¿Qué lecciones se pueden aprender de la gestión de la pandemia de COVID-19?

En diciembre de 2019, se identificó un grupo de pacientes con una nueva enfermedad respiratoria aguda en Wuhan, provincia de Hubei, China [ 1 ]. El agente infeccioso causante de esta enfermedad se denominó “coronavirus del síndrome respiratorio agudo severo 2” (SARS-CoV-2), y la enfermedad respiratoria asociada se denominó “enfermedad por coronavirus 2019” (COVID-19) [ 2 ].

Las primeras estimaciones de la gravedad de la COVID-19 fueron muy alarmantes. Mientras tanto, los informes sobre la transmisibilidad del virus fueron alarmantemente altos; de hecho, una serie de casos estimó que el 41 % de los casos fueron nosocomiales, derivados de la transmisión hospitalaria [ 1 ]. Posteriormente, se estimó que la incidencia de fatiga posviral y otras secuelas posinfección (denominadas «COVID-19 prolongada» cuando se asociaban con la COVID-19) fue entre 1,4 y 2 veces mayor que la de la gripe [ 3 ].

La preocupación mundial aumentó rápidamente a medida que se identificaron casos en otras partes del mundo [ 4 ]. El 11 de marzo de 2020, la Organización Mundial de la Salud (OMS) declaró que había una pandemia mundial de COVID-19, o “Emergencia de salud pública de importancia internacional” [ 5 ].

Las proyecciones de modelos computacionales basadas en estas primeras estimaciones fueron alarmantes. Predijeron que, a menos que se implementaran urgentemente intervenciones importantes, la mayoría de la población se infectaría en cuestión de meses, abrumando la capacidad hospitalaria y resultando en muchas muertes [ 6 ]. En respuesta a estas proyecciones de modelos, los gobiernos de todo el mundo implementaron rápidamente una variedad sin precedentes de “intervenciones no farmacéuticas” (INF) [ 7-12 ], por ejemplo, medidas de confinamiento domiciliario en un esfuerzo desesperado por reducir urgentemente la propagación del virus. Los gobiernos modificaron la rigurosidad de las INF a lo largo de la pandemia, a veces introduciendo nuevas medidas ( por ejemplo, el uso de mascarillas faciales se introdujo recién a mediados de 2020) o aumentando su rigurosidad, pero otras veces, eliminando o reduciendo el alcance de estas medidas.

A principios de 2021, varias compañías farmacéuticas anunciaron el desarrollo exitoso de vacunas contra la COVID-19, seguras y eficaces para prevenir la enfermedad sintomática [ 13–15 ] . Muchos países iniciaron programas de vacunación, generalmente dirigidos al personal sanitario y a las personas mayores, pero que con el tiempo se extendieron a toda la población. Para maximizar el porcentaje de la población vacunada, muchos gobiernos implementaron políticas y estrategias a lo largo de 2021 y 2022 para alentar a las personas a vacunarse y disuadirlas de no vacunarse [ 16 ].

Aunque muchos países habían alcanzado altos niveles de vacunación contra la COVID-19 a mediados o finales de 2021, la incidencia de la COVID-19 continuó tanto entre los vacunados (“casos de avance”) como entre los no vacunados [ 17–20 ] . Sin embargo, muchos especularon que, incluso si las vacunas pudieran ser menos efectivas para prevenir la infección de lo que se pensaba originalmente, podrían reducir potencialmente la gravedad de la enfermedad o las probabilidades de muerte [ 18 , 21 , 22 ]. Por lo tanto, los programas de vacunación poblacional continuaron y se animó a las personas previamente vacunadas a tomar dosis adicionales de “refuerzo” [ 16 , 18 , 19 ].

Finalmente, el 5 de mayo de 2023, la OMS declaró que, si bien la COVID-19 había llegado para quedarse, ya no constituía una emergencia sanitaria mundial [ 23 ]. Por lo tanto, durante las semanas y meses siguientes, los gobiernos que aún no lo habían hecho procedieron a levantar las NPI o los requisitos de vacunación restantes.

Desde esta declaración, el mundo aún está asimilando las consecuencias de la pandemia y las respuestas a ella. Sin embargo, en nuestra opinión, ya existen suficientes datos y evidencia que demuestran que existían importantes oportunidades de mejora en estas últimas, es decir, en la respuesta colectiva mundial a la pandemia de COVID-19.

De hecho, durante la pandemia, cada uno de nosotros planteó serias preocupaciones sobre al menos un aspecto del pensamiento general que aparentemente sustentó las respuestas a la COVID-19. También hemos observado un número creciente de artículos cuyos hallazgos contradicen múltiples afirmaciones de etapas anteriores de la pandemia. Esto sugiere que la ciencia no era tan definitiva como se afirmó en ese momento [ 24–27 ] . También nos alarma la forma en que la ciencia se ha vinculado excesivamente a la política durante la pandemia, lo que limita su flexibilidad. En retrospectiva, podemos ver que la investigación científica genuina sobre preguntas de investigación complejas y multifacéticas se vio inadvertidamente comprometida bajo el objetivo inicialmente loable de “combatir la desinformación científica” [ 28–30 ] .

Por lo tanto, esperamos que en el futuro haya un mayor reconocimiento por parte de las comunidades científicas y médicas, los formuladores de políticas y el público en general de que muchas de las políticas que se siguieron durante la pandemia podrían: a) haber tenido fallas graves; b) haber involucrado suposiciones erróneas; o c) simplemente haber sido erróneas.

Observamos que, a menudo, las preocupaciones y/o advertencias explícitas sobre diversos aspectos de estas políticas ya se habían publicado en la literatura científica; es decir, formaban parte de la ciencia publicada disponible en ese momento. A medida que continúe leyendo, podría resultarle útil consultar las fechas de publicación de las diversas referencias citadas; muchas preocupaciones y advertencias se publicaron al inicio de la pandemia o incluso antes de ella. Sin embargo, aunque en retrospectiva se ha demostrado que estas preocupaciones y advertencias tenían cierta validez, en su momento, a menudo fueron ignoradas o desestimadas.

Reconocemos que la cantidad de afirmaciones y contraargumentos presentados por diferentes grupos a lo largo de la pandemia fue con frecuencia abrumadora. Asimismo, queremos destacar la naturaleza multidisciplinaria de los debates científicos sobre las diversas medidas de respuesta a la COVID-19. Expertos de una disciplina relevante a menudo contaban con conocimientos que podrían haber mejorado las evaluaciones de sus homólogos de otras disciplinas relevantes. Sin embargo, el intercambio de conocimientos entre expertos de diferentes disciplinas fue limitado.

Mientras tanto, los responsables de las políticas públicas dependían esencialmente de un pequeño subgrupo de expertos, por ejemplo, los miembros de diversos grupos de asesoramiento científico utilizados por los gobiernos. Esto restringió aún más el flujo de conocimiento que llegaba a los responsables de la toma de decisiones, quienes en última instancia implementaban las respuestas políticas.

Por estas razones, los responsables de la toma de decisiones tomaban decisiones basadas en la ciencia, basándose en un subconjunto limitado del conocimiento científico disponible en ese momento. Aun cuando el conocimiento científico se acumuló durante la pandemia, el flujo de este conocimiento hacia los responsables de la toma de decisiones se vio igualmente restringido.

En ese sentido, quizás podamos comprender retrospectivamente por qué gran parte de la ciencia seguida por los responsables políticos fue posteriormente contradicha por otras investigaciones científicas. Sin embargo, independientemente del motivo de la implementación de las diversas políticas, es importante investigar qué lecciones se pueden extraer de la gestión de la pandemia de COVID-19 para futuras políticas de salud pública.

Por ello, en este artículo destacamos lo que creemos que fueron los principales problemas en cuatro aspectos principales de la gestión de la pandemia de COVID-19:

1. La excesiva dependencia de los modelos de COVID-19 sin una evaluación empírica adecuada

2. Evaluación crítica insuficiente de las intervenciones no farmacéuticas (INF)

3. La evaluación inconsistente de las diferentes intervenciones farmacéuticas propuestas (IP)

4. El rechazo involuntario de perspectivas científicas válidas como “desinformación”

Este artículo cuenta con la participación de investigadores de diversas disciplinas, como inmunólogos, epidemiólogos, virólogos, profesionales de la salud pública, patólogos, profesionales de la salud, analistas de datos, economistas, metodólogos de investigación, psicólogos, médicos y científicos sociales. Todos tenemos diferentes perspectivas sobre varios de los temas que abordaremos (por ejemplo, la eficacia relativa de ciertos protocolos farmacológicos reutilizados o la utilidad de los modelos matemáticos actuales para la COVID-19), así como diferentes niveles de especialización. Creemos que esta colaboración multidisciplinar entre investigadores con diferentes perspectivas nos proporciona una evaluación más integral.

Por otro lado, reconocemos que otros investigadores discrepan con nosotros; si nuestras opiniones ya fueran universalmente compartidas y comprendidas, no necesitaríamos escribir este artículo. Por lo tanto, a continuación, el lector debe recordar que presentamos nuestras opiniones científicas y no pretendemos representar a toda la comunidad médica o científica.

Nuestro análisis examina colectivamente las respuestas globales que fueron comunes a varios países, aunque cuando sea apropiado consideraremos los casos de países o regiones individuales que adoptaron un enfoque marcadamente diferente al de otros países. Por ejemplo, las NPI adoptadas oficialmente por Suecia fueron ampliamente reconocidas como diferentes a las de los países vecinos [ 31–33 ] y las vacunas chinas contra la COVID-19 no utilizaron la nueva tecnología de ARNm/ADN que fue utilizada por muchos países. Esto significa que nuestro análisis es una visión general de las respuestas de salud pública que se implementaron a nivel mundial, pero la implementación exacta de estas respuestas generales a menudo varió en los detalles. Por ejemplo, muchos países implementaron algunas formas de políticas de “prueba de vacunación”, pero las políticas exactas a menudo difirieron entre países, por ejemplo, véase la tabla 1 en Bardosh et al. [ 16 ]. Las investigaciones futuras podrían profundizar en los detalles de las diferencias sutiles que surgen de exactamente cómo se implementó cada una de estas respuestas en países individuales.

Lecciones de política que se pueden aprender de la pandemia de COVID-19

Problema 1: La excesiva dependencia de los modelos de COVID-19 sin una evaluación empírica adecuada

Si introduces tonterías en una computadora, solo salen tonterías. Pero estas tonterías, al pasar por una máquina muy costosa, se ennoblecen de alguna manera y nadie se atreve a criticarlas. – Pierre Gallois (1911-2010) [ 38 ]

Desde el principio, los modelos epidemiológicos matemáticos proporcionaron la base y la justificación clave para la mayoría de las respuestas gubernamentales a la pandemia [ 6 , 39 – 48 ].

1. El abandono inicial de los planes pandémicos existentes [ 49 ] y su rápido reemplazo por un nuevo conjunto ad hoc de intervenciones no farmacéuticas sin precedentes (y en gran medida no probadas) [ 7 , 12 , 50 ] parece haberse basado enteramente en profundas preocupaciones sobre las alarmantes proyecciones de modelos proporcionadas a los gobiernos [ 43 , 47 ] que predecían que se producirían millones de muertes a menos que se implementaran urgentemente importantes IFN [ 6 ].

2. Durante la pandemia, las decisiones sobre si aumentar o disminuir el rigor de las NPI a menudo estuvieron fuertemente influenciadas por los escenarios modelo proyectados que ocurrirían si se redujera el rigor de las NPI [ 39–42 , 46 , 51 , 52 ] .

3. La justificación de la salud pública para implementar programas de vacunación a nivel de toda la población (en lugar de ofrecer vacunación voluntaria a individuos o segmentos específicos de la población en riesgo) se basó en escenarios modelo de lo que ocurriría si se redujera el rigor de las IPN antes de que se hubiera superado el “umbral de inmunidad colectiva” estimado mediante la vacunación masiva [ 6 , 44 , 52 – 54 ].

4. Las evaluaciones de la eficacia tanto de las IFN [ 7 , 10 , 12 , 55 – 58 ] como de los programas de vacunación [ 59 , 60 ] se basaron principalmente en comparaciones de lo que había ocurrido con “escenarios contrafácticos” de lo que los modelos esperaban que hubiera ocurrido en ausencia de esas políticas.

Creemos que los modelos matemáticos e informáticos a menudo pueden ser herramientas epidemiológicas muy útiles y que los escenarios de modelización pueden ser especialmente útiles en las primeras etapas de una epidemia [ 61 , 62 ] . Sin embargo, nos preocupa la excesiva confianza que se depositó en los resultados de los modelos para las políticas de COVID-19 [ 39–42 , 46 , 51 ].

También nos pareció problemático que algunos modelos que proporcionaban una gama de escenarios plausibles y/o escenarios menos alarmantes [ 51 , 63 – 68 ] aparentemente recibieron menos peso [ 69 – 72 ] que las proyecciones más alarmantes [ 43 , 47 , 48 ].

Nuestra mayor preocupación, sin embargo, es la ausencia de mecanismos que permitan evaluar continuamente la fiabilidad de los modelos utilizados. Como explicó Box (1979), «todos los modelos son erróneos, pero algunos son útiles» [ 73 ]. Sin embargo, a menos que los modelos se comparen continuamente con la realidad, es difícil identificar los útiles.

En esta sección explicaremos estas preocupaciones en detalle.

Inadecuación del marco del modelo matemático SIR de la década de 1920 para la COVID-19

A principios del siglo XX, Kermack y McKendrick (1927) desarrollaron un modelo matemático útil para describir la progresión de una epidemia, denominado modelo “Susceptible/Infectado/Recuperado (SIR)” [ 74 ]. Este modelo consiste en un conjunto de ecuaciones matemáticas (ecuaciones diferenciales) que divide a la población en susceptibles (S), infectados (I) y, finalmente, recuperados (R) o muertos. Ofreció una explicación de cómo una epidemia de una enfermedad altamente infecciosa podía terminar antes de que toda la comunidad se infectara [ 74 ].

Aunque el modelo SIR original se propuso en 1927 en la era preinformática, también es muy susceptible de ser resuelto mediante métodos analíticos más modernos [ 45 , 61 , 62 ]. También podría adaptarse fácilmente para incluir compartimentos adicionales, como una población expuesta (E) que aún no era infecciosa, lo que dio lugar al modelo SEIR relacionado. Por lo tanto, el marco SIR, o sus derivados, aún dominan el campo del modelado de epidemias. De hecho, la mayoría de los modelos de COVID-19 publicados durante la pandemia utilizaron alguna implementación de este marco SIR/SEIR [ 75 ] , incluidos los utilizados para asesorar a los gobiernos [ 39–46 ] .

Algunos modelos de COVID-19 también utilizaron modelos basados ​​en agentes computacionalmente costosos basados ​​en el marco SIR/SEIR, por ejemplo, Reino Unido y EE. UU. [ 6 , 43 ]; o Austria [ 44 ], pero la mayoría de los estudios utilizaron modelos promedio de población más simples, por ejemplo, EE. UU. [ 76 ]; Canadá [ 77 ]; Irlanda [ 45 ]; España e Italia [ 78 ].

En la Figura 1 , explicamos las principales características del marco SEIR básico y demostramos cómo condujo a proyecciones iniciales alarmantes [ 39–46 , 76–78 ] cuando se aplicó a la pandemia de COVID-19:

a. El marco SIR/SEIR predeterminado supone que el 100% de la población comienza en el compartimento susceptible, pero a medida que la epidemia progresa, todas las personas expuestas al virus pasarán por cada uno de los compartimentos hasta que se recuperen (o mueran): S→E→I→R.

b. Un parámetro clave del modelo es el «número básico de reproducción», R₃ , una constante teórica que representa el número promedio _{de personas susceptibles que} cada persona infectada infectaría en una población 100% susceptible. Si R₃ > 1,0, el número de personas infectadas comenzará a aumentar exponencialmente con el tiempo; cuanto mayor sea _R₃ , mayor será la tasa de crecimiento.

c. Sin embargo, el modelo predice que, a medida que más personas se recuperan, cada nueva persona infectada se encontrará, en promedio, con menos personas aún susceptibles. Por lo tanto, el «número de reproducción efectivo», R _e (a veces R _t ), disminuye con el tiempo.

d. Cuando R _e disminuye a 1, el número de personas infectadas en la población deja de aumentar, lo que marca el pico de la epidemia. Esto se denomina «umbral de inmunidad de grupo» (HIT).

e. El modelo predice que la epidemia continuará, aunque a un ritmo cada vez más lento, hasta alcanzar la magnitud final de la epidemia (FSE).

Incluso ahora, todavía no está claro cuál es el R ₀ promedio de COVID-19 [ 79 , 80 ]. Sin embargo, muchas de las primeras estimaciones sugirieron valores en el rango de 2 a 6. Por lo tanto, como se puede ver en la Figura 1F , las implicaciones de las proyecciones del modelo fueron altamente alarmantes. Proyectaron que, en ausencia de NPI o un programa de vacunación a nivel de población, habría una gran ola pandémica que solo tardaría unos meses en infectar a más del 70% al 80% de la población. Y en su punto máximo, hasta el 10% al 25% de la población estaría enferma al mismo tiempo, colapsando los servicios de salud y devastando la sociedad.

Cuando nos familiarizamos con las implicaciones de este modelo , podemos entender por qué tantos modeladores se alarmaron [ 39–46 , 76–78 ] y por qué los responsables de las políticas asesorados por estos modeladores podrían haber compartido fácilmente esta alarma. Sin embargo, aunque el modelo SIR original sigue siendo una herramienta epidemiológica poderosa y útil [ 61, 62 ] , especialmente para enfermedades altamente infecciosas que se propagan predominantemente a través del contacto cercano, por ejemplo , el sarampión, hay múltiples razones por las que estas proyecciones simplistas fueron poco realistas para modelar la pandemia de COVID-19 [ 39–42 , 46 , 51 , 61 , 63–66 , 81 ] .

Descuido de la estacionalidad de los coronavirus por la mayoría de los modelos

La mayoría de los modelos no consideraron la posibilidad de estacionalidad [ 6 ], por ejemplo, el resultado bruto de los modelos SEIR suele ser el “número de días desde el brote ” , con algunas excepciones [ 65 , 82-85 ] . Por lo tanto, el modelo predeciría una cronología idéntica para la pandemia, independientemente de si el brote se modeló como comenzando en enero o julio.

Los factores exactos que contribuyen a la estacionalidad de los virus respiratorios, incluyendo la influenza y los coronavirus, son objeto de investigación y debate continuos. Para quienes estén interesados ​​en “por qué existe la estacionalidad”, recomendamos la revisión de Moriyama et al. [ 86 ] como un buen punto de partida. También observamos que la estacionalidad de los virus individuales varía entre géneros; por ejemplo, compare los diferentes picos estacionales de alfa-coronavirus y beta-coronavirus en Dyrdak et al. [ 87 ]. Sin embargo, para esta discusión, el punto clave es que el marco SIR predeterminado no considera la posibilidad de un componente estacional.

Aunque el comienzo de la pandemia de COVID-19 fue algo aestacional (comenzó en la primavera del hemisferio norte) y se identificaron casos en períodos de verano, ahora es evidente que hubo un componente estacional significativo en la dinámica de la pandemia (especialmente después de tener en cuenta los cambios en la capacidad de prueba). Otros coronavirus humanos de la misma familia que el SARS-CoV-2 muestran una fuerte estacionalidad en su incidencia, alcanzando un pico agudo a mediados del invierno y teniendo una incidencia muy baja durante el verano [ 82 , 85–87 ]. Por lo tanto , varios estudios sugirieron desde el principio que esta estacionalidad en la incidencia del coronavirus también podría influir en la dinámica de la pandemia [ 82 , 85–91 ] . Otros no estuvieron de acuerdo y argumentaron que el SARS-CoV-2 no debería tratarse como otras infecciones ” estacionales “, porque la estacionalidad no podía usarse (exclusivamente) para caracterizar la progresión temprana de la pandemia, por ejemplo, brotes durante los períodos de verano y primavera [ 4 , 92–95 ] . No obstante, si bien estos puntos descartan la estacionalidad como único factor, la mayoría de los países de latitudes medias y altas experimentaron importantes olas de SARS-CoV-2 durante los meses de invierno y marcadas reducciones durante los meses de verano, lo que sugiere que la estacionalidad es al menos un factor contribuyente [ 88 , 96 – 99 ].

En principio, el marco del modelo SIR podría adaptarse para tener en cuenta este componente estacional [ 65 , 82–85 ] . Sin embargo, con algunas excepciones [ 65 , 82–85 ] , esto generalmente no se hizo. En algunos casos, esta podría haber sido una decisión explícita, basada en estudios que insistían en que la COVID-19 “no era estacional” [ 4, 92–95 ] , pero típicamente los estudios que describen estos modelos [ 6 , 44 , 45 , 76–78 ] ni siquiera consideraron la posibilidad de un componente estacional.

El descuido de los factores estacionales fue particularmente notable en el caso del muy influyente [ 43 , 47 , 48 ] modelo del Imperial College de Londres [ 6 ]. Este modelo para el Reino Unido y los EE. UU. se había readaptado [ 6 ] a partir de un modelo anterior de una hipotética epidemia de influenza de Tailandia [ 100 ]. En el Material complementario de ese estudio, los autores habían justificado explícitamente el descuido de la estacionalidad en esta área porque, si bien la estacionalidad podría explicar las olas en climas templados, sus efectos aún no estaban claros en las áreas tropicales [ 100 ]. Sin embargo, la plantilla para ese estudio de Tailandia se re-metrizó posteriormente para un estudio de modelo de influenza en los EE. UU./Reino Unido, que a su vez se convirtió en la base del modelo de COVID-19 en el Informe 9, pero los autores descuidaron reconsiderar la cuestión de la estacionalidad al hacerlo [ 6 ].

Proyecciones engañosas de “Una Ola” en ausencia de intervenciones

Una deficiencia relacionada del modelo SEIR es que predice que solo ocurriría una ola de la epidemia en ausencia de cualquier intervención farmacéutica o no farmacéutica (véase la Figura 1) . Esta suposición subyacente representa una característica tan sorprendente del marco SEIR que los investigadores a menudo interpretan prematuramente la presencia de múltiples olas de una epidemia como prueba de que las intervenciones habían aplanado temporalmente la curva epidémica. Por ejemplo, en su análisis de la pandemia de gripe de 1918 en ciudades estadounidenses, Bootsma y Ferguson parecen utilizar la existencia de múltiples olas y el hecho de que estas olas a menudo fueron de menor magnitud que la predicha por su modelo SEIR como evidencia concluyente de la efectividad relativa de las diferentes NPI implementadas por cada ciudad [ 101 ].

Por lo tanto , los modeladores concluyeron prematuramente que cualquier desviación de la gran ola única proyectada debe deberse a las intervenciones del gobierno, es decir, inicialmente las NPI [ 7 , 10 , 12 , 55-57 , 102 ], y luego los programas de vacunación [ 59 ]. Por lo tanto, todas las disminuciones en la incidencia del virus se atribuyeron automáticamente a las intervenciones [ 7 , 10 , 12 , 55-57 , 59 , 102 ], incluso si habían surgido de la estacionalidad de los coronavirus [ 88 , 96-99 ] o la dinámica natural de las olas epidémicas [ 68 , 103 , 104 ] o la ola ya había alcanzado su punto máximo antes de que se hubieran implementado las intervenciones [ 103-105 ].

No tener en cuenta la heterogeneidad en la susceptibilidad y los contactos

Para simplificar, el modelo SIR original suponía explícitamente que cada persona de la población se encontraría con cualquier otra persona con la misma probabilidad, como átomos en una mezcla de gases, y que tienen la misma probabilidad de infectarse [ 61 ]. Por lo tanto, todos son tratados efectivamente como idénticos, independientemente de su edad, género, ocupación, ubicación, estado inmunitario, etc. La única diferencia entre los individuos es en qué compartimento se encuentran en un momento dado de la epidemia.

Aunque esta aproximación puede aplicarse bien a una comunidad pequeña, no se aplica tan bien a un país entero, y mucho menos a toda la población mundial. Las personas suelen encontrarse con los mismos familiares, compañeros de trabajo y vecinos todos los días [ 61 ]. Además, la mezcla social y la transmisión de enfermedades varían con la edad, porque las personas más jóvenes tienden a ser más activas que las personas mayores [ 106 ]. Por otro lado, es probable que la infección reduzca el número de contactos que tiene una persona, porque las personas que se enferman con una enfermedad infecciosa tienen más probabilidades de pasar tiempo en cama y fuera de circulación [ 61 ]. Muchas personas también estarán familiarizadas con el concepto de eventos de superpropagación, donde la transmisión infecciosa podría, teóricamente, acelerarse en grandes reuniones [ 107 ].

Los modelos “basados ​​en agentes”, computacionalmente más costosos , abordaron parcialmente esta preocupación al permitir un análisis geográfico más matizado en términos de contactos que los modelos promedio de población más comunes [ 45 , 76-78 ], por ejemplo, distinguiendo entre áreas rurales y urbanas [ 100 ] y diferentes comportamientos entre grupos de edad [ 6 , 44 ]. Sin embargo, a menudo estos modelos se habían calibrado para replicar los resultados generales de los modelos basados ​​en la población [ 100 ]. Además, esto solo explicó una pequeña proporción de la variabilidad de persona a persona en la transmisión [ 108 ] y no permitió ninguna heterogeneidad en la susceptibilidad, por ejemplo, debido a la inmunidad cruzada a otros virus [ 109 ].

Múltiples estudios han demostrado que los modelos que utilizan un único R ₀ promedio para describir el número promedio de personas infectadas por cada persona (tasas de transmisión) y las probabilidades de que un individuo expuesto se infecte (susceptibilidad) pueden ser poco realistas [ 65 , 66 , 106 , 107 ]. Por el contrario, los modelos que permiten la heterogeneidad en la susceptibilidad a la infección o la transmisibilidad de la infección pueden reducir drásticamente tanto el umbral de inmunidad colectiva esperado ( Figura 1D ) como el tamaño final de la epidemia (FSE) ( Figura 1E ) para una ola dada [ 65 , 66 , 106 , 107 ].

Los modelos que tienen en cuenta esta heterogeneidad no excluyen la posibilidad de olas posteriores a medida que el virus evoluciona [ 68 ]. Sin embargo, muestran que la predicción alarmante clave del modelo SEIR homogéneo estándar descrito en la Figura 1 , de que la gran mayoría de la población se habría infectado en unos pocos meses en una sola ola sin intervenciones, fue errónea desde el principio

Inconsistencias en las estadísticas de COVID-19 utilizadas para calibrar los modelos

Surgieron problemas separados con la calibración y evaluación de los modelos debido a las inconsistencias en la medición de la incidencia de COVID-19 en la comunidad a lo largo del tiempo. La mayoría de los modelos se ajustaron utilizando casos o muertes por COVID-19. Sin embargo, los métodos de medición de ambas métricas cambiaron a lo largo de la pandemia [ 110–117 ] .

En términos de “casos de COVID-19”, la proporción de la población examinada, la prioridad de las pruebas y las definiciones de caso para COVID-19 cambiaron drásticamente en el curso de la pandemia [ 110–116 ] . Al comienzo de la pandemia, las pruebas RT-PCR para identificar de manera confiable el SARS-CoV-2 aún se estaban desarrollando [ 118 ] y la capacidad de prueba era limitada. Por lo tanto, las pruebas a menudo se priorizaban para los pacientes con los síntomas más graves o los trabajadores de la salud (para reducir la propagación nosocomial en los hospitales) [ 111 , 119 ]. La definición de caso también fue inicialmente más estricta y se basó más en los síntomas que en los resultados de las pruebas [ 113 ]. Por lo tanto, los “casos” identificados fueron inicialmente sesgados por el efecto “iceberg clínico” [ 119 , 120 ], es decir, muchos de los que estaban infectados pueden haber pasado desapercibidos porque no se presentaron a un médico para diagnóstico y tratamiento.

Esto condujo a dos sesgos importantes en la modelización de las primeras olas. En primer lugar, se subestimó considerablemente el número real de infecciones durante la primera ola [ 111 , 113–116 ] . También significó que las estimaciones iniciales de la tasa de letalidad por infección (TLI) y el riesgo de hospitalización fueron demasiado altas [ 1 , 63 , 111 , 112 , 121 ], ya que la mayoría de las infecciones con síntomas leves o incluso asintomáticas habrían permanecido sin identificar [ 67 ].

A medida que la capacidad de prueba aumentó (y también la demanda disminuyó temporalmente) después de la primera ola, las definiciones de caso se flexibilizaron [ 113 ] y las prioridades de prueba se ampliaron. Por lo tanto, desde mediados de 2020, el mayor número de casos identificados fue parcialmente una función de la capacidad de prueba. Cuantas más pruebas se realizaron, más casos se pudieron identificar. Esto no significa que el número de casos fuera simplemente una función de la capacidad de prueba. El número de pruebas realizadas fue una función tanto de la oferta como de la demanda de pruebas [ 122–124 ]. Sin embargo, significó que el número de casos fue una métrica poco fiable para estudiar el curso de la pandemia.

Surgieron problemas adicionales en el uso de “números de casos” porque los laboratorios de pruebas de COVID-19 a menudo usaban umbrales de ciclo (Ct) muy altos de 40 ciclos o más en la prueba RT-PCR para reducir la posibilidad de dar un falso negativo a una muestra de una persona en las primeras etapas de la infección, es decir, cuando la carga viral aún era muy baja. Esto fue útil en términos de estrategias de contención porque el período infeccioso para COVID-19 parece comenzar antes o en el momento de la aparición de los síntomas [ 125 ], es decir, antes de que la persona infectada se dé cuenta de que está enferma.

El problema fue que los “números de casos” combinaron muestras positivas de Ct alto y Ct bajo como idénticas, lo que significa que muchos de los “casos” identificados no eran ni infecciosos ni sintomáticos [ 126–130 ] . ​​Por lo tanto, desde mediados de 2020, muchos de los casos podrían haber sido completamente asintomáticos y no infecciosos, y aún así tratados de manera idéntica a los casos sintomáticos e infecciosos [ 127 , 128 ]. Algunas soluciones podrían haber sido (a) incluir el Ct para un resultado positivo [ 130 ]; (b) volver a una definición de caso que también requiriera síntomas [ 113 ]; (c) tratar provisionalmente un “positivo” de Ct alto como posiblemente presintomático (y recomendar la cuarentena), pero hacer un seguimiento de la persona antes de confirmarla como un “caso”.

Una métrica alternativa que a veces se utilizaba para evaluar la progresión de la pandemia era el número de muertes por COVID-19 [ 117 ]. Sin embargo, esta métrica también era sorprendentemente inconsistente, porque algunos pacientes que habían dado positivo en la prueba de COVID-19 pero que murieron por otras causas todavía se contabilizaban como una “muerte por COVID-19”. Por ejemplo, en el Reino Unido, se registraron las muertes de las personas que murieron hasta 28 días después de tener una prueba de COVID positiva o si se había ingresado COVID-19 en su certificado de defunción [ 117 ]. Por lo tanto, las estadísticas de “muerte por COVID-19” combinaban “muertes por COVID-19″, “muertes en las que la COVID-19 fue un factor contribuyente” y “muertes con COVID-19″, es decir, pacientes cuya muerte no tenía nada que ver con la COVID-19 pero que casualmente habían dado positivo en la prueba de COVID-19. Esta combinación de diferentes causas de muerte en “muertes por COVID-19” ha dificultado el uso de estas estadísticas de mortalidad como una métrica confiable para el seguimiento de la pandemia.

Mientras tanto, las pruebas a todos los pacientes hospitalizados se convirtieron rápidamente en rutina para controlar las infecciones nosocomiales. Esto era comprensible desde una perspectiva sanitaria, pero a menudo generaba confusión sobre la evolución de la pandemia, ya que los pacientes hospitalizados que daban positivo en la prueba de COVID-19 durante su estancia hospitalaria solían contabilizarse entre las estadísticas de “hospitalizados con COVID “ , incluso si el motivo de la hospitalización no estaba relacionado con la infección por COVID-19 [ 131–133 ].

Además de generar incertidumbre en (a) la gravedad de los riesgos de morbilidad y mortalidad por COVID-19, y (b) la magnitud relativa de las diferentes olas de la pandemia a lo largo del tiempo, las inconsistencias mencionadas también habrían introducido errores en tiempo real en los datos introducidos en los modelos utilizados para asesorar a los gobiernos sobre la evolución de la pandemia en cada país. Por lo tanto, existen múltiples razones para fortalecer la vigilancia de las enfermedades infecciosas.

