Brownstone » Artículos del Instituto Brownstone » Los confinamientos no salvaron vidas

Los confinamientos no salvaron vidas

COMPARTIR | IMPRIMIR | EMAIL

Los EE. UU. y sus 50 jurisdicciones estatales brindan un experimento natural para probar si el exceso de muertes por cualquier causa se puede atribuir directamente a la implementación de los cambios estructurales sociales y económicos a gran escala inducidos por ordenar cierres de población general.

Diez estados no impusieron medidas de confinamiento y hay 38 pares de estados con o sin confinamiento que comparten una frontera terrestre. Encontramos que la imposición regulatoria y el cumplimiento de las órdenes de quedarse en casa o quedarse en casa en todo el estado se correlacionan de manera concluyente con una mayor mortalidad per cápita corregida por el estado de salud por todas las causas por estado. Este resultado es inconsistente con la hipótesis de que los bloqueos salvaron vidas.

Introducción

El 11 de marzo de 2020, la Organización Mundial de la Salud declaró una pandemia basada en un brote informado en Wuhan, China, de COVID-19 (en adelante, COVID), la enfermedad respiratoria supuestamente causada por el virus SARS-CoV-2. El 13 de marzo de 2020 se declaró una emergencia nacional en los Estados Unidos por el brote de COVID-19. En los EE. UU., esta declaración dio lugar a un conjunto heterogéneo de respuestas de las autoridades sanitarias y funcionarios gubernamentales de varios estados. Entre esas variadas respuestas de políticas estatales, la mayoría de los estados emitieron órdenes de quedarse en casa o quedarse en casa en marzo y abril de 2020 (en lo sucesivo, "cierres"). 

El motivo de estas medidas de confinamiento fue frenar la propagación de la COVID-19 limitando las interacciones sociales, bajo el supuesto de que la enfermedad se propaga por contacto de persona a persona. Sin embargo, debido a la independencia del gobierno estatal en los EE. UU., las medidas de bloqueo tuvieron una amplia gama de implementación y cumplimiento, y algunos estados renunciaron a los bloqueos por completo. 

Estas diferencias en las decisiones estatales de bloquear o no establecer un experimento útil para probar la hipótesis de que los bloqueos salvaron vidas. Esta hipótesis predice que debería haber habido menos muertes (per cápita) en los estados que implementaron bloqueos y más muertes en los estados que no lo hicieron, después de ajustar las diferencias en el estado de salud de las poblaciones estatales, si se supone que todos los demás factores tienen menor impacto. Los datos disponibles para probar estas predicciones se pueden encontrar en la mortalidad por todas las causas (ACM) por tiempo y por estado, informada por los CDC.

Como han demostrado otros investigadores (por ejemplo, Rancourt, Baudin y Mercier 2021), ACM elude el difícil tema de la asignación de la causa de la muerte, que es de naturaleza política y, como resultado, susceptible de sesgo (por ejemplo, Ealy et al. 2020). Rara vez se conoce la causa dominante correcta de muerte en el caso de enfermedades respiratorias, y la muerte normalmente no es monocausal. 

La ventaja de analizar ACM es que las muertes en los EE. UU. se registran con alta fidelidad (sin sesgo de notificación ni notificación insuficiente). Una vez registrada, una muerte es una muerte, independientemente de cómo se asigne la causa en el certificado de defunción. Si los bloqueos son efectivos para prevenir muertes debido a la propagación de una enfermedad durante una pandemia, entonces las regiones que implementaron bloqueos deberían haber experimentado menos muertes per cápita por todas las causas, si no hay factores de confusión predominantes.

información y metodología

Nuestro objetivo es evaluar la eficacia de los confinamientos para salvar vidas durante la era del COVID comparando el número total de muertes por todas las causas en pares de estados: un estado con confinamiento y un estado sin confinamiento que comparte frontera con el confinamiento estado. También examinamos los estados de bloqueo que no comparten una frontera con ningún estado sin bloqueo, para que estén completos.

