Clasificación de la efectividad de las intervenciones gubernamentales de COVID-19 en todo el mundo. Evaluar la efectividad de las intervenciones no farmacéuticas (NPI) para mitigar la propagación del SARS-CoV-2 es fundamental para informar los planes de respuesta de preparación futuros. Aquí, se cuantifica el impacto de 6.068 NPI codificadas jerárquicamente implementadas en 79 territorios sobre el número de reproducción efectiva, t, de COVID-19. 

Se proponemos un enfoque de modelado que combina cuatro técnicas computacionales que fusionan herramientas estadísticas, de inferencia e inteligencia artificial. Validamos nuestros hallazgos con dos conjuntos de datos externos que registran 42,151 NPI adicionales de 226 países. Nuestros resultados indican que es necesaria una combinación adecuada de NPI para frenar la propagación del virus. Las NPI menos disruptivas y costosas pueden ser tan efectivas como las más intrusivas y drásticas (por ejemplo, un bloqueo nacional). Utilizando escenarios hipotéticos específicos de cada país, evaluamos cómo la efectividad de las ISFL depende del contexto local, como el momento de su adopción, abriendo el camino para pronosticar la efectividad de las intervenciones futuras.

En ausencia de vacunas y medicamentos antivirales, las intervenciones no farmacéuticas (NPI) implementadas en respuesta a virus respiratorios epidémicos (emergentes) son la única opción disponible para retrasar y moderar la propagación del virus en una población 1 .

Frente a la epidemia mundial de COVID-19, la mayoría de los gobiernos han implementado paquetes de NPI altamente restrictivas, a veces intrusivas. Las decisiones debían tomarse en situaciones epidemiológicas rápidamente cambiantes, a pesar (al menos al comienzo de la epidemia) de la falta de evidencia científica sobre la efectividad individual y combinada de estas medidas 2 , 3 , 4 , grado de cumplimiento de la población y impacto social.

Las intervenciones gubernamentales pueden causar costos económicos y sociales sustanciales 5 al tiempo que afectan el comportamiento de las personas, la salud mental y la seguridad social 6 . Por lo tanto, el conocimiento de las NPI más efectivas permitiría a las partes interesadas implementar de manera juiciosa y oportuna una secuencia específica de intervenciones clave para combatir un resurgimiento de COVID-19 o cualquier otro brote respiratorio futuro. Debido a que muchos países implementaron varias ISFL simultáneamente, surge el desafío de desenredar el impacto de cada intervención individual.

Hasta la fecha, los estudios sobre la progresión de la pandemia de COVID-19 en países específicos 7 han explorado principalmente los efectos independientes de una sola categoría de intervenciones. Estas categorías incluyen restricciones de viaje 2 , 8 , distanciamiento social 9 , 10 , 11 , 12 y medidas de protección personal 13 . Además, los estudios de modelización suelen centrarse en las NPI que influyen directamente en las probabilidades de contacto (por ejemplo, medidas de distanciamiento social 18 , comportamientos de distanciamiento social 12 , autoaislamiento, cierre de escuelas, prohibición de eventos públicos 20y así). Algunos estudios se centraron en un solo país o incluso en una ciudad 14 , 15 , 16 , 17 , 18 mientras que otras investigaciones combinaron datos de varios países pero agruparon las ISFL en categorías bastante amplias 15 , 19 , 20 , 21 , lo que eventualmente limita la evaluación de NPI, potencialmente críticas, que pueden ser menos costosas y más efectivas que otras. A pesar de su uso generalizado, relativa facilidad de implementación, amplia variedad de herramientas disponibles y su importancia en los países en desarrollo donde otras medidas (por ejemplo, aumentos en la capacidad de atención médica, distanciamiento social o pruebas mejoradas) son difíciles de implementar22 , en la actualidad se sabe poco sobre la eficacia de las diferentes estrategias de comunicación de riesgos. Una evaluación precisa de las actividades de comunicación requiere información sobre el público objetivo, los medios de comunicación y el contenido del mensaje.

Utilizando un conjunto de datos completo codificado jerárquicamente de 6.068 NPI implementadas en marzo-abril de 2020 (cuando la mayoría de los países europeos y los estados de EE. UU. Experimentaron sus primeras olas de infección) en 79 territorios 23 , aquí analizamos el impacto de las intervenciones gubernamentales en t utilizando resultados armonizados de un enfoque de múltiples métodos que consiste en (1) un análisis de casos y controles (CC), (2) un enfoque de función escalonada para la regresión de series de tiempo LASSO (LASSO), (3) bosques aleatorios (RF) y (4) transformadores ( TF). Sostenemos que la combinación de cuatro métodos diferentes, que combinan clases de herramientas estadísticas, de inferencia e inteligencia artificial, también permite la evaluación de la incertidumbre estructural de los métodos individuales 24. También investigamos las estrategias de control específicas de cada país, así como el impacto de las métricas específicas del país seleccionadas.

Todos los enfoques anteriores (1–4) producen clasificaciones comparables de la eficacia de diferentes categorías de ISFL en sus niveles jerárquicos. Este notable acuerdo nos permite identificar un conjunto de consenso de NPI que conducen a una reducción significativa en t . Validamos este conjunto de consenso utilizando dos conjuntos de datos externos que cubren 42,151 medidas en 226 países. Además, evaluamos la heterogeneidad de la efectividad de las NPI individuales en diferentes territorios. Encontramos que el tiempo de implementación, las medidas implementadas previamente, los diferentes indicadores de gobernanza 25 , así como el desarrollo humano y social, afectan la efectividad de las ISFL en los países en diversos grados.

Resultados

Nuestros principales resultados se basan en la lista de estrategias de control COVID-19 de Complexity Science Hub (CCCSL) 23 . Este conjunto de datos proporciona una taxonomía jerárquica de 6068 NPI, codificados en cuatro niveles, incluidos ocho temas amplios (nivel 1, L1) divididos en 63 categorías de NPI individuales (nivel 2, L2) que incluyen> 500 subcategorías (nivel 3, L3) y > 2,000 códigos (nivel 4, L4). Primero comparamos los resultados de las clasificaciones de efectividad de NPI para los cuatro métodos de nuestro enfoque (1–4) en L1 (temas) (Fig. 1 complementaria ). Surge una imagen clara donde los temas del distanciamiento social y las restricciones de viaje ocupan el primer lugar en todos los métodos, mientras que las medidas ambientales (por ejemplo, la limpieza y desinfección de superficies compartidas) se clasifican como las menos efectivas.

A continuación, comparamos los resultados obtenidos en L2 del conjunto de datos de NPI, es decir, utilizando las 46 categorías de NPI implementadas más de cinco veces. Los métodos concuerdan en gran medida con la lista de intervenciones que tienen un efecto significativo en t (Fig. 1 y Tabla 1 ). Las clasificaciones individuales están altamente correlacionadas entre sí ( P  = 0,0008; Métodos ). Seis categorías de NPI muestran impactos significativos en t en los cuatro métodos. En la Tabla complementaria 1 enumeramos las subcategorías (L3) que pertenecen a estas categorías de consenso.Fig. 1: Cambio en t (Δ t ) para 46 NPI en L2, cuantificado por análisis CC, LASSO y regresión TF.

Figura 1

El panel de la izquierda muestra los intervalos de confianza combinados del 95% de Δ t para las intervenciones más efectivas en todos los territorios incluidos. El mapa de calor en el panel de la derecha muestra las puntuaciones Z correspondientes de la efectividad de la medida según lo determinado por los cuatro métodos diferentes. El gris indica que no hay efectos significativamente positivos. Las ISFL se clasifican de acuerdo con el número de métodos que coinciden en sus impactos, de arriba (significativo en todos los métodos) a abajo (ineficaz en todos los análisis). Temas L1 están codificados por color como en complementario Fig. 1 .Imagen de tamaño completoTabla 1 Comparación de clasificaciones de efectividad en L2Mesa de tamaño completo

Se obtiene una puntuación normalizada para cada categoría de NPI cambiando la escala del resultado dentro de cada método para que oscile entre cero (menos eficaz) y uno (más eficaz) y luego promediando esta puntuación. La puntuación máxima (mínima) del NPI es, por tanto, del 100% (0%), lo que significa que la medida es la más (menos) eficaz en cada método. Mostramos las puntuaciones normalizadas para todas las medidas en el conjunto de datos CCCSL de datos extendidos de la Fig. 1 , para la CoronaNet conjunto de datos en datos extendidos de la Fig. 2 y por la OMS conjunto de datos Global de Salud Pública y Medidas Sociales (OMS-PHSM) en Extended Data figura . 3 . Entre las seis categorías de NPI de consenso total en el CCCSL, los mayores impactos en t se muestran por pequeñas cancelaciones de reuniones (83%, Δ Rt entre −0,22 y –0,35), el cierre de instituciones educativas (73%, y las estimaciones de Δ R t oscilan entre −0,15 a −0,21) y las restricciones fronterizas (56%, Δ R t entre −0,057 y –0,23). Las medidas de consenso también incluyen NPI que apuntan a incrementar las capacidades de atención médica y de salud pública (mayor disponibilidad de equipo de protección personal (EPP): 51%, Δ R t −0.062 a −0.13), restricciones de movimiento individual (42%, Δ R t −0.08 a −0,13) y bloqueo nacional (incluida la orden de quedarse en casa en los estados de EE. UU.) (25%, Δ R t −0,008 a −0,14).

Encontramos 14 categorías adicionales de NPI de forma consensuada en tres de nuestros métodos. Estos incluyen cancelaciones de reuniones masivas (53%, Δ t entre −0,13 y –0,33), actividades de comunicación de riesgos para informar y educar al público (48%, Δ t entre –0,18 y –0,28) y asistencia del gobierno a poblaciones vulnerables (41%, Δ t entre −0,17 y –0,18).

Entre las intervenciones menos efectivas encontramos: acciones gubernamentales para proporcionar o recibir ayuda internacional, medidas para mejorar la capacidad de prueba o mejorar la estrategia de detección de casos (que se puede esperar que conduzca a un aumento a corto plazo de casos), medidas de rastreo y rastreo también. como controles de salud fronterizos y aeroportuarios y limpieza ambiental.

En la Figura 2 mostramos los hallazgos sobre la efectividad de la NPI en una red de co-implementación. Los nodos corresponden a categorías (L2) siendo el tamaño proporcional a su puntuación normalizada. Los enlaces dirigidos de i a j indican una tendencia a que los países implementen el NPI j después de haber implementado i . Por lo tanto, la red ilustra la secuencia típica de implementación de NPI en los 56 países y los pasos dentro de esta secuencia que más contribuyen a una reducción en t. Por ejemplo, existe un patrón en el que los países primero cancelan reuniones masivas antes de pasar a cancelaciones de tipos específicos de reuniones pequeñas, donde las últimas se asocian en promedio con reducciones más sustanciales en t . La educación y la comunicación activa con el público es una de las ‘medidas tempranas’ más efectivas (implementada alrededor de 15 días antes de que se reportaran 30 casos y mucho antes de que llegue la mayoría de las otras medidas). La mayor parte del distanciamiento social (es decir, el cierre de instituciones educativas), las medidas de restricción de viajes (es decir, las restricciones de movimiento individual como el toque de queda y el encierro nacional) y las medidas para aumentar la disponibilidad de EPP se implementan típicamente dentro de las primeras 2 semanas después de llegar a 30 casos. con diferentes impactos en t; ver también la Fig. 1 .Fig.2: Red de co-implementación de NPI ordenada por tiempo entre países.

Figura 2

Los nodos son categorías (L2), con colores que indican el tema (L1) y el tamaño es proporcional a la efectividad promedio de la intervención. Las flechas de los nodos i al j indican que aquellos países que ya han implementado la intervención i tienden a implementar la intervención j más adelante en el tiempo. Los nodos se colocan verticalmente según su tiempo promedio de implementación (medido en relación con el día en que ese país alcanzó 30 casos confirmados), y horizontalmente según su tema L1. El histograma apilado a la derecha muestra la cantidad de NPI implementadas por período de tiempo (edad epidémica) y tema (color). vp, poblaciones vulnerables; ce, determinados establecimientos; cuarentena f., instalaciones de cuarentena.Imagen de tamaño completo

Dentro del enfoque CC, podemos explorar más estos resultados en un nivel jerárquico más fino. Mostramos los resultados de 18 NPI (L3) del tema de comunicación de riesgos en la Información complementaria y la Tabla complementaria 2 . Las estrategias de comunicación más efectivas incluyen advertencias contra los viajes y el regreso de áreas de alto riesgo (Δ CC t  = −0,14 (1); el número entre paréntesis denota el error estándar) y varias medidas para comunicarse activamente con el público. Estos incluyen fomentar, por ejemplo, la permanencia en casa (Δ CC t  = −0,14 (1)), el distanciamiento social (Δ CC t  = −0,20 (1)), las medidas de seguridad en el lugar de trabajo (Δ CCt  = −0,18 (2)), aislamiento autoiniciado de personas con síntomas respiratorios leves (Δ R CC t  = −0,19 (2)) y campañas de información (Δ R CC t  = −0,13 (1)) (a través de varios canales incluyendo prensa, folletos, redes sociales o mensajes telefónicos).

Validación con conjuntos de datos externos

Validamos nuestros hallazgos con los resultados de dos conjuntos de datos externos ( métodos ). En el conjunto de datos de la OMS-PHSM 26 nos encontramos con siete medidas consensuadas completa (Acuerdo sobre el significado de todos los métodos) y otras 17 medidas con tres acuerdos (Extended Data Fig. 4). Estas medidas de consenso muestran una gran superposición con aquellas (tres o cuatro coincidencias en nuestros métodos) identificadas mediante el CCCSL, e incluyen medidas de NPI de primer nivel con el objetivo de fortalecer el sistema de salud y la capacidad de prueba (etiquetadas como ‘ampliación’), por ejemplo , aumento de la fuerza laboral de la salud, compra de equipos médicos, pruebas, máscaras, apoyo financiero a los hospitales, aumento de la capacidad de los pacientes, aumento de la producción nacional de EPP. Otras medidas de consenso consisten en medidas de distanciamiento social (‘cancelar, restringir o adaptar reuniones privadas fuera del hogar’, adaptar o cerrar ‘oficinas, negocios, instituciones y operaciones’, ‘cancelar, restringir o adaptar reuniones masivas’), medidas para poblaciones especiales (‘proteger a la población en entornos cerrados’, que incluye centros de atención a largo plazo y cárceles), cierres de escuelas, restricciones de viaje (restricción de entrada y salida, consejos y advertencias de viaje, ‘cierre de fronteras terrestres internacionales’, ‘control de entrada y aislamiento o cuarentena’) y restricción de movimiento individual (‘orden de quedarse en casa’, que es equivalente a confinamiento en la codificación OMS-PHSM). ‘Usar una máscara’ exhibe un impacto significativo ent en tres métodos (Δ t entre −0,018 y –0,12). Las medidas de consenso también incluyen paquetes financieros y campañas de concienciación del público en general (como parte de las acciones de ‘comunicación y participación’). Las medidas menos efectivas incluyen la detección activa de casos, el rastreo de contactos y la limpieza y desinfección ambiental.

Los resultados de CCCSL también son compatibles con los hallazgos del conjunto de datos CoronaNet 27 (Datos extendidos, Figuras 5 y 6). Los análisis muestran cuatro medidas de consenso total y 13 NPI más con un acuerdo de tres métodos. Estas medidas de consenso incluyen medidas heterogéneas de distanciamiento social (por ejemplo, restricción y regulación de negocios no esenciales, restricciones de reuniones masivas), cierre y regulación de escuelas, restricciones de viaje (por ejemplo, restricciones en las fronteras internas y externas), restricción de movimiento individual ( toque de queda), medidas destinadas a aumentar el personal sanitario (por ejemplo, ‘enfermeras’, ‘personal sanitario no especificado’) y equipos médicos (por ejemplo, EPI, ‘ventiladores’, ‘materiales sanitarios no especificados’), cuarentena (es decir,

Veintitrés NPI en el conjunto de datos de CoronaNet no muestran significación estadística en ningún método, incluidas varias restricciones y regulaciones de servicios gubernamentales (por ejemplo, para sitios turísticos, parques, museos públicos, telecomunicaciones), medidas de higiene para áreas públicas y otras medidas que dirigirse a poblaciones muy específicas (por ejemplo, ciertos grupos de edad, extensiones de visa).

Una verificación de sensibilidad de nuestros resultados con respecto a la eliminación de continentes individuales del análisis también indica variaciones sustanciales entre las regiones geográficas del mundo en términos de efectividad de la NPI ( información complementaria ). Para cuantificar aún más en qué medida la efectividad de un NPI depende del territorio en particular (país o estado de EE. UU.) Donde se ha introducido, medimos la heterogeneidad de las clasificaciones de NPI en diferentes territorios a través de un enfoque entrópico en el método TF ( Métodos ). Figura 3muestra la entropía normalizada de cada categoría de NPI frente a su rango. Un valor de entropía cercano a cero implica que la NPI correspondiente tiene un rango similar en relación con todas las demás NPI en todos los territorios: en otras palabras, la efectividad de la NPI no depende del país o estado específico. Por otro lado, un valor alto de la entropía normalizada indica que el desempeño de cada NPI depende en gran medida de la región geográfica.

