo de metarregresión jerárquica bayesiana con efectos aleatorios por ubicación en el indicador de movilidad compuesto para estimar los efectos de las políticas de distanciamiento social sobre los cambios en la movilidad ( Información complementaria ).

Movilidad

Usamos cuatro fuentes de datos sobre movilidad humana para construir un indicador de movilidad compuesto. Esas fuentes fueron Facebook, Google, SafeGraph y Descartes Labs ( información complementaria ). Cada fuente adopta un enfoque ligeramente diferente para capturar la movilidad, por lo que antes de construir un indicador de movilidad compuesto, estandarizamos estas diferentes fuentes de datos ( Información complementaria). En resumen, esto primero implicó determinar el cambio en un nivel de referencia de movilidad para cada ubicación por fuente de datos. Luego, determinamos una proporción mediana de cambio en la movilidad específica de la ubicación para cada comparación por pares de fuentes de movilidad, utilizando Google como referencia y ajustando las otras fuentes por esa proporción. La serie de tiempo para la movilidad se estimó utilizando un modelo de regresión de proceso gaussiano utilizando las fuentes de datos estandarizadas para obtener un indicador compuesto para el cambio en la movilidad para cada día de ubicación.

Calculamos los residuos entre nuestra serie de tiempo de movilidad compuesta predicha y la serie de tiempo compuesta de entrada, y luego aplicamos una caminata aleatoria de primer orden a los residuos. La caminata aleatoria se utilizó para predecir los residuos del 1 de enero de 2020 al 1 de enero de 2021, que luego se agregaron a las predicciones de movilidad para producir una serie temporal final con incertidumbre: cambios « pasados ​​» en la movilidad desde el 1 de enero de 2020 al 28 de septiembre de 2020 y proyectados. movilidad del 28 de septiembre de 2020 al 1 de enero de 2021.

Mascaras

Realizamos un metanálisis de 40 estudios científicos revisados ​​por pares en una evaluación de la efectividad de la mascarilla para prevenir infecciones virales respiratorias ( Información complementaria ). Los estudios se extrajeron de una publicación preimpresa ²⁴ . Además, se consideraron todos los artículos de un segundo metanálisis ²³ y una publicación complementaria ⁴¹. Estos estudios incluyeron tanto a personas que trabajan en el cuidado de la salud como a la población en general, especialmente a familiares de personas con infecciones conocidas. Los estudios indican reducciones generales en las infecciones debido a que las máscaras evitan la exhalación de las gotitas respiratorias que contienen virus, así como alguna prevención de la inhalación por parte de los no infectados. La metarregresión resultante calculó los riesgos relativos transformados logarítmicamente y los errores estándar transformados logarítmicamente correspondientes basados ​​en recuentos brutos y utilizó una corrección de continuidad para estudios con recuentos cero en los datos brutos (0,001). Se incluyeron especificaciones y características adicionales para tener en cuenta las diferencias en las características de los estudios individuales y para identificar factores importantes que influyen en la efectividad de la mascarilla ( información complementaria ).

Utilizamos MR-BRT (metarregresión, bayesiano, regularizado y recortado), una herramienta de metarregresión desarrollada en el Institute for Health Metrics and Evaluation ( información complementaria), para realizar un metaanálisis que consideró las diversas características de cada estudio. Se tuvo en cuenta la heterogeneidad entre los estudios y se cuantificó la heterogeneidad restante entre los estudios en la amplitud de la IU. También realizamos varios análisis de sensibilidad para verificar la solidez de las estimaciones modeladas y descubrimos que la estimación de la efectividad del uso de mascarillas no cambió significativamente cuando exploramos cuatro análisis alternativos, incluido el cambio de la suposición de corrección de continuidad, utilizando la razón de probabilidades versus el riesgo relativo de estudios publicados, utilizando un modelo de efectos fijos versus un modelo de efectos mixtos e incluyendo estudios sin información sobre covariables.

Estimamos la proporción de personas que informaron que siempre usaban una mascarilla cuando estaban afuera en público tanto en los EE. UU. Como en ubicaciones globales utilizando datos de PREMISE (EE. UU.), Kaiser Family Foundation (EE. UU.), YouGov (fuera de EE. UU.) Y Facebook ( encuestas fuera de EE. UU.) ( Información complementaria ). Usamos el mismo modelo de suavizado que para las muertes por COVID-19 y pruebas per cápita para producir estimaciones del uso observado de mascarillas. Este proceso de suavizado promedió cada punto de datos con sus vecinos. Se asumió que el nivel de uso de mascarillas a partir del 21 de septiembre de 2020 (el último día de datos procesados ​​y analizados) era plano. Entre los estados sin datos específicos del estado, se utilizó un promedio regional dentro de los EE. UU.