Identificamos los estados que no están bloqueados al examinar las órdenes administrativas y ejecutivas emitidas entre marzo y abril de 2020 por los gobiernos estatales en respuesta a las declaraciones de pandemia de la OMS y de los gobiernos federal y estatal. La mayoría de estos pedidos se han archivado en el sitio web. Ballotpedia.comy localizamos los pedidos para los cuales los enlaces ya no eran válidos al buscar en los sitios web del gobierno estatal. Asignamos un puntaje de "rigurosidad" a cada orden ejecutiva según el lenguaje de la orden de cierre para los ciudadanos del estado:

Ordenado/obligado: 3
Dirigida: 2
Sugerido/alentado: 1
Sin orden: 0

Descubrimos que había siete (7) estados que tenían puntajes de 0 porque no emitieron órdenes de quedarse en casa: Dakota del Norte, Dakota del Sur, Wyoming, Iowa, Oklahoma, Nebraska y Arkansas. Hubo otros tres (3) estados que obtuvieron puntajes de 1 porque los gobiernos solo sugirieron o alentaron a los ciudadanos a quedarse en casa, pero no les exigieron que lo hicieran ni proporcionaron medios para hacer cumplir la ley: Utah, Kentucky y Tennessee. 

Nuestro criterio para estados de confinamiento versus estados sin confinamiento difiere de estudios previos en su simplicidad (es decir, centrarse solo en la rigurosidad del lenguaje en las órdenes ejecutivas). Pero nuestra lista resultante de estados sin bloqueo incluye los siete estados enumerados como sin bloqueo en Conscienciopedia, e incluye los cuatro estados sin bloqueo identificados por el estudio patrocinado por los CDC de Moreland et al. (2020)

Comparamos los resultados de estos diez estados sin bloqueo con los estados bloqueados que comparten una frontera, bajo el supuesto de que las fronteras estatales no impiden la propagación viral. En este estudio, nos enfocamos en la mortalidad total por todas las causas (ACM) durante un período de tiempo específico como la métrica de la eficacia del confinamiento. Usamos tres períodos de tiempo como se describe a continuación. 

Descargamos archivos de valores separados por comas (csv) que contienen ACM por semana para cada estado de la Sitio web de CDC Wonder. Dividimos los datos semanales de ACM para cada estado por la población de ese estado (Censo de Estados Unidos, 1 de abril de 2020), dando como resultado el número de muertes per cápita, por semana (Dordenador personal). A lo largo de este informe expresamos Dordenador personal como el número de muertes por cada 10,000 habitantes. 

Es necesario un paso de corrección adicional para permitir comparaciones precisas de mortalidad estado por estado. Las diferencias en las distribuciones de edad, las tasas de obesidad, los niveles de pobreza, las tasas de discapacidad física y mental y otros determinantes de la salud conducirán a diferencias intrínsecas en Dordenador personal en varios estados. Estas diferencias se manifiestan colectivamente en un desplazamiento en Dordenador personal visto durante años sin pandemia (antes de 2020). 

Por ejemplo, la Figura 1 muestra una comparación de la Dordenador personal entre Nueva York y Florida durante los años 2014-2020. Al igual que con todas las comparaciones estatales, Nueva York y Florida tienen variaciones temporales notablemente similares en Dordenador personal de semana a semana y de año a año, pero también tienen una compensación clara y casi constante. 

Corregimos este desplazamiento calculando un factor Hestado, que es el valor mediano de la relación de D de un estadoordenador personal y la Dordenador personal de un estado de referencia desde el 1 de enero de 2014 hasta el 31 de diciembre de 2020. Elegimos Nueva York como estado de referencia para calcular Hestado. Esta elección de estado de referencia es arbitraria, pero la gran población de Nueva York significa que, en la mayoría de los casos, el error en Hestado está dominado por errores de Poisson en la Dordenador personal del estado de interés. 

En el ejemplo que se muestra en la Figura 1, el factor de corrección del estado de salud de Florida es Hestado = 0.537, lo que indica que Nueva York experimentó un 53.7 % menos de Dordenador personal que Florida en los años 2014 a 2020, probablemente debido en parte a la población de mayor edad en Florida. Para cada comparación estatal de Dordenador personal adoptamos esta proporción como un factor de corrección para llevar el par de estados a la misma escala, lo que permite una comparación de la mortalidad corregida por el estado de salud durante el período de la pandemia. 

