– “La mayoría de los lugares tienen probablemente una tasa de letalidad de la infección inferior al 0,20% y, con medidas no farmacológicas adecuadas y precisas que traten de proteger selectivamente a las poblaciones y entornos vulnerables de alto riesgo, la tasa de letalidad de la infección puede reducirse aún más.”
– “Más de 500 millones de personas han sido infectadas a partir del 12 de septiembre de 2020, mucho más que los aproximadamente 29 millones de casos documentados confirmados por laboratorio”
CONTRARRELATO
John P. Ioannidis era, antes del 2020, uno de los científicos más prestigiosos y citados de la tierra. Desde marzo de 2020 ha sido uno de los críticos más lúcidos de las medidas y políticas implementadas en todo el mundo en relación a la crisis del virus de la corona. Debido a esa postura, fue (y es) llamado “negacionista” y cancelado por sus afirmaciones. Se le intentó enchastrar acusándolo en twitter, de modo totalmente infundado, de haberse sometido a prácticas contrarias a la ciencia para defender su postura inicial. Sin embargo, es quizá el científico individual que con más éxito ha desautorizado errores y falsedades divulgadas inicialmente. Finalmente, la propia OMS ha debido reconocer la solidez de las afirmaciones de Ioannidis, y en octubre ha aceptado y publicado en el propio Boletín de la Organización Mundial de la Salud su estudio -por el momento definitivo- sobre una de las variables esenciales: la IFR (Infection Fatality Rate), Tasa de Letalidad por Infectado con el virus SARS-CoV-2. ¿Cuántas personas que contraen el virus morirán por ello? Ioannidis siempre afirmó que esa letalidad era bajísima, y ahora su estudio lo prueba. Y la respuesta es que llega a un máximo de sólo 0.2% de los infectados. La falta de voluntad de los grandes medios de poner esta cifra en el centro de la escena, la “cancelación” de Ioannidis producida por la patota virtual en el organismo censurador llamado Twitter, y la insistente negación de esta realidad por parte de la ortodoxia Covid no son más que testimonios de la debilidad de esa ortodoxia. Con ustedes, el estudio de John Ioannidis, ahora oficialmente avalado por la propia OMS.
Por John P. Ioannidis
a. Meta-Research Innovation Center at Stanford (METRICS), Stanford University, 1265 Welch Road, Stanford, California 94305, United States of America.
Correspondencia a John P A Ioannidis (email: jioannid@stanford.edu). (Submitted: 13 May 2020 – Versión Revisada recibida: 13 Septiembre 2020 – Aceptado: 15 Septiembre 2020 – Publicado online: 14 Octubre 2020.) Bulletin of the World Health Organization 2021;99:19-33F. doi: http://dx.doi.org/10.2471/BLT.20.265892
Introducción
La tasa de letalidad de la infección, la probabilidad de morir de una persona infectada, es una de las características más importantes de la pandemia de la enfermedad por coronavirus 2019 (COVID-19). La carga de mortalidad total prevista de COVID-19 está directamente relacionada con la tasa de letalidad de la infección. Además, la justificación de diversas intervenciones de salud pública no farmacológicas depende de la tasa de letalidad de la infección. Si la tasa de mortalidad por infección es alta, pueden considerarse apropiadas algunas intervenciones estrictas que potencialmente también provocan daños colaterales más notables[1]. Por el contrario, las mismas medidas pueden no alcanzar los umbrales de riesgo-beneficio aceptables, si la tasa de letalidad de la infección es baja.
Los primeros datos de China sugerían una tasa de letalidad del 3,4%[2] y que las infecciones asintomáticas eran poco frecuentes[3], por lo que la tasa de letalidad y la tasa de letalidad de la infección serían aproximadamente las mismas. Los modelos matemáticos han sugerido que entre el 40 y el 81% de la población mundial podría estar infectada,[4 , 5] y han rebajado la tasa de letalidad de la infección al 1,0% o al 0,9%.[5 , 6] Desde marzo de 2020, muchos estudios han estimado la propagación del virus causante del COVID-19 -el coronavirus del síndrome respiratorio agudo severo 2 (SARS- CoV-2)- en varios lugares evaluando la seroprevalencia. Utilicé los datos de prevalencia de estos estudios para inferir estimaciones de la tasa de letalidad de la infección por COVID-19.
Métodos
Estudios de seroprevalencia
Los datos de entrada para los cálculos de la tasa de letalidad de la infección fueron los estudios sobre la seroprevalencia de COVID-19 realizados en la población general, o en muestras que podrían representar aproximadamente a la población general (por ejemplo, con una reponderación adecuada), que habían sido publicados en revistas revisadas por pares o como preprints (independientemente del idioma) a partir del 9 de septiembre de 2020. Sólo consideré los estudios con al menos 500 muestras evaluadas, ya que los conjuntos de datos más pequeños darían lugar a una gran incertidumbre para cualquier cálculo basado en estos datos. Incluí los estudios que hicieron evaluaciones de seroprevalencia en diferentes intervalos de tiempo si al menos una evaluación de intervalo de tiempo tenía un tamaño de muestra de al menos 500 participantes. Si había diferentes intervalos de tiempo elegibles, seleccioné el que tenía la mayor seroprevalencia, ya que la seroprevalencia puede disminuir con el tiempo a medida que los anticuerpos disminuyen. Excluí los estudios con datos recogidos durante más de un mes que no pudieran dividirse en al menos un intervalo de tiempo elegible de menos de un mes de duración porque no sería posible estimar una seroprevalencia puntual de forma fiable. Los estudios fueron elegibles independientemente del rango de edad exacto de los participantes incluidos, pero excluí los estudios con sólo niños.
También examiné los resultados de los estudios nacionales a partir de comunicados de prensa e informes preliminares siempre que un país no tuviera otros datos presentados en documentos publicados o preimpresos. Esta inclusión permitió que estos países estuvieran representados, pero la información fue menos completa que la de los artículos publicados o los preprints y, por lo tanto, requiere precaución.
Incluí estudios sobre donantes de sangre, aunque pueden subestimar la seroprevalencia y sobreestimar la tasa de mortalidad por infección debido al efecto de los voluntarios sanos. Excluí los estudios sobre trabajadores sanitarios, ya que este grupo tiene un riesgo de exposición potencialmente alto, lo que puede dar lugar a estimaciones de seroprevalencia muy superiores a las de la población general y, por tanto, a una tasa de mortalidad por infección improbablemente baja. Del mismo modo, también se excluyeron los estudios sobre comunidades (por ejemplo, albergues o comunidades religiosas o de otro tipo de vida compartida). Los estudios fueron elegibles independientemente de si pretendían evaluar la seroprevalencia en regiones grandes o pequeñas, siempre que la población de referencia en la región fuera de al menos 5.000 personas.
Busqué en PubMed® (LitCOVID), y en medRxiv, bioRxiv y Research Square utilizando los términos “seroprevalence” O “antibodies” con actualizaciones continuas. Hice la primera búsqueda a principios de mayo y realicé actualizaciones mensuales, con la última actualización el 9 de septiembre de 2020. Me puse en contacto con expertos en la materia para recuperar cualquier estudio importante que pudiera haberse perdido.
