Fuente:  Ragi Yaser Burhum Espinoza

Un Semáforo para el Huayno

COVID-19 en el Perú — ¿Qué pasa en cada distrito y qué podemos mejorar de nuestra estrategia?

Resumen y puntos principales:

  • Presentamos, por primera vez, un mapa de “semáforos epidemiológicos” que explican la situación en cada distrito del Perú. https://bit.ly/covid-semaforo-peru
  • A pesar de tener una cuarentena estricta antes que muchos países, el Perú tiene una de las tasas más grandes de infección. La falta de un proceso formal de Seguimiento de Contactos (Contact Tracing) es en gran parte culpable de esto.
  • En el Perú, estamos luchando contra varias versiones de esta pandemia en paralelo. Las estrategias y restricciones pueden ser instituidas a nivel distrito (o grupo de distritos), pero tenemos que re-evaluar nuestra estrategia de testeo.

Esto es lo que vamos a cubrir:

  1. El primer día del Huayno
  2. Las diferentes pandemias peruanas
    a) El incremento de muertes en comparación a otros años
    b) ¿Por qué es importante “normalizar” datos para comparar?
    c) El impacto de COVID-19 por región
  3. Un “Semáforo Epidemiológico” para el Huayno
    a) Ejemplos internacionales
    b) Los datos del semáforo
    c) El “Semáforo” peruano — la pandemia a nivel distrito
  4. ¿Si entramos en cuarentena antes que muchos, por qué tenemos tantos infectados?
    a) Testing
    b) Contact Tracing

El Primer Día del Huayno

El Domingo (24 de Mayo 2020) se publicó el Decreto Supremo que extiende la cuarentena con menores restricciones, marcando así, la entrada al periodo que llamamos el “Huayno”. Al día siguiente, muchos vimos con tristeza las imágenes de las aglomeraciones en Gamarra:

Es demasiado fácil entrar en opiniones polarizantes con imágenes tan impactantes de aglomeraciones. Más aún con la carga psicológica y financiera que todos hemos sufrido por esta pandemia. Las personas que han tenido los recursos suficientes para mantener una cuarentena estricta describen este evento como “esos tipos que no respetan las reglas”. Los líderes locales sienten y expresan frustración al no tener la capacidad para contener esta situación. La economía informal, que ha sido atropellada por el COVID-19, reclama que “los dejen trabajar” porque si no se mueren de hambre. Las divisiones socio-económicas de nuestro país se reflejan en todas las opiniones que están explotando en redes sociales a diario. Si antes esto era una danza entre la salud y la economía, ahora tenemos que agregar el factor social.

¿Qué podemos hacer distinto?

Miremos los datos.


Las Diferentes Pandemias Peruanas

Este gráfico que usa data del Sistema Informático Nacional de Defunciones (recopilado por José Incio en este post), compara los registros de muertes (por cualquier razón) de los años 2017, 2018, 2019 y 2020

Muertes (General) en el Perú. Fuente: SINADEF

Podemos ver como los números de defunciones en Abril y Mayo del 2020 son mucho mayores que el de otros años. El alza en muertes se puede atribuir directa o indirectamente a la pandemia que estamos viviendo.

Existe una frase que se escucha bastante por distintos medios. Lamentablemente, no he encontrado quien lo dijo primero, pero describe algo fundamental:

“No estamos luchando contra una sola pandemia, sino varias al mismo tiempo”

Si es así, el comportamiento e impacto en cada localidad deberían de ser distintas. Hagamos la comparación a ese nivel.

Vale clarificar que por el resto de este post, cuando hablamos de impacto, nos referimos al impacto en la salud (no el económico o social, que son otras discusiones). La siguiente imágen, es una visualización de los números en bruto de los casos positivos detectados desde el inicio de la pandemia. Los agrupamos por distrito y por semana (i.e. en ventana de 7 días) para compensar por inconsistencia de los tests por localidad (i.e. no todos los días se hacen la misma cantidad de tests en la misma localidad). También filtramos por tipo de test, y sólo incluímos los tests “PCR” (moleculares).

Casos positivos de COVID-19 en bruto. Sólo consideramos cantidad total de casos positivos esa semana.

Aquí, no hay sorpresas. El virus está creciendo, y Lima presenta la mayor cantidad de casos infectados.

Pero existe un problema fundamental con esta visualización. Los números en bruto no explican todo el impacto que tiene esta pandemia en cada localidad.

Imagínate una comunidad pequeña de 100 habitantes. Si 99 se mueren, esa comunidad ha sido destruida. El impacto en esa comunidad es altísimo.

Ahora imagínate una comunidad de 1,000,000 de habitantes. Si 99 se mueren esa comunidad continúa existiendo. El impacto en esa comunidad es bajo.

¿Cómo comparo entre distritos?

Para comparar datos de impacto entre distritos es necesario considerar la cantidad de población y no cometer el faux-pas de usar números en bruto.

A este proceso se le llama “normalización” de valores. Por ejemplo, [valor] por cada 100,000 habitantes. De aquí en adelante vamos a presentar números de esa manera.

La siguiente visualización, utiliza los mismos datos (agrupados por distrito y por semana), pero en vez de utilizar casos en bruto, utilizamos casos por cada 100,000 habitantes.

Casos positivos de COVID-19 normalizado por 100k habitantes. Como consideramos la población para medir el impacto, los resultados reflejan que varias zonas han sido afectadas.

La diferencia es notable — ahora podemos darnos cuenta que el impacto en lugares como Lambayeque o Iquitos es mucho mayor que cuando utilizamos los datos en bruto. Si alguna vez miras indicadores que se están comparando entre distritos, por favor, pregunta si los “datos están normalizados”.

Si miramos la cantidad de muertos por COVID-19 (normalizado por habitantes) también podemos ver el impacto en cada región. Esta visualización (creada por Yoni Pacheco basada en datos recopilados por Jose Incio) enseña la progresión del impacto de la pandemia por departamento.

https://public.flourish.studio/visualisation/2587115/

Claramente el impacto (medido en muertos/100k habitantes) de ciertas regiones resaltan. Llama a la atención por qué la letalidad por caso reportada por el MINSA en Lima hasta el día de hoy (Junio 3, 2020) es de 2.74% mientras que la de Lambayeque está en 6.64% y la de Cajamarca en 0.82%.

La pandemia que Lambayeque está viviendo es totalmente distinta a la experiencia en Cajamarca. Simplemente no hay comparación. Por ende, las estrategias para cada una de esas regiones podrían ser radicalmente distintas.

¿Qué pasa cuando examinamos cada distrito?

Un Semáforo Epidemiológico para el Huayno

El concepto de un semáforo epidemiológico no es nuevo. Varios países lo han ido implementando desde hace un par de meses. México es uno de los países latinoamericanos que recientemente acaba de implementar formalmente este concepto.

Este video explica de manera muy simple, de qué estamos hablando:

Cada país ha implementado su semáforo con un indicador distinto, pero el concepto es el mismo.

Para implementar un semáforo epidemiológico, elegimos un indicador y medimos la tendencia de los últimos 7 (o 15) días de una localidad. Los valores de esa tendencia definen el nivel de riesgo y por ende, la estrategia que vamos a utilizar para combatir esa situación.

México eligió medir [carga hospitalaria]; muy parecido al indicador de UCIs que propusimos en el Martillazo y el Huayno con la intención de saber cuándo es que el sistema de salud va a colapsar en cada localidad.

Este es un ejemplo de las restricciones que se implementan en base a cada color de ese semáforo epidemiológico:

https://mexico.as.com/mexico/2020/05/30/tikitakas/1590874795_081859.html

Por otro lado, Alemania eligió darle prioridad a [casos Nuevos de COVID por cada 100k habitantes], creando un dashboard que permite comunicar a la población cuál es la situación actual:

Screenshot de Robert Koch-Institut: COVID-19-Dashboard. La localidad resaltada enseña la tendencia de los últimos 7 días: 120.3 casos por cada 100k habitantes.

Coincidentemente, hace 20 años, mi primer trabajo saliendo de la universidad fue trabajar en la infraestructura que se utiliza para generar este mapa en Alemania. ¿Podemos hacer algo parecido para el Perú? ¡Claro que sí!

Cabe resaltar que hace 3 semanas hubiese sido imposible que alguien externo al gobierno pueda hacer el análisis que voy a enseñar. La razón por la que ahora es posible, es la reciente publicación de datos abiertos de COVID-19.

Los datos no son perfectos y han causado mucha frustración para los que nos hemos tomado el tiempo de analizarlos. Aún así, esto es algo que no teníamos antes y, escribiendo código para “limpiarlos” se pueden usar.

Removiendo [1,204,814] records duplicados, [2,572] records con fechas inválidas, [14,225] records con ubicación “en investigación” llegamos a una cifra de [32,876] pruebas moleculares (PCR)[120,366] pruebas rápidas (o PR). Un número que se aproxima lo suficiente a las cifras oficiales.

Aún así, en redes sociales y comunidades científicas existe un debate intenso acerca de enseñar resultados que mezclen los dos tipos de tests. Los argumentos tienen mucho sentido, pero también ignoran un problema con la estrategia de cómo se están tomando los tests.

