Los expertos en salud mundial han sospechado durante mucho tiempo que la incidencia de COVID-19 ha sido más alta de lo informado. Ahora, un algoritmo de aprendizaje automático desarrollado en UT Southwestern estima que la cantidad de casos de COVID-19 en los EE. UU. Desde que comenzó la pandemia es casitres veces mayor que la de los casos confirmados.
El algoritmo, descrito en un estudio publicado hoy en PLOS ONE , proporciona estimaciones diarias actualizadas de las infecciones totales hasta la fecha, así como cuántas personas están infectadas actualmente en los EE. UU. Y en los 50 países más afectados por la pandemia.
Hasta el 4 de febrero, según los cálculos del modelo, más de 71 millones de personas en los EE. UU., El 21,5 por ciento de los estadounidenses, habían contraído COVID-19. Eso se compara con el número sustancialmente menor de 26,7 millones de casos confirmados reportados públicamente., dice Jungsik Noh, Ph.D., profesor asistente de UT Southwestern en el Departamento de Bioinformática de Lyda Hill y primer autor del estudio.
De esos 71 millones de estadounidenses que se estima que tenían COVID-19, 7 millones 2,1 por ciento de la población de EE. UU. Tenían infecciones actuales y eran potencialmente contagiosas el 4 de febrero, según el algoritmo.
El estudio escrito de Noh se basa en cálculos completados en septiembre. En ese momento, informa, el número de casos acumulados reales en 25 de los 50 países más afectados era de cinco a 20 veces mayor que los números de casos confirmados sugeridos en ese momento.
Si se observa la información actual disponible en el algoritmo en línea, las estimaciones están ahora más cerca de las cifras reportadas, pero aún mucho más altas. El 4 de febrero, Brasil tenía más de 36 millones de casos acumulados según lo estimado por el algoritmo, casi cuatroveces más que los 9,4 millones de casos confirmados notificados. Francia tenía 14 millones frente a los 3,2 millones notificados. Y el Reino Unido tenía casi 25 millones en lugar de unos 4 millones, más de seis veces más. México, un valor atípico, tenía casi 15veces su número de casos informados: 27,6 millones en lugar de 1,9 millones de casos confirmados
"Las estimaciones de infecciones reales revelan por primera vez la verdadera gravedad de COVID-19 en los EE. UU. Y en países de todo el mundo", dice Noh.
El algoritmo utiliza el número de muertes informadas, que se cree que es más preciso y completo que el número de casos confirmados por laboratorio, como base para sus cálculos. Luego asume una tasa de mortalidad por infección del 0,66 por ciento, basada en unestudio anterior de la pandemia en China y considera otros factores, como el número promedio de días desde el inicio de los síntomas hasta la muerte o la recuperación. También compara su estimación con la cantidad de casos confirmados para calcular una proporción de casos confirmados y estimados.infecciones.
Todavía hay mucha incertidumbre sobre COVID-19, en particular la tasa de mortalidad, y las estimaciones son, por lo tanto, aproximadas, dice Noh. Pero él cree que las estimaciones del modelo son más precisas y omiten menos casos que los confirmados que se utilizan actualmente como guíapara las políticas de salud pública. Tener una estimación más completa sobre la prevalencia de la enfermedad es importante, agrega Noh.
"Estas son estadísticas críticas sobre la gravedad del COVID-19 en cada región. Conocer la gravedad real en diferentes regiones nos ayudará a luchar eficazmente contra la propagación del virus", explica. "La población actualmente infectada es la causa de futuras infeccionesy muertes. Su tamaño real en una región es una variable crucial necesaria para determinar la gravedad del COVID-19 y crear estrategias contra los brotes regionales ".
En los EE. UU., Las tasas de infección varían ampliamente según el estado. California ha tenido casi 7 millones de infecciones desde el inicio de la pandemia en comparación con los 5,7 millones de Nueva York, según las proyecciones del algoritmo para el 4 de febrero. Además, el modelo estimó que California tenía 1,3 millonescasos activos en esa fecha, que afectaron al 3.4 por ciento de la población del estado.
Otras estimaciones del modelo para el 4 de febrero: en Pensilvania, el 11,2 por ciento de la población tenía infecciones actuales, la tasa más alta de cualquier estado, en comparación con un mínimo del 0,15 por ciento de los que viven en Minnesota; en Nueva York, unaspot, 528,000 personas tenían infecciones activas, o alrededor del 2.7 por ciento de su población. Mientras tanto, en Texas, el 2.3 por ciento tenía infecciones actuales.
Noh dice que desarrolló el algoritmo el verano pasado mientras intentaba decidir si enviar a su hija de sexto grado de regreso a la escuela en persona. No había ningún lugar para encontrar los datos que necesitaba para evaluar la seguridad de hacerlo, dice.
Una vez que construyó el algoritmo de la máquina, descubrió que el área donde vivía tenía una tasa de infección actual de alrededor del 1 por ciento. Así que su hija fue a la escuela.
Noh verificó sus hallazgos comparando sus resultados con las tasas de prevalencia existentes encontradas en varios estudios que usaron análisis de sangre para verificar la presencia de anticuerpos contra el virus SARS-CoV-2, que causa COVID-19. Para la mayoría de las áreas analizadas, su algoritmoLas estimaciones de infecciones se correspondían estrechamente con el porcentaje de personas que habían dado positivo en las pruebas de anticuerpos, según PLOS ONE estudio.
El modelo en línea utiliza datos de muerte de COVID-19 de la Universidad Johns Hopkins y The COVID Tracking Project, una organización de voluntarios fundada para ayudar a rastrear COVID-19, para ejecutar sus actualizaciones diarias. Sin embargo, las estimaciones publicadas en PLOS ONE fecha del estudio del 3 de septiembre. En ese momento, alrededor del 10 por ciento de la población de EE. UU. Había sido infectada con COVID-19, según el algoritmo de Noh.
Gaudenz Danuser, Ph.D., presidente del Departamento de Bioinformática de Lyda Hill y profesor de biología celular, fue el autor principal del estudio. También tiene la Cátedra Distinguida Patrick E. Haggerty en Ciencias Biomédicas Básicas.
La financiación provino de Lyda Hill Philanthropies.
Fuente de la historia :
Materiales proporcionado por UT Southwestern Medical Center . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :