¡Habemus medidas estadísticas!

Hola. Sí, como ves, aquí hablamos de pandemia. Pero no vamos a aportar opiniones cuñadas, ni discusiones gratuitas, ¡vamos a hablar de datos!

El 30 de septiembre de 2020, después de la entrada de la segunda ola de la pandemia en España, más que confirmada por los datos, y que lleva avisando desde agosto… ¡por fin! el Ministerio de Sanidad anuncia unos filtros para determinar si una zona está en peligro o no. Al menos han adoptado 4 medidas numéricas para decidir si una zona está en alerta y, por tanto, intervenir de alguna manera. La manera de intervenir ya es una decisión política, pero eso de medir objetivamente si un lugar está o no en alerta es algo básico. Si las medidas son buenas o no lo vamos a plantear, repito, con datos. Vamos allá…

Las medidas a tener en cuenta para poner en alerta un municipio son cuatro, y las vamos a explicar como si fueran filtros (no son tan apañaos como los de Instagram, pero bueno, así es la estadística):

FILTRO 1 – El municipio debe de tener más de 100.000 habitantes (¿sólo alertamos en ciudades grandes? después veremos la consecuencia de esto… clickbait is here)

FILTRO 2 – La Incidencia Acumulada (IA) en 14 días, por cada 100.000 habitantes debe superar el valor de 500 (¿qué es exactamente esto? lo veremos en adelante… clickbait reload)

FILTRO 3 – La tasa de positividad de las PCR debe de superar el 10% (¿esto no depende del número de PCRs? bien visto, hablaremos de ello)

FILTRO 4 – La ocupación de las UCI por enfermos de covid-19 en la comunidad debe de superar el 35% (¿qué número más raro, no?)

 

Veamos qué condiciona cada filtro, con mapas donde puedes comprobar de forma interactiva cómo está tu municipio y tu Comunidad Autónoma.

FILTRO 1. POBLACIÓN

Este filtro es un gran filtro. En España hay 8112 municipios en total (según INE), y mirando solamente en municipios con más de 100 mil habitantes, nos quedamos únicamente con 63 municipios. Es decir, que pasamos a estudiar 8 de cada 1000 municipios (0,8%).

FILTRO 2. INCIDENCIA ACUMULADA

La Incidencia Acumulada es una medida interesante, dentro de la familia de estadísticas de la pandemia, es la medida que recomienda el Instituto de Salud Global de Harvard, y particularmente me parece la mejor forma de medir la “temperatura” del covid en un lugar. La fórmula es sencilla pero hay que saber interpretarla:

IA es el número de casos detectados por PCR en los últimos 14 días dividido por la población del lugar, se suele multiplicar por 100.000 para que nos dé un número entero y poder tratarlo con el común de los mortales. Lo explico en una imagen:

Es decir, que esta medida es un indicador de la proporción de gente contagiada en una zona. Hay países que a partir de una IA por encima de 50, ya actúan, otras, a partir de 250. En España, con el acuerdo de Ministerio de Sanidad y Consejerías de Sanidad de las diferentes CCAA, decidieron que IA>500 era la medida preocupante para determinar intervenciones por municipios.

Pues bien, son más de 420 los municipios que superan esa IA>500, en este mapa los podéis ver (a falta de Galicia y Aragón).

Pues aplicando únicamente estos dos primeros filtros, ya tendríamos un filtrado importante. Nos quedarían únicamente 11 municipios detectados como preocupantes, menos de 3% de los municipios de los que tienen IA>500.

Conclusión: el filtro 1 sirve para encontrar grandes focos, pero no logra discernir entre una zona de municipios altamente infectados. Pero seguimos con los filtros oficiales…

FILTRO 3. POSITIVIDAD EN PCR+

Cuando alguien compara la curva de la pandemia de marzo con la de junio, está cometiendo un grave error estadístico: la escala de medir ha cambiado. Desde aproximadamente finales de mayo, la capacidad de detección ha mejorado sustancialmente en todo el mundo. España siempre se ha colocado entre los 10 países que más pruebas PCR realizan del mundo, y esto es algo bueno en la detección de datos. Cualquiera podría pensar entonces que si se están haciendo una cantidad importante de pruebas PCR, el porcentaje de positivos debería ser clave. Pues sí, es un medidor, pero por otra parte es sensible a engaños.

La fórmula es sencilla:

Positividad PCR (en %) = Número de positivos en pruebas PCR / Número total realizado de pruebas PCR * 100

Evidentemente, hay diferencias entre el número de pruebas PCR realizadas por CCAA, y por tanto existe un sesgo entre cada dato. Por otra parte, si tuviéramos grandes diferencias entre CCAA podríamos mirar esa medida como una de las claves.

El 12 de mayo de 2020, la OMS determinó que una positividad por encima del 5% indica que el factor de reproducción del virus está siendo alto. Ese valor lo superamos en España desde finales de julio. Incluso ahora, cuando el Ministerio de Sanidad ha marcado el valor alarmante en 10% de positivos en PCR, resulta que el promedio en España ya lo supera, por lo que estaría toda la nación superando este filtro.