Fig. 3: Entropías normalizadas versus rango para todos los NPI en el nivel L2.

figura 3

Cada NPI está codificado por colores según su tema de pertenencia (L1), como se indica en la leyenda. La curva azul representa la misma información obtenida de un conjunto de datos reorganizado de NPI.Imagen de tamaño completo

Los valores de las entropías normalizadas para muchas NPI están lejos de ser uno, y también están por debajo de los valores correspondientes obtenidos mediante la reorganización temporal de las NPI en cada país. Por lo tanto, la eficacia de muchas ISFL es, en primer lugar, significativa y, en segundo lugar, depende del contexto local (combinación de características socioeconómicas y ISFL ya adoptadas) en diversos grados. En general, las medidas de distanciamiento social y las restricciones de viaje muestran una alta entropía (la eficacia varía considerablemente entre países), mientras que la identificación de casos, el rastreo de contactos y las medidas de atención médica muestran una dependencia de país sustancialmente menor.

Seguimos explorando esta interacción de las ISFL con los factores socioeconómicos mediante el análisis de los efectos de las covariables demográficas y socioeconómicas, así como los indicadores de gobernanza y desarrollo humano y económico en el método CC ( información complementaria ). Si bien los efectos de la mayoría de los indicadores varían entre las distintas NPI a niveles bastante moderados, encontramos una tendencia sólida de que la efectividad de la NPI se correlaciona negativamente con los valores de los indicadores para la responsabilidad relacionada con la gobernanza y la estabilidad política (cuantificados por los Indicadores de gobernanza mundial proporcionados por el Banco Mundial).

Dado que la heterogeneidad de la eficacia de las distintas ISFL en los países indica una falta de independencia entre las distintas ISFL, el impacto de una determinada ISFL no puede evaluarse de forma aislada. Dado que en el mundo real no es posible cambiar la secuencia de las NPI adoptadas, recurrimos a experimentos del tipo «qué pasaría si» para identificar el resultado más probable de una secuencia artificial de NPI en cada país. Dentro del enfoque de FT, eliminamos selectivamente una NPI a la vez de todas las secuencias de intervenciones en todos los países y calculamos la evolución resultante de t en comparación con el caso real.

Para cuantificar si la efectividad de un NPI específico depende de su edad epidémica de implementación, estudiamos secuencias artificiales de NPI construidas al cambiar el NPI seleccionado a otros días, manteniendo fijos los otros NPI. De esta forma, para cada país y cada NPI, obtenemos una curva del cambio más probable en t versus el tiempo de adopción del NPI específico.

La Figura 4 muestra un ejemplo de los resultados de una selección de NPI (consulte la Información complementaria para obtener un informe más extenso sobre otras NPI). Cada curva muestra el cambio promedio en t versus el tiempo de adopción de la NPI, promediado en los países donde se adoptó esa NPI. La Figura 4a se refiere al bloqueo nacional (incluida la orden de quedarse en casa implementada en los estados de EE. UU.). Nuestros resultados muestran un efecto moderado de este NPI (cambio bajo en t ) en comparación con otras medidas menos drásticas. Figura 4bmuestra NPI con el patrón «cuanto antes, mejor». Para esas medidas (‘cierre de instituciones educativas’, ‘cancelación de pequeñas reuniones’, ‘restricciones aeroportuarias’ y muchas más que se muestran en la información complementaria ), la adopción temprana siempre es más beneficiosa. En la Fig. 4c , ‘mejorar la capacidad de prueba’ y ‘vigilancia’ exhiben un impacto negativo (es decir, un aumento) en t , presumiblemente relacionado con el hecho de que más pruebas permiten identificar más casos. Finalmente, la Fig. 4d , que muestra «rastreo y rastreo» y «activar notificación de caso», demuestra un efecto inicialmente negativo que se vuelve positivo (es decir, hacia una reducción en t ). Referirse aInformación complementaria para un análisis más completo de todas las NPI.Fig. 4: Cambio en t en función del tiempo de adopción de las NPI seleccionadas, promediado entre los países donde se habían adoptado esas NPI.

Figura 4

a , Cierre nacional (incluida la orden de quedarse en casa en los estados de EE. UU.). b , Una selección de tres NPI que muestran un comportamiento «cuanto antes, mejor», es decir, su impacto aumenta si se implementan en edades epidémicas más tempranas. c , Mejorar la capacidad de pruebas de laboratorio y la vigilancia. d , seguimiento y seguimiento y activación de notificación de casos. Los valores negativos (positivos) indican que la adopción del NPI ha reducido (aumentado) el valor de t . Las áreas sombreadas denotan sdImagen de tamaño completo

Nuestro estudio analiza los paquetes entrelazados de las NPI 23 y cuantifica su eficacia. Validamos nuestros hallazgos utilizando tres conjuntos de datos diferentes y cuatro métodos independientes. Nuestros hallazgos sugieren que ningún NPI actúa como una solución milagrosa en la propagación de COVID-19. En su lugar, identificamos varias intervenciones decisivas que contribuyen significativamente a reducir t por debajo de uno y que, por lo tanto, deben considerarse como un aplanamiento eficiente de la curva frente a una posible segunda ola de COVID-19, o cualquier epidemia respiratoria viral futura similar.

Las NPI más efectivas incluyen toques de queda, encierros y lugares cerrados y restringidos donde las personas se reúnen en cantidades más pequeñas o grandes durante un período prolongado. Esto incluye cancelaciones de pequeñas reuniones (cierres de tiendas, restaurantes, reuniones de 50 personas o menos, trabajo obligatorio a domicilio, etc.) y cierre de instituciones educativas. Mientras que en estudios previos, basados en un número menor de países, se atribuyó el cierre de escuelas a tener poco efecto en la propagación de COVID-19 (refs. 19 , 20 ), la evidencia más reciente ha estado a favor de la importancia de este NPI 28 , 29 ; el cierre de escuelas en los Estados Unidos se han encontrado para reducir COVID-19 incidencia y la mortalidad en un 60% (ref. 28). Este resultado también está en consonancia con un estudio de rastreo de contactos de Corea del Sur, que identificó a los adolescentes de 10 a 19 años con más probabilidades de propagar el virus que los adultos y los niños en entornos domésticos 30 . Las restricciones de movimiento individual (incluido el toque de queda, la prohibición de reuniones y movimientos para actividades no esenciales o medidas que segmentan a la población) también se encuentran entre las medidas mejor clasificadas.

Sin embargo, medidas tan radicales tienen consecuencias adversas. El cierre de la escuela interrumpe el aprendizaje y puede conducir a una mala nutrición, estrés y aislamiento social en los niños 31 , 32 , 33 . El confinamiento domiciliario ha aumentado considerablemente la tasa de violencia doméstica en muchos países, con un gran impacto en mujeres y niños 34 , 35 , mientras que también ha limitado el acceso a cuidados a largo plazo como la quimioterapia, con impactos sustanciales en la salud y la salud de los pacientes. posibilidad de supervivencia 36 , 37 . Es posible que los gobiernos deban buscar medidas menos estrictas, que incluyan la máxima prevención eficaz pero permitan un equilibrio aceptable entre beneficios e inconvenientes 38 .

Los estudios estadísticos previos sobre la efectividad de los bloqueos llegaron a conclusiones mixtas. Considerando que una reducción relativa de t de 5% se estimó utilizando un modelo jerárquico Bayesiano 19 , un modelo mecanicista Bayesiano estima una reducción del 80% (ref. 20 ), aunque algunos se han planteado cuestiones respecto a este último trabajo debido a sesgos que overemphasize la importancia de la medida más reciente que se había implementado 24. Queda por explorar la susceptibilidad de otros enfoques de modelado a los sesgos que resultan de la secuencia temporal de las implementaciones de NPI. Nuestro trabajo intenta evitar tales sesgos combinando múltiples enfoques de modelado y apunta a un impacto leve de los bloqueos debido a una superposición con los efectos de otras medidas adoptadas anteriormente e incluidas en lo que se conoce como «bloqueo nacional (o total)». De hecho, el cierre nacional abarca múltiples NPI (por ejemplo, cierre de fronteras terrestres, marítimas y aéreas, cierre de escuelas, tiendas no esenciales y prohibición de reuniones y visitas a hogares de ancianos) que los países ya pueden haber adoptado en algunas partes. Desde esta perspectiva, el impacto relativamente atenuado del bloqueo nacional se explica como el pequeño delta después de que se hayan adoptado otras NPI concurrentes.6 , 39 , 40 , 41 .

En conjunto, las medidas de distanciamiento social y restricción de movimientos discutidas anteriormente pueden por lo tanto considerarse como la ‘opción nuclear’ de las ISFL: altamente efectivas pero que causan daños colaterales sustanciales a la sociedad, la economía, el comercio y los derechos humanos 4 , 39 .