Marco de modelado determinista

La especificación del modelo se resume en un esquema con detalles adicionales proporcionados en la Información complementaria . Para ajustar y predecir la dinámica de transmisión de enfermedades, incluimos un componente SEIR en nuestro modelo de múltiples etapas. En particular, la población de cada ubicación se rastrea a través del siguiente sistema de ecuaciones diferenciales:reSret= – β( t )S(yo1+yo2)αnorteremiret= β( t )S(yo1+yo2)αnorte- σmireyo1ret= σmi-γ1yo1reyo2ret=γ1yo1-γ2yo2reRret=γ2yo2dSdt=−β(t)S(I1+I2)αNdEdt=β(t)S(I1+I2)αN−σEdI1dt=σE−γ1I1dI2dt=γ1I1−γ2I2dRdt=γ2I2

donde α representa un coeficiente de mezcla para tener en cuenta la mezcla imperfecta dentro de cada ubicación, σ es la tasa a la que los individuos infectados se vuelven infecciosos, γ ₁ es la tasa a la que las personas infectadas salen de la fase presintomática y γ ₂ es la tasa a la que los individuos recuperar. Este modelo no distingue entre infecciones sintomáticas y asintomáticas, pero tiene dos compartimentos infecciosos ( I ₁ e I ₂ ) para permitir intervenciones que eviten centrarse en aquellos que no pueden ser sintomáticos; I ₁ es, por tanto, el compartimento presintomático.

Usando el enfoque de matriz de próxima generación, podemos calcular directamente tanto el número reproductivo básico bajo control ( R _c ( t )) como el número reproductivo efectivo ( R _efectivo ( t )) como ( Información complementaria ):

RC( t ) = α × β( t ) ×(yo1( t ) +yo2( t ) )α – 1× (1γ1+1γ2)Rc(t)=α×β(t)×(I1(t)+I2(t))α−1×(1γ1+1γ2) y

Re fFe c t i v e( t ) =RC( t ) ×S( t )norteReffective(t)=Rc(t)×S(t)N

Al permitir que β ( t ) varíe en el tiempo, nuestro modelo puede tener en cuenta los aumentos en la intensidad de la transmisión a medida que el comportamiento humano cambia con el tiempo (por ejemplo, cambios en la movilidad, adición o eliminación de SDM y cambios en el uso de máscaras de población). Brevemente, combinamos datos sobre casos (corrigiendo tendencias en las pruebas), hospitalizaciones y muertes en una distribución de tendencias en muertes diarias.

Para ajustar este modelo, volvimos a muestrear 1,000 extracciones de muertes diarias de esta distribución para cada estado ( Información complementaria ). Usando un IFR estimado por edad y la distribución del tiempo desde la infección hasta la muerte ( información complementaria ), usamos las muertes diarias para generar 1,000 distribuciones de infecciones estimadas por día desde el 10 de enero hasta el 21 de septiembre de 2020. Luego ajustamos las tasas a las que individuos infecciosos pueden entrar en contacto e infectar a individuos susceptibles (denotados como β ( t)) en función de una serie de predictores que afectan la transmisión. Nuestro enfoque de modelado actúa en toda la población (es decir, sin una estructura de edad asumida para la dinámica de transmisión) y cada ubicación se modela independientemente de las demás (es decir, no tenemos en cuenta el movimiento potencial entre ubicaciones).

Detallamos el algoritmo de ajuste SEIR en la Información complementaria . Brevemente, para cada sorteo, primero ajustamos una curva suave a nuestras estimaciones de nuevas infecciones diarias. Luego, muestreando γ ₂ , σ y α de los rangos definidos de la literatura ( Información complementaria ) y usando , ajustamos secuencialmente E , I ₁ , I ₂ y componentes R en el pasado. Luego resolvemos algebraicamente el sistema anterior de ecuaciones diferenciales para β ( t ).γ1=12γ1=12

La siguiente etapa de nuestro modelo ajusta las relaciones entre los cambios pasados ​​en β ( t ) y las covariables descritas anteriormente: movilidad, pruebas, máscaras, estacionalidad de la neumonía y otras. Las covariables variables en el tiempo se pronosticaron del 28 de septiembre al 28 de febrero de 2021 ( información complementaria ). La regresión ajustada se usó luego para estimar la intensidad de transmisión futura β _pred ( t ). La intensidad de transmisión futura final es entonces una versión ajustada de β _pred ( t ) basada en el ajuste promedio en el pasado reciente (donde la ventana de promedio varía según el sorteo de 2 a 4 semanas; información complementaria ).