De cada estudio, extraje información sobre la ubicación, la estrategia de reclutamiento y muestreo, las fechas de recogida de muestras, el tamaño de la muestra, los tipos de anticuerpos medidos (inmunoglobulina G (IgG), IgM e IgA), la seroprevalencia bruta estimada (muestras positivas divididas por todas las muestras analizadas), la seroprevalencia ajustada y los factores que los autores consideraron para el ajuste.
Tasa de letalidad inferida de la infección
Si un estudio no abarcaba un país entero, recopilé información sobre la población del lugar en cuestión a partir del documento o de los datos del censo reciente para aproximar en lo posible la zona de captación pertinente (por ejemplo, región(es) o condado(s)). Algunos estudios se centraron en grupos de edad específicos (por ejemplo, excluyendo a las personas mayores y/o excluyendo a los niños) y algunos estimaron el número de personas infectadas en la población basándose en grupos de edad específicos. En aras de la coherencia, utilicé toda la población (todas las edades) y, por separado, la población de 0 a 70 años para estimar el número de personas infectadas. Supuse que la seroprevalencia sería similar en los distintos grupos de edad, pero también registré cualquier diferencia significativa en la seroprevalencia entre los estratos de edad para examinar la validez de esta suposición.
Calculé el número de personas infectadas multiplicando el tamaño de la población correspondiente y la estimación ajustada de la seroprevalencia. Si un estudio no ofrecía una estimación de seroprevalencia ajustada, se utilizaba la seroprevalencia no ajustada. Cuando se disponía de estimaciones de seroprevalencia con diferentes ajustes, seleccioné el análisis con mayor ajuste. Los factores ajustados incluyeron el rendimiento de la prueba COVID-19, el diseño del muestreo y otros factores como la edad, el sexo, los efectos de agrupación o los factores socioeconómicos. No ajusté por la especificidad en el rendimiento de la prueba cuando los resultados positivos de anticuerpos ya estaban validados por un método diferente.
Para el número de muertes por COVID-19, elegí el número de muertes acumuladas hasta la fecha 1 semana después de la mitad del periodo de estudio (o la fecha más cercana a ésta que tuviera datos disponibles) – a menos que los autores del estudio tuvieran argumentos de peso para elegir algún otro punto de tiempo o enfoque. El desfase de 1 semana tiene en cuenta los diferentes retrasos en el desarrollo de anticuerpos frente a la muerte por infección. El número de muertes es una aproximación porque no se sabe cuándo se infectó exactamente cada paciente que murió. El corte de 1 semana después del punto medio del estudio puede subestimar las muertes en lugares donde los pacientes están en el hospital durante mucho tiempo antes de morir, y puede sobreestimar las muertes en lugares donde los pacientes mueren pronto debido a una atención deficiente o incluso inadecuada. El hecho de que el sistema sanitario se sobrecargue o no puede afectar al número de muertes. Además, debido a la documentación imperfecta de los diagnósticos, las muertes por COVID-19 pueden haber sido contadas tanto en exceso como en defecto en diferentes lugares y en diferentes momentos.
Calculé la tasa de letalidad inferida de la infección dividiendo el número de muertes por el número de personas infectadas para toda la población, y por separado para las personas menores de 70 años. Tomé la proporción de muertes por COVID-19 que se produjeron en personas menores de 70 años de los informes de situación para las respectivas localidades que recuperé en el momento en que identifiqué los estudios de seroprevalencia. También calculé una tasa de letalidad de la infección corregida para intentar tener en cuenta el hecho de que sólo se hubieran utilizado uno o dos tipos de anticuerpos (entre IgG, IgM, IgA). Corregí la seroprevalencia al alza (y la tasa de mortalidad por infección inferida a la baja) en una décima parte de su valor si un estudio no medía IgM y, de forma similar, si no se medía IgA. Esta corrección es razonable en base a algunas evidencias tempranas,[7] aunque existe incertidumbre sobre el factor de corrección exacto.
Síntesis de datos
Las estimaciones de la tasa de letalidad de la infección en todas las localizaciones mostraron una gran heterogeneidad, con una I2 superior al 99,9%; por lo tanto, sería inadecuado realizar un metanálisis en todas las localizaciones. La síntesis cuantitativa con meta-análisis en todas las localizaciones también sería engañosa ya que las localizaciones con alta seroprevalencia de COVID-19 tenderían a tener más peso que las localizaciones con baja seroprevalencia. Además, los lugares con más estudios (normalmente los que han atraído más atención debido a las altas tasas de mortalidad y, por tanto, a las altas tasas de mortalidad por infección) estarían representados varias veces en los cálculos. Además, los estudios mal realizados y con menos ajustes tendrían más peso debido a que los intervalos de confianza son espuriamente más estrechos que los estudios más rigurosos con ajustes más cuidadosos que permiten una mayor incertidumbre. Por último, con una distribución muy sesgada de la tasa de mortalidad por infección y con una gran heterogeneidad entre los estudios, los modelos típicos de efectos aleatorios producirían una tasa de mortalidad por infección resumida incorrectamente alta que se aproxima a la media de las estimaciones específicas de los estudios (también fuertemente influenciada por los lugares de alta mortalidad donde se han realizado más estudios); para una distribución tan sesgada, la mediana es más apropiada.
Por lo tanto, en un primer paso, agrupé las estimaciones de la tasa de mortalidad por infección de los estudios realizados en el mismo país (o, en el caso de los Estados Unidos de América, en el mismo estado) y calculé una única tasa de mortalidad por infección para ese lugar, ponderando las tasas de mortalidad por infección específicas de los estudios por el tamaño de la muestra de cada estudio. Este enfoque evitó dar más peso de forma inapropiada a los estudios con estimaciones de seroprevalencia más altas y a los que tenían intervalos de confianza aparentemente más estrechos debido a los escasos o nulos ajustes, al tiempo que daba más peso a los estudios más grandes. A continuación, utilicé la única estimación resumida de cada lugar para calcular la mediana de la distribución de las estimaciones de la tasa de mortalidad por infección específicas de cada lugar. Por último, exploré si las tasas de letalidad de la infección específicas de cada lugar estaban asociadas con la tasa de mortalidad por COVID-19 en la población (muertes por COVID-19 por millón de personas) en cada lugar a partir del 12 de septiembre de 2020; este análisis me permitió evaluar si las estimaciones de la tasa de letalidad de la infección tendían a ser más altas en lugares con una mayor carga de muerte por COVID-19.
Resultados
Estudios de seroprevalencia
Recuperé 61 estudios con 74 estimaciones elegibles publicadas en la literatura revisada por pares o como preprints hasta el 9 de septiembre de 2020. [8 – 68] Además, consideré otras ocho estimaciones nacionales preliminares.[69 – 76] Esta búsqueda produjo un total de 82 estimaciones elegibles (Fig. 1).
respiratorio agudo severo por coronavirus 2, 2020
Los estudios variaron sustancialmente en los diseños de muestreo y reclutamiento (Tabla 1; disponible en: http://www.who.int/bulletin/volumes/99/1/20-265892). De los 61 estudios,24 estudios[8,10,16,17,20,22,25,33,34,36,37,42,46-49,52-54,57, 61,63,65,68] explícitamente se ha optado por un muestreo aleatorio de la población general. En principio, el muestreo aleatorio es un diseño más sólido. Sin embargo, incluso en ese caso, no se reclutará a las personas a las que no se puede llegar (por ejemplo, por correo electrónico o por teléfono, o incluso visitándolas en un domicilio), y es probable que se pase por alto a estas poblaciones vulnerables. Además, varios estudios de este tipo [8 , 10 , 16 , 37 , 42] se centraron en lugares geográficos con un elevado número de muertes, superior al de otros lugares de la misma ciudad o país, y este énfasis tendería a seleccionar eventualmente una tasa de mortalidad por infección más alta en promedio.
Once estudios evaluaron a los donantes de sangre,[12,15,18,24,28,31,41,44,45,55,60] que podrían subestimar la seroprevalencia de COVID-19 en la población general. Por ejemplo, 200 donantes de sangre en Oise, Francia, mostraron una seroprevalencia del 3,00%, mientras que la seroprevalencia fue del 25,87% (171/661) en alumnos, hermanos, padres, profesores y personal de un instituto con un grupo de casos en la misma zona; la verdadera seroprevalencia de la población puede estar entre estos dos valores.[13]
En otros estudios, el sesgo de los voluntarios sanos[19] puede subestimar la seroprevalencia, la atracción de personas con síntomas[26] puede sobrestimar la seroprevalencia, y los estudios de empleados,[14 , 21 , 25 , 32 , 66] clientes de tiendas de comestibles[23] o cohortes de pacientes[11,14,27-30,36,38,40,50,51,56,59,62,64,67] corren el riesgo de tener un sesgo de muestreo en una dirección no predecible.
Todos los estudios evaluaron los anticuerpos IgG, pero sólo alrededor de la mitad evaluaron también los IgM y pocos evaluaron los IgA. Sólo siete estudios evaluaron los tres tipos de anticuerpos y/o utilizaron anticuerpos pan-Ig. La proporción de personas muestreadas frente a la población total de la región fue superior a 1:1000 en 20 estudios (Tabla 2; disponible en: http://www.who.int/bulletin/volumes/99/1/20-265892).
Estimaciones de seroprevalencia
La seroprevalencia de la infección osciló entre el 0,02% y el 53,40% (58,40% en la subpoblación de los barrios bajos de Bombay; Tabla 3). Los estudios variaron considerablemente en función de si intentaron o no ajustar sus estimaciones en función del rendimiento de las pruebas, el muestreo (para acercarse a una muestra más representativa), la agrupación (por ejemplo, al incluir a los miembros del hogar) y otros factores. En ocasiones, la seroprevalencia ajustada difería sustancialmente del valor no ajustado. En los estudios que utilizaron muestras de múltiples localidades, se observó una heterogeneidad entre localidades (por ejemplo, 0,00-25,00% en 133 ciudades brasileñas).[25]
Tabla 3. Prevalencia estimada de COVID-19 y estimación del número de gente infectada, 2020
Tasa de letalidad de la infección inferida
Las estimaciones de la tasa de letalidad de la infección inferida variaron entre el 0,00% y el 1,63% (Tabla 4). Los valores corregidos también variaron considerablemente (0,00-1,54%).
Para 15 localidades, se disponía de más de una estimación de la tasa de mortalidad por infección y, por tanto, pude comparar la tasa de mortalidad por infección de diferentes estudios que evaluaban la misma localidad. Las estimaciones de la tasa de letalidad de la infección tienden a ser más homogéneas dentro de cada lugar, mientras que difieren notablemente entre lugares (Fig. 2). Dentro de un mismo lugar, las estimaciones de la tasa de mortalidad por infección tienden a tener sólo pequeñas diferencias, aunque es posible que diferentes áreas dentro del mismo lugar también tengan diferencias reales en la tasa de mortalidad por infección. Francia es una excepción en la que las diferencias son grandes, pero ambas estimaciones proceden de estudios poblacionales de brotes procedentes de escuelas y, por tanto, pueden no proporcionar buenas estimaciones de la seroprevalencia de la población y pueden conducir a una tasa de letalidad de la infección subestimada.
Notas: Las localizaciones se definen a nivel de países, excepto en el caso de los Estados Unidos de América, donde se definen a nivel de estados, y China se separa en áreas de Wuhan y no Wuhan. Se muestran las estimaciones de la tasa de mortalidad por infección corregida (corrigiendo los tipos de anticuerpos analizados).
Utilicé estimaciones resumidas ponderadas por el tamaño de la muestra para generar una única estimación para cada lugar. Se disponía de datos para 51 lugares diferentes (incluidas las tasas de mortalidad por infección inferidas a partir de las ocho estimaciones nacionales adicionales preliminares de la Tabla 5).
La mediana de la tasa de mortalidad por infección en los 51 lugares fue del 0,27% (corregida al 0,23%). La mayoría de los datos procedían de lugares con un elevado número de muertes por COVID-19 y 32 de los lugares tenían una tasa de mortalidad de la población (muertes por COVID-19 por millón de habitantes) superior a la media mundial (118 muertes por COVID-19 por millón a partir del 12 de septiembre de 2020; [79] Fig. 3). Las estimaciones no corregidas de la tasa de mortalidad por infección de COVID-19 oscilaron entre el 0,01% y el 0,67% (mediana del 0,10%) en los 19 lugares con una tasa de mortalidad de la población por COVID-19 inferior a la media mundial, y entre el 0,07% y el 0,73% (mediana del 0. 20%) en 17 lugares con una tasa de mortalidad de la población superior a la media mundial pero inferior a 500 muertes por COVID-19 por millón, y del 0,20% al 1,63% (mediana del 0,71%) en 15 lugares con más de 500 muertes por COVID-19 por millón. Las estimaciones corregidas de la mediana de la tasa de mortalidad por infección fueron de 0,09%, 0,20% y 0,57%, respectivamente, para los tres grupos de lugares.
Para las personas menores de 70 años, la tasa de letalidad de la infección por COVID-19 en los 40 lugares con datos disponibles osciló entre el 0,00% y el 0,31% (mediana del 0,05%); los valores corregidos fueron similares.
Discusión
La tasa de letalidad de la infección no es una constante física fija y puede variar sustancialmente de un lugar a otro, dependiendo de la estructura de la población, la mezcla de casos de individuos infectados y fallecidos y otros factores locales. Los estudios analizados aquí representan [82] estimaciones diferentes de la tasa de letalidad de la infección por COVID-19, pero no son totalmente representativos de todos los países y lugares del mundo. La mayoría de los estudios proceden de lugares con tasas de mortalidad por COVID-19 superiores a la media mundial. La mediana de la tasa de mortalidad por infección inferida en lugares con una tasa de mortalidad por COVID-19 inferior a la media mundial es baja (0,09%). Si se pudiera tomar una muestra equitativa de todos los lugares del mundo, la tasa mediana de mortalidad por infección podría ser incluso sustancialmente inferior al 0,23% observado en mi análisis.