Encontramos un fuerte apoyo para la efectividad de las restricciones fronterizas. El papel de los viajes en la propagación mundial de enfermedades respiratorias resultó fundamental durante la primera epidemia de SARS (2002-2003) 42 , pero las restricciones de viaje muestran un gran impacto en el comercio, la economía y el sistema de respuesta humanitaria a nivel mundial 41 , 43 . La efectividad del distanciamiento social y las restricciones de viaje también está en línea con los resultados de otros estudios que utilizaron diferentes enfoques estadísticos, métricas epidemiológicas, cobertura geográfica y clasificación NPI 2 , 8 , 9 , 10 , 11 , 13 , 19 , 20 .

También encontramos una serie de NPI altamente efectivas que pueden considerarse menos costosas. Por ejemplo, encontramos que las estrategias de comunicación de riesgos ocupan un lugar destacado entre las ISFL de consenso. Esto incluye acciones gubernamentales destinadas a educar y comunicarse activamente con el público. Los mensajes efectivos incluyen alentar a las personas a quedarse en casa, promover el distanciamiento social y las medidas de seguridad en el lugar de trabajo, alentar el aislamiento por iniciativa propia de las personas con síntomas, advertencias de viaje y campañas de información (principalmente a través de las redes sociales). Todas estas medidas son consejos gubernamentales no vinculantes, que contrastan con la restricción fronteriza obligatoria y las medidas de distanciamiento social que a menudo se aplican mediante intervenciones y sanciones de la policía o el ejército. Asombrosamente, comunicar la importancia del distanciamiento social ha sido solo marginalmente menos efectivo que imponer medidas de distanciamiento por ley. La publicación de guías y protocolos de seguridad laboral a gerentes y profesionales de la salud también se asoció con una reducción ent , lo que sugiere que los esfuerzos de comunicación también deben adaptarse a las partes interesadas clave. Las estrategias de comunicación apuntan a empoderar a las comunidades con información correcta sobre COVID-19. Dichas medidas pueden ser de crucial importancia para dirigirse a estratos demográficos específicos que se encuentra que desempeñan un papel dominante en el impulso de la propagación del COVID-19 (por ejemplo, estrategias de comunicación dirigidas a personas <40 años 44 ).

Los programas gubernamentales de asistencia alimentaria y otros apoyos financieros para poblaciones vulnerables también han resultado ser muy eficaces. Por lo tanto, estas medidas no solo tienen un impacto en el ámbito socioeconómico 45, sino que también tienen un efecto positivo en la salud pública. Por ejemplo, facilitar el acceso de las personas a las pruebas o permitirles aislarse sin temor a perder su trabajo o parte de su salario puede ayudar a reducir la t .

Algunas medidas son ineficaces en (casi) todos los métodos y conjuntos de datos, por ejemplo, las medidas ambientales para desinfectar y limpiar superficies y objetos en lugares públicos y semipúblicos. Este hallazgo contradice las recomendaciones actuales de la OMS (Organización Mundial de la Salud) para la limpieza ambiental en entornos no sanitarios 46y pide un examen más detenido de la eficacia de tales medidas. Sin embargo, las medidas ambientales (por ejemplo, limpieza de superficies compartidas, gestión de residuos, aprobación de un nuevo desinfectante, aumento de la ventilación) rara vez son informadas por los gobiernos o los medios de comunicación y, por lo tanto, los rastreadores de NPI no las recopilan, lo que podría llevar a una subestimación de su impacto. Estos resultados exigen un examen más detenido de la eficacia de tales medidas. Tampoco encontramos evidencia de la efectividad de las medidas de distanciamiento social con respecto al transporte público. Si bien se han informado infecciones en autobuses y trenes 47 , nuestros resultados pueden sugerir una contribución limitada de tales casos a la propagación general del virus, como se informó anteriormente 48. Una mayor conciencia pública del riesgo asociado con los desplazamientos (por ejemplo, es más probable que las personas usen máscaras faciales) podría contribuir a este hallazgo 49 . Sin embargo, debemos tener en cuenta que las medidas destinadas a limitar la congestión o aumentar el distanciamiento en el transporte público han sido muy diversas (desde la cancelación completa de todo el transporte público hasta el aumento de la frecuencia del tráfico para reducir la densidad de viajeros) y, por lo tanto, podrían conducir a una eficacia muy variable también dependiendo del contexto local.

La eficacia de las ISFL individuales está fuertemente influenciada por la gobernanza ( información complementaria) y contexto local, como lo demuestran los resultados del enfoque entrópico. Este contexto local incluye la etapa de la epidemia, las características socioeconómicas, culturales y políticas y otras ISFL implementadas previamente. El hecho de que el producto interno bruto se correlacione positivamente en general con la eficacia de la NPI, mientras que el indicador de gobernanza ‘voz y rendición de cuentas’ tenga una correlación negativa podría estar relacionado con la mitigación exitosa de la fase inicial de la epidemia de ciertos países del sudeste asiático y Medio Oriente que muestra tendencias autoritarias. De hecho, algunas estrategias gubernamentales del sudeste asiático se basaron en gran medida en el uso de datos personales y sanciones policiales, mientras que los países de Oriente Medio incluidos en nuestro análisis informaron un número reducido de casos entre marzo y abril de 2020.

Al centrarse en países individuales, los experimentos hipotéticos que utilizan secuencias artificiales de ISFL específicas de cada país ofrecen una forma de cuantificar la importancia de este contexto local con respecto a la medición de la eficacia. Nuestra principal conclusión aquí es que la misma NPI puede tener un impacto drásticamente diferente si se toma temprano o más tarde, o en un país diferente.

Es interesante comentar sobre el impacto que habría tenido la «mejora de la capacidad de prueba» y el «rastreo y seguimiento» si se hubieran adoptado en diferentes momentos. La mejora de la capacidad de prueba debería mostrar un aumento a corto plazo en t . De manera contraria a la intuición, en países que prueban contactos cercanos, el rastreo y seguimiento, si son efectivos, tendrían un efecto similar en t porque se encontrarán más casos (aunque el rastreo y rastreo reducirían t en países que no prueban contactos pero depender de las medidas de cuarentena). Para los países que implementan estas medidas temprano, de hecho, encontramos un aumento a corto plazo en t(cuando el número de casos fue lo suficientemente pequeño como para permitir el rastreo y la prueba de todos los contactos). Sin embargo, los países que implementaron estas ISFL más tarde no necesariamente encontraron más casos, como lo muestra la disminución correspondiente en t . Nos centramos en marzo y abril de 2020, un período en el que muchos países experimentaron un aumento repentino de casos que sobrepasaron sus capacidades de rastreo y prueba, lo que hizo que las NPI correspondientes fueran ineficaces.

La evaluación de la efectividad de las ISFL es estadísticamente desafiante, porque las medidas se implementaron típicamente de manera simultánea y su impacto podría depender de la secuencia de implementación particular. Algunas ISFL aparecen en casi todos los países, mientras que en otros solo unos pocos, lo que significa que podríamos pasar por alto algunas medidas raras pero efectivas debido a la falta de poder estadístico. Si bien algunos métodos pueden ser propensos a sobrestimar los efectos de una NPI debido a ajustes insuficientes para los efectos de confusión de otras medidas, otros métodos pueden subestimar la contribución de una NPI al asignar su impacto a una NPI altamente correlacionada. Como consecuencia, las estimaciones de Δ tpodría variar sustancialmente entre diferentes métodos, mientras que el acuerdo sobre la importancia de las ISFL individuales es mucho más pronunciado. La fuerza de nuestro estudio, por lo tanto, radica en la armonización de estos cuatro enfoques metodológicos independientes combinados con el uso de un extenso conjunto de datos sobre las NPI. Esto nos permite estimar la incertidumbre estructural de la efectividad de la NPI, es decir, la incertidumbre introducida al elegir una determinada estructura de modelo que probablemente afecte a otros trabajos de modelado que se basan en un solo método. Además, mientras que los estudios anteriores a menudo incluían una amplia gama de medidas de restricción de viaje y distanciamiento social en una sola entidad, nuestro análisis contribuye a una comprensión más detallada de cada NPI.

