Por Dr. Cristian meyer
Cuando uno se enfrenta al fenómeno Covid-19, mira hacia el abismo. Es bueno levantar la vista y mirar a izquierda y derecha. No sólo evitamos que el abismo nos mire, sino que también percibimos los abismos vecinos, en cuyos bordes puede haber personas con ideas afines que pueden ampliar nuestra perspectiva.
A continuación se presentan tres ejemplos concretos en los que se pueden obtener nuevos conocimientos superponiendo “abismos” muy diferentes.
Ejemplo 1: datos de diferentes países
La autoridad estadística holandesa CBS publicó recientemente cifras de muertes que diferencian según el estado de vacunación contra Covid (para ver un análisis, consulte aquí ). El siguiente diagrama muestra la proporción de personas vacunadas en el número de muertes durante las 52 semanas calendario de 2021 y 2022 para varias categorías:
Se hace una distinción entre muertes por Covid-19 (C19) y otras muertes (no C19), así como entre muertes entre residentes de residencias de ancianos (cuidados a largo plazo, LTC) y no residentes (no LTC). Es digno de elogio que no se utilice exclusivamente la clasificación habitual (también conocida como truco barato o crimen de datos bayesiano ), que sólo reconoce a las personas vacunadas como tales después de un cierto período de tiempo después de la vacunación (a menudo 7 o 14 días). Esta definición también se muestra en la oferta y en el diagrama mediante curvas discontinuas del mismo color; pero las ignoraremos (después de asegurarnos de que las curvas discontinuas estén siempre debajo de las curvas sólidas del mismo color).
Intuitivamente, las curvas de LTC deberían estar por encima de las curvas de no LTC porque la población de LTC es ciertamente mayor y, por lo tanto, más “vacunada”, y este es exactamente el caso. Además, si la vacunación ayuda contra la muerte por Covid, las curvas C19 deberían estar por debajo de las respectivas curvas no-C19. Lo hacen en su mayor parte, pero hacia el final del período de observación, cuando casi ninguna persona no vacunada pasa al feliz estado de ser vacunada, las curvas son prácticamente indistinguibles -y quién sabe qué proporción de las diferencias se deben a bien-. ¿Se pueden explicar fenómenos conocidos como el “sesgo del usuario saludable”? El hecho de que las curvas de C19 parezcan mucho más irregulares que las curvas sin C19 se debe, por supuesto, a que hay muy pocas muertes por C19.
Pero ahora, pasemos al cruce prometido con un conjunto de datos completamente diferente. Después de una solicitud exitosa a través de frag-den-staat.de, ya están disponibles de forma generalizada los datos intensivos diarios del DIVI alemán basados en el estado de vacunación. Estos ya han sido evaluados aquí ; En el siguiente diagrama, la tasa de vacunación entre pacientes de cuidados intensivos se extrae de la evaluación y se superpone a los datos de los Países Bajos.
Los conjuntos de datos difieren en muchos aspectos: en el país de origen (Países Bajos versus Alemania), en el criterio de selección (muerte versus cuidados intensivos), ciertamente también en la estructura de edad y en las tasas de vacunación. La mejor forma de comparar la curva DIVI es con la curva roja (C19, LTC), y la concordancia es asombrosa. Esto debería ser un incentivo para hacer más comparaciones y, por ejemplo, incluir datos de otros países. Se sabe que muchos países disponen de datos detallados que lamentablemente aún no se han puesto a disposición del público ( Singapur, Australia , Nueva Zelanda , Escocia y Austria son ejemplos). También podría valer la pena pedir a las autoridades holandesas que publiquen el número de casos desglosados por edad mediante una solicitud FOIA; lamentablemente, una solicitud de este tipo de datos DIVI de Alemania no tiene sentido, ya que los datos simplemente nunca se recopilaron. Se ha invertido mucho dinero y esfuerzo en recopilar datos por estado de vacunación y edad, pero no se ha pensado en vincular las dos dimensiones.