COVID-19 tiene un gradiente de edad muy pronunciado para el riesgo de muerte.[80] Además, en los países europeos que han tenido un gran número de casos y muertes[81], y en los Estados Unidos[82], muchas, y en algunos casos la mayoría, de las muertes ocurrieron en residencias de ancianos. Los lugares con muchas muertes en residencias de ancianos pueden tener estimaciones elevadas de la tasa de letalidad de la infección, pero la tasa de letalidad de la infección seguiría siendo baja entre las personas no ancianas y no discapacitadas.
Dentro de China, las estimaciones de la tasa de letalidad de la infección mucho más altas en Wuhan en comparación con otras áreas del país pueden reflejar infecciones nosocomiales generalizadas,[83] así como la falta de familiaridad con el manejo de la infección al ser el primer lugar que tuvo que lidiar con COVID-19. El gran número de muertes en residencias de ancianos, las infecciones nosocomiales y los hospitales desbordados también pueden explicar el elevado número de muertes en lugares específicos de Italia[84] y Nueva York y estados vecinos.[23 , 27 , 35 , 56] Las malas decisiones (por ejemplo, enviar a los pacientes con COVID-19 a residencias de ancianos), el mal manejo (por ejemplo, la ventilación mecánica innecesaria y la hidroxicloroquina) también pueden haber contribuido a los peores resultados. Los altos niveles de congestión (por ejemplo, en sistemas de transporte público muy concurridos) también pueden haber expuesto a muchas personas a altas cargas infecciosas y, por tanto, a una enfermedad más grave. También se ha especulado con un clado viral más agresivo.[85] La tasa de letalidad de la infección puede ser muy alta entre las poblaciones desfavorecidas y en entornos con una combinación de factores que predisponen a una mayor letalidad. [37]
Las tasas de letalidad de la infección muy bajas parecen ser comunes en los países asiáticos.[8,11,29,48,49,51,59,61,67] La población más joven de los países (excluyendo Japón), la inmunidad previa por exposición a otros coronavirus, las diferencias genéticas, el protocolo de higiene, la menor carga infecciosa y otros factores desconocidos pueden explicar estas tasas bajas. La tasa de letalidad de la infección también es baja en los países de bajos ingresos, tanto en Asia como en África,[44 , 49 , 66 , 67] lo que quizás refleje la estructura de edad joven. Sin embargo, las comorbilidades, la pobreza, la fragilidad (por ejemplo, la malnutrición) y las circunstancias de vida urbana congestionada pueden tener un efecto adverso sobre el riesgo y, por tanto, aumentar la tasa de letalidad de la infección.
Los títulos de anticuerpos pueden disminuir con el tiempo[10 , 28 , 32 , 86 , 87] y esto daría lugar a estimaciones de prevalencia falsamente bajas. Consideré la estimación máxima de seroprevalencia cuando se disponía de múltiples mediciones repetidas en diferentes puntos temporales, pero incluso entonces parte de este declive no se puede contabilizar completamente. Con cuatro excepciones,[10 , 28 , 32 , 51] el valor máximo de seroprevalencia se produjo en el último punto temporal.
Los controles positivos para los ensayos de anticuerpos utilizados fueron normalmente pacientes sintomáticos con pruebas de reacción en cadena de la polimerasa positivas. Los pacientes sintomáticos pueden ser más propensos a desarrollar anticuerpos.[87 – 91] Dado que los estudios de seroprevalencia intentan específicamente revelar infecciones asintomáticas y levemente sintomáticas no diagnosticadas, una menor sensibilidad para estas infecciones leves podría llevar a subestimar sustancialmente el número de personas infectadas y a sobreestimar la tasa de letalidad de la infección inferida.
Uno de los principales problemas de los estudios de seroprevalencia es si ofrecen una imagen representativa de la población de la región evaluada. Un problema genérico es que las personas vulnerables con alto riesgo de infección y/o muerte pueden ser más difíciles de reclutar en los estudios de tipo encuesta. La infección por COVID-19 está especialmente extendida y/o es letal en las residencias de ancianos, en las personas sin hogar, en las prisiones y en las minorías desfavorecidas.[92] La mayoría de estas poblaciones son muy difíciles, o incluso imposibles, de alcanzar y muestrear, y probablemente estén infrarrepresentadas en diversos grados (o incluso se pierdan por completo) en las encuestas. Este obstáculo en el muestreo daría lugar a una subestimación de la seroprevalencia y a una sobreestimación de la tasa de mortalidad por infección.
En principio, los valores de seroprevalencia ajustados pueden acercarse más a la estimación real, pero los ajustes muestran que cada estudio por sí solo puede tener una incertidumbre y una fluctuación inevitables, dependiendo del tipo de análisis elegido. Además, mis estimaciones corregidas de la tasa de letalidad de la infección intentan tener en cuenta el subregistro de personas infectadas cuando no se evaluaron los tres anticuerpos (IgG, IgM e IgA). Sin embargo, la magnitud de la corrección es incierta y puede variar en diferentes circunstancias. Una proporción desconocida de personas puede haber respondido al virus mediante mecanismos inmunitarios (mucosos, innatos, celulares) sin generar ningún anticuerpo sérico detectable.[93 – 97]
Una limitación de este análisis es que varios de los estudios incluidos aún no han sido revisados completamente por pares y algunos todavía están en curso. Además, a pesar de los esfuerzos realizados por los estudios de seroprevalencia para generar estimaciones aplicables a la población general, la representatividad es difícil de asegurar, incluso para los estudios más rigurosos y a pesar de los ajustes realizados. La estimación de un único valor de la tasa de mortalidad por infección para todo un país o estado puede ser engañosa, cuando suele haber una gran variación en los patrones de mezcla de la población y focos de alta o baja mortalidad. Además, muchos estudios han evaluado a personas dentro de rangos de edad restringidos, y los grupos de edad que no se incluyen pueden diferir en la seroprevalencia. En varios estudios se han observado diferencias modestas y estadísticamente significativas en la seroprevalencia entre algunos grupos de edad.[10 , 13 , 15 , 23 , 27 , 36 , 38] Se han observado valores más bajos en niños pequeños y más altos en adolescentes y adultos jóvenes, pero estos patrones son inconsistentes y no lo suficientemente fuertes como para sugerir que se incurre en diferencias importantes al extrapolar entre grupos de edad.
Reconociendo estas limitaciones, basándose en los datos disponibles actualmente, se puede proyectar que más de 500 millones de personas han sido infectadas a partir del 12 de septiembre de 2020, mucho más que los aproximadamente 29 millones de casos documentados confirmados por laboratorio. La mayoría de los lugares tienen probablemente una tasa de letalidad de la infección inferior al 0,20% y, con medidas no farmacológicas adecuadas y precisas que traten de proteger selectivamente a las poblaciones y entornos vulnerables de alto riesgo, la tasa de letalidad de la infección puede reducirse aún más.
Financiación:
METRICS ha recibido una subvención de la Laura and John Arnold Foundation.
Conflicto de Intereses:
Soy coautor (no investigador principal) de uno de los estudios de seroprevalencia.
Referencias
1. Melnick ER, Ioannidis JPA. Should governments continue lockdown to slow the spread of covid-19? BMJ. 2020 Jun 3;369:m1924. http://dx.doi.org/10.1136/bmj.m1924 pmid: 32493767
2. WHO Director-General’s opening remarks at the media briefing on COVID-19 – 3 March 2020. Geneva: World Health Organization; 2020. Available from: https://www.who.int/dg/speeches/detail/who-director-general-s-opening-remarks- at-the-media-briefing-on-covid-19—3-march-2020 [cited 2020 May 10].
3. Report of the WHO-China Joint Mission on Coronavirus Disease 2019 (COVID- 19) 16–24 February 2020. Geneva: World Health Organization; 2020. Available from: https://www.who.int/publications-detail/report-of-the-who-china-joint- mission-on-coronavirus-disease-2019-(covid-19) [cited 2020 May 10].
4. McGinty JC. How many people might one person with coronavirus infect? Wall Street Journal. February 14, 2020. Available from: https://www.wsj.com/articles/how-many-people-might-one-person-with- coronavirus-infect-11581676200 [cited 2020 Feb 27].
5. Ferguson NM, Laydon D, Nedjati-Gilani G, Imai N, Ainslie K, Baguelin M, et al. Report 9: Impact of non-pharmaceutical interventions (NPIs) to reduce COVID- 19 mortality and healthcare demand. London: Imperial College; 2020. Available from: https://www.imperial.ac.uk/media/imperial-college/medicine/sph/ide/gida- fellowships/Imperial-College-COVID19-NPI-modelling-16-03-2020.pdf [cited 2020 May 10].
6. Meyerowitz-Katz G, Merone L. A systematic review and meta-analysis of published research data on COVID-19 infection-fatality rates [online ahead of print]. Int J Infect Dis. 2020 Sep 29;S1201(20):32180–9. pmid: 33007452
7. Garcia-Basteiro AL, Moncunill G, Tortajada M, Vidal M, Guinovart C, Jiménez A, et al. Seroprevalence of antibodies against SARS-CoV-2 among health care workers in a large Spanish reference hospital. Nat Commun. 2020 Jul 8;11(1):3500. http://dx.doi.org/10.1038/s41467-020-17318-x pmid: 32641730
8. Shakiba M, Nazari S, Mehrabian F, Rezvani SM, Ghasempour Z, Heidarzadeh A. Seroprevalence of COVID-19 virus infection in Guilan province, Iran [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.04.26.20079244
9. Bryan A, Pepper G, Wener MH, Fink SL, Morishima C, Chaudhary A, et al. Performance characteristics of the Abbott Architect SARS-CoV-2 IgG assay and seroprevalence in Boise, Idaho. J Clin Microbiol. 2020 Jul 23;58(8):e00941-20. http://dx.doi.org/10.1128/JCM.00941-20 pmid: 32381641
10. Stringhini S, Wisniak A, Piumatti G, Azman AS, Lauer SA, Baysson H, et al. Seroprevalence of anti-SARS-CoV-2 IgG antibodies in Geneva, Switzerland (SEROCoV-POP): a population-based study. Lancet. 2020 Aug 1;396(10247):313–19. http://dx.doi.org/10.1016/S0140-6736(20)31304-0 pmid: 32534626
11. Doi A, Iwata K, Kuroda H, Hasuike T, Nasu S, Kanda A, et al. Estimation of seroprevalence of novel coronavirus disease (COVID-19) using preserved serum at an outpatient setting in Kobe, Japan: a cross-sectional study [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.04.26.20079822
12. Erikstrup C, Hother CE, Pedersen OBV, Mølbak K, Skov RL, Holm DK, et al. Estimation of SARS-CoV-2 infection fatality rate by real-time antibody screening of blood donors. Clin Infect Dis. 2020 Jun 25; ciaa849. http://dx.doi.org/10.1093/cid/ciaa849 pmid: 32584966
13. Fontanet A, Tondeur L, Madec Y, Grant R, Besombes C, Jolly N, et al. Cluster of COVID-19 in northern France: a retrospective closed cohort study [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.04.18.20071134
14. Wu X, Fu B, Chen L, Feng Y. Serological tests facilitate identification of asymptomatic SARS-CoV-2 infection in Wuhan, China. J Med Virol. 2020 Apr 20;92(10):1795–6. http://dx.doi.org/10.1002/jmv.25904 pmid: 32311142
15. Slot E, Hogema BM, Reusken CBEM, Reimerink JH, Molier M, Karregat HM, et al. Herd immunity is not a realistic exit strategy during a COVID-19 outbreak [preprint]. Durham: Research Square; 2020. https://doi.org/10.21203/rs.3.rs- 25862/v1
16. Streeck H, Schulte B, Kümmerer BM, Richter E, Höller T, Fuhrmann C, et al. Infection fatality rate of SARS-CoV-2 infection in a German community with a super-spreading event [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.05.04.20090076
17. Silveira MF, Barros AJD, Horta BL, Pellanda LC, Victora GD, Dellagostin OA, et al. Population-based surveys of antibodies against SARS-CoV-2 in Southern Brazil. Nat Med. 2020 Aug;26(8):1196–9. http://dx.doi.org/10.1038/s41591-020- 0992-3 pmid: 32641783
18. Thompson C, Grayson N, Paton RS, Lourenco J, Penman BS, Lee L. Neutralising antibodies to SARS coronavirus 2 in Scottish blood donors – a pilot study of the value of serology to determine population exposure [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.04.13.20060467
19. Bendavid E, Mulaney B, Sood N, Shah S, Ling E, Bromley-Dulfano R, et al. COVID-19 Antibody Seroprevalence in Santa Clara County, California [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.04.14.20062463
20. Snoeck CJ, Vaillant M, Abdelrahman T, Satagopam VP, Turner JD, Beaumont K, et al. Prevalence of SARS-CoV-2 infection in the Luxembourgish population: the CON-VINCE study [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.05.11.20092916
21. Kraehling V, Kern M, Halwe S, Mueller H, Rohde C, Savini M, et al. Epidemiological study to detect active SARS-CoV-2 infections and seropositive persons in a selected cohort of employees in the Frankfurt am Main metropolitan area [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.05.20.20107730
22. Sood N, Simon P, Ebner P, Eichner D, Reynolds J, Bendavid E, et al. Seroprevalence of SARS-CoV-2-specific antibodies among adults in Los Angeles County, California, on April 10–11, 2020. JAMA. 2020 06 16;323(23):2425–7. http://dx.doi.org/10.1001/jama.2020.8279 pmid: 32421144
23. Rosenberg ES, Tesoriero JM, Rosenthal EM, Chung R, Barranco MA, Styer LM, et al. Cumulative incidence and diagnosis of SARS-CoV-2 infection in New York. Ann Epidemiol. 2020 Aug;48:23–29.e4. http://dx.doi.org/10.1016/j.annepidem.2020.06.004 pmid: 32648546
24. Ng D, Goldgof G, Shy B, Levine A, Balcerek J, Bapat SP, et al. SARS-CoV-2 seroprevalence and neutralizing activity in donor and patient blood from the San Francisco Bay Area [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.05.19.20107482
25. Hallal PC, Hartwig FP, Horta BL, Victora GD, Silveira MF, Struchiner CJ, et al. Remarkable variability in SARS-CoV-2 antibodies across Brazilian regions: nationwide serological household survey in 27 states [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.05.30.20117531