Este factor de corrección del estado de salud se justifica ya que estamos realizando una comparación diferencial entre estados con y sin confinamientos. Estamos preguntando: "Después de la promulgación de medidas de bloqueo, ¿cuál es la diferencia fraccionaria entre el ACM per cápita ajustado en cada par de estados?" Esto supone que después de eliminar las diferencias en el estado de salud de las poblaciones de los estados vecinos, el mayor efecto en el ACM per cápita ajustado fue la promulgación de un cierre. Esta suposición se justifica dado que se espera que los cierres provoquen trastornos masivos en las economías nacionales y regionales, los sistemas de salud y el tejido social en general.

Figura 1 y XNUMX

Figura 1: Las muertes per cápita, por semana (Dordenador personal) en Florida (azul) y Nueva York (rojo). El panel de la izquierda muestra el desplazamiento en Dordenador personal, que atribuimos a las diferencias en el estado de salud de la población de cada estado (estructura de edad, nivel de pobreza, tasa de obesidad, etc.). El panel de la derecha muestra la D corregidaordenador personal, lo que permite una comparación diferencial entre estos dos estados a partir de 2020.

Para cuantificar el efecto de los bloqueos en la mortalidad durante el período de COVID, calculamos las muertes integradas (totales) corregidas por el estado de salud per cápita, Da , durante un período de tiempo elegido. Luego calculamos la razón de Da para cada par de estados, denotados por R (bloqueo dividido por no bloqueo). Usamos tres periodos de tiempo diferentes sobre los cuales esperamos Da , y R, para capturar los efectos de las medidas de confinamiento:

Dpequeño, 1: Suma durante el período de bloqueo del estado de bloqueo. 
Dpequeño, 2: Suma durante el período de "COVID pico 1" (cp1) según lo identificado por Rancourt et al. (2021; semana 11 a semana 25 de 2020)
Dpequeño, 3: Suma de todo el período del 11 de marzo de 2020 al 31 de diciembre de 2021

A lo largo de este documento, informamos los intervalos de confianza del 95% para nuestras tasas de mortalidad integradas, normalizadas por población y corregidas por el estado de salud para cada comparación por pares de estados bloqueados y no bloqueados, y para el per cápita integrado corregido por el estado de salud. mortalidades que reportamos. Estos intervalos de confianza se calculan bajo el supuesto de que la principal fuente de error proviene de las estadísticas de conteo.

Resultados

Nuestros resultados se resumen en las siguientes figuras. 

En las Figuras 2, 3 y 4, el eje Y enumera los 38 pares de estados con bloqueo/sin bloqueo utilizados para comparar los resultados de mortalidad, con el estado con bloqueo en primer lugar, seguido del estado sin bloqueo. Los puntos azules muestran la estimación puntual de la relación, R, y las barras de error asociadas muestran el intervalo de confianza del 95 %; la línea discontinua vertical marca la unidad. Los valores a la izquierda de la línea vertical indican instancias en las que el estado de confinamiento experimentó menos muertes per cápita corregidas por el estado de salud que el estado sin confinamiento. Los valores a la derecha de la línea indican que el estado de confinamiento experimentó más muertes per cápita corregidas por el estado de salud que el estado sin confinamiento.

Figura 2 y XNUMX

Figura 2: La relación ACM per cápita ajustada al estado de salud (R) para cada par de estados vecinos enumerados en el eje y. La proporción se basa en la suma de todas las muertes en cada estado durante el período de tiempo correspondiente al pico de COVID (3/11/2020 - 6/24/2020). Las barras de error muestran el intervalo de confianza del 95 % para la relación de cada par. Las proporciones a la izquierda de la línea vertical indican que ocurrieron menos muertes en el estado de confinamiento que en el estado sin confinamiento, mientras que las proporciones a la derecha de la línea vertical indican que los estados con confinamiento experimentaron más muertes.

Figura 3 y XNUMX

Figura 3: La relación ACM per cápita ajustada al estado de salud (R) para cada par de estados vecinos enumerados en el eje y. La proporción se basa en la suma de todas las muertes en cada estado durante el período de tiempo correspondiente a la duración del confinamiento del estado de confinamiento. Las barras de error muestran el intervalo de confianza del 95 % para la relación de cada par. Las proporciones a la izquierda de la línea vertical indican que ocurrieron menos muertes en el estado de confinamiento que en el estado sin confinamiento, mientras que las proporciones a la derecha de la línea vertical indican que los estados con confinamiento experimentaron más muertes.

