Una nueva estimación sugiere que, por cada cinco muertes por covid registradas, hubo otra persona muerta que se coló entre las grietas burocráticas
Cuando una persona muere, la historia oficial cabe en un papel. En ese certificado se decide qué enfermedad “cuenta” y cuál se queda como ruido de fondo, y esa decisión acaba dibujando el mapa de una epidemia. Con la covid, ese mapa se convirtió en un puzzle con piezas perdidas, sobre todo al principio, cuando las pruebas escaseaban, los hospitales se saturaban y muchas familias se quedaban solas en casa con una fiebre que no dejaba respirar.
En Estados Unidos, un equipo liderado por el epidemiólogo Mathew Kiang, de la Universidad de Stanford, ha intentado localizar precisamente esas piezas: muertes que probablemente fueron covid, pero que quedaron registradas como otra cosa. Para hacerlo, han usado aprendizaje automático, una rama de la inteligencia artificial que reconoce patrones, igual que una app distingue tu cara en una foto. La diferencia es que aquí el “rostro” es una combinación de pistas médicas y sociales escondidas en millones de certificados de defunción.
El trabajo se apoya en una idea sencilla y arriesgada a la vez. En los hospitales, sobre todo en los primeros compases de la pandemia, se testeaba a la mayoría de pacientes que ingresaban, así que allí la etiqueta “covid” en el certificado resulta más fiable. Con esa base, el algoritmo aprende cómo se describe una muerte por covid en el lenguaje administrativo, qué enfermedades aparecen alrededor, qué complicaciones acompañan, qué edades y perfiles se repiten.
El modelo busca certificados que se parecen mucho a esos casos hospitalarios, pero que ocurrieron en lugares donde era más fácil que el virus pasara desapercibido, como domicilios, residencias u otros entornos con menos pruebas diagnósticas. Es como entrenar a un sabueso con el olor de una chaqueta y pedirle luego que encuentre rastros en una ciudad entera.
Los investigadores analizaron registros oficiales de los Centros para el Control y la Prevención de Enfermedades (CDC) desde marzo de 2020 hasta diciembre de 2021, en adultos de 25 años o más. En total, 5,7 millones de certificados. A partir de ahí, el algoritmo identificó entre unas 150.000 y 160.000 muertes potencialmente no reconocidas como covid, además de las 840.251 que sí aparecen como tales en el recuento oficial.
La proporción impresiona por su simpleza: por cada cinco muertes por covid reconocidas, habría una más sin marcar. Eso coloca el total de 2020 y 2021 cerca del millón. Otros análisis ya habían sugerido un exceso similar comparando muertes observadas con las esperadas según años anteriores, pero aquí se añade algo que esos cálculos no dan, la granularidad de quién y dónde quedó fuera.
Las muertes por vocid que descubrió la inteligencia artificial
Kiang no se sorprende de que se escaparan casos. “El registro de muertes en Estados Unidos es una infraestructura fragmentada y con pocos recursos”, dice. “Durante la pandemia, estaba sometida a una enorme presión. Tuvimos más muertes de las que habíamos tenido” en la historia moderna.
Lo que sí le llamó la atención fueron los patrones. Esas muertes sin etiqueta de covid aparecen con más probabilidad entre personas hispanas, en domicilios, entre quienes tenían menos estudios y menores ingresos. Y, al mirar por estados, Alabama, Oklahoma y Carolina del Sur destacan con las ratios más altas.
Ese dibujo cuenta una historia incómoda sobre cómo se vive y se muere en un sistema sanitario desigual. “Este subregistro que encontramos no fue aleatorio”, insiste Kiang. “De forma bastante sistemática, lo que encontramos fue que las comunidades en áreas que fueron más impactadas por la pandemia también fueron las que tuvieron más mortalidad por covid no reconocida.”
La lectura, además, va más allá de la covid. Si las barreras para acceder a pruebas, atención urgente o un diagnóstico correcto se concentran siempre en los mismos grupos, el problema no desaparece cuando baja la ola. “Durante la pandemia, sistemas en nuestra sociedad, incluyendo barreras para acceder a la atención sanitaria, impidieron que estadounidenses gravemente enfermos reconocieran la necesidad de atención y llegaran al hospital”, dice Steven Woolf, médico y epidemiólogo social en la Universidad Virginia Commonwealth, que no participó en el estudio. “La gente en los márgenes sigue muriendo a tasas desproporcionadas porque no puede acceder a la atención”, advierte, y ese es un dato que ningún certificado debería maquillar.
Applying machine learning to identify unrecognized COVID-19 deaths recorded as other causes of death in the United States