La realidad es que los filtros 2 y 3 son redundantes, con la diferencia de que la IA tiene una medición más fina. Bueno, más bien, el filtro 3 reitera lo del filtro 2, pero no ocurre lo contrario, el filtro 3 no detecta algo que no detecte el 2. Vamos a decir que como filtro es bastante homeopático

Igualmente, el mapa lo dejo en este enlace (no merece la pena ni que sea incrustado): https://datawrapper.dwcdn.net/Rw42g/2/

 

FILTRO 4. % CAMAS UCI OCUPADAS POR COVID

Este filtro me causa impresión por el umbral que han decidido marcar: 35%. No se habla de un cuarto de camas ocupadas (25%), ni una tercera parte (33,3%), … Con todos los números racionales que manejamos en el día a día, han decidido uno que parece bastante azaroso.

Se aplica por CCAA, según si el promedio de áreas sanitarias de una Comunidad Autónoma cumple con esta fórmula:

Camas UCI ocupadas por pacientes COVID / Camas UCI totales > 35%

Veamos cómo están las CCAA en un gráfico de barras.

Es una medida muy importante a tener en cuenta, pero no parece que 35% sea la diferencia entre controlar la pandemia o no. De hecho, ya para terminar con estas medidas (que desde el filtro 2 no hemos aportado apenas nada), lo único que nos quitamos con los filtros 3 y 4 ha sido la ciudad de Pamplona.

Conclusión: hay motivos objetivos para intervenir en Madrid, más allá de estas medidas. Podríamos considerar el movimiento de poblaciones en la Comunidad de Madrid, la densidad de población por superficie, el crecimiento de cualquier variable, etc. Pero las medidas adoptadas marcan umbrales que han sido diseñados para las 10 ciudades de Madrid que pasan los 4 filtros:

Alcalá de Henares, Alcobendas, Alcorcón, Fuenlabrada, Getafe, Leganés, Madrid, Móstoles, Parla y Torrejón de Ardoz

Hay que dejar claro que, en estadística, no hay ninguna medida perfecta, áurea, divina, que nos dé la respuesta a todos los problemas. Lo digo por si acaso. Las medidas están para sacar la máxima información de la muestra, en este caso, del coronavirus. Y con estos filtros no hay demasiada información, salvando el FILTRO 2.

Sin ánimo de ser político, ni epidemiólogo (que cada día parece que nacen 10 o 12), simplemente como un humilde matemático, vamos a intentar implementar los filtros para medir además medidas que no se han tenido en cuenta como la evolución del número de contagiados (una tasa de incremento), el número y el tipo de hospitalizaciones, la curva de fallecidos, …

Así que, vamos a empezar con tratar alguna variable que mida la evolución de la pandemia por zonas.

 

*FILTRO 5. Evolución de la Incidencia Acumulada

Está muy bien hablar de la proporción de personas contagiadas, nos da una imagen de un lugar. Pero a esa imagen hay que darle movimiento, para que sea un vídeo y haya mucha más información. Para eso vamos a estudiar los municipios donde la Incidencia Acumulada ha crecido notablemente. Vamos a fijar un valor para decir qué es aumentar notablemente: por ejemplo, que se multiplique por dos en los últimos 14 días. Es decir, que el número de casos se haya doblado en las dos últimas semanas.

Con esto, tenemos más de 400 municipios detectados. A estos municipios habría que tener siempre en observación, pues el incremento de contagiados está siendo alto.

Este filtro es insuficiente por sí mismo, pues hay lugares que pasan de 1 caso a 10 en dos semanas y obtendrías un incremento de 1000%.

Usamos el FILTRO 2, el de la IA>500, que detectaba 420 municipios, y añadimos los municipios que doblan la cantidad de contagios en 2 semanas. De 420 municipios, pasamos a detectar 169 municipios, que podéis comprobar en este mapa tan bonito (y preocupante).

Estos 169 municipios sería los que pondría en la palestra de la política, a ver cómo se puede o no intervenir para detener ese gran brote.

 

Si quieres saber cómo está tu municipio en Incidencia Acumulada, aquí la lista completa de datos que he podido recoger, según las Consejerías de Sanidad (falta Aragón y Galicia):

Busca la Incidencia Acumulada de tu municipio de España

 

Ya tenemos una medida del nivel de contagio y su evolución. Pero, ¿y la gravedad en cada lugar? ¿Y los hospitalizados, UCIs, fallecidos? No te vayas, que hay más filtros…

 

*FILTRO 6. Hospitalizaciones y fallecidos

Ya estamos aquí, bueno, tú sigues seguramente en el mismo sitio, pero yo he ido y he vuelto del baño. Pero no divaguemos, que hay más medidas… Esta vez por CCAA, donde se cuentan a diario los números de hospitalizados, UCIs y fallecidos, pero no la tasa de estos datos, para poder compararlo por comunidades. La he fijado en el número de hospitalizados, UCI y fallecidos por cada 100 mil habitantes.

Aquí, habría que marcar un umbral, y no soy experto en Salud Pública para hacerlo, así que simplemente dejo el gráfico de barras para poder analizarlo.