Figura 4 y XNUMX

Figura 4: La relación ACM per cápita ajustada al estado de salud (R) para cada par de estados vecinos enumerados en el eje y. La proporción se basa en la suma de todas las muertes en cada estado durante la "Era COVID" completa en nuestro conjunto de datos (11 de marzo de 2020 - 25 de enero de 2022). Las barras de error muestran el intervalo de confianza del 95 % para la relación de cada par. Las proporciones a la izquierda de la línea vertical indican que ocurrieron menos muertes en el estado de confinamiento que en el estado sin confinamiento, mientras que las proporciones a la derecha de la línea vertical indican que los estados con confinamiento experimentaron más muertes.

Si los bloqueos salvaran vidas, entonces esperaríamos que la mayoría de las proporciones de ACM (R) fueran menos de uno. En cambio, vemos lo contrario. Para los tres períodos de integración, la mayoría de las razones son mayores que uno. Para el período cp1 (bloqueo, completo), 28 (28, 21) pares tienen proporciones de ACM (R) mayores que uno, mientras que 0 (0, 9) pares tienen proporciones menores que uno, y los 10 restantes (10, 8) los pares tienen R indistinguible de la unidad al 95% de confianza. 

Por lo tanto, nuestro análisis de los valores de R para tres períodos de tiempo durante los cuales se espera que los bloqueos tengan un efecto muestra que los datos de ACM de los últimos dos años son inconsistentes con la hipótesis de que los bloqueos salvaron vidas. Por otro lado, nuestros resultados son consistentes con la conclusión de Rancourt et al. (2021) que el exceso de muertes en el período COVID en los EE. UU. es causado por el gobierno y las medidas médicas y las respuestas a la pandemia declarada.

La Figura 4 muestra las muertes per cápita integradas corregidas por estado de salud para el período de 15 semanas "COVID pico 1" (cp1; semanas 11 a 25 de 2020) para todos los estados individualmente (rojo) y para la misma integración de 15 semanas ventana en 2019 (azul) y 2018 (verde). Aquí, los estados están ordenados, de arriba a abajo, en orden decreciente de densidad de población estatal promedio, que a menudo se supone que es un factor en la propagación de una enfermedad contagiosa. Los nombres de estado en magenta corresponden a nuestros diez estados sin bloqueo que tienen puntajes de rigurosidad de bloqueo de 0 o 1. Los nombres de estado en cian son los estados bloqueados que comparten una frontera con un estado sin bloqueo, que usamos en nuestro cálculo de R . 

Los valores de la mortalidad por todas las causas integrada corregida por el estado de salud en los períodos "cp15" de 1 semanas de 2019 y 2018 están estrictamente restringidos para todos los estados a un valor de aproximadamente 14 muertes por cada 10,000 (Figura 5), ​​mientras que los valores correspondientes en el período de COVID son muy diferentes de un estado a otro, desde el valor de referencia de 2019 hasta un máximo de 25 por 10,000 para Nueva Jersey, y suelen ser tan grandes como 15 a 21 por 10,000. Los estados sin bloqueo tienen nombres en el eje y de color magenta, mientras que los estados de bloqueo utilizados como nuestros comparandos en el cálculo de R son de color cian. 

La Figura 5 muestra que la mayoría de nuestros diez estados sin bloqueo tienen una mortalidad por todas las causas integrada corregida por el estado de salud en el cp15 de 1 semanas en el valor de referencia anterior a COVID (2018 y 2019) de aproximadamente 14 por 10,000, mientras que la mayoría de los estados con puntajes de rigurosidad de bloqueo de 2 y 3 tienen tasas de mortalidad muy por encima de los valores de referencia anteriores a COVID.

Figura 5 y XNUMX

Figura 5: ACM integrado corregido por estado de salud durante el período cp1 (11 de marzo al 29 de junio de 2020; rojo) en comparación con el mismo período de 2019 (azul) y 2018 (green). Estados ordenados de arriba a abajo en densidad de población decreciente. magenta indica estados de no bloqueo mientras cian denota estados de bloqueo que comparten una frontera con estados que no están bloqueados.

Si bien una estimación precisa del exceso de mortalidad debido a los cierres está más allá del alcance de este documento, podemos hacer una estimación aproximada basada en la Figura 5. Los tres estados más poblados (California, Texas, Florida) tienen aumentos del período COVID por encima de la línea de base de aproximadamente 1 por 10,000. Sobre la base de un año calendario (52 semanas), y para una población igual a la de todo EE. UU., esto correspondería a aproximadamente 110,000 muertes, que podrían atribuirse directamente a los impactos de ordenar bloqueos y que no se habrían producido si no se habían implementado bloqueos. Este valor es consistente con la estimación del exceso de mortalidad por confinamiento de 97,000/año por Mulligan y Arnot (2022). 

Discusión y conclusión

El uso de bloqueos para “poner en cuarentena” a la población general de los Estados Unidos a fin de controlar la propagación de una enfermedad infecciosa no tiene precedentes en la historia de la nación. Durante pandemias anteriores, solo los enfermos y enfermos estaban en cuarentena, mientras que el resto de la población continuaba más o menos con normalidad. 

Este enfoque de “protección enfocada” fue recomendado por profesionales médicos en el Gran Declaración de Barrington en 2020, demostrando que existían alternativas a los cierres y que la comunidad médica las entendía bien. Recientemente, en 2019, la Organización Mundial de la Salud abogó por un enfoque similar en sus recomendaciones para mitigar los riesgos de una pandemia de influenza sin mencionar las medidas de confinamiento para la población en general (QUIEN 2019). De hecho, el informe de la OMS establece específicamente que poner en cuarentena a las personas expuestas "no se recomienda porque no existe una justificación obvia para esta medida" (consulte las Tablas 1 y 4). Del mismo modo, el Plan de acción de preparación para una pandemia de influenza para los Estados Unidos no menciona los cierres y afirma que "... las medidas clásicas diseñadas para reducir el riesgo de introducción y transmisión de algunos agentes infecciosos, como la detección clínica y la cuarentena en los puertos de entrada, probablemente no sean efectivas" (Strikas et al. 2002). 

En su revisión de la literatura disponible sobre las intervenciones en una pandemia de influenza, Inglesby et al. (2006) recomendar explícitamente contra las medidas de cuarentena en el caso de una pandemia de influenza, tanto para las personas enfermas como para las sanas, porque se espera que los costos sociales superen con creces los beneficios. Concluyeron: “[E]xperiencia ha demostrado que las comunidades que enfrentan epidemias u otros eventos adversos responden mejor y con menos ansiedad cuando el funcionamiento social normal de la comunidad se ve menos interrumpido”. Estas recomendaciones se extienden más allá de la preparación y respuesta a las pandemias de influenza. En un informe titulado Preparación para una pandemia de patógenos respiratorios de alto impacto, los autores concluyen que la cuarentena se encuentra entre las medidas no farmacéuticas menos eficaces para contener la propagación de enfermedades (Centro Johns Hopkins para la Seguridad de la Salud 2019).

Por lo tanto, las medidas de bloqueo implementadas en 2020 por la mayoría de los estados de EE. UU., así como por muchos países del mundo, representaron un experimento a gran escala sin precedentes en el control de enfermedades infecciosas. Los datos de mortalidad por todas las causas que hemos analizado nos permiten probar la hipótesis de que los bloqueos salvaron vidas durante la pandemia de COVID. Encontramos que estos datos son inconsistentes con esta hipótesis; los estados con bloqueos experimentaron más muertes por todas las causas que los estados vecinos sin bloqueos. Por lo tanto, concluimos que este experimento fue un fracaso de la política de salud pública y que las medidas de bloqueo no deben usarse durante futuros brotes de enfermedades. 

Nuestro hallazgo de que la mortalidad por todas las causas aumentó en los estados con bloqueos es consistente con las conclusiones de Agrawal et al. (2021), quienes encontraron aumentos estadísticamente significativos en el exceso de mortalidad debido a las órdenes de refugio en el lugar en los EE. UU. y en 43 países. Similarmente, Mulligan y Arnot (2022) estiman que hubo un exceso de muertes por confinamiento de 97,000 XNUMX/año, con un exceso de mortalidad distribuido por igual entre todos los grupos de edad de adultos, a diferencia de las muertes por COVID, que se atribuyeron más comúnmente a los ancianos.

