Ir al contenido

¿Funcionó la estrategia de vacunación COVID-19 de los CDC?

Hace un año, en medio de un aumento de casos de COVID-19 y un suministro limitado de vacunas recientemente desarrolladas, los Centros para el Control y la Prevención de Enfermedades de EE. UU. Enfrentaron una gran pregunta: ¿Quién debería estar al frente de la línea para recibir una vacuna? ¿Estudiantes que viven en residencias universitarias o personas que padecen enfermedad renal crónica? ¿Abuelas o profesores? 

Junto con los objetivos de reducir las infecciones y muertes en general, los CDC tenían como objetivo evitar que los hospitales se abrumaran y garantizar un acceso equitativo a las vacunas COVID-19.

Los investigadores de la Universidad Estatal de Iowa formaron parte de un equipo que evaluó 17,5 millones de posibles estrategias que los CDC podrían haber recomendado el invierno pasado a los gobiernos estatales, territoriales y locales para el lanzamiento de la vacuna COVID-19. 

En un artículo recientemente publicado, los investigadores generalmente validan la recomendación final de los CDC, mientras que el modelo matemático que desarrolló el equipo también destaca algunas mejoras menores. 

El trabajo podría ayudar a informar el diseño de futuras estrategias de vacunación en los EE. UU. Y en el extranjero.

Los CDC recomendaron cuatro grupos de prioridad escalonados para las vacunas COVID-19:

  • La fase 1a incluyó al personal de atención médica y a los residentes de los centros de atención a largo plazo.
  • La fase 1b incluyó a trabajadores de primera línea no relacionados con la atención de la salud (por ejemplo, policías, bomberos, trabajadores de cuidado infantil) y personas de 75 años o más.
  • La fase 1c incluyó a otros trabajadores esenciales (por ejemplo, conductores de autobuses, cajeros de banco), personas de 16 a 64 años con mayor riesgo de enfermedad grave COVID-19 y personas de 65 a 74 años.
  • La fase 2 incluyó a personas de 16 a 64 años sin condiciones de alto riesgo o comorbilidades.

“La estrategia de los CDC funcionó muy bien cuando la comparamos con todas las demás estrategias posibles, especialmente en la prevención de muertes en todos los grupos de edad”, dijo Claus Kadelka, profesor asistente de matemáticas y autor correspondiente del artículo publicado en PLOS ONE. “Nuestra investigación muestra que la mayor priorización de los CDC de los trabajadores esenciales de primera línea, las personas en grupos de mayor edad y las personas con factores de salud subyacentes fue una estrategia altamente efectiva para frenar la mortalidad por COVID-19, mientras se mantiene a raya el número general de casos”.

(A) Correlación de Spearman entre cuatro medidas de carga de morbilidad basada en una comparación completa de los 17,5 millones de estrategias significativas de asignación de vacunas en cuatro fases. (B) Frontera de Pareto de todas las estrategias óptimas basadas en una búsqueda global de los 17,5 millones de estrategias significativas de asignación de vacunas. Para las estrategias en la frontera de Pareto, no existe otra estrategia que se desempeñe mejor en un objetivo (minimizar muertes o casos) mientras que no se desempeñe peor en el otro objetivo. Se destaca el recuento de muertes y casos resultantes de cuatro asignaciones específicas. (C) Para las cuatro estrategias resaltadas en (B), la distribución de todas las muertes resultantes en los cuatro grupos de edad se muestra como una medida de equidad. (DF) Las fronteras de Pareto de todas las estrategias óptimas se muestran al restringir (D) niños, (E) trabajadores de la salud sin comorbilidades, (F) 16-64 años sin comorbilidades y sin ocupación imprescindible para una determinada fase prioritaria. S8 Fig contiene las fronteras de Pareto para todas las subpoblaciones. Crédito: Islam et al., 2021, PLOS ONE,CC-BY 4.0
(A) Correlación de Spearman entre cuatro medidas de carga de morbilidad basada en una comparación completa de los 17,5 millones de estrategias significativas de asignación de vacunas en cuatro fases. 
(B) Frontera de Pareto de todas las estrategias óptimas basadas en una búsqueda global de los 17,5 millones de estrategias significativas de asignación de vacunas. 
Para las estrategias en la frontera de Pareto, no existe otra estrategia que se desempeñe mejor en un objetivo (minimizar muertes o casos) mientras que no se desempeñe peor en el otro objetivo. 
Se destaca el recuento de muertes y casos resultantes de cuatro asignaciones específicas. 
(C) Para las cuatro estrategias resaltadas en (B), la distribución de todas las muertes resultantes en los cuatro grupos de edad se muestra como una medida de equidad. 
(DF) Las fronteras de Pareto de todas las estrategias óptimas se muestran al restringir (D) niños, (E) trabajadores de la salud sin comorbilidades, 
(F) 16-64 años sin comorbilidades y sin ocupación imprescindible para una determinada fase prioritaria. 
S8 Fig contiene las fronteras de Pareto para todas las subpoblaciones. 
Crédito: Islam et al., 2021, PLOS ONE,
CC-BY 4.0