Y vuelve a ocurrir lo que pasaba con la Incidencia Acumulada. Esta tasa da mucha información, pero no informa de la evolución de estos datos, es decir, si hay una comunidad con una alta hospitalización, pero lleva semanas bajando notablemente los datos, no detectaríamos esa información. Por tanto, vamos a añadir un filtro que detecte el incremento de este valor.

 

*FILTRO 7. Evolución de hospitalizaciones y fallecidos

Último filtro, prometido. En este caso vamos a ver la evolución semanal de los datos hospitalarios por Comunidades Autónomas.

Vemos, por ejemplo, que Madrid sigue aumentando, que Cataluña tenía de los datos más bajos y ahora crece más que ninguna comunidad, que Castilla y León tiene datos negativos en los dos últimos filtros, etc.


 

En fin, son muchos datos, y difícil de analizar, desde luego. Pero para eso está la estadística, que lleva varios siglos con nosotros, y ha ayudado en grandes epidemias anteriores…

Me diréis, ¿pero cómo van a aplicar 7 filtros, con lo difícil que lo tenemos ya con 4? Bueno, no sería un disparate, pero la idea es usar los que mejor información aporten. En este caso, los filtros 2, 5, 6 y 7. Cuatro filtros, como ahora.

Por supuesto, no pretendo que el Ministerio me haga caso, ni que nadie use esto como verdad absoluta, sólo me gustaría que todas las medidas que se tomen tengan una base científica seria, sosegada y que se comunique a la población con la mayor divulgación posible.

Por cierto, y como BONUS TRACK, he trabajado con Análisis Multivariante con estos filtros propuestos: IA, evolución de la IA, tasa de hospitalizaciones y evolución de la tasa de hospitalizaciones. Y haciendo un análisis de clúster, para ver un análisis por categorías agrupadas por CCAA vemos este gráfico ilustrativo. Se observan claramente las comunidades más afectadas (abajo), y las menos (arriba), pero sobre todo agrupadas según nivel de gravedad en esta maldita pandemia…

 

Si sigues aquí, gracias de verdad. Cualquier cosa, estoy aquí:

Santi García Cremades

Twitter https://twitter.com/santigarciacc

Facebook https://www.facebook.com/santigarciacc

Instagram https://www.instagram.com/santigarciacc

Referencias:

Ministerio de Sanidad: https://www.mscbs.gob.es/profesionales/saludPublica/ccayes/alertasActual/nCov/situacionActual.htm?q=service/

Instituto Nacional de Estadística: https://www.ine.es/dynt3/inebase/index.htm?type=pcaxis&path=/t20/e244/avance/p02/&file=pcaxis

Consejerías de Sanidad de la CCAA:

Andalucía https://www.juntadeandalucia.es/institutodeestadisticaycartografia/badea/informe/anual?CodOper=b3_2314&idNode=42348
Aragón http://datacovid.salud.aragon.es/covid/
Principado de Asturias https://obsaludasturias.com/obsa/informacion-covid-19-en-asturias/
Islas Baleares https://covid19ib.maps.arcgis.com/apps/opsdashboard/index.html#/c1cde29b86bd431287fd4225bb4193a4
Cantabria https://experience.arcgis.com/experience/9fc123d100e540dda44529d5aff5fd67
Comunidad de Madrid https://www.comunidad.madrid/servicios/salud/2019-nuevo-coronavirus
Comunidad Valenciana https://icvgva.maps.arcgis.com/apps/opsdashboard/index.html#/947ae9ef8b344c8688d1c7495c567c4d
Canarias https://grafcan1.maps.arcgis.com/apps/opsdashboard/index.html#/156eddd4d6fa4ff1987468d1fd70efb6
Castilla-La Mancha https://sanidad.castillalamancha.es/ciudadanos/enfermedades-infecciosas/coronavirus/evolucion-de-coronavirus-covid-19-en-castilla-la-mancha/evolucion-por-municipios
Castilla y León https://analisis.datosabiertos.jcyl.es/explore/dataset/tasa-enfermos-acumulados-por-areas-de-salud/export/?disjunctive.zbs_geo
Cataluña https://analisi.transparenciacatalunya.cat/Salut/Registre-de-test-de-COVID-19-realitzats-a-Cataluny/jj6z-iyrp
Región de Murcia http://www.murciasalud.es/pagina.php?id=458869
País Vasco https://opendata.euskadi.eus/catalogo/-/evolucion-del-coronavirus-covid-19-en-euskadi/
Comunidad Foral de Navarra https://gobiernoabierto.navarra.es/es/coronavirus/impacto-situacion
La Rioja https://actualidad.larioja.org/coronavirus/datos
Ceuta Dato general
Melilla Dato general

Organización Mundial de la Salud https://apps.who.int/iris/bitstream/handle/10665/332169/WHO-2019-nCoV-Adjusting_PH_measures-Criteria-2020.1-spa.pdf

Software estadístico: Paquete R e IBM SPSS

Presentación de datos: Datawrapper

Comments (4)

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *