La investigación en salud en tiempos del COVID-19

Publicado en El Pais, 27 de Febrero 2021.

La toma de decisiones para responder al COVID-19 son criticas tanto para las empresas como para el gobierno. Lo ideal es tomarlas basadas en la evidencia que nos da la investigación, pero ¿la hacemos? Muchos sí y la clave es seguir un buen procedimiento. En el caso de los resultados diarios del COVID-19 sobre casos y muertes despertó mi curiosidad para saber si realmente ayudaban a tomar buenas decisiones o muchas con alto error. Quisiera mencionar algunos aspectos sobre este tema

1. Muestra. Cuando mencionan los casos, ¿son de gente enferma que se tomó la prueba o de gente sana? Muchos sólo toman la prueba a gente con síntomas y así es normal que den altos positivos (70% de las pruebas dieron positivo) otros utilizan pruebas que tienen alto error (pruebas rápidas) por lo que “40%” de todas son falsos positivos. Y cuando los laboratorios no tienen pruebas o es feriado se anuncian una bajada de los casos positivos.
2. Colección y procesamiento de datos. ¿Cuánto impacta el COVID-19 a la población? Con resultados sin detalle de edad, sexo, enfermedad de base, lugar de trabajo o estudio, no se puede saber cuánto el COVID-19 impacta a la sociedad o si las medidas que se toman son exageradas o no para la población. Ya muchas ciudades en diferentes países están publicando datos detallados para tomar medidas particulares a la ciudad. Por ejemplo, si esta fue altamente golpeada en la primera ola, es posible que el impacto en la segunda ola no sea tan grave, y las medidas serán menos drásticas. Otro ejemplo de esto es que, si los niños no fueron afectados, podrían retornar a clases presenciales sin la necesidad de barbijos y tomar como medidas la vacunación inmediata de los profesores. Las decisiones acertadas dependen del detalle de la colección de datos y como se los procesa. Muchos modelos ponen a la población de forma igual sin importar la región, o perfil de edad. Pero, ciertamente hay ciudades con sus particularidades que tienen enfermedades de base prevalentes, o son poblaciones jóvenes, etc. Esto es importante incluir en los modelos.
3. Validez de los resultados. La información que tenemos dará una cierta validez a los resultados. Si la información es detallada, generara resultados particulares y con menos error a estos casos particulares. Pero si la información es irregularmente coleccionada y sin mayor detalle, generará mayor error en los pronósticos.
4. Conclusiones y recomendaciones. Errores en los datos generan errores en la toma de decisiones y medidas que se puedan tomar para el COVID-19.

Hoy se muestra la gran importancia de contar con la información lo más detallada posible y a disposición de la población para que llegue a las personas que quieren investigar y poder sugerir mejores medidas a tomar para el futuro.