18/05/2020
En la
conferencia del 13/05/20 el presidente Vizcarra anunció: “El Perú ya va por el
camino del lento descenso de infectados” aludiendo a la famosa meseta de contagios. Su diagnóstico tenía
como sustento “el análisis de investigadores independientes y gremios de
científicos de distintas partes del mundo”. Al día siguiente la jefa del
Comando Covid-19 Pilar Mazzetti señalaba en la misma línea “Se ve a una
tendencia donde la curva se aplana en
promedio…esta tendencia es a nivel mundial respaldado por estudios de
universidades prestigiosas…la Pandemia ahora es heterogénea”, agregando un término que ha engrosado el vocabulario
del gobierno para tipificar la pandemia. El actual directivo de EsSalud Óscar
Ugarte ya había comentado días antes que
“el país esté llegando a la meseta, puesto que el país vive una pandemia heterogénea y la situación debe
evaluarse por regiones, por lo que no se puede hablar de una curva nacional”. Su
diagnóstico tenía también como base el análisis de investigadores independientes y gremios de científicos
de distintas partes del mundo
De
esta forma el discurso del gobierno fue premeditadamente articulado por una
serie de declaraciones por parte de sus asesores que revelaban el desarrollo de
una profunda controversia en el plano académico y científico, en particular con
respecto a los modelos de predicción epidemiológica que más adelante pasaremos
a examinar con más detalle. Queda claro que los asesores del gobierno y el
propio presidente Vizcarra pusieron de manifiesto el usufructo comunicacional y
político a partir de aquellas conclusiones académicas, con el propósito de
encubrir la real situación de la emergencia sanitaria a nivel nacional y tomar
decisiones sobre la cuarentena a partir de ellas. Conclusiones que prontamente
fueron rebatidas por un grupo de científicos y epidemiólogos más o menos independientes. Aunque en un contexto de
excepción y crisis como el que vivimos, es imposible que la ciencia sea absolutamente independiente. En su lucha
por encontrar la verdad objetiva
tiene por necesidad que deshacerse de su aparente ropaje independiente, autárquico,
autosuficiente; tiene que combatir abiertamente a los políticos y académicos que
tratan de encubrir la realidad a la mayoría de ciudadanos.
La controversia sobre los modelos epidemiológicos
El
12 de mayo Farid Matuk, Economista y miembro del Grupo Prospectiva COVID 19[1]
creado por el gobierno, autor intelectual de la tristemente célebre propuesta
de circulación por géneros exhibía un
modelo de 54 observaciones con el programa Stata
en dónde predecía el descenso del número de muertes por día, llegando a su pico
más alto entre el 12 y el 14 de mayo[2]. Lo
propio hacia Antonio Quispe, otro miembro activo del Grupo Prospectiva afirmando
categóricamente: "Ya es oficial: Los
casos y fallecidos por COVID-19 por fin empezaron a disminuir en el Perú" Después
de tanto luchar los casos y fallecidos por fin empezaron a disminuir en Perú! Y
esto no hubiese sido posible sin el esfuerzo de tantos[3], mostrando las proyecciones del Instituto de Métricas y
Evaluación de la Salud (IHME por sus siglas en inglés) con sede en Washington,
un modelo esencialmente estadístico,
de alcance global y con gran influencia en la comunidad científica
internacional para estimar el número de contagios y muertes por el Covid-19[4]. De
hecho el modelo estadístico del IHME sirvió como base al equipo del doctor Anthony
Fauci de la Casa Blanca para apoyar las predicciones de cientos de miles de
muertos al inicio de la pandemia en EEUU[5]. Es
así que las estimaciones diarias del IHME para el Perú en efecto predecían no
sólo una “meseta” sino un descenso prolongado de contagios y muertes durante el mes de mayo, pero con un amplísimo
margen de incertidumbre –un promedio de 17 404 infectados por día entre con un
rango 16 000 a 78 000, y en el número de
muertes diarias este descenso se acentuaba bruscamente: un promedio de 98 con un rango entre 64 y 182– tomando los
datos del 13 de mayo, día del anuncio de “la meseta”.
Entre
las voces que refutaron estas absurdas predicciones estuvo la del biólogo
molecular Ernesto Bustamante: “El presidente
se ha dejado llevar por un entusiasmo indebido. Es compresible que quiera
terminar con la pandemia, pero sus asesores le están proporcionando información
poco confiables”. Refiriéndose al modelo estadístico del IHME, la fuente
del Gobierno para asegurar la meseta, mencionó: “El estudio es patético porque al final aparece una suerte de raya
interrumpida. Con la data del ministerio de Salud se puede predecir cualquier
cosa…Tal es así que ellos predicen un número de muertos que van desde 2 mil
hasta 21 mil hasta el 4 de agosto. No tienen certezas porque no tienen
rango de confianza en la data que es de baja calidad”[6]. Da la sensación
de que como no podemos controlar al virus en la vida real al menos podemos
hacerlo sobre el papel echando mano de la “calculadora epidemiológica”.
Una
semana antes, el científico peruano radicado en EEUU Ragi Burhum había
presentado su artículo “El martillo y el huayno”[7],
una impecable versión peruana del famoso “Hammer of the dance” (El martillo y
la danza) de Tomás Pueyo[8]
que a su vez es una sinopsis teórica basado en un compendio de conceptos
extraídos del influyente seminal study
del Imperial College de Londres sobre el coronavirus, que trata de predicción
del R titulado: “Impacto de las intervenciones no farmacéuticas (INF) para
reducir la mortalidad y demanda de los sistemas de salud frente a Covid-19”[9].
El
aporte de Ragi fue importante para plantear la importancia de medir la
evolución de R –número básico de reproducción dinámica del Virus por individuo–
a nivel departamental y distrital, recomponiendo la dispersa y escasa data a
nivel nacional, con la ayuda de un modelo matemático de predicción de
enfermedades infecciosas para calcular a partir de ella dos métricas importantes, el R localizado y
la capacidad UCI por departamento. Con
pocos datos, las predicciones de Ragi sin duda fueron arriesgadas; la tendencia
de R luego de la tercera ampliación de la cuarentena (24 de abril) situaba
el valor de R en Lima en 1.5 de manera prolongada. En tanto en zonas críticas
como Lambayeque y Loreto, situaban el valor de R en 1.5 y 1.9
respectivamente. El escenario global era la entrada de golpe a la “fase del
huayno” con un nivel de R más o menos
controlado en donde el gobierno
debería aplicar medidas de “relajamiento y/o restricción” de la cuarentena
según el nivel de reproducción del virus en cada localidad.
Lo real
es que al día de hoy el número de casos confirmados está próximo a superar los
100 mil, con una tendencia exponencial sobrepasando incluso el número oficial
de contagios en China; e incluso reportándose la mayor cifra de fallecidos desde
el inicio de la cuarentena, con claros indicios de un alto sub-registro de
muertes y el colapso de las capacidades de asistencia sanitaria tanto en Lima
como en algunos departamentos. Siendo así, el sentido común nos dice que R en
vez de contraerse, se expande, y que los modelos probabilísticos que predicen
el descenso de los contagios se alejan olímpicamente de la realidad. Pero no basta el sentido común. Puede ser
aceptable que los modelos de predicción contengan naturalmente ciertos márgenes
de error, pero lo que no es aceptable es que, guiadas por estas predicciones
erróneas se tomen medidas sanitarias, económicas y políticas que involucren la
suerte y el destino de la mayoría de la población. Es por ello que esta
cuestión nos lleva a reflexionar acerca del origen de los modelos
epidemiológicos y las premisas que usan para predecir el futuro.
El origen de los modelos: la “bola de cristal” para
predecir el futuro
Todos
los modelos epidemiológicos del presente tienen como tronco común el
modelo SIR de Kermack-McKendric (1927)[10]
que mide el comportamiento del virus tomando en cuenta los tres tipos de
poblaciones: los S(t): individuos susceptibles; I(t): Individuos infectados y
R(t): Individuos recuperados, con un flujo de transición de la enfermedad
(S=>I=>R). Es un modelo determinista que mide el contagio
aleatorio sobre una población pero sujeta a la “ley de los grandes números” la cual
señala que la predicción de la enfermedad se va haciendo mayor a medida que se
cuenta con una mayor número de datos,
con una muestra más grande –en la coyuntura actual de la pandemia significaría
un mayor número de pruebas para calcular con mayor certeza el número de
contagios–. El gran talón de Aquiles de
éstos modelos es que se encuentran sujetas al factor tiempo en donde la cantidad cada vez menor de datos hace que
pierdan relevancia y los parámetros vayan ganando incertidumbre, aunque sin perder
utilidad sobre todo para delimitar la capacidad de recursos disponibles antes
que el sistema sanitario colapse. Pero cuando hay mucha demanda sobre los datos
disponibles respecto a las características de la población y sus parámetros,
éstos van perdiendo grados de libertad;
es decir el “gasto” o “deterioro” de la data se hace más evidente a medida que
aumentan la cantidad de parámetros sin que se incremente el tamaño de la
muestra. Si por el contrario crece la cantidad de datos se obtendrá más
información de la población haciendo que los datos aumenten sus grados de
libertad.