No todos los distritos han tenido pruebas moleculares.

La siguiente visualización considera todos los tests en la base de datos después de haber sido “limpiada”.

Fuente: Plataforma Nacional de Datos Abiertos — Casos Positivos por COVID-19.

Si excluímos las pruebas rápidas, vamos a tener muy poca data para lograr nuestro objetivo de un semáforo nacional. ¿Deberíamos ignorar esta data? En este caso he elegido no hacerlo. Miremos los resultados.

Estos son los detalles de la métrica que vamos a utilizar para medir el impacto a nivel distrito:

  • Utilizamos [casos positivos por cada 100k habitantes] (cp100k). En vez de medirlo por día, vamos a agruparlos por semana, tal como lo hace Alemania.
  • Nuestro semáforo va a tener 5 colores (parecido al de México)
    a) Blanco: [0] cp100k. Todo está perfecto.
    b) Verde: [0 a 22] cpk100k. Tranquilo. Nueva realidad.
    c) Amarillo: [22 a 100] cp100k. Atención. Aplica Restricciones Medianas.
    d)Naranja: [100 a 600] cp100k. Contención. Restricciones Altas.
    e)Rojo: [>600] cp100k. Prioridad de Contención.

Los números están basados en valores de otros países, pero la idea es de que los vayamos ajustando conforme vamos mejorando nuestra estrategia de Tests y Contact Tracing (más abajo hablamos de Contact Tracing).

Este es el avance utilizando este indicador:

La razón por la que San Antonio (Huarochirí) salta de rojo a blanco son por dos factores, la población (~1021 personas) y la cantidad de tests.

Entiendo que es difícil mirar los detalles de algunos distritos, por eso he creado un mapa interactivo que enseña los indicadores de esta última semana:

COVID-19 – Perú – Semáforo Epidemiológico

Impacto de COVID-19 por distrito (normalizado por población)

maps.amigocloud.com

El Semáforo Epidemiológico contiene los siguientes indicadores (por distrito):

  • Color del semáforo
  • Casos positivos de la última semana (normalizado a 100k habitantes) — este es el valor que guía el color del semáforo
  • Población por distrito
  • Casos en bruto de la última semana
  • Índice de Pobreza

La última versión del mapa está publicado en HuaynoData.com.

¿Si entramos en cuarentena antes que muchos, por qué tenemos tantos infectados?

Esta es una pregunta que requiere un poco de introspección. Es demasiado fácil echar la culpa a un comportamiento de la población o alguna autoridad gubernamental. Sí bien es verdad que el comportamiento que tenemos influye en los valores de R directamente, también lo es que tenemos características únicas (población con refrigeradoras), índices de pobreza altos, un sector informal que abarca un porcentaje mayoritario de la economía y otras factores sociales que son parte de la explicación.

No voy a debatir esos puntos, pero sí creo que es necesario tener una conversación honesta, con críticas constructivas, de factores que, en mi opinión, están contribuyendo al crecimiento de esta pandemia y que necesitan nuestra atención.

La realidad es que el Perú, a pesar de haber aplicado una cuarentena estricta en el tiempo correcto, tiene uno de los grados de infecciones más altos del mundo. Claramente existe algo de nuestra estrategia que tenemos que mejorar.

En el mundo de las startups, tenemos un mantra al que recurrimos en momentos de caos extremo: “Back to the basics!” (que podemos traducir semánticamente como “regresar a las los pilares fundamentales”). Para la pandemia en el Perú, esto también aplica.

Cuando leemos las estrategias internacionales de como reabrir la economía, existen algunos pre-requisitos. Este screenshot es de la estrategia de EEUU:

La primera columna habla de dos puntos esenciales: Testing y Contact Tracing.

Los tests son un recurso limitado. En un mundo ideal, lo aplicaríamos a todos constantemente. Este escenario, no es realista, por lo tanto cómo usamos ese recurso es más importante que la cantidad de tests que se hacen. Es mi opinión la estrategia de a (1) quién se le aplican, (2) por qué y (3) dónde, podría mejorar radicalmente si damos una mirada más crítica a los procesos que utilizamos para responder esas preguntas.

Hace un par de días, el Ministro de Salud, CDC, y el equipo de Prospectiva hicieron unas excelentes presentaciones acerca de la situación de COVID en el Perú. Sería un golazo, si compartieran los datos y metodologías con el resto de la comunidad. Sería una buena manera de crear confianza y transparencia — y al mismo tiempo colaboración — con gente externa a ese grupo. Por ejemplo, tiene mucho más sentido que los valores de R sean publicados oficialmente y diariamente por ellos.