El conjunto de datos CCCSL ofrece integridad de datos no homogéneos entre los diferentes territorios, y la recopilación de datos podría estar sesgada por el colector de datos (nativo versus no nativo), así como por la información comunicada por los gobiernos (véase también la ref. 23). Las bases de datos WHO-PHSM y CoronaNet contienen una amplia cobertura geográfica, mientras que CCCSL se centra principalmente en los países desarrollados. Además, el sistema de codificación presenta ciertos inconvenientes, en particular porque algunas intervenciones podrían pertenecer a más de una categoría pero se registran solo una vez. El cumplimiento de las NPI es fundamental para su eficacia, pero asumimos un grado comparable de cumplimiento por parte de cada población. Intentamos mitigar este problema validando nuestros hallazgos en dos bases de datos externas, incluso si están sujetas a limitaciones similares. No realizamos una armonización formal de todas las categorías en los tres rastreadores de NPI, lo que limita nuestra capacidad para realizar comparaciones completas entre los tres conjuntos de datos. Adicionalmente, no tomamos en cuenta la rigurosidad de la implementación de la NPI ni el hecho de que no todos los métodos fueron capaces de describir variaciones potenciales en la efectividad de la NPI a lo largo del tiempo, además de la dependencia de la edad epidémica de su adopción. La ventana de tiempo se limita a marzo-abril de 2020, donde la estructura de las NPI está altamente correlacionada debido a la implementación simultánea. Las investigaciones futuras deberían considerar ampliar esta ventana para incluir el período en el que muchos países flexibilizaron las políticas, o tal vez incluso las fortalecieron nuevamente después de flexibilizarlas, ya que esto permitiría una diferenciación más clara de la estructura correlacionada de las ISFL porque tendían a publicarse e implementarse nuevamente. uno (o unos pocos) a la vez. donde la estructura de las ISFL está altamente correlacionada debido a la implementación simultánea. Las investigaciones futuras deberían considerar ampliar esta ventana para incluir el período en el que muchos países flexibilizaron las políticas, o tal vez incluso las fortalecieron nuevamente después de flexibilizarlas, ya que esto permitiría una diferenciación más clara de la estructura correlacionada de las ISFL porque tendían a publicarse e implementarse nuevamente. uno (o unos pocos) a la vez. donde la estructura de las ISFL está altamente correlacionada debido a la implementación simultánea. Las investigaciones futuras deberían considerar ampliar esta ventana para incluir el período en el que muchos países flexibilizaron las políticas, o tal vez incluso las fortalecieron nuevamente después de flexibilizarlas, ya que esto permitiría una diferenciación más clara de la estructura correlacionada de las ISFL porque tendían a publicarse e implementarse nuevamente. uno (o unos pocos) a la vez.

Para calcular t , utilizamos series de tiempo del número de casos confirmados de COVID-19 50 . Es probable que este enfoque represente en exceso a los pacientes con síntomas graves y puede estar sesgado por las variaciones en las políticas de pruebas y notificación entre los países. Aunque asumimos un intervalo serial constante (lapso de tiempo promedio entre la infección primaria y secundaria), este número muestra una variación considerable en la literatura 51 y depende de medidas como el distanciamiento social y el autoaislamiento.

En conclusión, aquí presentamos el resultado de un análisis extenso sobre el impacto de 6.068 NPI individuales en el t de COVID-19 en 79 territorios en todo el mundo. Nuestro análisis se basa en la combinación de tres conjuntos de datos grandes y detallados sobre las NPI y el uso de cuatro enfoques de modelos estadísticos independientes.

La imagen emergente revela que no existe una solución única para todos, y que ningún NPI puede disminuir t por debajo de uno. En cambio, en ausencia de una vacuna o medicación antiviral eficaz, el resurgimiento de casos de COVID-19 solo puede detenerse mediante una combinación adecuada de NPI, cada uno adaptado al país específico y a su época epidémica. Estas medidas deben promulgarse en la combinación y secuencia óptimas para que sean de máxima eficacia contra la propagación del SARS-CoV-2 y, por lo tanto, permitan una reapertura más rápida.

Demostramos que las medidas más efectivas incluyen cerrar y restringir la mayoría de los lugares donde la gente se reúne en cantidades mayores o menores durante períodos prolongados (negocios, bares, escuelas, etc.). Sin embargo, también encontramos varias medidas altamente efectivas que son menos intrusivas. Estos incluyen restricciones en las fronteras terrestres, apoyo gubernamental a poblaciones vulnerables y estrategias de comunicación de riesgos. Recomendamos encarecidamente que los gobiernos y otras partes interesadas consideren primero la adopción de tales NPI, adaptadas al contexto local, en caso de que el número de infecciones aumente (o aumente por segunda vez), antes de elegir las opciones más intrusivas. Las medidas menos drásticas también pueden fomentar un mejor cumplimiento por parte de la población.

En particular, la consideración simultánea de muchas categorías distintas de NPI nos permite ir más allá de la simple evaluación de clases individuales de NPI para evaluar, en cambio, el impacto colectivo de secuencias específicas de intervenciones. El conjunto de estos resultados requiere un gran esfuerzo para simular escenarios hipotéticos a nivel de país para planificar la efectividad más probable de futuras ISFL y, gracias a la posibilidad de descender al nivel de países individuales y circunstancias específicas de cada país. , nuestro enfoque es la primera contribución a este fin.

Métodos

Datos

Usamos el conjunto de datos CCCSL disponible públicamente en las NPI 23, en el que las NPI se clasifican mediante un esquema de codificación jerárquica de cuatro niveles. L1 define el tema de la NPI: ‘identificación de casos, rastreo de contactos y medidas relacionadas’, ‘medidas ambientales’, ‘capacidad sanitaria y de salud pública’, ‘asignación de recursos’, ‘retorno a la vida normal’, ‘comunicación de riesgos’, ‘ distanciamiento social ”y“ restricción de viajes ”. Cada L1 (tema) se compone de varias categorías (L2 del esquema de codificación) que contienen subcategorías (L3), que se subdividen en códigos de grupo (L4). El conjunto de datos cubre 56 países; los datos para los Estados Unidos están disponibles a nivel estatal (24 estados), lo que hace un total de 79 territorios. En este análisis, utilizamos una versión estática de la CCCSL, recuperada el 17 de agosto de 2020, que presenta 6.068 NPI. Un glosario de los códigos, con una descripción detallada de cada categoría y sus subcategorías,GitHub . Para cada país, utilizamos los datos hasta el día en que las medidas se han actualizado de manera confiable. Las NPI que se han implementado en menos de cinco territorios no se consideran, lo que lleva a un total final de 4,780 NPI de 46 categorías diferentes de L2 para su uso en los análisis.

En segundo lugar, utilizamos el conjunto de datos de eventos de respuesta gubernamental CoronaNet COVID-19 (v.1.0) 27 que contiene 31,532 intervenciones y cubre 247 territorios (países y estados de EE. UU.) (Datos extraídos el 17 de agosto de 2020). Para nuestro análisis, asignamos sus columnas ‘type’ y ‘type_sub_cat’ a L1 y L2, respectivamente. Las definiciones para las 116 categorías L2 completas se pueden encontrar en la página de GitHub del proyecto.

Utilizando el mismo criterio que para la CCCSL, obtenemos un total final de 18,919 NPI de 107 categorías diferentes.

En tercer lugar, utilizamos el conjunto de datos WHO-PHSM 26 , que fusiona y armoniza los siguientes conjuntos de datos: ACAPS 41 , Oxford COVID-19 Government Response Tracker 52 , Global Public Health Intelligence Network (GPHIN) de la Agencia de Salud Pública de Canadá (Ottawa, Canadá). ), el CCCSL 23 , los Centros para el Control y la Prevención de Enfermedades de los Estados Unidos y HIT-COVID 53. El conjunto de datos WHO-PHSM contiene 24,077 intervenciones y cubre 264 territorios (países y estados de EE. UU.; Datos extraídos el 17 de agosto de 2020). Su esquema de codificación tiene una profundidad de codificación heterogénea y, para nuestro análisis, asignamos ‘who_category’ a L1 y tomamos ‘who_subcategory’ o una combinación de ‘who_subcategory’ y ‘who_measure’ como L2. Esto da como resultado 40 categorías de medidas. Un glosario está disponible en: https://www.who.int/emergencies/diseases/novel-coronavirus-2019/phsm .

Los conjuntos de datos de CoronaNet y WHO-PHSM también brindan información sobre la rigurosidad de la implementación de una determinada NPI, que no utilizamos en el estudio actual.

Datos del caso COVID-19

Para estimar t y las tasas de crecimiento del número de casos de COVID-19, utilizamos series de tiempo del número de casos confirmados de COVID-19 en los 79 territorios considerados 50 . Para controlar las fluctuaciones semanales, suavizamos la serie de tiempo calculando el promedio móvil usando una ventana gaussiana con una desviación estándar de 2 días, truncada en un tamaño máximo de ventana de 15 días.

Técnicas de regresión

Aplicamos cuatro enfoques estadísticos diferentes para cuantificar el impacto de una NPI, M , en la reducción de t ( información complementaria ).

