La pandemia destacó grandes problemas en la investigación: que muchos estudios fueron exagerados, llenos de errores o incluso fraudulentos, y que la información errónea podría propagarse rápidamente. Pero también demostró lo que era posible.
Aunque por lo general toma años probar medicamentos contra una nueva enfermedad, esta vez tomó menos de uno encontrar varias vacunas y tratamientos. Una vez, los científicos descubrieron nuevas cepas de virus solo después ya había ocurrido un brote, pero ahora podían usar muestras de aguas residuales para predecir brotes con anticipación.
No todos vieron positivamente la velocidad de estos avances: la creencia de que las vacunas se «apresuraron», por ejemplo, fue una de las razones más comunes por las que las personas retrasaron su administración. Mucha gente cree que hacer ciencia rápidamente significaría acabar con los estándares y crear investigaciones descuidadas o incluso peligrosas.
Pero eso no siempre es cierto, y la urgencia de Covid-19 llevó a muchas personas a adaptar, producir y mejorar la investigación con una calidad y velocidad que pocos esperaban. No solo podríamos evitar esas compensaciones, sino que podríamos mejorar la ciencia de manera que sea más rápida, y la pandemia nos ha mostrado cómo hacerlo.
Recopilar datos de rutina
A los seis meses del brote, había más de 30 000 secuencias del genoma del coronavirus, mientras que en la misma cantidad de tiempo en 2003, los científicos solo pudieron obtener una única secuencia del virus del SARS.
La velocidad a la que se secuenciaron los genomas del coronavirus es una historia de éxito, pero no nos mostró el panorama completo. Mientras que el Reino Unido utilizó un gran programa de genómica para secuenciar casi 3 millones de genomas de coronavirus, muchos países secuenciaron unos pocos miles en total, algunos menos de cien.
Disparidades como esta son comunes. En muchos lugares, sobre una variedad de temas, muchos datos no se miden o se pierden: la prevalencia de enfermedades mentales, el PIB nacional e incluso registros de muertes y sus causas. En cambio, tiene que ser estimado con rangos amplios.
Es difícil y costoso para los pequeños grupos de investigación recopilar datos por su cuenta, por lo que tienden a recopilar lo que es conveniente en lugar de completo. Por ejemplo, en psicología, la investigación es a menudo «EXTRAÑA» y proviene de participantes que son blancos, educados, industrializados, ricos y demócratas. En la historia, los datos provienen de cualquier lugar donde los registros sean comunes; en economía, donde las empresas han registrado cuentas detalladas de sus ingresos y gastos.
Diferentes investigadores miden los mismos datos de diferentes maneras. Algunas personas son contactadas por múltiples grupos de investigación que analizan las mismas preguntas, mientras que otras pasan desapercibidas.
Sin datos que se miden de forma estándar, es difícil responder preguntas sobre si las cosas son diferentes y por qué podrían ser esas diferencias. Por ejemplo, ¿la ansiedad es más común en los países más ricos o es más probable que se detecte? Dado que la condición no se diagnostica en muchos países y las encuestas son raras, no tenemos una respuesta clara.
Esto nos indica una forma de acelerar la ciencia: las grandes instituciones, como los gobiernos y las organizaciones internacionales, deben recopilar y compartir datos de forma rutinaria en lugar de dejar la carga a pequeños grupos de investigación. Es un ejemplo clásico de «economías de escala», donde las organizaciones más grandes pueden usar sus recursos para construir las herramientas para medir, compartir y mantener datos de manera más fácil y económica, y a una escala que los grupos más pequeños no pueden.