Por otro lado (y aquí viene la crítica constructiva con las mejores intenciones), me quedó claro que dentro del MINSA existen desacuerdos y desconfianza de las cifras oficiales de casos positivos publicados por el mismo MINSA.

En las comunidades científicas, es muy común que se recomiende utilizar los números de muertes (publicados por el SINADEF) como proxy para derivar la cantidad de número de infectados — en vez de usar las cifras oficiales(!). Existen estudios en conjunto de Harvard+UNMSM+HMC+UNACH que explican por qué. La presentación con el Dr Zamora y Prospectiva a la que me referí también incluyó una explicación de cómo funciona ese cálculo (empieza en minuto 44):

Las redes sociales también están llenas con esa sugerencia de gente dentro del mismo MINSA:

Todas estas recomendaciones tienen sentido. Pero también ignoran algo fundamental. Atacan el síntoma en vez del problema.

¿Si no podemos confiar en las cifras oficiales de los tests, no deberíamos de re-evaluar nuestra estrategia y procedimientos de cómo hacemos los tests?

La conclusión es simple: Nuestra estrategia de tests de COVID-19 necesita una evaluación con un ojo crítico.

He notado que existe una confusión cuando se habla de Contact Tracing (o Seguimiento de Contactos). Es normal que la gente confunda Seguimiento de Contactos con Seguimiento de Contactos Digital.

Seguimiento de Contactos es el proceso de identificar personas que han sido potencialmente infectadas a una enfermedad infecciosa y de darles recomendaciones y recursos para prevenir que expongan a otras personas.

Seguimiento de Contactos Digital se refiere a los aplicativos que cada país en el extranjero ha desarrollado para ayudar con el proceso de Seguimiento de Contactos. Es una herramienta más, pero no reemplaza la necesidad de tener un proceso formal y ordenado.

El objetivo de un programa de seguimiento de contactos es el de entrevistar a las personas que han tenido contacto con una persona infectada en los últimos 15 días y hacerles tests si se cree necesario. Sin ese proceso formal, no se puede contener una pandemia efectivamente.

El siguiente diagrama, enseña una persona infectada con COVID-19 y lo que pasaría con un R=2 (e.g. de todas las interacciones, en promedio va a infectar a dos personas).

  • Si no hacemos un seguimiento, en 4 generaciones vamos a tener 30 infectados más que se nos escaparon de las manos (que en turno van a infectar más personas.
  • Si hacemos el seguimiento, pero sólo conseguimos encontrar a 1, aún así vamos a reducir los casos por 15.

En cada país se ha contratado a personal cuya función es el de hacer este trabajo tiempo completo. Existen muchas clases online que explican como hacer este trabajo correctamente. También mucha documentación de qué tenemos que hacer. Esto tendría un impacto mayor en reducir los contagios, y un impacto mucho menor en la economía que otras estrategias que empleamos actualmente (como por ejemplo cuarentena obligatoria los Domingos y cerrar todo).

En Perú necesitaríamos tener como mínimo a 1500 personas (el standard mundial es de 1 seguidor de contactos por cada 20,000 habitantes). Es razonable pensar que un presupuesto de ~15M de soles al mes sería suficiente para implementar esto.

Cuando llegó el primer caso de COVID-19 al Perú, se siguió el proceso de seguimientos de contactos. Los resultados de ese primer seguimiento se pueden encontrar en la Sala Situacional del MINSA.

https://covid.minsa.gob.pe/Reporte/covid_dash.html#contactos

Pero por alguna razón, ese proceso no se continuó.

Existe mucha confusión (inclusive dentro del gobierno) donde se pregunta si el programa de “Te Cuido Perú” hace esto. No es así (si hacen seguimientos de casos de COVID, pero no hacen el trabajo de seguimiento de contactos).

Por otro lado, “Peru En Tus Manos” es un buen candidato para hacer Seguimiento de Contactos Digital. Después de una discusión larga entre los dueños e inversionistas de AmigoCloud, decidimos ayudar al país dedicando a un equipo de AmigoCloud para la implementación de Contact Tracing Digital (como la tienen otros países) a la Secretaría Digital del Perú.

Aún así, sabemos que si no se implementa un proceso formal y estructurado de seguimiento digital que utilice esos datos , esa inversión (que para el tamaño de nuestra compañía representa un costo altísimo), va a haber sido en vano.

Es tiempo de revisar nuestras estrategias y mejorar lo que sabemos que no está funcionando.


Quiero agradecer a Diego Bartra y Andrés Benavides por revisar un draft de este post, a Maria Luisa Mori por los datos del censo y a Rafael Sánchez-Moreno por toda la información actualizada de Alemania.

Thanks to Andres Benavides and Diego Bartra.

 

Acceda a la fuente originalaquí