Eran Bendavid1 , Bianca Mulaney 2, Neeraj Sood 3, Soleil Shah 2, Emilia Ling 2, Rebecca Bromley-Dulfano 2, Cara Lai 2, Zoe Weissberg 2, Rodrigo Saavedra-Walker 4, Jim Tedrow 5, Dona Tversky 6, Andrew Bogan 7, Thomas Kupiec 8, Daniel Eichner 9, Ribhav Gupta 10, John P.A. Ioannidis 1 10, Jay Bhattacharya1 

11 de abril de 2020

1 Department of Medicine, Stanford University School of Medicine, Stanford CA
2 Stanford University School of Medicine, Stanford CA
3 Sol Price School of Public Policy, University of Southern California, Los Angeles CA
4 Health Education is Power, Inc., Palo Alto CA
5 The Compliance Resource Group, Inc., Oklahoma City OK
6 Department of Psychiatry and Behavioral Sciences, Stanford University School of Medicine, Stanford CA
7 Bogan Associates, LLC, Palo Alto CA
8 ARL BioPharma, Inc. , Oklahoma City OK
9 Sports Medicine Research and Testing Laboratory, Salt Lake City UT
10 Department of Epidemiology and Population Health, Stanford University School of Medicine, Stanford CA.

Autor corresponsal: Eran Bendavid, MD, Department of Medicine, Stanford University, Stanford CA 94305 email: ebd@stanford.edu

medRxiv preprint doi: https://doi.org/10.1101/2020.04.14.20062463. The copyright holder for this preprint (which was not peer-reviewed) is the author/funder, who has granted medRxiv a license to display the preprint in perpetuity.
It is made available under a CC-BY-NC-ND 4.0 International license . 

[Traducción: Aldo Mazzucchelli]

RESUMEN

Antecedentes 

La atención del COVID-19 es una intensa preocupación social y de salud. Al momento, muchas proyecciones epidémicas y políticas dedicadas a atender el COVID-19 han sido diseñadas sin tener datos de seroprevalencia que permitiesen informar los parámetros epidémicos. Hemos medido la seroprevalencia de anticuerpos de SARS-COV-2 en el condado de Santa Clara.

Métodos

Los días 3 y 4 de abril de 2020, aplicamos tests a residentes del condado para encontrar anticuerpos de SARS-CoV-2, empleando un inmunoensayo de flujo lateral. Los participantes fueron reclutados empleando comunicación por Facebook que se dirigiese a una muestra representativa del condado según características demográficas y geográficas. Reportamos la prevalencia de los anticuerpos de SARS-CoV-2 en una muestra de 3.300 personas, ajustando código postal, sexo y raza/etnia. También ajustamos de acuerdo a características de desempeño del test, empleando 3 estimaciones diferentes: (i) la fecha de producción del test, (ii) una muestra de 37 controles positivos y 30 negativos testados en Stanford, y (iii) una combinación de ambos. 

Resultados

La prevalencia no ajustada de anticuerpos de SARS-CoV-2 en el condado de Santa Clara fue 1.5% (binomio exacto 95CI 1.11-1.97%), y la prevalencia corregida a la población fue 2.81% (95CI 2.24-3.37%). Bajo los tres escenarios de características de desempeño del test la prevalencia en la población del COVID-19 en Santa Clara estuvo en el rango de 2.49% (95CI 1.80-3.17%) a 4.16% (2.58-5.70%). Esta estimación de prevalencia representa un rango entre 48,000 y 81,000 personas infectadas en el condado de Santa Clara County a comienzos de Abril, 50 a 85 veces mayor que el número de casos confirmados. 

Conclusiones

La prevalencia en la población de anticuerpos de SARS-CoV-2 en el condado de Santa Clara implica que la infección está mucho más extendida de lo que indica el número de casos confirmados. Estas estimaciones de prevalencia en la población pueden usarse ahora para calibrar las proyecciones epidémicas y de letalidad.

INTRODUCCIÓN

Los primeros dos casos de COVID-19 en el condado de Santa Clara, California, fueron identificados en viajeros que retornaban, el 31 de enero y el 1 de febrero de 2020, y el tercer caso lo fue cuatro semanas más tarde, el 27 de febrero 2020. (1) Durante el mes siguiente, se identificaron casi 1,000 casos más en el condado de Santa Clara, mostrando un patrón de rápido incremento de casos que reflejaba transmisión comunitaria, así como el aumento en la realización de tests virales para SARS-CoV-2 que ha sido común en muchas comunidades en el mundo. En algunos países, el rápido incremento en el recuento de casos y hospitalizaciones por COVID-19 ha sobrecargado los sistemas de salud y llevó a grandes reducciones de las actividades sociales y económicas. Las medidas adoptadas para enlentecer la propagación del COVID-19 se justificaron en base a la tasa de letalidad por caso. Estas proyecciones sugirieron que, en ausencia de medidas estrictas de reducción de la propagación, la pandemia de COVID-19 colapsaría la capacidad existente de camas y unidades de tratamiento intensivo en los Estados Unidos, y llevaría a más de 2 millones de muertes. (2) 

La medida de la tasa de letalidad y la proyección del número de muertes depende de estimaciones sobre el número total de infecciones. Hasta ahora, en ausencia de estudios de seroprevalencia, las estimaciones de la tasa de letalidad han confiado en el número de casos confirmados, multiplicados por un factor estimado que representa los casos desconocidos o asintomáticos, para llegar al número de infecciones. (3–6)

Sin embargo, la magnitud de ese factor es muy incierta. 