Ejemplo 2: datos de diferentes fuentes
A principios de 2023 quedó claro que las cifras de casos de Covid recopiladas oficialmente (es decir, a partir de informes explícitos) eran completamente inútiles para Alemania. El RKI también se dio cuenta de que sería mejor utilizar un análisis de cohortes como el GrippeWeb . Finalmente, se podría aprovechar otra fuente con el monitoreo de aguas residuales , y los informes semanales actuales de GrippeWeb muestran superposiciones de los datos de GrippeWeb y de aguas residuales con una coincidencia sorprendente (aquí, Figura 5 del informe de la semana 8 de 2024 ):
Pero ¿cómo se reconcilia este nuevo mundo con el viejo mundo de los mensajes explícitos? Aquí hay un diagrama quizás algo confuso que superpone el gráfico del informe semanal de GrippeWeb (en el cuadro amarillo) encima de una representación anterior (el eje vertical muestra los números de casos semanales):
La población ha aprendido ahora, aunque lamentablemente haya tardado demasiado, que una incidencia de Covid de 3.000 por 100.000 no es motivo de pánico. ¿No nos avergonzamos de haber tenido alguna vez en Alemania una ley de protección contra infecciones que prescribía el pánico generalizado a partir de niveles de incidencia de 100 y 165 por 100.000? Deje que el motivo de la caducidad de esta versión de la Ley de Protección contra Infecciones se derrita en su boca:
“Dada la actual tasa de infección, la disponibilidad de vacunas altamente eficaces y el alto nivel de inmunidad de la población, las medidas de protección anteriores pudieron expirar”.
La “tasa de infección actual” estuvo recientemente un factor (!) de 30 o 18 por encima de los viejos umbrales de pánico; En vista de estos incidentes, difícilmente puede hablarse de un “alto nivel de inmunidad” en la población, y las “vacunas bien efectivas” no están tan lejos como sugiere nuestro primer ejemplo anterior.
Ejemplo 3: Datos del presente y modelos del pasado
Siempre que es posible, se lleva a cabo el llamado backtesting en los modelos de riesgo utilizados por los bancos. Las pérdidas reales se comparan con aquellas que previamente habían sido predichas con un cierto grado de probabilidad por el modelo de riesgo. Si las pérdidas reales son superiores al nivel de riesgo, esto se denomina valor atípico del backtest.
La Comisión Permanente de Vacunación (STIKO) de Alemania se encontró en el verano de 2021 en una situación difícil. La presión política en torno a una recomendación de vacunación para los jóvenes fue alta. Desgraciadamente, los datos disponibles no eran motivo de entusiasmo incondicional y se consideró que habría que enriquecerlos con los resultados de la modelización. En el modelo utilizado se predijo una cuarta ola para el otoño de 2021 (aquí está la Figura 4 del RKI Bulletin ; modelo para el período a partir de agosto de 2021):
Y esto realmente sucedió (vea el diagrama en el ejemplo 2 anterior, aquí superpuesto con el diagrama del boletín del RKI en el cuadro amarillo):
El modelado de la cuarta ola no fue tan malo en absoluto; Es solo que el momento se fijó demasiado pronto (era el momento en que no se sabía nada sobre la estacionalidad de las infecciones respiratorias). Pero entonces apareció Omicron, y aunque la tasa de vacunación real entre los jóvenes rondaba el 70% , muy por encima de las suposiciones del modelo de un buen 50%, la disminución prevista de las infecciones nunca se produjo, sino todo lo contrario.
Sin embargo, lo que sí ocurrió fueron casos de miocarditis inducida por la vacuna. El modelo STIKO sólo preveía 82 de ellos (ver Tabla 15 ), pero incluso el Instituto Paul Ehrlich (PEI), que siempre intenta restar importancia a los posibles efectos secundarios de la vacunación, menciona oficialmente 279 casos sospechosos registrados (de los cuales sólo una pequeña parte en el Estudio PEDMYCVAC de Mykke Registry , pero esa es otra historia). En 2017, el PEI todavía sabía que el número de casos no denunciados superaba el 90%.
Imaginemos 2.800 casos de miocarditis inducida por vacunas, o incluso sólo los 279 oficiales. Volviendo al ejemplo de los modelos de riesgo en los bancos: un modelo aquí predeciría que es muy poco probable que se supere una “pérdida” de 82, y si una Si ocurriera una “pérdida” real de 2.800 (o incluso sólo 279), los reguladores estarían en apuros y las cosas se volverían muy desagradables. Cuando se trata de procesamiento de Covid, uno se pregunta quién es la autoridad supervisora de las autoridades supervisoras…
Quizás mi pequeña recopilación y combinación de datos contribuya un poco al procesamiento. En tiempos en los que los “disidentes del Covid” se desgastan cada vez más en disputas internas, los datos siguen siendo la base.
Imagen pixabay/geralt
Las opiniones expresadas en este artículo no reflejan necesariamente las opiniones de los autores permanentes de TKP. Los derechos y la responsabilidad del contenido recaen en el autor.
Dr. Christian Meyer es matemático y estadístico. Se puede encontrar más de él en su blog.
Este artículo fue publicado originariamente por https://tkp.at/.Lea el original.