Rt COVID-19 🇨🇱 Preguntas Frecuentes y Problemas Conocidos

Revisé el sitio ayer y mostró una curva diferente para mi región, ¿qué está pasando?

La razón por la que los valores históricos cambian es que no se produce un solo punto cada día, sino más bien una sola curva. Una de las limitaciones del modelo es que esta curva esté conectada y sea suave. Así, si los nuevos datos sugieren que Rt debe ser más alto, sacará los valores anteriores para que el punto más reciente esté conectado. Imaginen una cuerda tendida en el suelo. Si recoges el extremo de esa cuerda, la cuerda tiene que inclinarse hacia tu mano. Lo mismo ocurre aproximadamente con el modelo. Si de repente un centro de pruebas lanza muchas más pruebas de las que se esperaban, la curva de Rt aumenta lo que arrastra los valores anteriores de Rt.

Si una región tiene un Rt más alto que otro, ¿significa que la situación es peor en el primero que en el segundo?

No necesariamente. Para evaluar la situación, debe tener en cuenta tanto Rt como el número absoluto de casos nuevos diarios. Una región con 1000 nuevos casos por día y Rt = 1.0 está probablemente peor que una región con 10 nuevos casos por día y Rt = 1.1. El peor escenario es un Rt mucho mayor que 1 y muchos casos nuevos por día.

Mi región tiene pocos casos, ¿por qué Rt es tan malo?

Incluso si sólo hay una persona enferma y esa persona infecta a seis personas, Rt será 6.0. Así que para evaluar cuan mala es la situación para una región dada, necesitas conocer tanto Rt, como el número absoluto de casos nuevos. Un Rt alto es manejable a corto plazo siempre y cuando no haya muchas personas enfermas al principio.

¿Cuál es la diferencia entre "test positivos confirmados" y "test positivos corregidos"? ¿Por qué las líneas no coinciden?

El modelo intenta corregir los test positivos (casos) por el volumen de las pruebas realizadas. Las barras grises muestran los nuevos casos reales reportados, la línea azul muestra lo que el modelo cree que serían los casos reales si se corrige el volumen de las pruebas realizadas. Si hoy se hizo la prueba a 100 personas y 10 resultaron positivas y mañana se hacen la prueba a 500 personas, se podría asumir que se obtendrían 5 veces el número de positivos de vuelta.

Por ejemplo, en Magallanes la ‘primera ola’ fue en el mes de abril 2020. Sin embargo, el volumen del testeo fue bastante bajo comparado con lo que se hacer en noviembre 2020. Con el conocimiento actual, el modelo ajusta los test positivos con lo que el infiere que fueron los test positivos reales si se hubiera testeado con mayor fuerza en abril. En concreto más de 4 veces lo que se registra en los datos oficiales.

¿Cómo funciona el modelo?

En los términos simples, busca la curva más probable de Rt que produjo los nuevos casos por día que observamos. Lo hace a través de algunas matemáticas claras (¡y poderosas!) que están más allá del alcance de este FAQ. En términos más complejos: se asume un número inicial de personas y una curva de Rt a lo largo de la historia de la pandemia, luego se distribuyen esos casos en el futuro usando una distribución de retraso conocida entre la infección y el informe positivo. Luego se escala y añadimos ruido basado en volúmenes de prueba conocidos a través de un binomio negativo con un parámetro de exposición para un día determinado para recuperar una serie observada. https://github.com/rtcovidlive/covid-model

Mi región ha mostrado un aumento constante de casos semana tras semana, sin embargo, usted muestra Rt como bastante bajo, ¿qué está pasando?

Una región que haya aumentado rápidamente las pruebas también mostrará un aumento del número de casos cada día porque están tomando muestras de una porción más grande de la población. El modelo corrige el aumento del volumen de pruebas y por lo tanto muestra el 'verdadero' Rt.

¿Por qué las líneas de los gráficos están difuminadas?