Para evaluar las recomendaciones de los CDC, Kadelka y el equipo de investigación construyeron un modelo matemático que incorporó las cuatro fases escalonadas de la agencia para el lanzamiento de una vacuna y 17 subpoblaciones basadas en factores como la edad, las condiciones de vida y la ocupación. 

Los individuos se clasificaron en una de 20 categorías, como “susceptibles al virus”, “completamente vacunados”, “actualmente infectados”, “infectados pero sin síntomas de COVID-19” y “recuperados”. 

Los investigadores también incorporaron varias características importantes de la pandemia de COVID-19, como la vacilación a la vacuna, los niveles de distanciamiento social basados ​​en los casos actuales en los EE. UU. Y diferentes tasas de infección para diferentes variantes del virus.

“Ejecutamos el modelo 17,5 millones de veces en la supercomputadora ISU, y para cada ejecución, registramos y finalmente comparamos varias métricas de resultados: número previsto de muertes, número previsto de casos, etc.”, dijo Kadelka.

La vacunación de los niños en cualquier fase del lanzamiento de la vacuna, excepto en la última, siempre condujo a un resultado no óptimo en el modelo. 

Los investigadores dijeron que las recomendaciones de los CDC podrían haber sido óptimas si se hubiera priorizado a más personas con factores de riesgo conocidos de COVID-19 sobre las personas de su cohorte sin riesgos para la salud. 

Sin embargo, las ganancias habrían sido pequeñas (es decir, menos del 1% menos de muertes y años de vida perdidos en general y un 4% menos de casos e infecciones), y Kadelka dijo que el modelo no tiene en cuenta los posibles desafíos logísticos.

“No sabemos lo suficiente sobre la situación en los hogares de ancianos para saber lo fácil que sería distinguir qué residentes tienen mayores factores de riesgo que los colocarían al frente de la línea de vacunación. Eso es algo que se puede hacer en un modelo matemático, pero podría ser difícil en la práctica ”, agregó Kadelka.

Kadelka dijo que parte de lo que hace que el modelo sea único es que tiene en cuenta hasta qué punto una vacuna evita que alguien se infecte, desarrolle síntomas y transmita el virus a otras personas, todo lo cual puede cambiar con el tiempo o incluso variar según la vacuna en particular. 

Los investigadores muestran que la estrategia de vacunación ideal es sensible a estos parámetros, que aún se desconocen principalmente.

Md Rafiul Islam, un postdoctorado en el grupo de Kadelka y autor principal del artículo, dijo que el modelo matemático podría ayudar a informar el diseño de las estrategias de vacunación actuales y futuras.

“Nuestro modelo es útil para identificar una estrategia óptima de asignación de vacunas y se puede ampliar fácilmente para responder preguntas relacionadas con la asignación de refuerzo ante la disminución de la inmunidad y la creciente variabilidad del virus”, dijo Islam.

Kadelka agregó: “Si el virus ( SARS-CoV-2 ) muta lo suficiente como para hacer que las vacunas actuales sean ineficaces o si tenemos una nueva pandemia, ya sea en otros 100 años o en dos años a partir de ahora, debemos ser capaces de predecir con precisión cuál será el resultado cuando se tomen decisiones sobre quién se vacunará primero “.

Desarrollar una estrategia de vacuna es complicado y siempre habrá compensaciones entre objetivos opuestos, como minimizar la mortalidad o la incidencia. Pero Kadelka cree que los modelos matemáticos como el que crearon él y sus colegas pueden ayudar a garantizar que las vacunas que salvan vidas tengan el mayor impacto.

Referencia: “Evaluation of the United States COVID-19 vaccine allocation strategy” 17 November 2021, PLoS ONE.
DOI: 10.1371/journal.pone.0259700

Compartir:

Deja un comentario

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