Esfuerzos insuficientes para evaluar críticamente la confiabilidad de las proyecciones de modelos

Una preocupación importante con la excesiva dependencia de los responsables de las políticas en los escenarios modelo es la falta de mecanismos implementados para tratar de evaluar la precisión (o no) de los modelos a medida que avanzaba la pandemia [ 39–42 , 46 , 51 ] . Esto fue especialmente necesario dado que algunos modelos proporcionaban una gama de escenarios plausibles y/o proporcionaban escenarios menos alarmantes [ 51 , 63–68 ] . Por lo tanto, los escenarios más alarmantes no eran necesariamente los más plausibles, pero aparentemente a los escenarios menos alarmantes se les dio menos peso [ 69–72 ] que a los más alarmantes [ 43 , 47 , 48 , 134 , 135 ].

Las políticas se determinaron con base en lo que los modelos proyectaban que ocurriría en ausencia de dichas políticas, es decir, esencialmente los dramáticos escenarios descritos en la Figura 1. Sin embargo, por lo general, los modeladores no intentaron modelar lo que ocurriría con dichas políticas. Por lo tanto, una vez implementadas las políticas, los escenarios del modelo nunca pudieron ser probados ni por los modeladores ni por los responsables de las políticas; es decir, eran “no refutables” [ 136 ].

Esto puso a los responsables políticos en una situación desafortunada. Los modeladores les advirtieron que si no implementaban políticas importantes y sin precedentes, las consecuencias serían nefastas. Sin embargo, una vez implementadas las políticas, no pudieron evaluar el grado de realismo de dichas advertencias. Los modeladores tampoco recibieron retroalimentación para determinar si debían modificar sus modelos en el futuro.

Mientras tanto, la mayoría de los estudios que evaluaron retrospectivamente las políticas de COVID-19 como relativamente exitosas [ 7 , 10 , 12 , 55-59 ] en la reducción de la propagación de COVID-19 lo hicieron utilizando los llamados “escenarios contrafactuales”. Es decir, los investigadores compararían las estadísticas de COVID-19 observadas después de la introducción de las políticas con los escenarios modelados de lo que podría haber sucedido en ausencia de las políticas. Esta comparación de una realidad observada con un “escenario contrafactual” hipotético se utilizó para afirmar que tanto las NPI [ 7 , 10 , 12 , 55-58 ] como los programas de vacunación [ 59 , 60 ] fueron efectivos.

Sin embargo, como analizaremos en las siguientes secciones, las evaluaciones que no se basaron únicamente en escenarios contrafácticos a menudo encontraron que la progresión de la pandemia fue en gran medida independiente de las medidas gubernamentales [ 64 , 81 , 96 , 103 , 105 , 137 – 145 ].

De hecho, en unos pocos casos raros en que las políticas recomendadas por los escenarios modelo no se implementaron, lo que permitió una comparación de los escenarios modelo con la realidad observada, los escenarios modelo estaban ampliamente equivocados [ 134 , 135 ].

Por ejemplo , Suecia fue algo única al elegir no adoptar la amplia gama de NPI implementadas por los países vecinos [ 31–33]. Si bien es posible que muchos en Suecia todavía hayan modificado voluntariamente su comportamiento [32 , 141 , 142 ] , estas medidas voluntarias fueron ampliamente consideradas como menos restrictivas que las NPI obligatorias [ 31–33 ] . Por lo tanto , ofrece un contraejemplo poco común para evaluar los efectos de las NPI implementadas por los países vecinos. Utilizando el propio modelo del Imperial College de Londres, los investigadores estimaron 34.895 muertes de primera ola en Suecia bajo “distanciamiento social de toda la población”, la medida más estricta después del confinamiento total y posiblemente la más cercana a las medidas realmente implementadas en Suecia [ 134 , 142 , 146 ]. A fines de julio de 2020, el número real de muertes reportadas en Suecia fue de 5.741 [ 31 ].

En términos más generales, los países que implementaron las NPI menos estrictas en general no experimentaron más muertes por COVID-19 que los países con las NPI más estrictas [ 145 , 147 ]. Esto es lo opuesto a lo que los modelos habían predicho.

Por último, después de seguir repetidamente las recomendaciones basadas en modelos para implementar NPI estrictas durante la mayor parte de la pandemia, en diciembre de 2021, el gobierno del Reino Unido finalmente decidió anular las recomendaciones basadas en modelos que pedían un (cuarto) confinamiento en diciembre de 2021. En esa ocasión, las predicciones del modelo de muertes superaron las cifras reales en un factor de 20 [ 70 ].

Problema 2: Evaluación crítica insuficiente de las intervenciones no farmacéuticas (INF)

“…siempre hay una solución bien conocida para cada problema humano: clara, plausible e incorrecta.” – Henry L. Mencken, Prejuicios: Segunda Serie, pág. 155 (1920) [ 148 ]

Las intervenciones no farmacéuticas (INF) son medidas no médicas utilizadas para frenar la transmisión del virus y contener la pandemia. Estas pueden incluir la prohibición de reuniones multitudinarias, restricciones de viaje, confinamientos, el uso obligatorio de mascarillas, el cierre de escuelas y el distanciamiento social [ 7 , 12 ]. Muchas de estas medidas fueron replicadas por gobiernos vecinos, quizás por presión social [ 42 ]. Una buena revisión de las INF aplicadas durante la pandemia de COVID-19 se puede encontrar en Inglesby et al. [ 50 ].

Como vimos anteriormente, alarmados por los escenarios modelo, los gobiernos introdujeron una serie sin precedentes de NPI extensivas en todo el mundo a principios de 2020. Si bien los gobiernos solían reducir temporalmente el rigor de estas medidas entre las oleadas de la pandemia (por ejemplo, durante los meses de verano), muchas NPI se mantuvieron vigentes durante toda la pandemia [ 9 ]. Estas NPI tuvieron muchas consecuencias negativas no deseadas [ 42 , 147 , 149-156 ] .

Además, aunque varios estudios basados ​​en modelos concluyeron que las NPI estaban controlando temporalmente la pandemia [ 7 , 10 , 12 , 55–57 ], muchos estudios encontraron que la progresión de la pandemia continuó en gran medida independientemente de las NPI [ 64 , 81 , 96 , 103 , 105 , 137–145 ]. Sin embargo, las NPI comprendían casi exclusivamente la mayor parte de las políticas de COVID-19 hasta los programas de vacunación contra la COVID-19 [ 7 , 102 ], y siguieron siendo una parte importante de las políticas de COVID-19 durante la pandemia [ 9 ].

Reconocemos que:

( a) Los escenarios modelo presentados a los gobiernos sobre lo que podría suceder en ausencia de las INP fueron ciertamente muy alarmantes [ 39–46 , 76–78 ] .

(b) Por lo tanto, si estos escenarios modelo hubieran sido exactos, los intentos de prevenir o minimizar su ocurrencia deberían haber sido muy altos en términos de prioridades de salud pública, y las NPI fueron un intento de ese tipo [ 7 , 102 ].

(c) Varios estudios contrafácticos de alto perfil basados ​​en escenarios concluyeron que las NPI eran eficaces [ 7 , 10 , 12 , 55 – 57 ] – sobre la base de que dichos escenarios no se habían desarrollado cuando se implementaron las NPI.

Sin embargo, creemos que esta estrategia impulsada por el NPI tenía graves fallos por múltiples razones, por ejemplo:

1. La discusión de estrategias alternativas [ 32 , 33 , 49 , 54 , 137 , 149 , 150 , 157 – 159 ] fue descartada prematuramente sin una consideración seria [ 32 , 33 , 102 ].

2. Hasta ahora, múltiples estudios han encontrado que las NPI han sido notablemente ineficaces [ 64 , 81 , 96 , 103 , 105 , 137 – 145 ], pero hubo un fracaso sorprendente por parte de los responsables de las políticas a la hora de evaluar críticamente la eficacia de las NPI durante la pandemia.

3. Las NPI tuvieron muchas consecuencias perjudiciales no deseadas no sólo para la salud pública, sino también para la sociedad y la economía [ 42 , 147 , 149 – 156 ].

Desarrollaremos estos puntos en las siguientes subsecciones.

Descarte de estrategias alternativas sin una consideración seria

Antes de 2020, los planes de preparación para pandemias se habían preparado cuidadosamente y desaconsejaban la mayoría de las NPI [ 49 ] que terminaron implementándose. En particular, una revisión sistemática de la OMS en otoño de 2019 concluyó que la evidencia de la efectividad de la mayoría de las NPI era limitada [ 49 ]. Además, los datos limitados a su favor se basaban principalmente en estudios observacionales o de modelos [ 49 ]. También se predijo que las NPI también podrían tener daños considerables [ 49 ]. Estas predicciones se confirmaron posteriormente al final de la pandemia de COVID-19 mediante una revisión de evidencia de estudios realizados en el Reino Unido por parte de UKHSA [ 160 ]. Sin embargo, estos planes de preparación para pandemias que se habían desarrollado de antemano aparentemente se abandonaron abruptamente con poca discusión [ 161 , 162 ].

Incluso durante los primeros meses de la pandemia, el Grupo Asesor Estratégico y Técnico sobre Riesgos Infecciosos (STAG-IH) de la OMS recomendó una serie de medidas para que los países se prepararan y respondieran a la pandemia que no involucraban la mayoría de las NPI que finalmente se utilizaron [ 163 ]. Entonces, si bien la implementación de una variedad sin precedentes de NPI se promovió con frecuencia como “seguir la ciencia” [ 11 , 48 , 164-166 ] , la realidad fue que la mayor parte de la ciencia que había estado disponible en ese momento fue reemplazada apresuradamente sobre la base de las alarmantes proyecciones de modelos [ 39-46 , 76-78 ] descritas anteriormente .

Durante la pandemia, mientras las NPI estaban en juego, muchos investigadores pidieron a la comunidad que reconsiderara esta estrategia y propusieron enfoques alternativos para gestionar la pandemia en el futuro [ 54 , 137 , 149 , 150 , 157 – 159 , 167 , 168 ], pero estos llamados fueron ignorados o desestimados sin la debida consideración [ 102 , 168 – 173 ]. Por ejemplo, cuando un eminente epidemiólogo escribió una evaluación generalmente favorable en mayo de 2020 de cómo le había ido a Suecia sin las NPI más estrictas de sus países vecinos [ 167 ], dio lugar a seis críticas separadas que cuestionaban esta evaluación [ 102 , 168 – 173 ]. Aunque Suecia experimentó una primera ola relativamente severa debido a un alto número de muertes en los servicios de atención a personas mayores [ 174 , 175 ] en última instancia, no experimentó una pandemia notablemente más grave que sus vecinos a largo plazo [ 31–33 , 96 , 142 ].

A finales de 2020, tres epidemiólogos prominentes escribieron la Declaración de Great Barrington ( https://gbdeclaration.org/ ), abogando por una estrategia de “protección más enfocada” que priorizara a los más vulnerables a la COVID-19, en particular a los ancianos [ 176 ], en lugar de las estrategias difusas de las NPI de toda la población que estaban “gravemente preocupados” que estaban llevando a “impactos perjudiciales para la salud física y mental”. Al momento de escribir esto, la declaración ha tenido 941,261 firmantes, incluidos 16,176 científicos médicos y de salud pública y 47,839 profesionales médicos. Sin embargo, en lugar de conducir a un debate público sobre si se podían adoptar estrategias alternativas, la declaración fue inmediatamente descartada por supuestamente promover ” falacias potencialmente peligrosas” [ 102 ]. Tras bastidores, el entonces director de los Institutos Nacionales de Salud aparentemente intentó organizar ” un desmantelamiento publicado rápido y devastador de sus instalaciones ” porque ” parece estar recibiendo mucha atención ” [ 177 ].

Valoramos que los gobiernos intentaran responder con rapidez a las recomendaciones sobre modelos que se les brindaron. Sin embargo, creemos que si los gobiernos hubieran tomado en serio las estrategias existentes para la pandemia [ 49 , 163 ] o hubieran solicitado la retroalimentación de investigadores con múltiples perspectivas [ 54 , 137 , 147 , 149 , 150 , 157-159 , 167 , 168 , 178 ], podrían haber formulado estrategias más integrales y basadas en la evidencia .

No se reevaluaron adecuadamente la eficacia de las NPI a medida que avanzaba la pandemia

Dada la velocidad de adopción e implementación de las NPI, es concebible que los gobiernos descuidaran la evaluación crítica adecuada de su efectividad. Esto quizás se refleje en estudios tempranos que sugirieron beneficios de las NPI a lo largo de 2020 y gran parte de 2021, con base en escenarios contrafactuales [ 7 , 12 , 57 , 179 ]. Sin embargo, como se discutió anteriormente, una vez que las NPI comenzaron a implementarse, no pareció haber suficiente interés por parte de los formuladores de políticas en fomentar la investigación para reevaluar críticamente la efectividad de las NPI a medida que se acumulaban más datos. Además, es probable que los gobiernos sintieran presión para “hacer algo” y “mantenerse al día” con las NPI más estrictas implementadas por sus vecinos [ 112 , 161 , 162 ].

Los gobiernos parecieron conformarse con confiar en estudios basados ​​en modelos que concluían que las NPI debían estar funcionando colectivamente siempre que una ola pandémica estuviera en declive [ 7 , 10 , 12 , 55–58 ]. Sin embargo, los estudios que analizaron de cerca cómo el momento y la magnitud de las NPI en diferentes países en comparación con la dinámica de la pandemia en esos países no lograron identificar una influencia clara o consistente de las NPI [ 64 , 81 , 96 , 103 , 105 , 137–145 ].

Por ejemplo, varios estudios encontraron que las olas de COVID-19 a menudo habían alcanzado su pico antes de que se hubieran implementado las NPI [68, 103-105, 139 ] . Esto sugirió que los aumentos y caídas en la incidencia viral fueron en gran medida independientes de la rigurosidad de las NPI. De hecho, el análisis retrospectivo de muestras de aguas residuales sugirió que, al menos en algunos países, la enfermedad ya puede haber estado presente meses antes de que se consideraran las NPI [ 180 , 181 ] . En cambio, varios estudios han sugerido que la estacionalidad natural de los coronavirus humanos, que alcanza picos en los meses de invierno y mínimos en los meses de verano [ 82, 85-91 ] , puede haber jugado un papel mucho más importante en la dinámica de la pandemia que las NPI [ 81 , 88 , 91 , 96-98 ] .

Otro desafío para evaluar la efectividad de las NPI fue que, durante gran parte de la pandemia, los gobiernos solían implementar simultáneamente una gama diversa de NPI completamente diferentes. Esto a menudo dificultaba mucho aislar empíricamente la efectividad relativa de cada NPI individual. Observamos que muchos de los modeladores, que argumentaron que colectivamente las NPI eran efectivas, también compartían esta frustración (véase la revisión de perspectiva de Lison et al. [ 182 ]). Coincidimos con Lison et al. en que la implementación simultánea de múltiples NPI diferentes por parte de varios países vecinos obstaculizó gravemente la capacidad de la comunidad científica para evaluar la efectividad relativa de las medidas individuales [ 182 ].

Entendemos que muchos de los INF podrían intuitivamente creer que deberían haber tenido una influencia significativa en la progresión de la pandemia. Sin embargo, el análisis científico a menudo contradice nuestras intuiciones.

Consideremos el uso de mascarillas como caso de estudio, ya que las NPI de mediados de 2020 a menudo implicaban requisitos de mascarillas [ 9 , 145 ]. Estudios mecanicistas sugirieron que las mascarillas podrían reducir potencialmente la transmisión de partículas virales [ 180 , 181 ]. Sin embargo, los metaanálisis de estudios anteriores a la pandemia no habían logrado identificar una reducción estadísticamente significativa en la propagación de la transmisión viral de la influenza [ 183 ], incluso si algunos habían identificado un posible efecto no estadísticamente significativo [ 184 ]. De hecho, un ensayo de control aleatorizado en Dinamarca a principios de 2020 encontró que el 2,1% (53/2994) del grupo de control y el 1,8% (42/3030) en el grupo que usaba mascarillas contrajeron COVID-19 antes de que el ensayo tuviera que ser interrumpido ya que el gobierno había introducido regulaciones para el uso de mascarillas [ 185 ]. Nuevamente, esta diferencia no fue estadísticamente significativa y sugirió que cualquier efecto fue, en el mejor de los casos, modesto.

Incluyendo el estudio danés, tres ensayos controlados aleatorios (ECA) han evaluado si las mascarillas y los respiradores fueron efectivos para prevenir la transmisión de COVID-19. En dos de estos estudios, se investigaron mascarillas quirúrgicas o de tela [ 185 , 186 ] y en el tercer estudio, se compararon respiradores N95 con mascarillas médicas en un estudio aleatorizado multicéntrico de trabajadores de la salud que tuvieron contacto directo con pacientes con COVID-19 sospechoso o confirmado [ 187 ]. Un metaanálisis Cochrane mostró que, junto con estudios previos, estos ensayos no lograron demostrar que las mascarillas redujeran significativamente la transmisión viral en la comunidad o entre los trabajadores de la salud [ 188 ]. De hecho, los datos de alta calidad de los ensayos aleatorios no lograron demostrar sistemáticamente un efecto significativo de las mascarillas en la transmisión viral, mientras que la evidencia que respalda el efecto beneficioso de las mascarillas se derivó casi exclusivamente de estudios observacionales de menor calidad [ 189 ]. Además, una comparación de 35 países europeos durante el invierno de 2020-2021 no logró identificar una relación estadísticamente significativa entre el uso de mascarillas y los resultados de COVID-19 [ 145 ].

Descuidar las consecuencias no deseadas de las NPI para la salud pública

La salud pública implica mucho más que enfrentar una pandemia [ 61 , 147 , 153 , 190 ]. Sin embargo, a lo largo de la pandemia, muchas políticas y estrategias de salud pública de larga data del período prepandémico [ 147 , 153 , 154 , 156 , 190 ] se abandonaron o se les dio una prioridad menor para enfocarse casi exclusivamente en un solo problema de salud pública, es decir, minimizar la propagación del virus SARS-CoV-2 [ 42 , 147 , 149 – 153 , 155 , 156 ]. Por lo tanto, si bien las NPI se diseñaron con el objetivo de salud pública de reducir la carga sanitaria de la pandemia [ 7 , 102 ], las políticas de salud pública deberían haber ponderado explícitamente los beneficios potenciales de las NPI propuestas frente a sus numerosas consecuencias perjudiciales no deseadas , no solo para la salud pública, sino también para la sociedad en general, la economía y el medio ambiente natural [ 42 , 147 , 149-156 ] .

Si bien las NPI a menudo condujeron a una mezcla de consecuencias beneficiosas y adversas para diferentes personas y grupos, las consecuencias netas fueron a menudo adversas, por ejemplo, véase ÓhAiseadha et al. [ 153 ] para una revisión extensa.

Las consecuencias perjudiciales de las NPI incluyeron estrés [ 191 ], cambios adversos en la dieta, nutrición, peso corporal y obesidad [ 192 , 193 ], abuso de sustancias [ 194 , 195 ], tabaquismo [ 196 ], impactos emocionales y en la salud mental [ 197 , 198 ], deterioro en la prestación de atención médica [ 199 ], impactos económicos, sociales y ambientales adversos [ 200 ], interrupciones de la educación [ 198 , 199 ], reducción de la asistencia hospitalaria [ 155 , 156 , 201 ], reducción en la aceptación de la vacuna [ 202 , 203 ] y deterioro de la atención y la salud de los ancianos [ 149 , 204 , 205 ]. Los efectos adversos sobre el estilo de vida y la salud de la población se vieron exacerbados por mayores desigualdades en materia de salud según la edad, el género, el nivel socioeconómico, la salud preexistente y la ubicación [ 153 ].

Los efectos nocivos de las NPI en el peso corporal y la obesidad son particularmente notables, ya que existe cierta evidencia de una asociación entre el sobrepeso/obesidad y un mayor riesgo de COVID prolongada [ 206 , 207 ]. Como se mencionó en los Antecedentes, la posibilidad de COVID prolongada fue una de las preocupaciones asociadas con la pandemia (después de los riesgos de hospitalización o muerte) [ 3 ].

Por lo tanto, creemos que la mayoría de las INF que se implementaron durante la COVID-19 deberían evitarse, si es posible, en futuras pandemias. Si se vuelve a considerar alguna de estas medidas, los gobiernos deben asegurarse de que se realicen junto con análisis rigurosos e integrales de costo-beneficio. Debido al amplio alcance de las INF, un análisis de impacto adecuado también debería involucrar a un grupo más multidisciplinario de académicos de las ciencias sociales y las humanidades, así como a profesionales de la salud pública [ 147 , 178 ].

Problema 3: La evaluación inconsistente de posibles intervenciones farmacéuticas (IP)

El médico debe ser capaz de describir los antecedentes, conocer el presente y predecir el futuro; debe mediar en estos aspectos y tener dos objetivos específicos en mente con respecto a la enfermedad: hacer el bien o no hacer daño. El arte consiste en tres cosas: la enfermedad, el paciente y el médico. El médico es el servidor del arte, y el paciente debe combatir la enfermedad junto con el médico. –Hipócrates, De las epidemias (c. 400 a. C.), Libro I, Sección II [ 208 ]

Si bien muchas de las respuestas políticas a la COVID-19 se centraron en las NPI, también se acompañaron de políticas clave relacionadas con las intervenciones farmacéuticas (IP), especialmente a partir de 2021, cuando comenzaron los programas de vacunación poblacional contra la COVID-19. Sin embargo, hemos observado asimetrías notablemente poco científicas e inconsistentes en la forma en que se consideraron los diferentes tipos de IP durante la pandemia.

En concreto, la investigación sobre el posible uso de fármacos reutilizados de bajo coste que se habían identificado como prometedores se desalentó activamente en lugar de alentarse. Los investigadores que sugirieron que un protocolo particular basado en fármacos reutilizados podría ser seguro y al menos parcialmente eficaz en el tratamiento o la prevención de la COVID-19 grave se enfrentaron a un aluvión continuo de críticas y burlas profesionales [ 209–212 ] . Los protocolos que incorporaban hidroxicloroquina (HCQ) o ivermectina (dos medicamentos sin patente con perfiles de seguridad bien conocidos que se han utilizado ampliamente para múltiples fines durante décadas) fueron particularmente penalizados . Las personas que querían utilizar un protocolo de fármacos reutilizados se enfrentaron a dificultades considerables, y los médicos que querían ofrecer dicho tratamiento se enfrentaron a un perjuicio profesional [ 211–213 ] .

Por el contrario, la investigación que promovía el uso de una nueva clase de tecnología de vacunas (vacunas de ARNm o ADN) fue activamente alentada para la COVID-19, y cualquier investigación que cuestionara la seguridad o la eficacia de estos nuevos tipos de vacunas fue desalentada. Los gobiernos promovieron activamente el uso poblacional de estas vacunas en particular, a menudo utilizando explícitamente mandatos de vacunación y estigmatizando a los no vacunados [ 16 ]. Las personas que no querían tomar estas vacunas contra la COVID-19 y los médicos que intentaron complacer esta solicitud de los pacientes enfrentaron una presión inusual [ 16 , 210 ]. Las experiencias de las personas que sufrieron reacciones adversas después de su vacunación fueron activamente ignoradas y si hablaban públicamente de sus experiencias, a menudo se les etiquetaba irónicamente como “antivacunas” [ 202 , 214 – 218 ].

Mientras tanto, muchos gobiernos se negaron a aceptar las vacunas contra la COVID-19 aprobadas por la OMS que utilizan tecnología más convencional (vacunas basadas en virus inactivados) como una alternativa válida en términos de las regulaciones de las vacunas contra la COVID-19 [ 219 ]. De hecho, aparentemente el ejército estadounidense participó en campañas internacionales de propaganda en línea para desacreditar la vacuna china “Sinovac”/“Coronavac” basada en virus inactivados [ 220 ].

Varios de nuestros coautores tienen opiniones científicas diferentes sobre la seguridad o eficacia relativa de cada uno de estos IP para el tratamiento o la prevención de la COVID-19. Por lo tanto, reconocemos que la literatura científica sobre estos temas aún está en evolución. Sin embargo, creemos que ya existe suficiente información para respaldar las siguientes posturas:

1. El desaliento activo de la investigación para la identificación y evaluación de protocolos potencialmente prometedores que involucraran medicamentos baratos reutilizados fue preocupante e inquietante, especialmente en aquellos casos en que los medicamentos considerados tenían perfiles de seguridad bien conocidos.

2. La combinación deliberada de la nueva tecnología de vacunas de ARNm y ADN con las vacunas tradicionales fue engañosa y condujo a una falta de consentimiento genuinamente informado entre muchos de los que recibieron o administraron estas vacunas contra la COVID-19.

3. La aparente eficacia de las vacunas de ARNm/ADN contra la COVID-19 fue evaluada incorrectamente y gravemente sobreestimada.

4. La aparente seguridad de las vacunas de ARNm/ADN contra la COVID-19 también fue evaluada incorrectamente y sobreestimada peligrosamente.

5. A finales de 2021, ya era evidente que las vacunas contra la COVID-19 no eran adecuadas para alcanzar la inmunidad de grupo y, por ello, un programa de vacunación continuo para toda la población (en lugar de ofrecer la vacunación voluntaria individual) ya no era útil desde una perspectiva de salud pública.

En las siguientes subsecciones explicaremos las razones de cada una de estas posturas.

Desaliento activo de la investigación sobre el posible uso de medicamentos reutilizados

Desde el inicio de la pandemia, se les dijo a los médicos que no existía ninguna terapia anti-coronavirus y que se recomendaba a los trabajadores de la salud que brindaran “solo cuidados de apoyo” y que se debían evitar otras terapias fuera de ensayos controlados aleatorios [ 211–213 ] . La OMS prohibió explícitamente el uso de corticosteroides fuera de los ensayos clínicos, hasta el 2 de septiembre de 2020 [ 221 ], cuando la OMS cambió a recomendar corticosteroides para pacientes graves y críticos. Dentro del hospital, se podría considerar la oxigenoterapia suplementaria y la posible ventilación mecánica si fuera necesario. Sin embargo, a los pacientes que no requerían hospitalización generalmente se les decía que descansaran en casa sin tratamiento, pero que “regresaran al hospital si desarrollaban cualquier empeoramiento de la enfermedad” [ 222 ].

Dada la ausencia explícita de opciones de tratamiento, no es sorprendente que algunos médicos e investigadores comenzaran a buscar la posibilidad de desarrollar protocolos potenciales para el tratamiento y/o prevención mediante la reutilización de fármacos prometedores [ 223 , 224 ] , preferiblemente candidatos bien estudiados y asequibles con perfiles de seguridad conocidos [ 209-213 , 223-230 ]. Lo que fue sorprendente fue la reacción exagerada y fuertemente hostil de la comunidad médica y las autoridades sanitarias cada vez que se identificaba un protocolo potencial como prometedor [ 210 , 231 , 232 ] . Esto a menudo iba acompañado de campañas mediáticas para crear la impresión pública de que estos protocolos recientemente propuestos no eran simplemente ineficaces, sino potencialmente peligrosos (incluso si el protocolo se había propuesto recientemente y se basaba en fármacos ampliamente utilizados), y que los médicos que estaban considerando estos protocolos se estaban comportando, por lo tanto, de manera peligrosa e imprudente [ 233 ]. Un tema recurrente utilizado en las campañas mediáticas para desacreditar estos medicamentos, que son tan ampliamente utilizados que tienen aplicaciones tanto para humanos como para animales, fue enfatizar el uso veterinario, creando así la falsa impresión de que los medicamentos podrían no ser adecuados para el uso humano [ 234 , 235 ].

Probablemente los protocolos potenciales de más alto perfil fueron aquellos que incluían hidroxicloroquina (HCQ), ivermectina o medicamentos antiinflamatorios como corticosteroides (dexametasona) [ 209 , 210 , 213 , 223 , 224 , 227–230 ]. Estos medicamentos habían sido ampliamente utilizados por la comunidad médica antes de la pandemia y, por lo tanto, sus perfiles de seguridad eran bien comprendidos, lo que los convertía en candidatos prometedores para su reutilización [ 223 , 224 ]. Varios protocolos prometedores que involucraban su uso se sugirieron como una “opción a corto plazo para el tratamiento temprano de la mayoría de los pacientes ambulatorios sintomáticos de alto riesgo” [ 209 , 226 ]. Diferentes estudios de HCQ han arrojado resultados contradictorios: algunos estudios no encontraron beneficios en la mortalidad por el uso de HCQ [ 236 , 237 ] y otros encontraron un beneficio estadísticamente significativo en la mortalidad [ 238 ]. Sin embargo, sobre la base de lo anterior, en junio de 2020, la FDA de EE. UU. rescindió su autorización temporal de uso de emergencia para la HCQ [ 239 ] . Los médicos que intentaron brindar a los pacientes acceso a protocolos que involucraban HCQ, incluso como un “derecho a probar”, se encontraron con obstáculos o enfrentaron censura profesional [ 210-212 , 231-233 ] .

Por el contrario, aunque el ensayo Solidarity Therapeutics coordinado por la OMS arrojó en octubre de 2020 resultados igualmente negativos tanto para la HCQ como para el remdesivir (un fármaco relativamente caro todavía bajo patente de Gilead Sciences) [ 237 ], la OMS todavía permite el uso del remdesivir en determinadas circunstancias [ 221 ].

Otro fármaco reutilizado propuesto, la ivermectina, se había utilizado durante varias décadas como un fármaco antiparasitario seguro y económico [ 225 ]. La ivermectina ya demostró actividad antiviral contra otros virus de ARN, incluidos el VIH, la influenza A y el SV40 (virus de ADN) en pruebas de laboratorio mediante un inhibidor de la proteína de importación nuclear (IMP) dirigido al huésped [ 229 ]. Nuevamente, diferentes estudios han arrojado resultados contradictorios sobre su eficacia [ 225 , 228 , 240 – 243 ]. Sin embargo, los protocolos probados no han mostrado problemas de toxicidad [ 225 , 228 , 240 , 241 ]. Además, un ensayo clínico aleatorizado y doble ciego de ivermectina informó que es un medicamento potencialmente seguro y eficaz para pacientes con COVID-19 con enfermedad moderada [ 242 ] y otra revisión y metanálisis afirma que “la ivermectina podría reducir el riesgo de necesidad de ventilación mecánica y eventos adversos en pacientes con COVID-19, sin aumentar otros riesgos. A falta de una mejor alternativa, los médicos podrían usarla con precaución” [ 243 ].

Una revisión detallada de la efectividad relativa de los diversos protocolos que incluyen HCQ, ivermectina o cualquier otro fármaco reutilizado de bajo costo queda fuera del alcance de este artículo; de hecho, varios de nuestros coautores tienen diferentes puntos de vista sobre estos debates en curso. Por lo tanto, en este artículo, no extraemos necesariamente conclusiones definitivas sobre su efectividad. Tampoco afirmamos que los tratamientos deban basarse en fármacos de bajo costo. De hecho, la FDA de EE. UU. otorgó la autorización de uso de emergencia (EUA) a los anticuerpos monoclonales en noviembre de 2020 y se utilizan para tratar y detectar la COVID-19 [ 244 ].

Sin embargo, todos los coautores están alarmados por la forma en que la investigación sobre el posible uso de protocolos que implican el uso de fármacos baratos y reutilizados de uso generalizado no solo fue desalentada, sino vilipendiada. Incluso si ninguno de estos protocolos hubiera sido eficaz, dado el amplio uso mundial y los perfiles de seguridad bien conocidos de muchos de estos fármacos antes de la pandemia, la exploración abierta de su potencial debería haber sido bienvenida [ 209 , 210 , 225 ], en lugar de ser atacada [ 210 , 226 , 231 , 232 ]. Sobre todo porque a la mayoría de los pacientes no se les proporcionó ningún tratamiento alternativo, salvo, a partir de 2021, la esperanza de que las vacunas de ARNm/ADN que analizaremos más adelante fueran de ayuda.

La fusión de la nueva tecnología de vacunas de ARNm y ADN con las vacunas tradicionales

Durante décadas antes de la pandemia, las importantes campañas públicas para fomentar diversos programas de vacunación individuales y de toda la población, junto con la calificación de la oposición a cualquier vacuna como “no científica” y “antivacunas”, habían llevado a una percepción pública común de que cualquier vacuna que las autoridades sanitarias ofrecieran al público debía ser automáticamente confiable por ser “segura” y relativamente “efectiva” y basada en ciencia bien establecida [ 245 – 247 ].

Esto significó que cuando las diversas “vacunas de ARNm” y “vacunas de ADN” introducidas a fines de 2020 se describieron como “vacunas”, muchas personas, incluidos médicos y científicos de alto perfil que tomaron y promovieron las vacunas de ARNm/ADN, no se dieron cuenta hasta mucho después de que estas nuevas tecnologías de vacunas no eran lo mismo que las formas tradicionales de vacunación y no se habían utilizado previamente para ningún programa público de vacunación antes de 2020 [ 218 ].

Desde una perspectiva de marketing, esta notable confianza pública en el término “vacuna” fue muy útil para los desarrolladores de estas nuevas tecnologías (por ejemplo, Moderna, AstraZeneca, Pfizer), que habían estado tratando de desarrollar una “vacuna” de ARNm o ADN que fuera comercialmente relevante durante más de una década [ 248 , 249 ]. También parece haber contribuido a que muchas personas (incluidos investigadores y autoridades sanitarias) confundieran erróneamente las preocupaciones sobre estas vacunas específicas con la “reticencia general a las vacunas” [ 250 ].

Sin embargo, las vacunas de ARNm y ADN eran muy diferentes de las vacunas convencionales a las que el público estaba acostumbrado hasta 2021. Las estrategias de vacunación tradicionales utilizan la totalidad o parte de un agente infeccioso inactivado o debilitado para estimular el sistema inmunitario y que proporcione protección contra futuros ataques. Por el contrario, la teoría detrás de estas nuevas tecnologías de vacunas de ARNm/ADN es utilizar ADN o ARNm para instruir a las células humanas a producir parte(s) de la proteína viral que posteriormente se muestran en el exterior de la membrana celular. La idea es imitar una parte del proceso infeccioso del virus. En teoría, el sistema inmunitario humano debería entonces reconocer la proteína viral como no propia o extraña, intentar destruir las células que la muestran y luego crear anticuerpos que puedan reconocerla en futuros encuentros [ 251 ].

Aunque la tecnología de la que se derivaron estas vacunas genéticas prometía mucho para la industria biotecnológica a principios de la década de 2000, su aprobación regulatoria se retrasó durante más de una década debido a eventos adversos significativos. Para superar este obstáculo, el código genético de partes del virus (que actuarían como una vacuna) se modificó ampliamente para que pudiera eludir el sistema inmunológico innato humano [ 251 ] allanando el camino para la reutilización de esta tecnología para las nuevas vacunas. Sin embargo, todavía existe la preocupación de que este nuevo tipo de tecnología de vacuna solo se aprobó mediante una autorización de uso de emergencia (EUA) a través de la suspensión de los procesos normales de prueba y revisión, en lugar de la aprobación regulatoria más adecuada como terapia génica [ 252 ].

Sin embargo, las vacunas contra la COVID-19 también se desarrollaron y recibieron la aprobación de la OMS utilizando procesos más convencionales, especialmente en China e India, por ejemplo, Sinopharm, Sinovac y Covaxin [ 34 , 35 , 253 ], y se utilizaron en muchos países, especialmente en el mundo en desarrollo (véase la Figura 2) . En muchos países, solo las vacunas de ARNm o ADN se aceptaron como válidas en términos de las regulaciones de la vacuna contra la COVID-19 [ 219 ].

Creemos que si las “vacunas de ARNm/ADN” se hubieran etiquetado utilizando una terminología que indicara mejor (a) su naturaleza genética novedosa (y relativamente no probada) [ 252 , 255 – 261 ] y (b) que no eran las “vacunas” tradicionales con las que la gente estaba familiarizada, esto habría permitido a las autoridades sanitarias evaluar mejor su idoneidad para fines de salud pública y ayudar al público a tomar sus decisiones con el consentimiento informado.

Evaluación incorrecta y sobreestimación grave de la eficacia de las vacunas de ARNm/ADN contra la COVID-19

Evaluación inicial de la eficacia de la vacuna

A principios de 2021, varias compañías farmacéuticas habían anunciado vacunas contra la COVID-19 que declararon seguras y eficaces para prevenir la enfermedad sintomática de la COVID-19 [ 13–15 ] . Los ensayos iniciales de la vacuna contra la COVID-19 fueron recibidos con gran entusiasmo, en parte debido a la promesa de poner fin a las NPI restrictivas [ 21 ]. En particular, la vacuna de ARNm BNT162b2 de Pfizer/BioNTech contra la COVID-19 (“Pfizer”) y la vacuna de ARNm-1273 contra el SARS-CoV-2 de Moderna (“Moderna”) se describieron como 94%–95% eficaces para prevenir la COVID-19 sintomática, según la reducción del riesgo relativo (RRR) [ 13 , 15 ]. Con base en estos ensayos, varias de estas vacunas contra la COVID-19 fueron aprobadas para autorización de uso completo o de emergencia (EUA); consulte la Figura 2 para ver un desglose de la distribución mundial de las vacunas contra la COVID-19 al final de la emergencia pública internacional de la OMS (mayo de 2023).

Aunque los ensayos clínicos no fueron diseñados para evaluar si las vacunas tenían alguna influencia en la transmisión viral [ 261–263 ], se argumentó que si las vacunas prevenían la COVID-19, entonces esto debería reducir la transmisión viral en la comunidad [ 264 ] . Junto con la afirmación de seguridad (que analizaremos más adelante), esta alta tasa de RRR parece haber convencido a las autoridades de salud pública de que sería adecuado para los programas de vacunación de toda la población superar el umbral de inmunidad colectiva sin mucha más enfermedad ( Figura 1A ) y, por lo tanto , evitar las catástrofes de salud pública sin precedentes que los modelos aún predecían que ocurrirían si se eliminaban las NPI [ 44 , 52–54 ] .

Sin embargo, esta justificación optimista a principios de 2021 para implementar programas de vacunación poblacional utilizando estas nuevas vacunas de ARNm/ADN probablemente no habría sido tan convincente si se hubieran considerado los resultados correspondientes basados ​​en la reducción absoluta del riesgo (RRA) (véase la Tabla 1) . Esto se debe a que los altos valores de RRR para estas vacunas se basaron en un tamaño de muestra sorprendentemente pequeño, es decir, alrededor de 200 casos por ensayo de vacuna o 1222 casos de 197 398 participantes en los 7 ensayos [ 261 , 265–267 ] .

Por lo tanto, si bien las tasas de reducción del riesgo relativo (RRR) del 66% al 95% en la Tabla 1 parecen inicialmente muy impresionantes, cuando nos damos cuenta de que solo entre el 0,5% y el 1,2% de los participantes, tanto en el grupo de vacuna como en el de control, se identificaron como casos confirmados durante los ensayos, los resultados de la RRA son mucho menos impresionantes. Estos resultados de la RRA se informaron junto con los resultados de la RRR y fueron observados por varios investigadores en ese momento [ 261 , 265–267 ] . Sin embargo , no parecen haber sido considerados en la justificación inicial de los programas de vacunación poblacional [ 261 , 265–267 ].

Además, una de las razones por las que solo entre el 0,5% y el 1,2% de los participantes en los ensayos de ambos brazos fueron identificados como casos durante los ensayos parece ser que muchos participantes con COVID-19 sospechoso pero no confirmado no fueron incluidos en los cálculos de la RRR. Por ejemplo, para los ensayos de Pfizer, si bien la RRR del 95% se basó en 170 casos confirmados (de los cuales el 95% estaban en el grupo placebo), también hubo “1594 casos de COVID-19 sospechoso pero no confirmado en el grupo de la vacuna frente a 1816 en el grupo placebo ” [ 263 ]. Por lo tanto, el número de participantes con “COVID-19 sospechoso pero no confirmado” fue 20 veces mayor (3410) que los 170 casos confirmados utilizados para calcular la RRR. Además, otros 371 participantes (311 del grupo de la vacuna frente a 60 del grupo placebo) fueron excluidos del análisis de eficacia por “ desviaciones importantes del protocolo en o antes de los 7 días posteriores a la dosis 2 ” [ 263 ]. Todavía no está claro cuántos de los 3410 casos sospechosos pero no confirmados del ensayo de Pfizer habrían sido casos confirmados si se hubieran realizado las pruebas adecuadas y cómo esto habría afectado al RRR. Sin embargo, es sorprendente el hecho de que solo se identificaran 170 casos confirmados de los 43 448 participantes de Pfizer en 152 centros de ensayo (1,12 casos/centro; consulte la Tabla 1 ). Esto es especialmente preocupante dado el testimonio de un denunciante de irregularidades de un exdirector regional de uno de los centros de ensayos clínicos de Pfizer que indica que la revelación inadvertida de los participantes del ensayo al personal del ensayo fue potencialmente común en este estudio [ 268 , 269 ]. Esto se debe a que, si algún miembro del personal involucrado en los procedimientos para evaluar casos sospechosos no hubiera estado cegado, podría haber sesgado potencialmente los resultados, incluso si fue de manera involuntaria.

Cambio de narrativa sobre la aparente efectividad de las vacunas contra la COVID-19

A pesar de las preocupaciones sobre la fiabilidad de los valores de eficacia de RRR de los ensayos clínicos descritos anteriormente, a mediados de 2021 se habían publicado varios estudios observacionales que sugerían una efectividad de la vacuna superior al 90 % [ 270–273 ]. Por lo tanto, los promotores de las vacunas contra la COVID-19 aún contaban con estudios que podían citar para respaldar su efectividad.

Sin embargo, muchos de estos estudios observacionales adolecieron de fallas importantes y estuvieron plagados de múltiples factores de confusión [ 26 , 274 – 281 ] que minaron la confiabilidad de estos resultados optimistas [ 275 ].

Estos sesgos estadísticos incluyeron el sesgo de categorización errónea; sesgo de edad; sesgos debidos a cambios en la tasa de infección de fondo durante el período de estudio [ 274 , 275 , 277 – 280 ], así como el llamado “efecto de vacunado saludable” [ 276 ]. Estos sesgos son a menudo sutiles y, en ese sentido, quizás no sea sorprendente que muchas personas (incluidos los coautores de los estudios observacionales) puedan haberlos pasado por alto. Sin embargo, es muy importante considerar los sesgos porque a menudo tienen el efecto de aumentar la eficacia aparente de la vacuna (EV). De hecho, incluso podrían hacer que, inadvertidamente, un placebo hipotético (sin EV por definición) parezca tener una EV muy alta [ 26 , 274 – 281 ].

Este problema ha sido ilustrado sucintamente por Fung et al. (2023), quienes demuestran cómo tres sesgos diferentes, comunes a múltiples estudios observacionales sobre vacunas contra la COVID-19, pueden hacer que una vacuna parezca erróneamente tener una efectividad mucho mayor de la que realmente tiene. En concreto, demostraron cómo, utilizando un diseño de estudio similar al de muchos de estos estudios observacionales, en teoría podría calcularse una efectividad aparente de hasta el 50%–70% para un tratamiento placebo con una efectividad real del 0% [ 275 ].

Se ha demostrado que muchos de estos estudios observacionales se ven afectados por al menos uno (y a menudo varios) de estos sesgos. Por ejemplo, Neil et al. identificaron 38 estudios observacionales que implicaban una alta EV para una o más vacunas contra la COVID-19, pero no habían tenido en cuenta el “sesgo de categorización errónea” [ 279 ]. Concluyeron que: “La simulación demuestra que este sesgo de categorización errónea aumenta artificialmente la eficacia de la vacuna y las tasas de infección, incluso cuando una vacuna tiene una eficacia nula o negativa. Además, la simulación demuestra que se necesitan dosis de refuerzo repetidas, administradas cada pocos meses, para mantener esta impresión engañosa de eficacia” [ 279 ].

Por lo tanto, sugerimos que los resultados de VE aparentemente altos que implican los estudios observacionales individuales deben tratarse con cautela hasta que se haya demostrado que han tenido en cuenta adecuadamente estos sesgos estadísticos [ 26 , 274 – 281 ].

En cualquier caso, muchos países habían alcanzado altos niveles de vacunación contra la COVID-19 a mediados o finales de 2021. Sin embargo, a pesar de los altos valores de eficacia de la RRR notificados, pronto comenzaron a surgir casos entre personas vacunadas (denominados “casos posvacunación”), así como entre las no vacunadas, acompañados de informes de una menor eficacia de la vacuna [ 17–20, 22 , 282 ] . Pronto se hizo evidente que la vacunación tampoco estaba previniendo la transmisión viral [ 283 , 284 ].

Esto provocó un cambio aparente en la justificación para tomar la vacuna: se argumentó que las vacunas podrían prevenir potencialmente enfermedades graves y hospitalizaciones [ 16 , 18 , 21 , 22 ], aunque esto no había sido demostrado por los ensayos clínicos aleatorios [ 262 , 274 ]. Estas nuevas afirmaciones de que las vacunas reducen la gravedad de los síntomas, que al momento de escribir este artículo la OMS afirma que son correctas ( https://www.who.int/news-room/fact-sheets/detail/coronavirus-disease-(covid-19) , último acceso 22/04/2025) parecen basarse únicamente en estudios observacionales con fallas de diseño similares a las mencionadas anteriormente [ 26 , 274 – 280 ].

Incluso para aquellos grupos con un bajo riesgo de hospitalización o muerte por COVID, por ejemplo, los grupos más jóvenes, se ha sugerido que la vacunación podría reducir potencialmente el riesgo de desarrollar COVID prolongada [ 285–287 ] . Algunos estudios incluso sugirieron que podría funcionar como un posible tratamiento para la COVID prolongada [ 285 , 286 , 288 ]. De hecho, uno de nosotros, que sufría de COVID prolongada, se sometió a la vacunación contra la COVID-19 debido a esta hipótesis, pero en este caso no ayudó.

Sin embargo, los intentos de estimar si la vacunación contra la COVID-19 podría ofrecer un efecto protector contra la COVID-19 prolongada siguen sin ser concluyentes [ 285–289 ]. Por ejemplo, en un análisis retrospectivo de 19 millones de registros del NHS, que arrojó 55.465 casos documentados de COVID-19 prolongada en Inglaterra (Reino Unido) hasta enero de 2023, Henderson et al. (2024) concluyeron: «No está claro qué papel tuvo la vacunación en la protección contra la COVID-19 prolongada, más allá de la reducción del riesgo de cualquier infección». [ 289 ].

Mientras tanto, otros han señalado que algunas reacciones adversas sufridas por algunas personas vacunadas comparten muchas similitudes con los síntomas de la COVID-19 prolongada [ 216 , 218 , 290 ], y algunos incluso se refieren a las reacciones adversas de la vacunación contra la COVID-19 de larga duración como “vax prolongada” [ 290 ].

No obstante, al comparar las estadísticas oficiales de muerte por COVID-19 con las proyecciones del modelo de escenario contrafactual de lo que podría haber ocurrido sin la vacunación, Watson et al. (2022) concluyeron (basándose en el supuesto de una efectividad de la vacuna del 95%) que la vacunación contra la COVID-19 había evitado 14,4 millones de muertes por COVID-19 hasta diciembre de 2021 [ 59 ]. Un análisis de escenario contrafactual similar concluyó que el programa de vacunación contra la COVID-19 de EE. UU. había evitado 18 millones de hospitalizaciones y 3 millones de muertes en los Estados Unidos hasta noviembre de 2022 [ 60 ]. Por lo tanto, aparentemente sobre la base de esta narrativa revisada de que las vacunas podrían reducir la gravedad de la COVID-19, se continuaron los programas de vacunación de toda la población y se alentó a las personas previamente vacunadas a tomar dosis de refuerzo adicionales [ 16 , 18 , 19 ].

Evaluación incorrecta y sobreestimación peligrosa de la seguridad de las vacunas de ARNm/ADN contra la COVID-19

Los informes sobre los resultados de los ensayos de fase 3 de las diversas vacunas contra la COVID-19 afirmaron que cada vacuna era segura (y eficaz) [ 13-15 , 34-37 ]. Esto se logró , por lo general , observando que la incidencia de eventos adversos graves o muertes era (a) poco frecuente y (b) similar tanto en el grupo vacunado como en el grupo control. Sobre esta base, los gobiernos iniciaron programas de vacunación a nivel poblacional a principios de 2021.

Los ensayos para evaluar la seguridad de cada vacuna fueron relativamente cortos (a menudo <2-3 meses) y al final de los ensayos, a los participantes en los grupos de control se les reveló el cegamiento y se les ofreció la vacuna, lo que impidió la evaluación continua de los grupos durante períodos más largos. Esto a pesar del hecho de que las vacunas requieren un estándar de seguridad muy alto porque se administran a individuos sanos [ 249 , 291 ] y porque los eventos adversos podrían no confirmarse hasta años después de su implementación [ 291 ] . La brevedad de estos ensayos de seguridad fue particularmente preocupante a la luz de la naturaleza novedosa de la tecnología del ARNm y el ADN [ 257–261 ] .

A medida que avanzaban los programas de vacunación (y hacia fines de 2021, cuando cambiaron a programas de refuerzo que incluían una tercera dosis o dosis posteriores), la narrativa de lo que era “seguro” parece haber evolucionado progresivamente, a medida que la incidencia estimada de eventos adversos preocupantes aumentaba en órdenes de magnitud con el tiempo, como analizaremos a continuación.

Normalmente, la frecuencia de los efectos secundarios asociados a un medicamento se anotan comúnmente de la siguiente manera:

• “Muy raro” denota un efecto secundario que ocurre en menos de 1 de cada 10.000 personas, es decir, <0,01 %

• “Raro” está entre 1 en 10.000 y 1 en 1.000, es decir, 0,01%–0,1%.

• “Poco común” está entre 1 en 1000 y 1 en 100, es decir, 0,1%–1%.

• “Común” está entre el 1% y el 10%

• “Muy común” es más del 10%

A principios de 2021, la preocupación inicial se centró en casos “raros” de eventos graves de coagulación sanguínea asociados con dos vacunas de ADN (AstraZeneca y Johnson & Johnson), especialmente en mujeres [ 292–294 ] . Más de 30 de los primeros 222 casos sospechosos en Europa fallecieron posteriormente [ 292 ].

Paralelamente, la preocupación por las vacunas de ARNm se centró inicialmente en problemas cardiovasculares, principalmente miocarditis/pericarditis. Si bien las primeras evaluaciones basadas en sistemas pasivos de notificación de eventos adversos sugirieron inicialmente que estos eventos eran muy raros [ 295 ], pronto se hizo evidente que las tasas eran más altas entre los hombres más jóvenes [ 296 , 297 ] y aumentaban considerablemente entre la primera y la segunda dosis [ 297-299 ] .

En Estados Unidos, en junio de 2021, el Comité Asesor sobre Prácticas de Inmunización (ACIP) debatió los beneficios y riesgos de continuar los programas para adultos jóvenes. Asumieron explícitamente que las vacunas tenían una eficacia del 95 % en la prevención de casos de COVID-19 y hospitalizaciones [ 300 ]. Por lo tanto, calcularon que los beneficios superaban los riesgos [ 300 ]. Como vimos anteriormente, estas suposiciones optimistas sobre la eficacia de las vacunas se abandonaron rápidamente.

Algunos estudios admitieron que las vacunas de ARNm condujeron a un mayor riesgo de miocarditis y pericarditis, pero argumentaron que los riesgos eran mayores por la infección de COVID-19 [ 270 ]. Más tarde se comprendió que dichas estimaciones eran erróneas, porque las cifras de infecciones por COVID-19 durante las primeras olas se habían subestimado gravemente y los riesgos de infección se habían sobreestimado [ 301 ]. Estudios que evitaron este problema confirmaron que los riesgos de miocarditis y pericarditis eran mucho mayores por la vacunación que por la infección. Por ejemplo, entre mayo y octubre de 2021, 32 millones de personas de entre 12 y 50 años fueron vacunadas con las vacunas de ARNm en Francia y 3225 miembros de esa población desarrollaron miocarditis o pericarditis durante el mismo período (es decir, 0,01%), pero el 97% de estos casos se debieron a las vacunas, no a infecciones [ 299 ].

Para 2022, los estudios de miocarditis/pericarditis inducida por vacunas que se estratificaron por sexo, edad, número de dosis y marca de la vacuna encontraron estimaciones mucho más altas de la incidencia de esta afección, con más de 1,5 en 10 000 (“rara”) entre los varones jóvenes después de la segunda dosis [ 301 ].

Más recientemente, varios estudios observacionales de alta sensibilidad de programas de vacunación dentro de instituciones individuales han indicado que las manifestaciones cardiovasculares después de la segunda dosis son “muy comunes”, pero usualmente “leves y temporales” [ 302 , 303 ]. Los participantes con ECG anormales o biomarcadores cardíacos elevados fueron “comunes” [ 302–304 ], pero todos los pacientes en estos estudios se habían recuperado completamente al final del estudio [ 302–304 ] . Estos estudios sugieren que la incidencia de miocarditis y/o pericarditis leve y transitoria no es “rara”, sino más bien “poco común” [ 302–304 ] .

Con el paso del tiempo, nueva información ha suscitado inquietudes sobre la precisión con la que se informaron e interpretaron los datos de seguridad de los ensayos clínicos originales. Un nuevo análisis de los datos de los ensayos clínicos de Pfizer y Moderna sugirió que se presentaron entre un 0,10 % y un 0,15 % de reacciones adversas graves en comparación con el grupo placebo [ 305 ], es decir, se consideraron «poco frecuentes» en lugar de «muy raras», como se afirmó inicialmente.

Mientras tanto, un análisis de presuntos eventos adversos después de la vacunación con Pfizer en Dinamarca sugirió que algunos lotes de vacunas tuvieron tasas mucho más altas que otros [ 306 ]. Dicho esto, este estudio fue controvertido y disputado en múltiples frentes [ 307–310 ]. Por lo tanto, si bien se ha respondido a muchas de estas críticas [ 306 ] , los resultados deben tratarse con cautela. No obstante, estudios posteriores han encontrado hallazgos similares para Suecia [ 311 ] y la República Checa [ 312 ], lo que sugiere que este hallazgo controvertido puede requerir más investigación. Si el hallazgo resulta tener cierta validez, las posibles inconsistencias entre lotes podrían aumentar las dificultades para estimar con precisión los riesgos de reacciones adversas de estas vacunas.

En noviembre de 2021, una exdirectora regional de uno de los centros de ensayos clínicos de Pfizer prestó testimonio como denunciante, alegando serias preocupaciones sobre la integridad de los datos y la supervisión regulatoria en los centros donde trabajaba [ 268 , 269 ]. Esto incluía la preocupación de que no se estuviera haciendo un seguimiento adecuado de las reacciones adversas de algunos participantes del ensayo. De hecho, Brianne Dressen (participante del ensayo de AstraZeneca) y Maddie de Garay (participante del ensayo de Pfizer de 12 a 15 años) han hablado públicamente sobre cómo:

(a) Sus reacciones adversas graves fueron omitidas de los documentos que describen los resultados del ensayo.

(b) Experimentaron manipulación psicológica (“gaslighting médico”) en lugar de apoyo médico por parte de los organizadores del juicio.

(c) Un año después de los ensayos, todavía luchaban contra graves lesiones causadas por las vacunas [ 215 – 217 ].

Solo 1131 participantes habían participado en el grupo de vacunación del ensayo clínico de Maddie de Garay [ 313 ], por lo que su caso representó el 0,089 % de los participantes vacunados. Sin embargo, ninguno de estos dos participantes del ensayo fue mencionado en los estudios que describen la seguridad y la eficacia de las vacunas pertinentes [ 14 , 313 ].

A medida que las estimaciones de las tasas de reacciones adversas aumentan con el tiempo, el rango de posibles reacciones adversas confirmadas como asociadas con las vacunas de ARNm y ADN también sigue aumentando: por ejemplo, síndrome de Guillain-Barré [ 314 ]; trombosis de los senos venosos cerebrales [ 314 ]; encefalomielitis [ 314 ]; reacciones adversas psiquiátricas [ 315 ] irregularidades menstruales [ 316 , 317 ] tinnitus [ 318 ] y herpes zóster [ 257 ]. En algunos casos, al menos, las vacunas se han relacionado con desenlaces fatales [ 319 , 320 ].

También observamos que algunos estudios han encontrado casos de material genético de la vacuna o fragmentos de proteína de pico que permanecen en circulación durante meses [ 257 , 321–323 ]. Por ejemplo, un estudio detectó fragmentos de proteína de pico recombinantes en la sangre de pacientes 187 días después de la vacunación [ 321 ] . Otro notó la presencia de ARNm concentrado en vesículas extracelulares de leche materna humana [ 322 ] . Esto es preocupante ya que inicialmente se asumió que este material genético y su producto proteico tendrían una vida corta [ 249 ].

Rasmussen Reports ha realizado una serie de encuestas al público general en Estados Unidos que incluyen preguntas sobre las vacunas contra la COVID-19. A continuación, presentamos algunos ejemplos recientes, pero consulte https://www.rasmussenreports.com/search?SearchText=covid para ver los resultados más recientes:

• 20-22 de mayo de 2024 (N = 1250): “¿Conoce a alguien que haya fallecido por los efectos secundarios de la vacuna contra la COVID-19?”: 19 % sí; 74 % no; 7 % no está seguro. [A modo de comparación, los resultados de “¿Conoce a alguien que haya fallecido por el virus de la COVID-19?” fueron: 42 % sí; 53 % no; 5 % no está seguro].

• 27-29 de marzo de 2023 (N = 1078). “¿Ha fallecido algún miembro de su hogar cuya muerte cree que pudo haber sido causada por los efectos secundarios de las vacunas contra la COVID-19?”: 10 % sí; 85 % no; 5 % no está seguro. [A modo de comparación, los resultados de “¿Ha fallecido algún miembro de su hogar a causa de la COVID-19?” fueron: 11 % sí; 86 % no; 3 % no está seguro].

• 30 de noviembre – 1 de diciembre de 2022 (N = 1000): “¿Cree que ha experimentado efectos secundarios importantes, efectos secundarios menores o ningún efecto secundario por su vacuna contra la COVID-19?” 7 % efectos secundarios importantes; 34 % efectos secundarios menores; 56 % ningún efecto secundario; 4 % no está seguro.

Obviamente, estas encuestas sólo recogen la opinión personal de personas no expertas, pero indican que (con razón o sin ella) una minoría considerable del público cree personalmente que ellos o personas que conocen sufrieron una reacción adversa grave a las vacunas contra la COVID-19.

Finalmente, todavía existen preocupaciones por aumentos significativos en el exceso de mortalidad durante el período asociado con la implementación de la vacuna en comparación con el período previo a la vacunación de la pandemia de COVID-19 (2020) o los años previos a la pandemia [ 261 , 324 – 326 ]. De hecho, algunos estudios que comparan las mortalidades por todas las causas entre los grupos vacunados y no vacunados encontraron riesgos ligeramente mayores entre los grupos vacunados en comparación con los no vacunados [ 327 , 328 ] es decir, lo opuesto a lo que podría esperarse si las vacunas estuvieran reduciendo los riesgos de mortalidad. Aunque existen muchos problemas en la atribución del exceso de muertes en cualquier país en particular, principalmente debido al número de posibles causas involucradas, y en la identificación de un sistema de medición razonable y consistente, la relación entre los tiempos de aumento de la mortalidad y la distribución de las vacunas es una importante “señal de seguridad” [ 325 ], y el hecho de que “el exceso de mortalidad se haya mantenido alto en el mundo occidental durante tres años consecutivos, a pesar de la implementación de medidas de contención y las vacunas contra la COVID-19” [ 326 ] plantea serias preocupaciones. También sugiere que el sistema de notificación de eventos adversos de las vacunas (VAERS) no está funcionando como se esperaba y que se están pasando por alto las señales de seguridad [ 329 ].

Continuación de los programas de vacunación contra la COVID-19 a nivel poblacional después de finales de 2021

Preocupaciones generales sobre los mandatos de vacunación

La justificación original para llevar a cabo programas de vacunación a nivel poblacional se basó en el supuesto explícito de que vacunar a la población más allá del umbral teórico de inmunidad de grupo reduciría sustancialmente la transmisión viral [ 16 ]. Por lo tanto, muchos gobiernos introdujeron una política de vacunación bastante coercitiva, en muchos casos haciendo obligatoria o al menos “socialmente difícil” que las personas tomaran una decisión informada [ 16 ]. La ética de los mandatos de vacunación también ha sido ampliamente debatida en los medios de comunicación y la literatura científica, y algunos han señalado su naturaleza coercitiva poco ética [ 330 ]. Creemos que estos mandatos violaron los principios éticos fundamentales del consentimiento informado y la autonomía corporal.

Bardosh et al. señalan que las consecuencias involuntarias de estas políticas exacerbaron las desigualdades socioeconómicas y de salud actuales, aumentaron la polarización social y redujeron la confianza en las instituciones gubernamentales y de salud pública [ 16 ]. También causaron problemas prácticos como la renuncia del personal [ 331 ].

Por último, nos preguntamos si es ético imponer cualquier medicamento a cualquier sector de la población donde hay un daño neto demostrable, por ejemplo, adultos jóvenes y niños cuyo riesgo de COVID-19 grave es mucho menor que el riesgo de daño por las vacunas de ARNm [ 332 – 334 ].

Desaparición del fundamento a finales de 2021

En cualquier caso, como comentamos anteriormente, a finales de 2021, estaba clarísimo que las vacunas no prevenían la infección por COVID-19 [ 17–20 , 22 , 282 ] . También estaba claro que la vacunación tampoco prevenía la transmisión viral [ 283 , 284 ]. Por lo tanto, el fundamento de salud pública para un programa de vacunación poblacional (véase la Figura 1 ) ya no era aplicable.

La OMS sostiene actualmente que las vacunas todavía “ofrecen una fuerte protección contra enfermedades graves, hospitalización y muerte” (285), basándose en estudios observacionales que sugieren que las vacunas podrían reducir la gravedad de la enfermedad [ 16 , 18 , 21 , 22 ], aunque, como se discutió anteriormente, la confiabilidad estadística de estas afirmaciones ha sido cuestionada [ 26 , 274-278 , 280 ]. Por lo tanto , se podría argumentar que las personas podrían elegir continuar voluntariamente un programa de vacunación personal a través de refuerzos, especialmente aquellos con alto riesgo de enfermedad grave, por ejemplo, ancianos o con obesidad severa [ 174 , 335-337 ]. Sin embargo, ya no había un argumento de salud pública para continuar un programa de vacunación para toda la población .

Además, el virus continuó evolucionando durante la pandemia y, a principios de 2022, se había convertido en una variante “ómicron” mucho más leve, que parecía ser más transmisible pero menos virulenta que las variantes anteriores [ 338 , 339 ]. Mientras tanto, se demostró que la recuperación de la infección proporcionaba una inmunidad protectora para infecciones posteriores, al menos tan eficaz como la vacunación [ 340 , 341 ]. Sin embargo, a menudo se animaba a los pacientes recuperados de la COVID-19 a continuar con su programa de vacunación. Por lo tanto, el porcentaje de la población en riesgo de enfermedad grave continuó disminuyendo.

Finalmente , analizamos anteriormente cómo el riesgo confirmado de reacciones adversas graves a las vacunas contra la COVID-19 ha aumentado con el tiempo [ 296 , 301–305 , 314 ]. Esto significaba que ya a principios de 2022, para algunos grupos demográficos, por ejemplo, los varones jóvenes, el riesgo confirmado de daño por las vacunas era órdenes de magnitud mayor que su riesgo de desarrollar COVID-19 grave [ 342 , 343 ].

Problema 4: El rechazo involuntario de perspectivas científicas válidas como «desinformación»

“Prefiero tener preguntas que no puedan responderse, que respuestas que no puedan cuestionarse”. – Anónimo (a veces atribuido a Richard Feynman, 1918–1988).

Uno de los temas recurrentes del discurso público en torno a la COVID-19 ha sido la importancia de “seguir la ciencia” [ 11 , 48 , 164-166 ]. Sin embargo, a lo largo de la pandemia, los investigadores pudieron (y de hecho lo hicieron ) llegar a diferentes opiniones científicas sobre muchos aspectos de la ciencia relacionados con la COVID-19 o su manejo. Además, estas opiniones científicas particulares a veces cambiaron en función de información adicional [ 25-27 , 33 , 41 , 42 , 48 , 166 , 232 , 344-347 ] .