Finalmente, usamos la intensidad de transmisión estimada futura para predecir la transmisión futura (usando los mismos valores de parámetro para todos los demás parámetros SEIR para cada sorteo). En una inversión de la traducción de muertes en infecciones, luego usamos las nuevas infecciones diarias estimadas para calcular las muertes diarias estimadas (nuevamente usando el IFR específico de la ubicación). También usamos las trayectorias estimadas de cada compartimento SEIR para calcular R _c y R _efectivos .

En la Información complementaria se describe un paso final para tomar las infecciones y muertes previstas y una microsimulación de uso hospitalario para estimar la necesidad de recursos hospitalarios para cada estado de EE. UU . Y los resultados se presentan en línea ( https://covid19.healthdata.org/ ).

Previsiones / escenarios

Las respuestas de política a COVID-19 pueden estar respaldadas por la evaluación de los impactos de varios escenarios de esas opciones, en un contexto de un supuesto de negocio habitual, para explorar completamente el impacto potencial de las palancas de política disponibles. Los detalles adicionales están disponibles en la información complementaria .

Estimamos la trayectoria de la epidemia por estado bajo un escenario de flexibilización de mandatos que modela lo que sucedería en cada estado si el patrón actual de flexibilización de los MDF continúa y no se implementan los nuevos mandatos. Esto debe considerarse como el peor de los casos en el que, independientemente de cuán alta sea la tasa de mortalidad diaria, los SDM no se reintroducirán y el comportamiento (incluida la movilidad de la población y el uso de máscaras) no variará antes del 28 de febrero de 2021. En lugares donde el El número de casos está aumentando, lo que lleva a un número muy elevado de casos al final del año.

Como escenario más plausible, usamos la experiencia observada de la primera fase de la pandemia para predecir la respuesta probable de los gobiernos estatales y locales durante la segunda fase. Este escenario de referencia plausible asume que en cada ubicación la tendencia de suavizar los MDF continuará en su trayectoria actual hasta que la tasa de mortalidad diaria alcance un umbral de 8 muertes por millón. Si la tasa de mortalidad diaria en una ubicación excede ese umbral, asumimos que los SDM se reintroducirán por un período de 6 semanas. La elección del umbral (de una tasa diaria de 8 muertes por millón) representa el percentil 90 de la distribución de la tasa de mortalidad diaria en la que los estados de EE. UU. Implementaron sus mandatos durante los primeros meses de la pandemia de COVID-19. Seleccionamos el percentil 90 en lugar del percentil 50 para capturar una mayor renuencia anticipada de los gobiernos a restablecer mandatos debido a los efectos económicos del primer conjunto de mandatos. En lugares que no superan el umbral de una tasa de mortalidad diaria de 8 por millón, la proyección se basa en las covariables del modelo y las previsiones para estas hasta el 28 de febrero de 2021. En lugares donde la tasa de mortalidad diaria superó el 8 por millón en En el momento de ejecutar nuestro modelo final (21 de septiembre de 2020), asumimos que los mandatos se introducirían en 7 días.

El escenario del uso de máscara universal modelos de lo que sucedería si el 95% de la población en cada estado siempre usara una máscara cuando estuviera en público. Este valor fue elegido para representar la tasa más alta observada de uso de mascarillas en el mundo hasta el momento durante la pandemia de COVID-19 ( información complementaria ). En este escenario, también asumimos que si la tasa de mortalidad diaria en un estado excede las 8 muertes por millón, los MDF se reintroducirán por un período de 6 semanas.