Debido a que son muy grandes las implicaciones que tienen tanto la tasa de letalidad por infectado como las proyecciones de muerte, la medida en que se haya subestimado la cantidad de infectados (el multiplicador empleado para llegar, a partir de los casos conocidos, a las infecciones reales) ha sido un tema de gran interés, y se dio una estimación del número de infecciones de alrededor de 1-6 veces más que el número de casos. (7–10)  El nivel de subestimación de la infección ha sido algo difícil de evaluar, debido a tres procesos de sesgo: (i) los casos se han diagnosticado en base tests PCR, que no dan información sobre las infecciones resueltas; (ii) la mayoría de los casos que han sido testados temprano en el curso de la epidemia han sido casos de enfermedad aguda, y altamente sintomáticos, mientras que la mayoría de los individuos asintomáticos o con síntomas leves no han sido testados; y (iii) los tests PCR han sido altamente variables dependiendo de los contextos y el momento, llevando a relaciones entre el número de casos y las infecciones afectadas por ruido. Si, en la ausencia de intervenciones, el tiempo de duplicación de la epidemia en su estadio temprano se estima en cuatro días (6,11,12), entonces para el 27 de febrero de 2020, cuando se identificó el tercer caso en el condado de Santa Clara, el condado podía tener ya 256 infecciones. 

Para el momento de este estudio, el condado de Santa Clara tenía el número de casos confirmados más grande de cualquier condado en el norte de California (1.094). El condado tuvo también algunos de los primeros casos conocidos de COVID-19 en el estado -incluyendo uno de los primeros casos de transmisión comunitaria- haciéndolo un lugar especialmente apropiado para aplicar una prueba a nivel poblacional para detectar la presencia de infecciones activas y pasadas. 

El 3 y 4 de abril de 2020 llevamos a cabo un estudio de residentes del condado de Santa Clara para medir la seroprevalencia de anticuerpos de SARS-CoV-2, y aproximarnos mejor al número de infecciones reales. Nuestro objetivo es dar datos nuevos y bien medidos para que estos informen los modelos epidémicos, las proyecciones, y las decisiones políticas.

MÉTODOS

Llevamos a cabo tests serológicos de anticuerpos de SARS-CoV-2 en 3.330 adultos y niños en el condado de Santa Clara, empleando extracciones capilares de sangre y un inmunoensayo de flujo lateral. En esta sección describimos nuestra aproximación a la muestra y el reclutamiento de la misma, los métodos de recolección de especímenes, los procedimientos de prueba de anticuerpos, la validación de los kits de prueba, y los métodos estadísticos. Nuestro protocolo estuvo informado por un protocolo de la OMS para tests de anticuerpos de COVID-19 a nivel de la población. (13) Llevamos a cabo nuestro estudio con la colaboración del Departamento de Salud Pública del Condado de Santa Clara. El IRB de Stanford aprobó el estudio antes de iniciar el reclutamiento. 

Participantes del Estudio y Reclutamiento de la Muestra

Reclutamos a los participantes colocando avisos en Facebook dirigidos a los residentes del condado de Santa Clara. Empleamos Facebook para alcanzar rápidamente a un gran número de residentes del condado, y debido a que permite un direccionamiento granular dependiente del código postal y las características sociodemográficas. (14) Empleamos una combinación de dos estrategias de direccionamiento: avisos dirigidos a una población representativa del condado por código postal, y avisos especialmente dirigidos a fin de equilibrar nuestra muestra para códigos postales sub-representados. Además, agregamos registros en áreas subrepresentadas. Los individuos que hicieron clic en el aviso fueron dirigidos a un estudio situado en la plataforma REDcap de Stanford, la cual daba información acerca del estudio.(15) El estudio pedía seis datos: código postal de residencia, edad, sexo, raza/etnia, enfermedades existentes previamente (comorbilidades), y síntomas clínicos previos. En 24 horas, registramos 3.825 adultos, y a cada adulto se le permitió traer a un niño que viviese en su mismo hogar (889 niños registrados). (15) 

Recolección de especímenes y métodos de prueba

Establecimos tests con un dispositivo de drive-through (el individuo entra con su auto a un área donde se le toma la muestra sin salir del coche) en tres espacios ubicados en el condado de Santa Clara: dos parques pertenecientes al condado, en Los Gatos y San José, y una iglesia en Mountain View. Sólo se permitió ingresar al área a individuos con su documento de identificación que les certificase como participantes. Se obtuvo un consenso informado verbal, para minimizar la exposición tanto de los participantes como del personal que tomó los tests. Con los participantes en sus vehículos, los recolectores de especímenes vestidos con equipo protector personal tomaron 50-200μL de sangre capilar en un microtainer con cobertura EDTA. Los tubos recibieron un código de barras y fueron conectados con el documento de identidad del participante. Las muestras se enviaron por courier, del lugar de extracción, a un local de lectura del test, en condiciones estables de luz y clima. Técnicos extrajeron toda la sangre y la introdujeron en una línea en la pipeta del fabricante, y ubicaron en ella también el kit de testeo, seguido por un buffer. Los kits de testeo fueron leídos entre 12 y 20 minutos después de haber introducido el buffer. Los técnicos tomaron el código de barras de los tests para hacerlos coincidir con los de la muestra, y documentaron los resultados de todos los tests. 