CC

El análisis de casos y controles considera cada categoría (L2) o subcategoría (L3) M por separado y evalúa en una comparación pareada la diferencia, Δ t , en t entre todos los países que implementaron M (casos) y aquellos que no lo hicieron (controles ) durante la ventana de observación. El emparejamiento se realiza según la edad de la epidemia y el momento de implementación de cualquier respuesta. La comparación se realiza mediante un modelo de regresión lineal que se ajusta por (1) la edad de la epidemia (días después de que el país haya alcanzado los 30 casos confirmados), (2) el valor de t antes de Mtiene efecto densidad, (3) la población total, (4) la población, (5) el número total de las ISFL implementado y (6) el número de las ISFL implementado en la misma categoría que M . Con este diseño, investigamos el retraso de tiempo de τ días entre la implementación de M y la observación de Δ t , así como covariables adicionales basadas en el país que cuantifican otras dimensiones de la gobernanza y el desarrollo humano y económico. Las estimaciones de t se promedian con demoras entre 1 y 28 días.

Función de paso Regresión de lazo

En este enfoque asumimos que, sin ninguna intervención, el factor de reproducción es constante y las desviaciones de esta constante resultan de un inicio retardado por τ  días de cada NPI en L2 (categorías) del conjunto de datos jerárquico. Usamos un enfoque de regularización de Lasso combinado con una búsqueda de metaparámetros para seleccionar un conjunto reducido de NPI que describan mejor el Δ t observado . Las estimaciones de los cambios en Δ t atribuibles a NPI M se obtienen de la validación cruzada por países.

Regresión de RF

Realizamos una regresión de RF, donde las NPI implementadas en un país se utilizan como predictores para t , diferidos  en el tiempo τ días hacia el futuro. Aquí, τ representa el retraso de tiempo entre la implementación y el inicio del efecto de un NPI dado. De manera similar a la regresión de Lasso, el supuesto subyacente al enfoque de RF es que, sin cambios en las intervenciones, el valor de t en un territorio permanece constante. Sin embargo, contrariamente a los dos métodos descritos anteriormente, RF representa un modelo no lineal, lo que significa que los efectos de las NPI individuales en tno es necesario sumar linealmente. La importancia de un NPI se define como la disminución del rendimiento predictivo de la RF en datos invisibles si los datos relacionados con ese NPI se reemplazan por ruido, también llamado importancia de permutación.

Modelado de transformadores

Se ha demostrado que los Transformers 54 son modelos adecuados para procesos dinámicos de elementos discretos, como secuencias textuales, debido a su capacidad para recordar eventos pasados. Aquí ampliamos la arquitectura del transformador para abordar el caso continuo de datos epidémicos eliminando la capa de salida probabilística con una combinación lineal de salida del transformador, cuya entrada es idéntica a la de la regresión de RF, junto con los valores de t . La red de mejor rendimiento (error cuadrático mínimo en la validación cruzada por países) se identifica como un codificador de transformador con cuatro capas ocultas de 128 neuronas, un tamaño de incrustación de 128, ocho cabezas, una salida descrita por una capa de salida lineal y 47 entradas (correspondientes a cada categoría y t). Para cuantificar el impacto de la medida M en t , utilizamos el transformador entrenado como modelo predictivo y comparamos simulaciones sin ninguna medida (referencia) con aquellas en las que se presenta una medida a la vez para evaluar Δ t . Para reducir los efectos del sobreajuste y la multiplicidad de mínimos locales, informamos los resultados de un conjunto de transformadores entrenados con niveles de precisión similares.

Estimación de t

Usamos el paquete R EpiEstim 55 con una ventana de tiempo variable de 7 días para estimar la serie de tiempo de t para cada país. Elegimos un intervalo de serie incierto siguiendo una distribución de probabilidad con una media de 4,46 días y una desviación estándar de 2,63 días 56 .

Clasificación de las NPI

Para cada uno de los métodos (CC, regresión de Lasso y TF), clasificamos las categorías de NPI en orden descendente de acuerdo con su impacto, es decir, el grado estimado en el que reducen t o su importancia característica (RF). Para comparar las clasificaciones, contamos cuántas de las 46 NPI consideradas se clasifican como pertenecientes a las x medidas mejor clasificadas en todos los métodos, y probamos la hipótesis nula de que esta superposición se ha obtenido de clasificaciones completamente independientes. El  valor P viene dado por la función de distribución acumulativa complementaria para un experimento binomial con 46 ensayos y probabilidad de éxito ( x / 46) 4 . Reportamos el  valor P mediano obtenido sobre todo x ≤ 10 para garantizar que los resultados no dependan de dónde impongamos el límite para las clases.

Red de co-implementación

Si existe una tendencia estadística de que un país que implementa la NPI i también implementa la NPI j más adelante en el tiempo, trazamos un vínculo directo de i a j . Los nodos se colocan en el  eje y de acuerdo con la edad promedio de la epidemia en la que se implementa el NPI correspondiente; están agrupados en el  eje x por su tema L1. Los colores de los nodos corresponden a los temas. Las puntuaciones de eficacia de todas las NPI se vuelven a escalar entre cero y uno para cada método; el tamaño del nodo es proporcional a las puntuaciones reescaladas, promediadas sobre todos los métodos.

Enfoque entrópico a nivel de país

Cada territorio puede caracterizarse por sus condiciones socioeconómicas y la secuencia temporal única de las ISFL adoptadas. Para cuantificar el efecto de la NPI, medimos la heterogeneidad de la clasificación general de una NPI entre los países que han tomado esa NPI. Para comparar países que han implementado diferentes números de NPI, consideramos las clasificaciones normalizadas donde la posición de la clasificación se divide por el número de elementos en la lista de clasificación (es decir, la cantidad de NPI tomadas en un país específico). Luego, agrupamos el intervalo [0, 1] de las clasificaciones normalizadas en diez subintervalos y calculamos para cada NPI la entropía de la distribución de ocurrencias de esa NPI en las diferentes clasificaciones normalizadas por país:S( mathrmNPI)=− frac1 mathrmlog(10) sumiPi mathrmlog ,(Pi),S( mathrmNPI)=− frac1 mathrmlog(10) sumiPi mathrmlog ,(Pi),(1)

donde i es la probabilidad de que el NPI considerado apareciera en el i- ésimo bin en los rankings normalizados de todos los países. Para evaluar la confianza de estos valores entrópicos, los resultados se comparan con las expectativas de una reorganización temporal de los datos. Para cada país, mantenemos las mismas NPI adoptadas pero reorganizamos las marcas de tiempo de su adopción.

Resumen de informes

Más información sobre el diseño de la investigación está disponible en el Resumen de informes de investigación de la naturaleza vinculado a este artículo.

Disponibilidad de datos

El conjunto de datos CCCSL se puede descargar desde http://covid19-interventions.com/ . Los datos de CoronaNet se pueden encontrar en https://www.coronanet-project.org/ . El conjunto de datos WHO-PHSM está disponible en https://www.who.int/emergencies/diseases/novel-coronavirus-2019/phsm . Las instantáneas de los conjuntos de datos utilizados en nuestro estudio están disponibles en el siguiente repositorio de github: https://github.com/complexity-science-hub/ranking_npis .

Disponibilidad de código

El código personalizado para el análisis está disponible en el siguiente repositorio de github: https://github.com/complexity-science-hub/ranking_npis .