El
modelo basado en el enfoque bayesiano –probabilidad y grados de creencia– primero
determina valores y parámetros basado en las observaciones diarias y
conocimiento a priori de la pandemia,
para luego entrar a la fase de predicción, en dónde el modelo puede dejar de predecir efectivamente el futuro (la bola de cristal) porque
los parámetros incorporados no siguen un mismo patrón en tiempo real. No se
puede tener la certeza de que seguirán en el futuro el patrón que se sospecha
que debe tener. Los resultados de las estimaciones tienen un alto grado de
sensibilidad respecto a los supuestos de partida[11].
Por
eso el valor de R0 debe
partir de los factores económicos, sociales, políticos y culturales de
comportamiento poblacional, movilidad de las personas e intensidad de las
interacciones sociales. No podemos abstraer un modelo que parte de asunciones respecto a los parámetros del
comportamiento de una sociedad[12] con
medianos índices de calidad de vida, y aplicarlos a la compleja y accidentada realidad peruana con altas tasas
de pobreza y pobreza extrema, carencia de suministro de agua potable y desagüe
a millones de peruanos, inadecuada alimentación y consecuentemente bajas
defensas inmunológicas, poco nivel de
desarrollo industrial, salario muy por debajo de la media a nivel regional,
precarización del empleo, altos niveles de informalidad y una cobertura de
salud muy limitada a lo largo y ancho del país que montan el conjunto de un
país con un capitalismo dependiente y atrasado[13].
Sin duda la epidemiología necesita de la colaboración más estrecha de los
campos de la economía, ingeniería, sociología, haciendo uso de los software más
modernos, la inteligencia artificial y el Big Data para la construcción de
parámetros que se aproximen mejor a la realidad y corrijan las limitaciones y
el alcance de los modelos.
Si
las estimaciones poseen desde su origen un alto grado de sensibilidad con
respecto a los supuestos de partida, como mencionábamos, acentúan su
incertidumbre cuando carecen de una información fundamental: el número real de infectados
por la enfermedad, una variable que depende estadística y dialécticamente del
número de test –pruebas de diagnóstico microbiológico. En esta cuestión se
aprecia mejor los niveles de error a los cuáles está expuesta nuestra variable
endógena –los infectados–. Al desconocer el número de casos, no podremos
conocer con mayor precisión la tasa de letalidad del virus. Y en el Perú, el
problema del testeo diario sobre el cuál diagnosticar el número efectivo de
contagios ha sido crónico, incurable y vicioso desde inicios de la pandemia, a
tal punto que difícilmente es posible hablar en términos de una “curva nacional
de contagios”.
La pandemia no es “heterogénea” y la curva no desciende
“en promedio”: el colapso de la salud pública es crónica y es a nivel general
En
palabras del epidemiólogo Mateo Prochazka –refiriéndose a los modelos que se
apoyan en datos de mala calidad utilizados por el grupo Prospectiva del gobierno:
“Estamos en un momento polarizante en el
que las autoridades y quienes las asesoran indican que la transmisión de
COVID19 en Perú está disminuyendo. Esta NO es mi apreciación e interpretación
de lo que sucede. Sin embargo: no tengo a mi disposición los mismos datos con
los que ellos cuentan, los datos que tenemos son de baja calidad, y puedo estar
equivocado, me interesa mucho más que peruanos y peruanas sepan la verdad antes
que tener la razón. Hoy más que nunca quiero estar equivocado.”[14] Y aludiendo –aunque
no en forma directa, evidentemente– a trabajos como el de Ragi Burhum decía: “El principal problema con los análisis que
están encontrando una disminución del Rt de COVID19 en Perú y, con ello,
prediciendo una disminución de casos en las siguientes semanas es que no
consideran que la disminución en la velocidad de crecimiento de los casos no
responde necesariamente a menos TRANSMISIÓN, sino a menor DETECCIÓN de casos
por menor cantidad de pruebas realizadas. Asumir que los datos son de calidad
constante en el tiempo es una limitación muy importante…Los modelos que estiman el Rt utilizan la
data disponible hasta el momento para estimar el crecimiento en los días siguientes,
pero solo usan la data que esté disponible. Cuando la data cambia de calidad,
se debe considerar como limitación al hacer análisis e interpretaciones”[15].