Dada la fuerte asociación entre las imposiciones de bloqueo de la población general y el aumento de la mortalidad por todas las causas, demostrada anteriormente (Figuras 2-5), es apropiado aventurar hipótesis sobre la causa o causas de esta asociación. 

Obviamente, los estadounidenses privilegiados de las clases media alta y profesional no murieron por quedarse en casa. Sin embargo, no es descabellado postular que las normas y órdenes de confinamiento de la población en general son, no obstante, indicadores indirectos o legales del grado de agresividad (incluido el abandono) con el que las instituciones sociales del estado respondieron o reaccionaron ante la pandemia anunciada. Estas instituciones incluirían escuelas, residencias, hospitales, clínicas, servicios para discapacitados, guarderías, servicios policiales, servicios familiares y sociales, etc.

Avanzamos tentativamente en esto porque es muy probable que el exceso de muertes asociadas con los bloqueos provenga de grupos de personas con un riesgo particularmente alto de sufrir consecuencias fatales debido a interrupciones grandes y negativas en sus vidas y redes de apoyo. Esto será cierto independientemente de la causa mecánica real de la muerte, dada la asociación conocida entre el estrés experimentado y el aislamiento social y la gravedad y mortalidad de la enfermedad, a través del impacto en el sistema inmunológico (Ader y Cohen 1993; Cohen et al. 1991; Cohen et al. 1997; Cohen et al. 2007; Sapolski 2005; Prenderville et al., 2015; Dhabhar 2014; Rancourt et al. 2021). De hecho, existe amplia evidencia de que los bloqueos están asociados con grandes aumentos en desempleo y un empeoramiento general de la salud mental (por ejemplo, Jewell y col. 2020, Czeisler et al. 2020). 

Los datos de ACM disponibles a través del sitio web CDC Wonder no están desglosados ​​por estado ni por datos demográficos, por lo que no pudimos examinar qué grupos demográficos estaban muriendo y cómo estaban muriendo en cada estado. Sin embargo, la información demográfica está disponible a nivel nacional, y Mulligan y Arnot (2022) encontraron grandes aumentos en el exceso de mortalidad entre personas de 18 a 65 años, que es un grupo demográfico que no estaba en alto riesgo de COVID. 

De manera similar, los Rancourt et al. (2021) encontraron que la distribución temporal y espacial de la mortalidad por todas las causas en el período pandémico es inconsistente con los efectos de una enfermedad respiratoria viral. Encontraron evidencia de que muchas muertes en exceso durante la pandemia fueron infecciones de neumonía bacteriana mal diagnosticadas, probablemente exacerbadas por interrupciones en el sistema de salud de EE. UU.

Por lo tanto, existe una fuerte evidencia que respalda la hipótesis de que los bloqueos generaron una carga de estrés repentina y severa en la demografía vulnerable en los EE. UU., lo que provocó un aumento significativo de muertes en aquellos estados que utilizaron los bloqueos como medidas de control de enfermedades.

Este resumen está extraído de la estudio más amplio de los autores.



Publicado bajo un Licencia de Creative Commons Atribución Internacional
Para reimpresiones, vuelva a establecer el enlace canónico en el original Instituto Brownstone Artículo y Autor.

Escritores

  • John Johnson

    John Johnson es profesor de astronomía en el Centro de Astrofísica | Harvard y Smithsonian. El historial de investigación de John incluye la detección y observación de exoplanetas, la recopilación de datos y el diseño y construcción de instrumentos utilizados en la búsqueda de mundos más allá de nuestro sistema solar.

    Ver todos los artículos
  • Denis Rancourt

    Denis Rancourt fue profesor de física y científico principal en la Universidad de Ottawa durante 23 años. Ahora escribe sobre medicina, COVID-19, salud individual, cambio climático, geopolítica, derechos civiles, teoría política y sociología. Denis ha escrito más de 100 artículos en revistas revisadas por pares en áreas técnicas de ciencia y tecnología.

    Ver todos los artículos

Donaciones

Su respaldo financiero al Instituto Brownstone se destina a apoyar a escritores, abogados, científicos, economistas y otras personas valientes que han sido expulsadas y desplazadas profesionalmente durante la agitación de nuestros tiempos. Usted puede ayudar a sacar a la luz la verdad a través de su trabajo continuo.

Suscríbase a Brownstone para más noticias


Comprar piedra rojiza

Manténgase informado con Brownstone Institute