Referencias

  1. 1.Qualls, NL y col. Directrices comunitarias de mitigación para prevenir la influenza pandémica – Estados Unidos, 2017. MMWR Recomm. Rep. 66 , 1–34 (2017).
  2. 2.Tian, H. y col. Una investigación de las medidas de control de transmisión durante los primeros 50 días de la epidemia de COVID-19 en China. Science 368 , 638–642 (2020).CAS Artículo Google Académico 
  3. 3.Chen, S. y col. Control de COVID-19 en China durante los movimientos masivos de población en Año Nuevo. Lancet 395 , 764–766 (2020).CAS Artículo Google Académico 
  4. 4.Lee, K., Worsnop, CZ, Grépin, KA & Kamradt-Scott, A. Coordinación global sobre viajes transfronterizos y medidas comerciales cruciales para la respuesta al COVID-19. Lancet 395 , 1593-1595 (2020).CAS Artículo Google Académico 
  5. 5.Chakraborty, I. & Maity, P. Brote de Covid-19: migración, efectos en la sociedad, medio ambiente global y prevención. Sci. Entorno total. 728 , 138882 (2020).
  6. 6.Pfefferbaum, B. & North, CS Salud mental y la pandemia de COVID-19. N. Eng. J. Med. 383 , 510-512.
  7. 7.Panel de control COVID-19 del Centro de Ciencia e Ingeniería de Sistemas (CSSE) de la Universidad de Medicina de Johns Hopkins ( Universidad de Medicina de Johns Hopkins, consultado el 4 de junio de 2020); https://coronavirus.jhu.edu/map.html .
  8. 8.Chinazzi, M. y col. El efecto de las restricciones de viaje en la propagación del brote del nuevo coronavirus de 2019 (COVID-19). Science 368 , 395–400 (2020).CAS Artículo Google Académico 
  9. 9.Arenas, A., Cota, W., Granell, C. & Steinegger, B. Derivación del número de reproducción efectiva R para COVID-19 en relación con restricciones de movilidad y confinamiento. Preprint en medRxiv https://doi.org/10.1101/2020.04.06.20054320 (2020).
  10. 10.Wang, J., Tang, K., Feng, K. y Lv, W. ¿Cuándo ha terminado la pandemia de COVID-19? Evidencia de la ejecución de la política de quedarse en casa en 106 ciudades chinas. Preimpresión en SSRN https://doi.org/10.2139/ssrn.3561491 (2020).
  11. 11.Soucy, J.-PR y col. Estimación de los efectos del distanciamiento físico en la pandemia de COVID-19 utilizando un índice de movilidad urbana. Preimpresión en medRxiv https://doi.org/10.1101/2020.04.05.20054288 (2020).
  12. 12.Anderson, SC y col. Estimación del impacto de las medidas de control de Covid-19 utilizando un modelo bayesiano de distanciamiento físico. Preimpresión en medRxiv https://doi.org/10.1101/2020.04.17.20070086 (2020).
  13. 13.Teslya, A. et al. Impacto de las medidas de prevención autoimpuestas y la intervención gubernamental a corto plazo para mitigar y retrasar una epidemia de COVID-19. PLoS Med. https://doi.org/10.1371/journal.pmed.1003166 (2020).
  14. 14.Kraemer, MU y col. El efecto de la movilidad humana y las medidas de control sobre la epidemia de COVID-19 en China. Science 497 , 493–497 (2020).Artículo Google Académico 
  15. 15.Prem, K. y Liu, Y. et al. El efecto de las estrategias de control para reducir la mezcla social sobre los resultados de la epidemia de COVID-19 en Wuhan, China: un estudio de modelado. Lancet Public Health 5 , e261 – e270 (2020).Artículo Google Académico 
  16. dieciséis.Gatto, M. y col. Propagación y dinámica de la epidemia de COVID-19 en Italia: efectos de las medidas de contención de emergencia. Proc. Natl Acad. Sci. USA 117 , 10484–10491 (2020).CAS Artículo Google Académico 
  17. 17.Lorch, L. y col. Un modelo de epidemia espaciotemporal para cuantificar los efectos del rastreo, las pruebas y la contención de los contactos. Preimpresión en arXiv https://arxiv.org/abs/2004.07641 (2020).
  18. 18.Dehning, J. y Zierenberg, J. et al. Inferir puntos de cambio en la propagación de COVID-19 revela la efectividad de las intervenciones. Science 369 , eabb9789 (2020).
  19. 19.Banholzer, N. et al. Impacto de las intervenciones no farmacéuticas en casos documentados de COVID-19. Preprint en medRxiv https://doi.org/10.1101/2020.04.16.20062141 (2020).
  20. 20.Flaxman, S. et al. Estimación de los efectos de las intervenciones no farmacéuticas sobre COVID-19 en Europa. Nature 584 , 257–261 (2020).
  21. 21.Hsiang, S. y col. El efecto de las políticas anti-contagio a gran escala en la pandemia de COVID-19. Nature 584 , 262–267 (2020).
  22. 22.Nachega, J., Seydi, M. y Zumla, A. La llegada tardía de la enfermedad por coronavirus 2019 (Covid-19) en África: mitigación de la propagación pancontinental. Clin. Infectar. Dis. 71 , 875–878 (2020).CAS Artículo Google Académico 
  23. 23.Desvars-Larrive, A. et al. Un conjunto de datos abiertos estructurados de intervenciones gubernamentales en respuesta a COVID-19. Sci. Datos 7 , 285 (2020).CAS Artículo Google Académico 
  24. 24.Bryant, P. y Elofsson, A. Los límites de la estimación de los efectos de la intervención de COVID-19 utilizando modelos bayesianos. Preprint en medRxiv https://doi.org/10.1101/2020.08.14.20175240 (2020).
  25. 25.Protección de las personas y las economías: respuestas políticas integradas al COVID-19 (Banco Mundial, 2020); https://openknowledge.worldbank.org/handle/10986/33770
  26. 26.Seguimiento de las medidas sociales y de salud pública: un conjunto de datos global (Organización Mundial de la Salud, 2020); https://www.who.int/emergencies/diseases/novel-coronavirus-2019/phsm
  27. 27.Cheng, C., Barceló, J., Hartnett, AS, Kubinec, R. y Messerschmidt, L.Conjunto de datos de eventos de respuesta del gobierno COVID-19 (CoronaNet v.1.0). Nat. Tararear. Behav. 4 , 756–768 (2020).
  28. 28.Auger, KA y col. Asociación entre el cierre de escuelas en todo el estado y la incidencia y mortalidad de COVID-19 en los EE. UU. JAMA 324 , 859–870 (2020).
  29. 29.Liu, Y. et al. El impacto de las intervenciones no farmacéuticas en la transmisión del SARS-CoV-2 en 130 países y territorios. Preprint en medRxiv https://doi.org/10.1101/2020.08.11.20172643 (2020).
  30. 30.Park, Y., Choe, Y. et al. Seguimiento de contactos durante el brote de la enfermedad por coronavirus. Emerg. Infectar. Dis . 26 , 2465–2468 (2020).
  31. 31.Consecuencias adversas del cierre de escuelas (UNESCO, 2020); https://en.unesco.org/covid19/educationresponse/consequences
  32. 32.Educación y COVID-19: Centrarse en el impacto a largo plazo del cierre de escuelas (OCDE, 2020); https://www.oecd.org/coronavirus/policy-responses/education-and-covid-19-focusing-on-the-long-term-impact-of-school-closures-2cea926e/
  33. 33.Orben, A., Tomova, L. y Blakemore, S.-J. Los efectos de la privación social en el desarrollo y la salud mental de los adolescentes. Lancet Child Adolesc. Health 4 , 634–640 (2020).Artículo Google Académico 
  34. 34.Taub, A. Una nueva crisis del covid-19: el abuso doméstico aumenta en todo el mundo. The New York Times https://www.nytimes.com/2020/04/06/world/coronavirus-domestic-violence.html (6 de abril de 2020).
  35. 35.Abramian, J. La pandemia de Covid-19 ha intensificado la violencia doméstica en todo el mundo. Forbes https://www.forbes.com/sites/jackieabramian/2020/07/22/the-covid-19-pandemic-has-escalated-global-domestic-violence/#57366498173e (22 de julio de 2020).
  36. 36.Tsamakis, K. et al. Oncología durante la pandemia de COVID-19: desafíos, dilemas e impacto psicosocial en los pacientes con cáncer (revisión). Oncol. Letón. 20 , 441–447 (2020).Artículo Google Académico 
  37. 37.Raymond, E., Thieblemont, C., Alran, S. y Faivre, S. Impacto del brote de COVID-19 en el tratamiento de pacientes con cáncer. Objetivo. Oncol. 15 , 249-259 (2020).Artículo Google Académico 
  38. 38.Couzin-Frankel, J., Vogel, G. & Weiland, M. Las vacantes escolares en todo el mundo sugieren formas de mantener a raya el coronavirus, a pesar de los brotes. Ciencia https://www.sciencemag.org/news/2020/07/school-openings-across-globe-suggest-ways-keep-coronavirus-bay-despite-outbreaks# (2020).
  39. 39.Vardoulakis, S., Sheel, M., Lal, A. & Gray, D. Transmisión ambiental Covid-19 y medidas preventivas de salud pública. Aust. NZJ Public Health 44 , 333–335 (2020).
  40. 40.Saadat, S., Rawtani, D. y Hussain, CM Perspectiva ambiental de Covid-19. Sci. Entorno total. 728 , 138870 (2020).CAS Artículo Google Académico 
  41. 41.Conjunto de datos de medidas gubernamentales Covid-19 (ACAPS, 2020); https://www.acaps.org/covid19-government-measures-dataset
  42. 42.Brockmann, D. y Helbing, D. La geometría oculta de los fenómenos de contagio complejos impulsados por redes. Science 342 , 1337-1342 (2013).CAS Artículo Google Académico 
  43. 43.Guan, D. y col. Efectos de las medidas de control de Covid-19 en la cadena de suministro global. Nat. Tararear. Behav. 4 , 577–587 (2020).Artículo Google Académico 
  44. 44.Malmgren, J., Guo, B. & Kaplan, HG Covid-19 confirmó el cambio de edad de incidencia de casos en jóvenes de 0 a 19 y de 20 a 39 años a lo largo del tiempo: estado de Washington de marzo a abril de 2020. Preimpresión en medRxiv https: // doi.org/10.1101/2020.05.21.20109389 (2020).
  45. 45.Gentilini, U., Almenfi, M., Orton, I. & Dale, P. Social Protection and Jobs Responses to COVID-19 (Banco Mundial, 2020); https://openknowledge.worldbank.org/handle/10986/33635
  46. 46.Limpieza y desinfección de superficies ambientales en el contexto de COVID-19 (Organización Mundial de la Salud, 2020); https://www.who.int/publications/i/item/cleaning-and-disinfection-of-environmental-surfaces-inthe-context-of-covid-19
  47. 47.Shen, J. y col. Prevención y control de COVID-19 en transporte público: experiencia de China. Reinar. Pollut. 266 , 115291 (2020).
  48. 48.Islam, N. y col. Intervenciones de distanciamiento físico e incidencia de la enfermedad por coronavirus 2019: experimento natural en 149 países. BMJ 370 , m2743 (2020).Artículo Google Académico 
  49. 49.Liu, X. y Zhang, S. Covid-19: máscaras faciales y transmisión de persona a persona. Influenza Otro Respir. Virus 14 , 472–473 (2020).
  50. 50.Repositorio de datos del nuevo coronavirus COVID-19 (2019-nCoV) de 2019 de Johns Hopkins CSSE (Universidad de Medicina de Johns Hopkins, 2020); https://github.com/CSSEGISandData/COVID-19
  51. 51.Griffin, J. y col. Una revisión rápida de la evidencia disponible sobre el intervalo de serie y el tiempo de generación de COVID-19. Preprint en medRxiv https://doi.org/10.1101/2020.05.08.20095075 (2020).
  52. 52.Hale, T., Webster, S., Petherick, A., Phillips, T. y Kira, B. Oxford COVID-19 Government Response Tracker (Escuela de Gobierno Blavatnik y Universidad de Oxford, 2020); https://www.bsg.ox.ac.uk/research/research-projects/coronavirus-government-response-tracker
  53. 53.Zheng, Q. et al. HIT-COVID, una base de datos global que rastrea las intervenciones de salud pública hasta COVID-19. Sci. Datos 7 , 286 (2020).CAS Artículo Google Académico 
  54. 54.Vaswani, A. y col. en Advances in Neural Information Processing Systems 30 (eds Guyon, I. et al.) 5998–6008 (Curran Associates, 2017).
  55. 55.Cori, A., Ferguson, NM, Fraser, C. & Cauchemez, S. Un nuevo marco y software para estimar los números de reproducción que varían en el tiempo durante las epidemias. Soy. J. Epidemiol. 178 , 1505-1512 (2013).Artículo Google Académico 
  56. 56.Valka, F. & Schuler, C. Estimación y visualización interactiva del número de reproducción variable en el tiempo t y el tiempo de demora desde la infección hasta la estimación. Preimpresión en medRxiv https://doi.org/10.1101/2020.09.19.20197970 (2020).