26. Jerkovic I, Ljubic T, Basic Z, Kruzic I, Kunac N, Bezic J, et al. SARS-CoV-2 antibody seroprevalence in industry workers in Split-Dalmatia and Sibenik-Knin County, Croatia [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.05.11.20095158
27. Reifer J, Hayum N, Heszkel B, Klagsbald I, Streva VA. SARS-CoV-2 IgG antibody responses in New York City [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.05.23.20111427
28. Emmenegger M, De Cecco E, Lamparter D, Jacquat RPB, Ebner D, Schneider MM, et al. Early plateau of SARS-CoV-2 seroprevalence identified by tripartite immunoassay in a large population [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.05.31.20118554
29. Takita M, Matsumura T, Yamamoto K, Yamashita E, Hosoda K, Hamaki T, et al. Geographical profiles of COVID-19 outbreak in Tokyo: an analysis of the primary care clinic-based point-of-care antibody testing. J Prim Care Community Health. 2020 Jan-Dec;11:2150132720942695. http://dx.doi.org/10.1177/2150132720942695 pmid: 32674696
30. Crovetto F, Crispi F, Llurba E, Figueras F, Gomez-Roig MD, Gratacos E. Seroprevalence and clinical spectrum of SARS-CoV-2 infection in the first versus third trimester of pregnancy [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.06.17
31. Fiore JR, Centra M, De Carlo A, Granato T, Rosa A, Sarno M, et al. Results from a survey in healthy blood donors in South Eastern Italy indicate that we are far away from herd immunity to SARS-CoV-2. J Med Virol. 2020 Aug 13;jmv.26425. http://dx.doi.org/10.1002/jmv.26425 pmid: 32790086
32. Ling R, Yu Y, He J, Zhang J, Xu S, Sun R, et al. Seroprevalence and epidemiological characteristics of immunoglobulin M and G antibodies against SARS-CoV-2 in asymptomatic people in Wuhan, China [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.06.16.20132423
33. Chamie G, Marquez C, Crawford E, Peng J, Petersen M, Schwab D, et al. SARS-CoV-2 community transmission during shelter-in-place in San Francisco [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.06.15.20132233
34. Gomes CC, Cerutti C, Zandonade E, Maciel EKN, Carvalho de Alencar FE, Almada GL, et al. A population-based study of the prevalence of COVID-19 infection in Espírito Santo, Brazil: methodology and results of the first stage [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.06.13.20130559
35. Havers FP, Reed C, Lim T, Montgomery JM, Klena JD, Hall AJ, et al. Seroprevalence of antibodies to SARS-CoV-2 in 10 sites in the United States, March 23-May 12, 2020. JAMA Intern Med. 2020 Jul 21. http://dx.doi.org/10.1001/jamainternmed.2020.4130 pmid: 32692365
36. Pollán M, Pérez-Gómez B, Pastor-Barriuso R, Oteo J, Hernán MA, Pérez- Olmeda M, et al.; ENE-COVID Study Group. Prevalence of SARS-CoV-2 in Spain (ENE-COVID): a nationwide, population-based seroepidemiological study. Lancet. 2020 08 22;396(10250):535–44. http://dx.doi.org/10.1016/S0140- 6736(20)31483-5 pmid: 32645347
37. Feehan AK, Fort D, Garcia-Diaz J, Price-Haywood E, Velasco C, Sapp E, et al. Seroprevalence of SARS-CoV-2 and infection fatality ratio, Orleans and Jefferson Parishes, Louisiana, USA, May 2020. Emerg Infect Dis. 2020 Jul 30;26(11). http://dx.doi.org/10.3201/eid2611.203029 pmid: 32731911
38. Herzog S, De Bie J, Abrams S, Wouters I, Ekinci E, Patteet L, et al. Seroprevalence of IgG antibodies against SARS coronavirus 2 in Belgium – a prospective cross sectional study of residual samples [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.06.08.20125179
39. Fontanet A, Grant R, Tondeur L, Madec Y, Grzelak L, Cailleau I, et al. SARS- CoV-2 infection in primary schools in northern France: A retrospective cohort study in an area of high transmission [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.06.25.20140178
40. Xu X, Sun J, Nie S, Li H, Kong Y, Liang M, et al. Seroprevalence of immunoglobulin M and G antibodies against SARS-CoV-2 in China. Nat Med. 2020 08;26(8):1193–5. http://dx.doi.org/10.1038/s41591-020-0949-6 pmid: 32504052
41. Amorim Filho L, Szwarcwald CL, Mateos SOG, Leon ACMP, Medronho RA, Veloso VG, et al.; Grupo Hemorio de Pesquisa em Covid-19. Seroprevalence of anti-SARS-CoV-2 among blood donors in Rio de Janeiro, Brazil. Rev Saude Publica. 2020;54:69. pmid: 32638883
42. Tess BH, Granato CFH, Alves MC, Pintao MC, Rizzatti E, Nunes MC, et al. SARS-CoV-2 seroprevalence in the municipality of São Paulo, Brazil, ten weeks after the first reported case [preprint]. Cold Spring Harbor: medRxiv; 2020. http://dx.doi.org/10.1101/2020.06.29.20142331
43. Torres JP, Piñera C, De La Maza V, Lagomarcino AJ, Simian D, Torres B, et al. SARS-CoV-2 antibody prevalence in blood in a large school community subject to a Covid-19 outbreak: a cross-sectional study. Clin Infect Dis. 2020 Jul 10;ciaa955. http://dx.doi.org/10.1093/cid/ciaa955 pmid: 32649743
44. Uyoga S, Adetifa IMO, Karanja HK, Nyagwange J, Tuju J, Wankiku P, et al. Seroprevalence of anti-SARS-CoV-2 IgG antibodies in Kenyan blood donors [preprint]. Cold Spring Harbor: medRxiv; 2020. http://dx.doi.org/https://doi.org/10.1101/2020.07.27.20162693 http://dx.doi.org/10.1101/2020.07.27.20162693
45. Nesbitt DJ, Jin D, Hogan JW, Chan PA, Simon MJ, Vargas M, et al. Low seroprevalence of SARS-CoV-2 in Rhode Island blood donors determined using multiple serological assay formats [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.07.20.20157743
46. McLaughlin CC, Doll MK, Morrison KT, McLaughlin WL, O’Connor T, Sholukh AM, et al. High community SARS-CoV-2 antibody seroprevalence in a ski resort community, Blaine County, Idaho, US. preliminary results [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.07.19.20157198
47. Figar S, Pagotto V, Luna L, Salto J, Manslau MW, Mistchenko AS, et al. Community-level SARS-CoV-2 seroprevalence survey in urban slum dwellers of Buenos Aires City, Argentina: a participatory research [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.07.14.20153858
48. Nawa N, Kuramochi J, Sonoda S, Yamaoka Y, Nukui Y, Miyazaki Y, et al. Seroprevalence of SARS-CoV-2 IgG antibodies in Utsunomiya City, Greater Tokyo, after first pandemic in 2020 (U-CORONA): a household- and population- based study [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.07.20.20155945