En
efecto no es suficiente que el número de pruebas supere el medio millón sino
que tenga buen soporte técnico para que no deje de aumentar frente al aumento
exponencial de contagios. Hasta hace una semana el número de casos y el número
de testeo iban a la par –20 336 pruebas–, hasta que este último se estancó –18
548 diarios–[16]. Así es como el promedio
de casos positivos fue de 16% del total de pruebas, una cifra que debería ser
menor al 15% como ocurrió en las semanas anteriores; una clara muestra de falta de grados de libertad en los
datos. “Desde el primer día hemos dicho
que la curva es la herramienta fundamental para tomar decisiones
epidemiológicas. Con la calidad de la
curva de la última semana, que muestra un aumento en el sub-registro de casos y
fallecidos, estamos ciegos”[17]. No nos debe sorprender que a estas
alturas de la pandemia, luego de la tercera ampliación de la cuarentena, se
reporten los mayores niveles de muertes diarias. Y los acontecimientos de
Loreto hacen un escandaloso honor a ésta fúnebre realidad: 801 casos de
fallecidos reportados por los médicos frente a 92 del gobierno[18]. La
protesta de los investigadores para que
el MINSA reemplace la exigua y secreta muestra de imágenes y PDFs de la sala
situacional sobre el coronavirus y transite hacia una base de datos de calidad
y dominio público, sin secretismo, tuvo su expresión durante la semana pasada
en los hashtag #DatosAbiertosPe o #Liberenlosdatos.
Por
eso no puede ser menos equivocada la afirmación que el pico de contagios esté
comenzando su lento descenso en promedio.
Con un retroceso de las pruebas semana tras semana y un alto sub-registro de
casos, el promedio se convierte en un resultado sobrevalorado, alimentado con
data de mala calidad frente a una curva de contagios con parámetros dinámicos que
aumenta día a día, encubriendo la real situación de la pandemia con un
malintencionado manejo de la información.
Naturalmente
los modelos epidemiológicos deben tomar en cuenta las distintas realidades de
cada localidad o de cada departamento, pero no por ello podemos hablar de una
pandemia focalizada o heterogénea, como si las raíces de los
problemas para combatirla fueran de distinta naturaleza, como si el colapso del
sistema sanitario se esté dando por partes y cucharadas y no a nivel global. El
colapso del precario sistema público de salud en el país no es un fenómeno circunstancial
ni particular, sino crónico y general. Son las clases trabajadoras las que más
sufren los estragos de la pandemia a consecuencia a la destrucción de la
cobertura sanitaria por el capitalismo neoliberal en casi treinta años en el
poder. La pandemia viene a develar su rostro más inhumano. Evidencia la
caducidad de un sistema desintegrado y burocratizado de Salud –encarnado en
el MINSA y el seguro social de salud– que
no garantiza el acceso universal a millones de trabajadores y se cobra la vida
de miles de personas en condición vulnerable. Tampoco el manejo oportunista de
la opinión pública por parte del gobierno partiendo de erróneas predicciones en
los modelos epidemiológicos podrá encubrir la real situación de la emergencia
sanitaria.
Bryan
Serrano
(Movimiento
ciudadano Renovemos-base Lima)
[1] Grupo Prospectiva: quiénes integran el segundo equipo
para frenar el COVID-19 en Perú https://bit.ly/36bwEq1
[5] Que como vimos en
esta nota fueron desacreditadas por los doctores Erickson y Masshisi de
California criticando los exagerados niveles en sus pronósticos de mortalidad
sobre la población de EEUU. https://bit.ly/3bPZTAd
[6]
Ernesto Bustamante: “El presidente se deja llevar por un entusiasmo indebido” https://bit.ly/2WIHgtF
[9]
Reporte 9: Impacto de las intervenciones no farmacéuticas (INF) para reducir la
mortalidad y demanda en los sistemas de salud frente a COVID-19 https://bit.ly/2WGjuhC
[10] W.O. Kermack and A.G. McKendrick: “Contribución a la
teoría matemática de las Epidemias” https://bit.ly/2ZgcE4k
[12] El noveno reporte
del Imperial College anteriormente citado asume por ejemplo determinadas
características de movilidad dela población a partir de datos sobre la
distribución del tamaño del área de trabajo y la distancia entre los centros de
trabajo. Si quisiéramos aplicar los mismos parámetros al estudio de la
movilidad poblacional en el Perú tendríamos que considerar los niveles de
contacto que se producen en una economía con más del 70% de informalidad
laboral entre otras particularidades.
[13] Ver el Manifiesto “LA PANDEMIA REAL ES EL
CAPITALISMO”, de la Coordinadora de Organizaciones publicada el 27 de marzo del
2020 mediante las redes sociales.
[18]
Coronavirus en Loreto: Reportes identifican nueve veces más muertes que cifras
oficiales https://bit.ly/2X61VXm
No hay comentarios:
Publicar un comentario