Descargar referencias

Agradecimientos

Agradecemos a A. Roux por su contribución a la codificación de las intervenciones registradas en el conjunto de datos utilizado en este estudio. Agradecemos a D. García, VDP Servedio y D. Hofmann por su contribución en la etapa inicial de este trabajo. NH agradece a L. Haug por las útiles discusiones. Este trabajo fue financiado por la Agencia Austriaca de Promoción Científica, el proyecto FFG (no. 857136), el WWTF (nos. COV 20-001, COV 20-017 y MA16-045), Medizinisch-Wissenschaftlichen Fonds des Bürgermeisters der Bundeshauptstadt Wien ( núm. CoVid004) y el proyecto VET-Austria, una cooperación entre el Ministerio Federal de Asuntos Sociales, Salud, Atención y Protección del Consumidor de Austria, la Agencia Austriaca de Salud y Seguridad Alimentaria y la Universidad de Medicina Veterinaria de Viena. Los financiadores no tuvieron ningún papel en la conceptualización, el diseño, la recopilación de datos, el análisis,

Información del autor

Notas del autor

  1. Estos autores contribuyeron igualmente: Nils Haug, Lukas Geyrhofer, Alessandro Londei.

Afiliaciones

  1. Universidad Médica de Viena, Sección de Ciencia de Sistemas Complejos, CeMSIIS, Viena, AustriaNils Haug, Elma Dervic, Stefan Thurner y Peter Klimek
  2. Complexity Science Hub Vienna, Viena, AustriaNils Haug, Lukas Geyrhofer, Elma Dervic, Amélie Desvars-Larrive, Vittorio Loreto, Beate Pinior, Stefan Thurner y Peter Klimek
  3. Sony Computer Science Laboratories, París, FranciaAlessandro Londei y Vittorio Loreto
  4. Unidad de Salud Pública Veterinaria y Epidemiología, Instituto de Seguridad Alimentaria, Tecnología de Alimentos y Salud Pública Veterinaria, Universidad de Medicina Veterinaria, Viena, AustriaAmélie Desvars-Larrive y Beate Pinior
  5. Departamento de Física, Universidad Sapienza de Roma, Roma, ItaliaVittorio Loreto
  6. Instituto Santa Fe, Santa Fe, NM, EE. UU.Stefan Thurner

Contribuciones

NH, LG, AL, VL y PK concibieron y realizaron los análisis. VL, ST y PK supervisaron el estudio. ED contribuyó con herramientas adicionales. NH, LG, AL, AD-L., BP y PK redactaron el primer borrador del documento. AD-L. recopilación de datos supervisada sobre las NPI. Todos los autores discutieron los resultados y contribuyeron a la revisión del manuscrito final.

Autor correspondiente

Correspondencia a Peter Klimek .

Declaraciones de ética

Conflicto de intereses

Los autores declaran no tener conflictos de intereses.

Información Adicional

Información de revisión por pares Hay informes de revisión por pares disponibles. Editor de manipulación principal: Stavroula Kousta.

Nota del editor Springer Nature permanece neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Datos extendidos

Datos extendidos Fig. 1 Resultados principales del conjunto de datos CCCSL.

Puntuaciones normalizadas (efecto relativo dentro de un método) de las categorías de NPI en CCCSL, promediadas sobre los cuatro enfoques diferentes.

Datos extendidos Fig. 2 Resultados principales del conjunto de datos CoronaNet.

Puntuaciones normalizadas (efecto relativo dentro de un método) de las categorías de NPI en CoronaNet, promediadas sobre los cuatro enfoques diferentes. Los nombres completos de las categorías L2 abreviadas se pueden buscar en SI; Cuadro complementario 3.

Datos extendidos Fig. 3 Resultados principales del conjunto de datos WHO-PHSM.

Puntuaciones normalizadas (efecto relativo dentro de un método) de las categorías de NPI en WHO-PHSM, promediadas sobre los cuatro enfoques diferentes. Los nombres completos de las categorías L2 abreviadas se pueden buscar en SI; Cuadro complementario 4.

Datos extendidos Fig. 4 Medir la efectividad en el conjunto de datos WHO-PHSM.

Análogo a la figura 1 del texto principal si el análisis se realiza en el conjunto de datos WHO-PHSM. Los nombres completos de las categorías L2 abreviadas se pueden buscar en SI; Cuadro complementario 4.

Datos extendidos Fig. 5 Medir la efectividad en el conjunto de datos CoronaNet (parte 1).

Análogo a la Fig. 1 del texto principal si el análisis se realiza en el conjunto de datos CoronaNat (continúa en la Fig. 6 de datos extendidos). Los nombres completos de las categorías L2 abreviadas se pueden buscar en SI; Cuadro complementario 3.

Datos extendidos Fig. 6 Mida la eficacia en el conjunto de datos WHO-PHSM (parte 2).

Análogo a la Fig. 1 del texto principal si el análisis se realiza en el conjunto de datos CoronaNat (continuación de la Fig. 5 de datos extendidos). Los nombres completos de las categorías L2 abreviadas se pueden buscar en SI; Cuadro complementario 3.

Información suplementaria

Información suplementaria

Métodos suplementarios, resultados suplementarios, discusión suplementaria, Figs suplementarias. 1–26 y tablas complementarias 1–6.

Resumen de informes

Información de la revisión por pares

Reimpresiones y permisos

Acerca de este articulo

Cita este artículo

Haug, N., Geyrhofer, L., Londei, A. et al. Clasificación de la efectividad de las intervenciones gubernamentales de COVID-19 en todo el mundo. Nat Hum Behav 4, 1303-1312 (2020). https://doi.org/10.1038/s41562-020-01009-0

Descargar cita

Fuente: https://www.nature.com/articles/s41562-020-01009-0

DEJA UNA RESPUESTA

Por favor deje su comentario
Por favor ingrese su nombre

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.