Se incluyeron dos escenarios derivados adicionales para ayudar a la comprensión y resolución de políticas de estos escenarios marco principales: un escenario de uso de máscaras menos completo del 85% de uso público de máscaras y un escenario de uso de máscaras universal en ausencia de NPI adicionales. El escenario de uso de máscara menos completo evaluó lo que sucedería si el 85% de la población en cada estado siempre usara una máscara cuando estuviera en público. Al igual que con el escenario del uso universal de mascarillas, también asumimos que si la tasa de mortalidad diaria en un estado supera las 8 muertes por millón, los MDF se reintroducirán durante un período de 6 semanas. Para completar, también evaluamos el uso de mascarilla universal por el 95% de la población en un escenario que asume que no se implementarán otras NPI en ningún valor umbral de muertes diarias; los resultados de este escenario,Información complementaria y figs. 2 – 4 . Gráficos de verificación del modelo SEIR para escenarios de 95% de uso de mascarillas con mandatos (Datos suplementarios 1 ), 95% de uso de mascarillas sin mandatos (Datos suplementarios 2 ) y 85% de uso de mascarillas con mandatos (Datos suplementarios 3 ), así como diagnósticos de regresión detallados ( Los datos suplementarios 4 ) y la distribución espacial de covariables seleccionadas (datos suplementarios 5 ) están disponibles en la información de apoyo . Todos los escenarios suponen un aumento de la movilidad asociado a la apertura de escuelas en todo el país.

Modelo de validación

El rendimiento predictivo de OOS para los modelos IHME SEIR se ha evaluado frente a las tendencias observadas posteriormente de manera continua y se ha comparado con otros modelos de pronóstico de mortalidad de COVID-19 disponibles públicamente en un marco disponible públicamente ²¹ . El modelo IHME SEIR descrito aquí ha demostrado constantemente una alta precisión, medida por un MAPE bajo, en comparación con modelos de otros grupos. Por ejemplo, entre los modelos lanzados en junio, a las 10 semanas de extrapolación, el modelo IHME SEIR tuvo el MAPE más bajo de cualquier grupo de pronóstico observado en 20.2%, en comparación con un promedio de 32.6% entre grupos. Numerosos otros aspectos del desempeño predictivo se evalúan en nuestro marco disponible públicamente ²¹ .

El número cada vez mayor de encuestas de serología basadas en la población realizadas también brinda una oportunidad única para validar nuestras predicciones con resultados epidemiológicos modelados. En la figura 9 de datos extendidos , comparamos estas encuestas serológicas (como el estudio español ENE-COVID ⁴²) a nuestra seropositividad poblacional estimada, tiempo indexado a la fecha en que se realizó la encuesta. En general, en las diversas ubicaciones que se han informado a nivel mundial, observamos un alto grado de acuerdo entre la seropositividad estimada y la encuestada. A medida que se realicen y publiquen más estudios de serología, especialmente en los Estados Unidos, esto permitirá una evaluación continua e iterativa de la validez del modelo. Se realizaron dos análisis de sensibilidad; el primero evaluó la importancia de los supuestos de modelos específicos sobre la validez predictiva de OOS, mientras que el segundo evaluó la solidez de nuestras conclusiones a estos mismos supuestos del modelo ( información complementaria ).

Limitaciones

Las epidemias progresan sobre la base de procesos biológicos y sociales complejos, dinámicos y no lineales, difíciles de observar directamente y a escala. Los modelos mecanicistas de epidemias, formulados como ecuaciones diferenciales ordinarias o como modelos de simulación basados ​​en individuos, son una herramienta útil para conceptualizar, analizar o pronosticar el curso temporal de las epidemias. En la epidemia de COVID-19, las políticas efectivas y las respuestas a esas políticas han cambiado las condiciones que respaldan la transmisión de una semana a la siguiente, y los efectos de las políticas se materializan típicamente después de un lapso de tiempo variable. Cada modelo se aproxima a una epidemia, y ya sea que se utilice para comprender, pronosticar o asesorar, existen limitaciones en la calidad y disponibilidad de los datos utilizados para informarla y las simplificaciones elegidas en la especificación del modelo.

Uno de los mayores determinantes de la calidad de un modelo es la calidad correspondiente de los datos de entrada. Nuestro modelo se basa en las muertes diarias relacionadas con COVID-19, a diferencia de los recuentos diarios de casos de COVID-19, debido a la suposición de que los recuentos de muertes son una estimación menos sesgada de las verdaderas muertes relacionadas con COVID-19 que los recuentos de casos de COVID-19. del número real de infecciones por SARS-CoV-2. Numerosos sesgos, como el comportamiento de búsqueda de tratamiento, los protocolos de prueba (como solo evaluar a aquellos que han viajado al extranjero) y el acceso diferencial a la atención, influyen en gran medida en la utilidad de los datos de recuento de casos. Además, existe una creciente evidencia de que los individuos inaparentes y asintomáticos son infecciosos, así como los individuos que eventualmente se vuelven sintomáticos y son infecciosos antes de la aparición de cualquier síntoma. Como tal, nuestros datos de entrada primarios para nuestro modelo son recuentos de muertes;