49. Nisar I, Ansari N, Amin M, Khalid F, Hotwani A, Rehman N, et al. Serial population based serosurvey of antibodies to SARS-CoV-2 in a low and high transmission area of Karachi, Pakistan [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.07.28.20163451
50. Skowronski DM, Sekirov I, Sabaiduc S, Zou M, Morshed M, Lawrence D, et al. Low SARS-CoV-2 sero-prevalence based on anonymized residual sero-survey before and after first wave measures in British Columbia, Canada, March–May 2020 [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.07.13.20153148
51. Abu Raddad LJ, Chemaitelly H, Ayoub HH, Al Kanaani Z, Al Khal A, Al Kuwari E, et al. Characterizing the Qatar advanced-phase SARS-CoV-2 epidemic [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.07.16.20155317
52. Petersen MS, Strøm M, Christiansen DH, Fjallsbak JP, Eliasen EH, Johansen M, et al. Seroprevalence of SARS-CoV-2-specific antibodies, Faroe Islands. Emerg Infect Dis. 2020 Jul 29;26(11). http://dx.doi.org/10.3201/eid2611.202736 pmid: 32726200
53. Biggs HM, Harris JB, Breakwell L, Dahlgren FS, Abedi GR, Szablewski CM, et al.; CDC Field Surveyor Team. Estimated community seroprevalence of SARS- CoV-2 antibodies – two Georgia counties, April 28–May 3, 2020. MMWR Morb Mortal Wkly Rep. 2020 Jul 24;69(29):965–70. http://dx.doi.org/10.15585/mmwr.mm6929e2 pmid: 32701941
54. Menachemi N, Yiannoutsos CT, Dixon BE, Duszynski TJ, Fadel WF, Wools- Kaloustian KK, et al. Population point prevalence of SARS-CoV-2 infection based on a statewide random sample – Indiana, April 25–29, 2020. MMWR Morb Mortal Wkly Rep. 2020 Jul 24;69(29):960–4. http://dx.doi.org/10.15585/mmwr.mm6929e1 pmid: 32701938
55. Chang L, Hou W, Zhao L, Zhang Y, Wang Y, Wu L, et al. The prevalence of antibodies to SARS-CoV-2 among blood donors in China [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.07.13.20153106
56. Meyers K, Liu L, Lin W-H, Luo Y, Yin M, Wu Y, et al. Antibody testing documents the silent spread of SARS-CoV-2 in New York prior to the first reported case [preprint]. Durham: Research Square; 2020. http://dx.doi.org/10.21203/rs.3.rs- 39880/v1
57. Merkely B, Szabó AJ, Kosztin A, Berényi E, Sebestyén A, Lengyel C, et al.; HUNgarian COronaVirus-19 Epidemiological Research (H-UNCOVER) investigators. Novel coronavirus epidemic in the Hungarian population, a cross- sectional nationwide survey to support the exit policy in Hungary. Geroscience. 2020 Aug;42(4):1063–74. http://dx.doi.org/10.1007/s11357-020-00226-9 pmid: 32677025
58. Gudbjartsson DF, Norddahl GL, Melsted P, Gunnarsdottir K, Holm H, Eythorsson E, et al. Humoral immune response to SARS-CoV-2 in Iceland. N Engl J Med. 2020 Sep 1.NEJMoa2026116 [online ahead of print]. http://dx.doi.org/10.1056/NEJMoa2026116 pmid: 32871063
59. Noh JY, Seo YB, Yoon JG, Seong H, Hyun H, Lee J, et al. Seroprevalence of anti-SARS-CoV-2 antibodies among outpatients in southwestern Seoul, Korea. J Korean Med Sci. 2020 Aug 24;35(33):e311. http://dx.doi.org/10.3346/jkms.2020.35.e311 pmid: 32830472
60. Xu R, Huang J, Duan C, Liao Q, Shan Z, Wang M, et al. Low prevalence of antibodies against SARS-CoV-2 among voluntary blood donors in Guangzhou, China. J Med Virol. 2020 Aug 19.jmv.26445. [online ahead of print]. http://dx.doi.org/10.1002/jmv.26445 pmid: 32813273
61. Malani A, Shah D, Kang G, Lobo GN, Shastri J, Mohanan M, et al. Seroprevalence of SARS-CoV-2 in slums and non-slums of Mumbai, India, during June 29–July 19, 2020 [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.08.27.20182741
62. Bogogiannidou Z, Vontas A, Dadouli K, Kyritsi MA, Soteriades S, Nikoulis DJ, et al. Repeated leftover serosurvey of SARS-CoV-2 IgG antibodies, Greece, March and April 2020. Euro Surveill. 2020 Aug;25(31):2001369. http://dx.doi.org/10.2807/1560-7917.ES.2020.25.31.2001369 pmid: 32762796
63. Feehan AK, Velasco C, Fort D, Burton JH, Price-Haywood E, Katzmarzyk PT, et al. Racial and workplace disparities in seroprevalence of SARS-CoV-2 in Baton Rouge, Louisiana, 4 July 15–31, 2020 [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.08.26.20180968
64. Westerhuis BM, de Bruin E, Chandler FD, Ramakers CRB, Okba NMA, Li W, et al. Homologous and he 1 terologous antibodies to coronavirus 229E, NL63, OC43, HKU1, SARS, MERS and SARS-CoV-2 antigens in an age stratified cross-sectional serosurvey in a large tertiary hospital in The Netherlands [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.08.21.20177857
65. Ward H, Atchinson C, Whitaker M, Ainslie KED, Elliott J, Okell L, et al. Antibody prevalence for SARS-CoV-2 following the peak of the pandemic in England: REACT2 study in 100,000 adults [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.08.12.20173690
66. Javed W, Baqar J, Abidi SHB, Farooq W. Sero-prevalence findings from metropoles in Pakistan: implications for assessing COVID-19 prevalence and case-fatality within a dense, urban working population [preprint]. Cold Spring Harbor: medRxiv; 2020. http://dx.doi.org/10.1101/2020.08.13.20173914
67. Khan MS, Qurieshi MA, Haq I, Majid S, Akbar A. Seroprevalence of SARS-CoV- 2 specific IgG antibodies in District Srinagar, northern India – a cross-sectional study [preprint].Cold Spring Harbor: bioRxiv; 2020. http://dx.doi.org/https://doi.org/10.1101/2020.09.04.282640
68. Da Silva A, Lima-Neto L, de Azevedo C, da Costa L, Braganca M, Filho A, et al. Population-based seroprevalence of SARS-CoV-2 is more than halfway through the herd immunity threshold in the State of Maranhão, Brazil [preprint]. Cold Spring Harbor: medRxiv; 2020. http://dx.doi.org/10.1101/2020.08.28.20180463
69. [Weekly report of the population serology survey of the corona epidemic.] Helsinki: Finland Department of Health and Welfare; 2020. [Finnish]. Available from: https://www.thl.fi/roko/cov-vaestoserologia/sero_report_weekly.html [cited 2020 Jul 12].
70. [First results on antibodies after review of covid-19 in blood donors.] Solna: Swedish Public Health Agency; 2020. [Swedish]. Available from: https://www.folkhalsomyndigheten.se/nyheter-och- press/nyhetsarkiv/2020/juni/forsta-resultaten-om-antikroppar-efter- genomgangen-covid-19-hos-blodgivare/ [cited 2020 Jul 12].