Para entender eso, hay que entender que el modelo está buscando la mejor curva (tanto en el numero de casos, como en la inferencia del Rt) de un número infinito de curvas para explicar los nuevos datos del caso que estamos viendo. De estas infinitas curvas, hay algunas que son compatibles con los datos y otras que no lo son. Mostramos una densidad de curva, porque no estamos tan seguros de que podamos elegir una sola curva de todas esas curvas. La intensidad del trazado de la curva está relacionada con cuan verosímil es la inferencia. Así mientras más intenso el color, mayor probabilidad de que sea una curva correcta. Esta representación NO ES un intervalo de confianza (IC95% como si lo muestra https://www.icovidchile.cl en su Rt), si no, es la representación de TODAS las curvas inferidas por el modelo. Publicaremos las tablas asociadas a la gráfica de cada región en un formato replicable. Por ahora si las necesitas debes contacta con Enzo en Twitter @eguerreroaraya

¿De dónde vienen tus datos?

Usamos los datos públicos de la Mesa de Datos COVID-19 en GitHub.

Veo un problema, un fallo, un problema con su sitio, datos o modelo. ¿Puedo hablarle de ello?

Claro! Contáctame en Twitter @eguerreroaraya.

¿Dónde puedo encontrar el código fuente de su modelo?

Yo no generé el modelo, pero puedes ver su código aquí.

¿Cómo calculas los casos activos?

Dado que la probabilidad de contacto con una persona COVID19+ depende del número de casos activos (personas que transmiten la enfermedad), es interesante conocer los casos activos actuales para cada región.

Lamentablemente hay una subestimación de los casos activos actuales dado que solo se puede conocer si un caso es activo por el inicio de síntomas. Algo ya previamente explorado aquí por @pelaolillo

El valor de conocer el numero de casos activos es que nos permite saber el numero de personas que pueden infectar a otras. Según la OMS se puede recuperar material viral de una persona infectada hasta 3 días antes del inicio de los síntomas y se ha aislado virus viable de pacientes con enfermedad leve a moderada hasta 9 días después del inicio de los síntomas. Lo que nos deja una ventana de 12 días en que una persona podría ser infectiva https://www.who.int/news-room/commentaries/detail/transmission-of-sars-cov-2-implications-for-infection-prevention-precautions

El modelo usado en rtlive.cl permite estimar el evento de infección a partir de los resultados de las pruebas PCRs realizadas. Para calcular los casos activos se usará una ventana de 12 días, 3 días antes del inicio de los síntomas (aproximadamente 2 días luego de la infección) hasta 9 días después del inicio de los síntomas.

Hay una discrepancia del modelo con respecto a los datos reportados por el Ministerio de Salud. En el mes de octubre esa diferencia es de en promedio 8,503 casos activos. Si usamos una ventana de 8 días esa diferencia cae a 55 casos en promedio, pero no hay justificación para usar 8 días en desmedro de los 12 que usamos aquí.

Esa misma operación se realizó para todas las regiones y se presentan los casos activos diarios en el grafico “Casos activos inferidos”

Problemas conocidos

Aunque creo que el modelo es muy fuerte, todos los modelos tienen limitaciones porque reducen una realidad compleja a un sistema simple. Debe ser consciente de las siguientes limitaciones de este modelo al interpretar los resultados:

  • El modelo se basa en datos públicos de la Mesa de Datos COVID-19 en GitHub, y ellos a su vez se basan en los datos del Ministerio de Salud para proporcionar datos oportunos y precisos también. Desafortunadamente, los datos pueden ser ruidosos, incorrectos, retrasados y de otra manera erróneos
  • El modelo intenta corregir las pruebas mirando la tasa de positividad. Esta tasa de positividad cambia con el tiempo porque el grupo de personas probadas cambia. En todo caso, el modelo puede subestimar el Rt porque se prueban muchas más personas sin síntomas, lo que hace que el porcentaje positivo disminuya y que se extienda una tendencia a la baja en los casos. Por eso comparamos nuestro Rt con inferido por el grupo https://www.icovidchile.cl
  • El modelo se basa en una distribución para el retraso entre la infección y la prueba positiva reportada. La mayoría de los datos utilizados para generar esta distribución son de Alemania y un puñado de otros países - es muy posible (podría apostar mi vida en ello) que esta distribución de retraso pueda parecer muy diferente en Chile y por Region.
  • Hasta que no se liberen los datos de casos y test realizados por comuna diariamente, no se puede analizar la situacion comunal.