Simultáneamente, el público fue inundado con narrativas a menudo cambiantes de lo que “dice la ciencia” [ 11 , 48 , 102 , 164 , 166 , 346 ]. Las personas que no estaban de acuerdo con algún aspecto de estas narrativas a menudo se encontraban marginadas por “promover desinformación peligrosa” o ser “anticientíficas”, incluso si esas personas eran científicos altamente calificados o profesionales médicos [ 24 , 26 , 96 , 347 ].

Sostenemos que, al considerar únicamente un único conjunto de narrativas científicas, las comunidades médicas y científicas, así como los responsables de las políticas, se vieron gravemente obstaculizados en su capacidad de evaluar críticamente la ciencia durante la pandemia.

Sugerimos que esta reducción del rango de preguntas científicas relevantes que fueron toleradas (a) por el público, (b) los medios de comunicación, (c) las plataformas de redes sociales, (d) las “organizaciones de verificación de hechos”, (e) los funcionarios gubernamentales, (f) la industria farmacéutica y (g) la propia comunidad científica) ha obstaculizado inadvertidamente la capacidad de los investigadores de participar en una investigación científica abierta sobre estos problemas científicos complejos.

El papel del público

Se sabe que cuando las personas perciben ciertos comportamientos como asociados con el riesgo de enfermedad o muerte, su evaluación de ese comportamiento (subconscientemente) se moraliza [ 348 , 349 ], quizás incluso contradiciendo un valor sagrado [ 348 , 350 , 351 ]. Cuando evaluamos un tema desde una perspectiva moral o incluso sagrada, puede ser difícil evaluarlo desapasionadamente, con base en fundamentos puramente probatorios o lógicos. Además, nuestras visiones morales a menudo están alineadas con nuestra ideología política [ 348 , 349 ], lo que significa que las divisiones políticas preexistentes pueden agravar las divisiones sociales sobre estos temas [ 351 , 352 ].

Desde el comienzo de la pandemia, la cobertura mediática, las redes sociales y los esfuerzos gubernamentales propagaron eficazmente una creciente sensación de miedo y pánico entre muchas personas sobre la gravedad y los peligros de la COVID-19 [ 161 , 344 , 353 , 354 ]. Por lo tanto, a muchas personas les resultó difícil escuchar las diferentes perspectivas científicas sobre las políticas de la COVID-19 de manera neutral y desapasionada. Las encuestas realizadas a mediados de 2020 encontraron que las personas con un mayor miedo personal a contraer la COVID-19 eran más propensas a evaluar las políticas de la COVID-19 desde una perspectiva moral o incluso de “valores sagrados” [ 351 ], y que este efecto era más pronunciado entre los participantes de izquierda [ 351 ].

Ya se habían expresado preocupaciones antes de la pandemia sobre la tendencia de las personas a autoseleccionarse en “cámaras de eco” donde buscan información que concuerde con sus puntos de vista y evitan perspectivas disidentes [ 355 ]. El uso de términos cargados de valores como “teoría de la conspiración” y “la ciencia” para descartar o promover perspectivas particulares acríticamente parece haber aumentado esta polarización durante la pandemia [ 356 ], y parece haber alentado a algunas personas a “convertir en chivos expiatorios” a otros [ 352 ]. Mientras tanto, aquellos que sentían que expresar su opinión podría conducir a la difamación, la burla o el acoso, podrían haber autocensurado cada vez más sus puntos de vista, lo que ha llevado a una “espiral de silencio” [ 357 ].

El papel de los medios de comunicación

El artículo 19 de la Declaración Universal de Derechos Humanos establece que “toda persona tiene derecho a la libertad de opinión y de expresión; este derecho incluye la libertad de no ser molestado a causa de sus opiniones, la de investigar y recibir informaciones y opiniones, y la de difundirlas, sin limitación de fronteras, por cualquier medio de expresión” [ 358 ]. La Carta Mundial de Ética para Periodistas destaca que la responsabilidad de un periodista hacia el público en la promoción de este derecho humano específico “prevalece sobre cualquier otra responsabilidad, en particular hacia sus empleadores y las autoridades públicas” [ 359 ].

Por otro lado, en los últimos años, muchos en la profesión periodística han revisado estos ideales, especialmente con respecto a los reportajes científicos, porque cuando se presentan al público múltiples perspectivas, es posible que no llegue a las mismas conclusiones que los periodistas [ 360 , 361 ]. Por lo tanto, muchos medios de comunicación han comenzado a priorizar los “reportajes confiables” (donde los periodistas y editores deciden de antemano qué información se le debe proporcionar al público) sobre los “reportajes equilibrados” más convencionales (donde los periodistas intentan proporcionar al público todas las perspectivas relevantes) [ 361 ]. Una consecuencia de este cambio en los enfoques de los reportajes científicos por parte de los medios es que muchos editores y periodistas han decidido efectivamente actuar como guardianes de qué información científica transmitir al público. Durante la COVID-19, esto a menudo estuvo acompañado de “una tendencia a usar en exceso elementos lingüísticos que implican certeza” en “la ciencia”, incluso cuando la ciencia en cuestión se reevaluaba repetidamente a lo largo del tiempo [ 362 ].

El papel de las plataformas de redes sociales y los motores de búsqueda de Internet

En los últimos años, las plataformas de redes sociales y los motores de búsqueda en internet han brindado al público la oportunidad de investigar por sí mismo y compartir información que considera importante. Sin embargo, esto ha permitido el acceso público a una gama de información más amplia que la proporcionada por los medios de comunicación, lo que ha socavado parcialmente el proyecto de “información fiable” descrito anteriormente. Por lo tanto, en los últimos años, estas empresas de internet se han visto sometidas a una creciente presión para reducir artificialmente la difusión de cierta información y aumentar la de otra [ 363 , 364 ].

Al comienzo de la COVID-19, plataformas como Facebook y Twitter expresaron su voluntad de suprimir la supuesta “desinformación” sobre la COVID-19 y promover la supuesta “información precisa” [ 28 ]. Sin embargo, ahora se reconoce cada vez más que a menudo la “desinformación” que se suprimía resultó ser “información precisa” y viceversa . En una entrevista de podcast de junio de 2023, el director ejecutivo de Meta (Facebook, Instagram y WhatsApp) admitió que a sus plataformas se les había “pedido que censuraran un montón de cosas que, en retrospectiva, terminaron siendo más debatibles o verdaderas” [ 365 ]. Las decisiones sobre qué información promover frente a qué información rebajar a menudo estaban determinadas por la presión de las agencias del gobierno de EE. UU. y, a menudo, implicaban por error rebajar o censurar opiniones científicas genuinas [ 30 , 366 – 368 ]. En un momento dado, Facebook comenzó a penalizar a los usuarios que intentaran compartir un artículo publicado en el British Medical Journal, una de las revistas médicas generales más antiguas del mundo [ 269 ].

El papel de las organizaciones de verificación de datos

Las narrativas del discurso popular han sido cada vez más controladas por organizaciones de verificación de datos. Estas organizaciones suelen estar parcialmente financiadas por empresas como Google y Meta (es decir, Facebook) y pretenden identificar ciertos artículos como “falsos”, “engañosos” o “faltos de contexto”. Estas verificaciones de datos son utilizadas posteriormente como justificación por las plataformas de redes sociales y los medios de comunicación para suprimir la información [ 269 , 369 ].

Estas verificaciones de hechos pueden basarse en argumentos endebles, tergiversar un artículo o incluso hacer afirmaciones verificablemente falsas; sin embargo, las organizaciones están configuradas de tal manera que apelar con éxito la afirmación es en gran medida imposible [ 269 , 369 ]. Por lo tanto, en lugar de mejorar la calidad de la información disponible para el público o proporcionar un contexto relevante, las verificaciones de hechos no son más que una verificación narrativa que censura o desacredita las opiniones científicas que difieren de las suyas. Esto no solo limita la exposición del público a diferentes opiniones científicas, sino que el daño a la reputación de compartir información que termina siendo “verificada” también puede conducir a la autocensura.

La base académica para el uso de la verificación de hechos para el control narrativo parece basarse en la “teoría de la inoculación” [ 370 , 371 ]. Esta es una estrategia para minimizar la disponibilidad de múltiples perspectivas sobre ciertos temas al “pre-desmentir” al público con tergiversaciones deliberadas de argumentos convincentes en versiones menos convincentes y luego refutar estas versiones falaces de los argumentos. Análogo a la vacunación con un virus debilitado, cuando el público se encuentra posteriormente con los argumentos originales, entonces será “inoculado” para descartarlos sin la debida consideración [ 370 , 371 ].

El papel de los consejos gubernamentales y de los consejos científicos asesores

En última instancia, los gobiernos y otros responsables de las políticas públicas decidieron las políticas nacionales frente a la COVID-19, aunque a menudo insistían en que se ajustaban a la ciencia [ 48 , 164-166 ]. Sin embargo, a lo largo de la pandemia, ha habido opiniones científicas contradictorias sobre la mayoría de los aspectos de las políticas frente a la COVID-19. Por lo tanto, en el mejor de los casos, solo podrían haber seguido una parte de la ciencia. De hecho, parece que los gobiernos a menudo simplemente seguían a sus vecinos [ 8 , 112 , 162 , 372 ].

Los grupos de asesoramiento científico utilizados por los gobiernos para decidir las políticas de COVID-19 generalmente incluyeron expertos de solo unos pocos aspectos relevantes de la salud pública y fueron particularmente influenciados por grupos de modelado [ 48 , 70 , 165 , 166 ]. De hecho, se ha argumentado que muchas de las políticas implementadas “se considerarían inaceptables según las normas prepandémicas de ética de la salud pública” [ 373 ]. Mientras tanto, existe la preocupación de que las políticas gubernamentales a menudo fueron fuertemente influenciadas por científicos y otras personas designadas con posibles conflictos de intereses [ 165 , 374 , 375 ].

Otros han señalado que muchas políticas eran “autoritarias” y condujeron a “violaciones de los estándares democráticos” [ 159 , 178 ], pero “no se correlacionaron con mejores resultados de salud pública” [ 159 , 376 ]. Aparentemente, muchos gobiernos usaron técnicas de manipulación psicológica y sociológica de “empujoncito” [ 377 ] para promover políticas y comportamientos particulares [ 69 , 220 , 354 ].

Sorprendentemente, sin embargo, a pesar de proclamar que las decisiones políticas se basaron en evidencia sólida e incontrovertible, la información tras bastidores ha revelado que a menudo las decisiones se tomaron sin una justificación concreta [ 69–72 ]. El ex primer ministro del Reino Unido, Rishi Sunak, quien fue Ministro de Hacienda de 2020 a 2022, admitió que las políticas de “confinamiento” del Reino Unido fueron una consecuencia directa de las predicciones preliminares del modelo [ 70 ] . Fue solo después de que el gobierno rechazara el asesoramiento basado en modelos de SAGE, su grupo asesor científico, que pedía un cuarto confinamiento en diciembre de 2021, que el gobierno se dio cuenta de que las predicciones del modelo de SAGE estaban erradas por un factor de 20. Mientras tanto, el presidente del comité de modelos de SAGE admitió que habían excluido intencionalmente la posibilidad de que una nueva variante pudiera haber sido menos virulenta [ 71 ].

El papel de las empresas farmacéuticas

Legg et al. desarrollaron un marco para evaluar cómo y por qué las corporaciones influyen en la ciencia y el uso de la ciencia en la política y la práctica, sugiriendo que la industria farmacéutica está utilizando potencialmente 5 de sus macroestrategias identificadas y 16 de sus 19 mesoestrategias propuestas [ 378 ]. Sin embargo, identificar directamente los sesgos causados ​​específicamente por la influencia de la industria farmacéutica en los medios de comunicación, las plataformas de redes sociales, las políticas gubernamentales y la comunidad científica es difícil porque la industria es tan influyente que las interconexiones entre todos estos diferentes sectores están generalizadas [ 231 , 379 ].

Aunque el presupuesto de publicidad directa de muchas compañías farmacéuticas en medios y redes sociales es solo una fracción de su presupuesto total de gastos, esto aún puede representar una gran fuente de ingresos publicitarios para los medios o las plataformas de redes sociales. Por ejemplo, se ha estimado que la industria farmacéutica gastó casi US$4 mil millones en anuncios de televisión en 2021 [ 380 ], lo que potencialmente sesga la neutralidad de esas plataformas. Recientemente, se reveló que los Royal Medical Colleges del Reino Unido reciben grandes pagos de compañías de medicamentos y dispositivos médicos [ 381 ]. Un análisis de los pagos recibidos por médicos franceses de Gilead Science (desarrolladores de remdesivir) y sus declaraciones públicas sobre el posible uso de HCQ (un medicamento barato reutilizado, propuesto como tratamiento alternativo al remdesivir) para el tratamiento de la COVID-19 durante 2020 reveló que aquellos que fueron más críticos con la HCQ habían recibido la mayor financiación de Gilead Science [ 382 ].

Las relaciones de trabajo entre las corporaciones farmacéuticas (incluidas Pfizer, AstraZeneca, Johnson & Johnson y Moderna), los principales medios de comunicación (incluido Thomson Reuters) y las empresas tecnológicas (incluidas Facebook y Google), como lo describe Deruelle, ponen en duda la imparcialidad de las iniciativas de verificación de datos de las plataformas de redes sociales [ 231 ].

El papel de la comunidad científica

Uno de los principales mecanismos mediante los cuales los científicos comunican sus hallazgos y análisis a otros científicos es la publicación de su trabajo en revistas académicas arbitradas. Sin embargo, con el paso de los años, el número de artículos publicados se ha acelerado, especialmente en temas con una financiación considerable.

Tan solo en el primer año de la pandemia, se publicaron más de 100.000 artículos científicos relacionados con la COVID-19 [ 383 ]. Por lo tanto, es evidente que se ha expresado una gran cantidad de información, análisis y opiniones científicas durante la pandemia. Esto pone de relieve la naturaleza errónea de la idea de que la ciencia sobre la COVID-19 fue siempre clara, simple o inequívoca. Sin embargo, como veremos, parece que muchas revistas se aseguraron de priorizar la investigación que respaldaba ciertas narrativas científicas sobre la que las contradecía.

Algunos artículos parecieron acelerar su publicación. Por ejemplo, el artículo que describe la prueba RT-PCR original para SARS-CoV-2 se publicó el 23 de enero de 2020 en menos de 48 h desde su envío [ 118 ]. Sin embargo, otros artículos se han enfrentado a largos procesos de revisión por pares que implican múltiples rondas de revisiones (que a menudo implican volver a enviar manuscritos revisados ​​a diferentes revistas) que han retrasado la publicación durante meses o incluso años. Como ejemplo, la versión original de Simandan et al. se envió por primera vez a una revista el 12 de diciembre de 2020 y tuvo que pasar por múltiples rondas de revisión por pares en múltiples revistas antes de ser aceptada para su publicación el 11 de enero de 2023 [ 178 ]. Dados los rápidos desarrollos durante la pandemia, estos retrasos significaron que las decisiones políticas de COVID-19 generalmente estuvieron muy influenciadas por los artículos que se publicaron primero. Cuando finalmente se publicaron diferentes perspectivas meses o años después, generalmente fue demasiado tarde para hacer una gran diferencia.

Por ejemplo, tanto Flaxman et al. como Wood analizaron una pregunta científica similar: ¿Cuánta influencia tuvieron las NPI en la progresión de la primera ola de la pandemia (febrero a mayo de 2020) en Europa? Flaxman et al. (2020) compararon las estadísticas de muertes por COVID-19 con un escenario contrafactual modelado por SEIR de lo que habría ocurrido en ausencia de las NPI y concluyeron que las NPI fueron muy efectivas y que se habían evitado entre 2,8 y 3,5 millones de muertes en 11 países [7 ] . El artículo se presentó el 30 de marzo de 2020 y se aceptó para su publicación en la revista Nature el 22 de mayo de 2020. Wood también estudió esta primera ola, pero descubrió que la ola ya había estado en declive en el Reino Unido antes de la implementación completa de las NPI y en Suecia sin NPI [ 103 ]. Este estudio recibió el primero de varios rechazos en mayo de 2020 y no apareció impreso hasta septiembre de 2022.