71. [Studie SARS-CoV-2-CZ-Preval.] Prague: Institute of Health Information and Statistics of the Czech Republic; 2020. [Czech]. Available from: https://covid- imunita.uzis.cz/res/file/prezentace/20200506-dusek.pdf [cited 2020 Jul 12].
72. Jaffe-Hoffman M. Coronavirus herd immunity? Not in Israel, according to a serological study. Jerusalem Post. 2020 Jun 2. Available from: https://www.jpost.com/israel-news/coronavirus-herd-immunity-not-in-israel- according-to-a-serological-study-630059 [cited 2020 Jul 12].
73. First study carried out on herd immunity of the population in the whole territory of Slovenia. Ljubljana: Republic of Slovenia; 2020. Available from: https://www.gov.si/en/news/2020-05-06-first-study-carried-out-on-herd-immunity- of-the-population-in-the-whole-territory-of-slovenia/ [cited 2020 Jul 12].
74. [Popova declared immunity to coronavirus in 14% of those tested]. Interfax. 2020 Jun 10. [Russian]. Available from: https://www.interfax.ru/russia/712617 [cited 2020 Aug 12].
75. Gul A. Ten million Afghans likely infected and recovered: COVID-19 survey. VOA. 2020 Aug 5. Available from: https://www.voanews.com/south-central- asia/10-million-afghans-likely-infected-and-recovered-covid-19-survey [cited 2020 Aug 12].
76. Preliminary results of seroprevalence study in Tbilisi: 10 out of 1068 residents have coronavirus antibodies. Agenda.ge. 2020 Jun 29. Available from: https://agenda.ge/en/news/2020/2055 [cited 2020 Aug 12].
77. Genot L. In Brazil, COVID-19 hitting young people harder. The Jakarta Post. 2020 May 22. Available from: https://www.thejakartapost.com/news/2020/05/22/in-brazil-covid-19-hitting- young-people-harder.html [cited 2020 Jul 12].
78. COVID-19 pandemic in Croatia [internet]. Wikipedia; 2020. Available from https://en.wikipedia.org/wiki/COVID-19_pandemic_in_Croatia [cited 2020 Jul 12].
79. COVID-19 coronavirus pandemic [internet]. Dover: Worldometer; 2020. Available from: https://www.worldometers.info/coronavirus/ [cited 2020 Sep 12].
80. Ioannidis JPA, Axfors C, Contopoulos-Ioannidis DG. Population-level COVID-19 mortality risk for non-elderly individuals overall and for non-elderly individuals without underlying diseases in pandemic epicenters. Environ Res. 2020 Sep;188:109890. http://dx.doi.org/10.1016/j.envres.2020.109890 pmid: 32846654
81. Booth R. Half of coronavirus deaths happen in care homes, data from EU suggests. The Guardian. 2020 Apr 13. Available from: https://www.theguardian.com/world/2020/apr/13/half-of-coronavirus-deaths- happen-in-care-homes-data-from-eu-suggests [cited 2020 Apr 27].
82. American Geriatrics Society. American Geriatrics Society Policy Brief: COVID-19 and nursing homes. J Am Geriatr Soc. 2020 May;68(5):908–11. http://dx.doi.org/10.1111/jgs.16477 pmid: 32267538
83. Wang D, Hu B, Hu C, Zhu F, Liu X, Zhang J, et al. Clinical characteristics of 138 hospitalized patients with 2019 novel coronavirus-infected pneumonia in Wuhan, China. JAMA. 2020 Mar 17;323(11):1061–9. http://dx.doi.org/10.1001/jama.2020.1585 pmid: 32031570
84. Boccia S, Ricciardi W, Ioannidis JPA. What other countries can learn from Italy during the COVID-19 pandemic. JAMA Intern Med. 2020 Jul 1;180(7):927–8. http://dx.doi.org/10.1001/jamainternmed.2020.1447 pmid: 32259190
85. Brufsky A. Distinct viral clades of SARS-CoV-2: implications for modeling of viral spread. J Med Virol. 2020 Apr 20;92(9):1386–90. http://dx.doi.org/10.1002/jmv.25902 pmid: 32311094
86. Rosado J, Cockram C, Merkling SH, Demeret C, Meola A, Kerneis S, et al. Serological signatures of SARS-CoV-2 infection: implications for antibody-based diagnostics [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.05.07.20093963
87. Long QX, Tang XJ, Shi QL, Li Q, Deng HJ, Yuan J, et al. Clinical and immunological assessment of asymptomatic SARS-CoV-2 infections. Nat Med. 2020 Aug;26(8):1200–4. http://dx.doi.org/10.1038/s41591-020-0965-6 pmid: 32555424
88. Wu F, Wang A, Liu M, Wang Q, Chen J, Xia S, et al. Neutralizing antibody responses to SARS-CoV-2 in a COVID-19 recovered patient cohort and their implications [preprint]. Cold Spring Harbor: medRxiv; 2020.
https://doi org/10 1101/2020 03 30 20047365
89 Seow J, Graham C, Merrick B, Acors S, Steel KJA, Hemmings O, et al. Longitudinal evaluation and decline of antibody responses in SARS-CoV-2 infection [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.07.09.20148429
90 Edouard S, Colson P, Melenotte C, De Pinto F, Thomas L, La Scola B, et al. Evaluating the serological status of COVID-19 patients using an indirect immunofluorescent assay, France [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.05.05.20092064
91 Solbach W, Schiffner J, Backhaus I, Burger D, Staiger R, Tiemer B, et al. Antibody profiling of COVID-19 patients in an urban low-incidence region in northern Germany [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.05.30.20111393
92 Ioannidis JPA. Global perspective of COVID-19 epidemiology for a full-cycle pandemic. Eur J Clin Invest. 2020 Oct 7;e13421. http://dx.doi.org/10.1111/eci.13423 pmid: 33026101
93 Kikkert M. Innate immune evasion by human respiratory RNA viruses. J Innate Immun. 2020;12(1):4–20. http://dx.doi.org/10.1159/000503030 pmid: 31610541
94 Krammer F. The human antibody response to influenza A virus infection and vaccination. Nat Rev Immunol. 2019 Jun;19(6):383–97. http://dx.doi.org/10.1038/s41577-019-0143-6 pmid: 30837674
95 Cervia C, Nilsson J, Zurbuchen Y, Valaperti A, Schreiner J, Wolfensberger A, et al. Systemic and mucosal antibody secretion specific to SARS-CoV-2 during mild versus severe COVID-19 [preprint]. Cold Spring Harbor: bioRxiv. 2020. https://doi.org/10.1101/2020.05.21.108308
96 Gallais F, Velay A, Wendling M-J, Nazon C, Partisani M, Sibilia J, et al. Intrafamilial exposure to SARS-CoV-2 induces cellular immune response without seroconversion [preprint]. Cold Spring Harbor: medRxiv; 2020. https://doi.org/10.1101/2020.06.21.20132449
97 Sekine T, Perez-Potti A, Rivera-Ballesteros O, Strålin K, Gorin J-B, Olsson A, et al.; Karolinska COVID-19 Study Group. Robust T cell immunity in convalescent individuals with asymptomatic or mild COVID-19. Cell. 2020 10 1;183(1):158–168.e14. http://dx.doi.org/10.1016/j.cell.2020.08.017 pmid: 32979941