ENTREVISTA – El Instituto Robert Koch se dio una buena nota en su estudio Corona – pero tiene muchos errores

«Las medidas de Corona fueron efectivas»: este titular pasó por los medios alemanes hace un mes. La base fue el estudio «Stops Covid» del Instituto Robert Koch (RKI). Usted critica el estudio. ¿Por qué?

Óliver Beige: El RKI se dio a sí mismo una buena calificación, por así decirlo, porque estuvo involucrado en el diseño de las medidas. Sin embargo, encontramos una serie de errores en el estudio que todo científico que trabaje empíricamente debería descubrir rápidamente. En la ciencia, la teoría solo puede afirmar, la evidencia empírica tiene que demostrarlo, eso no sucedió aquí.

¿Cómo se puede realizar un estudio científico en las condiciones de una pandemia real?

Beige: En tal situación, se intenta demostrar los efectos de las medidas individuales utilizando grupos de comparación. Luego se pueden derivar conclusiones de los diferentes cursos de los grupos, por ejemplo, una vez con máscara y una vez sin máscara.

Eso podría haberse hecho a través de los estados federales o entre Alemania y los países vecinos, donde se aplicaron diferentes medidas. Uno Suizaestudiar trató de hacer precisamente eso y analizó las diferencias entre los cantones. Este método es un estándar científico reconocido, pero curiosamente los autores del estudio RKI no lo utilizaron.

¿Cómo procedió el RKI en su lugar?

Beige: En primer lugar, modeló una curva hipotética a partir de la pregunta: ¿Cómo se habría desarrollado la pandemia si no hubiera entrado en vigor ninguna medida? Esta curva ficticia se comparó con la curva realmente observada de la pandemia. Se tomó el valor R como medida para el desarrollo de la pandemia. El valor R trata de expresar a cuántas personas infecta una persona infectada en promedio en un tiempo determinado.

¿Qué reveló esta comparación?

Beige: Los autores utilizaron la caída del valor R en la curva pandémica real como prueba de que las medidas habían funcionado. En nuestra opinión, aquí se ha llegado prematuramente a una conclusión causal. Porque hay que probar que realmente fueron las medidas las que bajaron el valor de R. Sin embargo, el estudio llega a la conclusión de que los valores R cayeron incluso antes de que las medidas entraran en vigor. Entonces el orden cronológico es incorrecto: si la montaña grita antes de que yo llame, no es un eco.

¿Cuál es la razón por la que el valor R disminuyó antes?

Daniel Haake: La conclusión de los autores del estudio es que la población implementó voluntariamente las medidas poco antes de que entraran en vigor. Sin embargo, esto no está probado ni verificado en el estudio. Consideramos que el razonamiento no es concluyente. El valor R es un valor de retraso que se refiere a los últimos días. Además, el RKI no incluyó el período de incubación en el estudio.

Si esto se hubiera ajustado en consecuencia, se habría demostrado que el valor R ya estaba cayendo incluso antes de que se anunciaran las medidas. Por lo tanto, la afirmación de que las personas se han restringido debido al anuncio de medidas inminentes es inverosímil.

Se compararon diferentes variables con el valor de R en el estudio. Critican la elección de estas variables. ¿Por qué?

Beige: Para representar con precisión el curso de la pandemia, el modelo matemático debe incluir tantas influencias como sea posible que podrían haber tenido un impacto en el desarrollo del valor R además de las medidas. Las variables están configuradas para esto. En este modelo, estos fueron la estacionalidad, las tasas de vacunación y las variantes de corona. Las medidas individuales, como la obligación de usar máscaras, las restricciones en el comercio minorista y el cierre de escuelas, se han incorporado al modelo en partes particularmente pequeñas. Sin embargo, lo que falta son variables de control que puedan usarse para probar explicaciones alternativas para el desarrollo de la pandemia.

Que pudo haber sido?

Haake: Por ejemplo, datos de movilidad que habrían proporcionado información sobre cambios voluntarios en el comportamiento de la población. O la inmunización natural. Si bien la vacunación se integró en el modelo de estudio, no se incluyó el efecto de una infección pasada. Lo cual es particularmente interesante porque a principios de 2022 el RKI acortó mucho el estado de recuperación, pero no el de vacunación. El estudio ni siquiera trata de averiguar el valor agregado de la inmunización natural.

¿Cuáles son las consecuencias de la ausencia de tales posibles influencias?

Beige: Como resultado, la reducción en el valor R se atribuye automáticamente a las medidas. Cualquier desarrollo positivo puede atribuirse a las medidas políticas porque otras posibles explicaciones no están incluidas en el modelo. En este punto, a más tardar, uno debería cuestionar el estudio como autor.

Algunos resultados paradójicos siembran dudas sobre la validez del estudio. ¿Puedes dar ejemplos?

Haake: El estudio RKI llega a la conclusión de que las medidas en el lugar de trabajo han aumentado el número de enfermedades en el grupo de edad de 18 a 59 años, pero las han reducido en el grupo de menores de 18 años. Según la modelo, las mascarillas en el transporte público local deberían haber frenado el ritmo de la pandemia en el grupo de mayores de 60 años, pero lo aceleraron en los demás. En particular, es paradójico que las máscaras obligatorias en las escuelas para menores de 18 años supuestamente no tuvieran un efecto demostrable, pero sí un efecto de desaceleración significativo para los mayores de 60 años.

El estudio RKI menciona en parte estos efectos paradójicos, pero no saca ninguna conclusión de ellos. Los autores deberían haber proporcionado al menos explicaciones sobre por qué ocurrieron estos efectos. Si no hay explicaciones plausibles, esto apoya nuestra tesis de que todo el modelo está construido incorrectamente y no es adecuado para probar relaciones causales.

¿Cómo deberían reaccionar ante esto el RKI y el Ministerio Federal de Salud?

Haake: Básicamente, habría que hacer un nuevo estudio. Pero no por el RKI. Hay suficientes expertos independientes para esto en Alemania y en el extranjero. Además, también deberían incluirse en la investigación los efectos secundarios no deseados de las medidas: las graves consecuencias psicológicas en los niños, así como el estrés en los adultos. El gobierno federal debería tener interés en averiguar si las medidas son útiles o perjudiciales.

a persona

Los críticos del estudio «Stop Covid»

Oliver Beige recibió su doctorado en economía y estadística de la Universidad de Berkeley. Daniel Haake es científico de datos y ha recibido el Premio Gerhard Fürst de la Oficina Federal de Estadística de Alemania por su trabajo en la previsión de robos. Junto con otros tres científicos de datos (Johannes Merkl, Thomas Wieland y Werner Baumgarten) han sometió la metodología del estudio «Stopt Covid» a una revisión crítica.

El RKI rechaza las críticas de los científicos a petición de la NZZ. Aunque el RKI no entra en detalles sobre los resultados paradójicos mencionados en la respuesta, sí responde por escrito que “no hay indicios de una deficiencia técnica o científica o una duda sobre la validez de los resultados”. El Estudio «Stop Covid» no trabaje con predeterminaciones positivas, los resultados negativos también serían documentados. «No hay razón para nuestro propio reanálisis», dice la respuesta.