Dada la urgencia de desarrollar políticas de COVID-19, muchos investigadores aprovecharon los “servidores de preimpresión ” para intentar acelerar el proceso de entrega de información científica relevante al dominio público antes de la revisión por pares [ 383–386 ]. Algunas de estas preimpresiones influyeron en las políticas de COVID-19, especialmente durante las primeras etapas de la pandemia [ 6 , 43 , 383 , 384 ]. Algunas también recibieron cobertura mediática [ 383 , 386 ]. Por lo tanto, para algunos investigadores, las preimpresiones ofrecieron una forma de comunicar sus hallazgos al público y/o a los responsables de las políticas a tiempo para que fueran relevantes. Sin embargo, dada la gran cantidad de preimpresiones relacionadas con COVID-19 publicadas, a menos que los investigadores tuvieran una influencia considerable en los responsables de las políticas y/o un buen acceso a los medios, muchos de estos conocimientos podrían haberse pasado por alto. Además, algunos investigadores han advertido que muchos servidores de preimpresiones han comenzado a utilizar razones opacas y/o poco justificadas para negarse a publicar preimpresiones, aparentemente basadas en las conclusiones de los manuscritos en lugar de su mérito científico [ 385 ].

Una tendencia alarmante que hemos notado (y algunos de nosotros hemos experimentado personalmente) durante la pandemia ha sido el mal uso por parte de algunas revistas del proceso de retractación/retiro. Cuando se aplica incorrectamente, este proceso puede tener el efecto de silenciar y desacreditar a los investigadores por publicar artículos científicos revisados ​​por pares que plantean inquietudes sobre ciertas políticas de COVID-19. Hasta hace poco , los artículos de revistas rara vez se retractaban o retiraban después de su publicación en una revista revisada por pares [ 387 , 388 ]. Además, en una encuesta de 2012 sobre artículos retractados, se encontró que el 67,4% fueron acusados ​​de mala conducta (incluido el 43,4% de fraude o sospecha de fraude) y el 21,3% debido a errores [ 387 ]. También se encontró que tomó un promedio de 2,5 años desde la publicación hasta la retractación [ 387 ].

Estos factores históricos han convencido erróneamente a la mayor parte de la comunidad científica de que, si un artículo es “retractado” o “retirado”, debe considerarse una importante señal de alerta de que los investigadores involucrados cometieron fraude científico o errores científicos graves en sus análisis, cuya identificación llevó varios años. Sin embargo, durante la pandemia de COVID-19, varias revistas comenzaron a utilizar esta herramienta, antes muy poco común y cautelosa, de retractación/retirada como una nueva forma de censura [ 24 , 388 , 389 ].

A continuación, presentamos ejemplos de varios estudios de alto perfil sobre COVID-19 que fueron retractados o retirados por una revista sin proporcionar una justificación científica adecuada ni ofrecer a los autores la oportunidad de emitir una respuesta:

• Dos artículos de Walach et al. fueron retractados abruptamente con una explicación inadecuada [ 390 , 391 ]. Uno planteó inquietudes sobre los programas de vacunación contra la COVID-19, dada la baja eficacia observada de las vacunas contra la COVID-19 para reducir la muerte o la enfermedad grave (reducción del riesgo absoluto frente a reducción del riesgo relativo, véase la tabla 2), junto con la incidencia relativamente alta de eventos adversos graves (a junio de 2021). El otro planteó inquietudes sobre las políticas contra la COVID-19 que promueven el uso prolongado de mascarillas por parte de los niños en las escuelas. Posteriormente se publicaron versiones revisadas de ambos artículos en diferentes revistas [ 389 , 392 , 393 ], y otros investigadores han llegado a conclusiones similares [ 342 , 394 ]. Ninguna de las revistas dio razones suficientemente sólidas por las que los estudios deberían retractarse, y se negaron a publicar las respuestas de los autores.

• Kostoff et al. (2022) preguntaron si la vacunación contra la COVID-19 era adecuada para niños, dada la muy baja incidencia de casos graves de COVID-19 entre ellos y los posibles riesgos de reacciones adversas [ 395 ]. Este artículo fue retractado abruptamente porque uno de los coautores de Kostoff et al. (2022) era editor de la revista en ese momento y otro editor había manejado el manuscrito. Esto significó que al menos dos de los editores de la revista creían que el artículo era publicable. Sin embargo, un tercer editor no estuvo de acuerdo y retractó el manuscrito, ofreciendo solo una justificación vaga y discutible para hacerlo. Múltiples estudios independientes han planteado preocupaciones similares a las planteadas en el artículo ahora retractado [ 301 , 332–334 , 342 ] .

• Savaris et al. (2021) evaluaron estadísticamente la efectividad de las medidas de “quedarse en casa”, basándose en conjuntos de datos disponibles públicamente, y descubrieron que estas políticas no tuvieron efecto en la mortalidad por COVID-19 en más del 98% de las regiones estudiadas. Se publicaron dos comentarios sobre este artículo que cuestionaban la idoneidad del enfoque estadístico utilizado [ 396 , 397 ]. Es significativo que ninguno de los comentarios realizó un contraanálisis del conjunto de datos ni proporcionó un enfoque estadístico alternativo que consideraran adecuado. A pesar de que la existencia de estos comentarios era obvia en la página de la revista, la revista se retractó del manuscrito [ 398 ]. Como se mencionó anteriormente , desde entonces varios estudios han confirmado los hallazgos clave de Savaris et al. [ 64 , 81 , 96 , 103 , 105 , 137–139 , 143 ] .

• Rose y McCullough (2021) presentaron un análisis de los datos del VAERS de EE. UU. que destacó una señal preocupante sobre la seguridad de las vacunas contra la COVID-19, mostrando un aumento sustancial en las tasas de miocarditis entre los adultos jóvenes, pero el artículo fue retirado abruptamente después de su publicación [ 399 ]. La nota de retirada simplemente indica: “Este artículo ha sido retirado a petición del autor o los autores y/o del editor”. Ninguno de los autores recibió una justificación científica para esta decisión y, como se mencionó anteriormente, el aumento de la incidencia de miocarditis entre los adultos jóvenes después de la vacunación contra la COVID-19 se ha confirmado desde entonces [ 296 , 298 , 299 , 301–303 ] .

Conclusión y recomendaciones

Sobre el uso de modelos matemáticos e informáticos para el asesoramiento sobre políticas

Conclusión 1: Los modelos matemáticos e informáticos pueden ser herramientas muy eficaces para evaluar las implicaciones de nuestra comprensión científica actual de cuestiones relevantes para las políticas públicas, incluyendo la modelización de epidemias. Sin embargo, el resultado del modelo es consecuencia de los supuestos, las aproximaciones y los datos de entrada. En el caso de la COVID-19, ahora es evidente que los modelos que tuvieron una gran influencia en las políticas de salud pública (especialmente al inicio de la pandemia) no modelaban con precisión la evolución real de la pandemia.

Recomendación 1: Los modelos deben utilizarse como herramienta complementaria, no como sustituto del análisis empírico. Si bien las proyecciones de los modelos pueden ofrecer algunos escenarios especulativos para la consideración de los responsables políticos, especialmente durante los primeros meses de una pandemia, deben considerarse con considerable escepticismo. Su pertinencia e idoneidad deben revisarse continuamente y, fundamentalmente, reevaluarse empíricamente con el paso del tiempo.

Sobre el uso de intervenciones no farmacéuticas (INF) durante las pandemias

Conclusión 2: Si bien muchas de las INF implementadas durante la pandemia contaban con cierta justificación teórica basada en fundamentos mecanicistas y en el respaldo de evaluaciones basadas en modelos, muchos otros estudios han demostrado empíricamente que fueron mucho menos efectivas de lo previsto, o incluso ineficaces. Asimismo, las INF también han tenido numerosos impactos adversos no deseados en la salud pública.

Recomendación 2: Si se vuelven a considerar las INF, es fundamental realizar evaluaciones integrales del impacto en la salud. Asimismo, los métodos para evaluar objetivamente su eficacia deben someterse a un análisis empírico continuo.

Sobre el uso de intervenciones farmacéuticas (IP) durante pandemias

Los autores de este ensayo tienen diferentes puntos de vista sobre la seguridad y eficacia relativas de ambas clases de IP. No obstante, a estas alturas, tenemos claro lo siguiente:

Conclusión 3: El desaliento a la investigación para la identificación de posibles tratamientos con fármacos baratos reutilizados es inquietante. En particular, dos de los candidatos (HCQ e ivermectina) se habían utilizado ampliamente durante décadas antes de la pandemia y contaban con perfiles de seguridad bien establecidos. Por lo tanto, incluso si ninguno de los candidatos tuviera eficacia, nos resulta inquietante el rechazo tajante de la investigación sobre su posible uso. Por el contrario, si fueran incluso parcialmente eficaces para reducir la gravedad de las infecciones por COVID-19, la supresión generalizada de su uso resulta aún más preocupante.

Recomendación 3: Se debería haber fomentado, en lugar de desalentado, la investigación sobre el desarrollo de posibles tratamientos con medicamentos genéricos reutilizados con perfiles de seguridad bien establecidos. Debemos asegurar que las respuestas a futuras pandemias acojan positivamente, en lugar de oponerse, a dicha investigación.

Conclusión 4: Ahora es evidente que las afirmaciones de seguridad y eficacia/efectividad realizadas sobre las vacunas contra la COVID-19 al inicio de los programas de vacunación fueron excesivamente optimistas. Estas vacunas no previenen completamente la infección ni la transmisión. Algunos análisis aún sugieren que las vacunas podrían reducir la gravedad de la infección, pero la evidencia al respecto sigue siendo controvertida. Mientras tanto, ahora es evidente que la incidencia de reacciones adversas graves es mayor de lo inicialmente reconocido. Tras revisar la literatura, en retrospectiva, muchos investigadores habían advertido sobre cada uno de los puntos mencionados; sin embargo, sus advertencias fueron criticadas, penalizadas o ignoradas en lugar de ser consideradas.

Recomendación 4: Se debería alentar a los investigadores a evaluar críticamente las afirmaciones de que una vacuna particular es segura y eficaz sin temor a ser potencialmente etiquetados como antivacunas o anticientíficos si los hallazgos de sus investigaciones revelan algún resultado negativo.

Conclusión 5: La justificación original para llevar a cabo programas de vacunación a nivel poblacional se basó en el supuesto explícito de que vacunar a la población más allá del “umbral teórico de inmunidad de grupo” reduciría sustancialmente la transmisión viral [ 16 ]. Con base en esto, muchos gobiernos introdujeron mandatos de vacunación u otras medidas coercitivas para maximizar las tasas de aceptación de la vacuna [ 16 , 342 ]. Sin embargo, aunque esa justificación fue invalidada al principio de los programas de vacunación, los programas (y los mandatos) continuaron para muchos países hasta finales de 2022/principios de 2023. Dado que las características de las personas en riesgo de COVID-19 grave estaban bien definidas, un programa de vacunación a nivel poblacional era innecesario. La constatación de que existen riesgos no triviales de reacciones adversas graves asociadas con muchas de las vacunas, especialmente las vacunas de ARNm y ADN, convirtió la vacunación de personas con bajo riesgo de COVID-19 grave en un riesgo innecesario para la salud pública. El uso de mandatos y otras medidas para obligar a la gente a vacunarse también plantea considerables problemas éticos y morales [ 16 , 284 , 342 , 400 , 401 ].

Recomendación 5: Los futuros programas de vacunación deberían incluir una evaluación más exhaustiva de la seguridad y la eficacia/efectividad de las vacunas en los subgrupos pertinentes; si todavía se considera necesario, los programas deberían basarse en el consentimiento voluntario genuino.

Conclusión 6: La autonomía tanto de los pacientes como de sus médicos para decidir las vías de atención médica más adecuadas para cada individuo se vio gravemente socavada por las políticas sanitarias nacionales, que parecen haber sido fuertemente influenciadas por la industria farmacéutica. A los pacientes o médicos que expresaron interés en el uso de medicamentos reutilizados, a menudo se les negó la oportunidad. Por el contrario, los pacientes o médicos que expresaron alguna preocupación sobre la idoneidad de las vacunas disponibles contra la COVID-19 a menudo se enfrentaron a una considerable adversidad u hostilidad. Mientras tanto, los pacientes que informaron reacciones adversas después de la vacunación contra la COVID-19 experimentaron “manipulación médica” y, a menudo, parecieron encontrar un punto ciego por parte de las autoridades cuando se trató de considerar la posibilidad de que pudieran haber estado asociadas con las vacunas [ 215 , 218 ].

Recomendación 6: Hipócrates propuso que la lucha contra la enfermedad debería implicar la colaboración individual entre médico y paciente. Si bien reconocemos que las compañías farmacéuticas producen productos para uso masivo y que los servicios nacionales de salud suelen diseñar políticas a nivel nacional, es fundamental garantizar que pacientes y médicos puedan colaborar para desarrollar planes de atención médica personalizados, diseñados individualmente para las circunstancias de cada paciente.

La supresión involuntaria de perspectivas científicas válidas como efecto secundario de los esfuerzos por reducir la propagación de la desinformación

Conclusión 7: En un intento equivocado de reducir “la propagación de información errónea”, los medios de comunicación, las plataformas de redes sociales, las agencias gubernamentales y las revistas científicas han restringido severamente el acceso a información científica valiosa y han obstaculizado severamente la capacidad de todos de tener debates informados sobre problemas complejos y multifacéticos asociados con la COVID-19.

Recomendación 7: En nuestra opinión, el mejor antídoto contra las malas ideas es contrarrestarlas con mejores ideas. La censura de diferentes opiniones científicas no conduce a mejores opiniones científicas, sino a conclusiones científicas más débiles. La libertad científica debe valorarse. De lo contrario, el coste para la humanidad podría ser muy alto.

Declaración de ética

De acuerdo con la legislación local y los requisitos institucionales, no se requirió aprobación ética para el estudio con seres humanos. No se requirió el consentimiento informado por escrito de los participantes ni de sus tutores legales o familiares más cercanos para participar en este estudio, de acuerdo con la legislación nacional y los requisitos institucionales.

Contribuciones del autor

Los primeros cuatro autores mencionados (GQ, RC, CÓ y PH) desarrollaron el concepto original de esta revisión de síntesis. La redacción de un manuscrito colaborativo con tantos coautores como este fue un proceso recursivo. Los dos autores principales conjuntos (GQ y RC) redactaron el primer borrador inicial del manuscrito, recopilaron la retroalimentación de todos los coautores (y de otros investigadores con experiencia relevante) y luego compilaron el borrador del texto para cada versión del manuscrito antes de compartirlo con los demás coautores para obtener más sugerencias y comentarios. GQ y RC revisaron el texto para incorporar la retroalimentación y luego devolvieron el manuscrito revisado a los coautores para obtener más comentarios, según fuera necesario. Todos los coautores aportaron sugerencias y comentarios sobre el material relevante tratado. Si bien todos tenemos diferentes opiniones científicas sobre diversos aspectos del material, todos los autores han acordado las conclusiones y recomendaciones generales descritas y han aprobado el manuscrito completo.

Fondos

El/los autor(es) declaran que no recibieron apoyo financiero para la investigación y/o publicación de este artículo.

Incompatibilidad

GQ, CC, RJ, NF, KS, GM y AM son miembros del Health and Recovery Group (HART, www.hartgroup.org/ ) con sede en el Reino Unido. TL es el director de The Evidence-Based Medicine Consultancy Ltd ( www.e-bmc.co.uk/ ). GQ, RC y WS reciben apoyo financiero general del Center for Environmental Research and Earth Sciences (CERES, www.ceres-science.com ), pero no específico para este trabajo de investigación. MS es fundador de www.ikigaitv.nl : intervenciones de psicología positiva para el público en general, para mejorar el bienestar mental, y cofundador de Great Citizens Movement ( greatcitizensmovement.org ). HR tiene acciones en The Wellness Company, que es de propiedad privada. HR tiene declaraciones en dos casos legales para individuos. MS actuó como testigo experto de la investigación extraparlamentaria sobre el manejo de la crisis de COVID-19 en los Países Bajos (2020).

Los demás autores declaran no tener ningún conflicto de intereses.

Expresiones de gratitud

Agradecemos a los numerosos investigadores que proporcionaron comentarios y sugerencias útiles sobre los primeros borradores de nuestro manuscrito, así como a aquellos con quienes nos contactamos y que proporcionaron información adicional y contexto para algunos de los estudios que citamos.

Material complementario

El material complementario de este artículo se puede encontrar en línea en: https://www.ssph-journal.org/articles/10.3389/ijph.2025.1607727/full#supplementary-material

Referencias