Desarrollan una herramienta para predecir la gravedad del Covid

Con el aumento de casos y la proximidad del invierno, existe una necesidad urgente de modelos fiables que predigan el curso probable de la pandemia de Covid-19, para respaldar las decisiones sobre protección, ingreso hospitalario, tratamiento y vacunaciones.
Un grupo de investigadores liderados por la profesora J Hippisley-Cox de la Universidad de Oxford, Reino Unido, han presentado una herramienta de predicción de riesgos (conocida como QCOVID) que utiliza información disponible sobre las personas, como su edad, origen étnico y si tienen ciertas afecciones preexistentes (comorbilidades) para ayudar a identificar a las personas con mayor riesgo de desarrollar una enfermedad grave. Está diseñado para ser aplicado en la población adulta general de Reino Unido.
Según explican los investigadores en una artículo publicado en The British Medical Journal, La herramienta proporciona información detallada sobre el riesgo de las personas de sufrir una enfermedad grave debido al Covid-19 y está diseñada para que los médicos la utilicen con los pacientes para alcanzar un entendimiento compartido del riesgo.
La herramienta deberá actualizarse periódicamente a medida que evolucione la pandemia y su desempeño se supervise de cerca. Se han desarrollado algunos modelos previos de predicción de riesgos y se ha identificado que tienen un alto riesgo de sesgo, lo que genera preocupaciones de que estos modelos pueden no ser confiables cuando se aplican en la práctica.
El grupo de investigación de todo el Reino Unido se propuso desarrollar y validar un modelo de predicción basado en la población para estimar los riesgos generales de infectarse y, posteriormente, ser admitido en el hospital o morir a causa del Covid-19. Se tomaron medidas para mitigar las fuentes conocidas de sesgo.


Deja un Comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

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


Cover Art
0:00 0:00