Más allá de los datos de entrada básicos, se incorpora a nuestro modelo una gran cantidad de otras fuentes de datos con sus propios sesgos potenciales. Las pruebas, la movilidad y el uso de mascarillas se miden de manera imperfecta y pueden o no ser representativos de las prácticas de aquellos que son susceptibles y / o infecciosos. Además, cualquier pronóstico de los patrones de estas covariables está asociado con un gran número de supuestos ( Información complementaria), y como tal, se debe tener cuidado en la interpretación de estimaciones más adelante en el futuro, ya que la incertidumbre asociada con los numerosos submodelos que entran en estas estimaciones aumenta con el tiempo. Además, aunque nuestras covariables invariantes en el tiempo son más sencillas de estimar, algunas de ellas pueden estar más asociadas con el resultado de la enfermedad que con el potencial de transmisión y, por lo tanto, su impacto en el modelo puede ser más atenuado.

A efectos prácticos, nuestro modelo de transmisión ha hecho una gran cantidad de suposiciones simplificadoras. Entre ellos, la clave es la exclusión del movimiento entre ubicaciones (por ejemplo, importación) y la ausencia de estructura de edades y mezcla dentro de la ubicación (por ejemplo, asumimos una población bien mezclada). Está claro que hay eventos grandes, parecidos a un súper esparcidor que han ocurrido a lo largo de la pandemia de COVID-19, y nuestro modelo actual no puede capturar completamente estas dinámicas. Otro supuesto importante a tener en cuenta es el de la relación entre la estacionalidad de la neumonía y la estacionalidad del SARS-CoV-2. Hasta la fecha, tanto en el hemisferio norte como en el sur, existe una fuerte asociación entre los casos y muertes de COVID-19 y los patrones estacionales generales de muertes por neumonía ( Información complementaria). Nuestras previsiones para finales de febrero de 2021 están enormemente influenciadas por la suposición de que esta relación se mantendrá durante todo el año y que la estacionalidad del SARS-CoV-2 se aproximará bien a la estacionalidad de la neumonía. Si bien evaluamos este supuesto en la medida de lo posible ( Información complementaria), todavía no hemos experimentado un año completo de transmisión del SARS-CoV-2 y, como tal, aún no podemos saber si esta suposición es válida. Además, nuestro modelo intenta dar cuenta de algunas de las incertidumbres asociadas en el proceso, pero no captura por completo todos los niveles de incertidumbre. Las iteraciones futuras deberían rastrear las incertidumbres que surgen de procesos más complejos, como la estocasticidad demográfica. También existe incertidumbre (y no identificabilidad) en torno a una serie de parámetros del modelo de transmisión. Aquí hemos optado por incorporar esta falta de conocimiento extrayendo parámetros de transmisión clave de distribuciones plausibles y luego presentando el resultado promedio a través de estas realidades potenciales. A medida que haya más información disponible, esperamos ajustar estos parámetros a cada ubicación.

Finalmente, el modelo que se presenta aquí no es el primer modelo que nuestro equipo ha desarrollado para predecir la transmisión actual y futura del SARS-CoV-2. A medida que avanzaba el brote, intentamos adaptar nuestro marco de modelado tanto al cambiante panorama epidemiológico como al aumento de datos que podrían ser útiles para informar un modelo. Los cambios en la dinámica del brote superaron tanto el propósito inicial como algunos supuestos clave de nuestro primer modelo, lo que requirió una evolución en nuestro enfoque. Si bien la formulación actual de SEIR es un marco más flexible (y, por lo tanto, es menos probable que necesite una reconfiguración completa a medida que avanza el brote), esperamos plenamente la necesidad de adaptar nuestro modelo para acomodar cambios futuros en los patrones de transmisión del SARS-CoV-2. La incorporación de movimiento dentro y fuera de las ubicaciones es un ejemplo, pero resolver nuestro modelo a escalas espaciales más finas, así como tener en cuenta la exposición diferencial y las tasas de tratamiento entre sexos y razas, son otras dimensiones del modelo de transmisión que actualmente no tenemos en cuenta, pero esperamos que sean adiciones necesarias en los próximos meses. Como hemos hecho antes, adaptaremos, actualizaremos y mejoraremos continuamente nuestro modelo en función de la necesidad y la validez predictiva.