Desempeño de los Kit de Prueba

Las características de desempeño del kit fueron dadas por la compañía fabricante antes de iniciar el estudio (empleando 85 muestras confirmadas positivas y 371 negativas). Llevamos a cabo tests adicionales para evaluar el desempeño del test empleando especímenes locales. Probamos los kits empleando sera de 37 pacientes RT-PCR positivos del Stanford Hospital, que también eran IgG y/o IgM-positivos en un ensayo ELISA desarrollado localmente. Testamos también los kits en 30 muestras pre-COVID del Stanford Hospital, para derivar una medida independiente de especificidad. Nuestro procedimiento para usar esos datos está detallado abajo. 

Análisis estadístico

Nuestra estimación de la prevalencia de COVID-19 en la población se dio siguiendo tres pasos. Primero, reportamos las frecuencias crudas de tests positivos como proporción del tamaño muestral final. Segundo, volvimos a ponderar nuestra muestra por código postal, sexo, y raza/etnia (blanco no-hispano, asiático, hispano, y otros). Elegimos estos tres ajustadores porque ellos eran los que contribuían al desequilibrio mayor en nuestra muestra, y porque incluir ajustadores adicionales hubiera resultado en conjuntos de N pequeños. Nuestros ponderadores fueron la proporción por código postal-sexo-raza, divididos por la proporción de código postal-sexo-raza en nuestra muestra, para cada combinación de código postal, sexo raza en el condado y en la muestra.

Donde Nc representa conteos del condado, 𝑁s representa conteos de la muestra, y el subíndice zsr identifica los grupos únicos de código postal-sexo-raza. Estos ponderadores fueron aplicados luego a la muestra completa. Para dar un ejemplo concreto, supóngase que la población de dos códigos postales (A y B) incluye 10.000 hombres y 10.000 mujeres.  Nuestra muestra incluyó 250 homrbes y 500 mujeres del código postal A, y 750 hombres y 1500 mujeres del código postal B. Esto ejemplifica el desequilibrio en nuestra muestra. Aplicando la fórmula de arriba, obtenemos una ponderación de 3 hombres en el código postal A, 1.5 para mujeres en el código postal A, 1 para hombres en el código postal B, y 0.5 para mujeres en el código postal B. 

Tercero, ajustamos la prevalencia a partir de la sensitividad y especificidad del test empleado. Puesto que los ensayos de flujo lateral para SARS-CoV-2 son nuevos, aplicamos tres escenarios de sensitividad y especificidad del kit de prueba. El primer escenario emplea los datos de validación del fabricante (S1). El segundo escenario usa la sensitividad y especificidad que surge de una muestra de 37 positivos conocidos (RT-PCR-positivos e IgG o IgM positivos en un ELISA desarrollado localmente) y 30 pre-COVID negativos conocidos testados con el kit en Stanford (S2). El tercer escenario combina las dos recolecciones de muestras (fabricante y muestras locales) como una muestra única conjunta (S3). Empleamos el método delta para estimar los errores estándar para la prevalencia en la población, lo cual da cuenta del error muestral y propaga la incertidumbre en la sensitividad e incertidumbre para cada escenario. Una versión más detallada de las fórmulas que empleamos en nuestros cálculos está disponible en el Apéndice a este estudio. 

RESULTADOS

El kit de test usado para este estudio (Premier Biotech, Minneapolis, MN) fue testado en un laboratorio de Stanford antes de desplegarlo en el trabajo de campo. De 37 muestras de casos conocidos de pacientes PCR-positivos de COVID-19 con IgG o IgM positivos detectados en un test ELISA desarrollado localmente, 25 fueron kit-positivos. Una muestra de 30 muestras pre-COVID de pacientes de cirugía de cadera también fueron testados, y los 30 fueron negativos. Las características del fabricante del test se apoyaron en las muestras de pacientes de COVID-19 clínicamente confirmados como su patrón oro de positivos, y los sera de pre-COVID-19 como su patrón oro negativo. De 75 muestras de pacientes COVID-19 clínicamente confirmados con IgG positivos, 75 fueron kit-positivos, y de 85 muestras IgM positivas, 78 fueron kit- positivas. De 371 muestras pre-COVID, 369 fueron negativas. Nuestras estimaciones de sensitividad basadas en datos de test del fabricante y en datos comprobados localmente fueron de 91.8% (usando la estimación baja basada en IgM, 95 CI 83.8- 96.6%) y 67.6% (95 CI 50.2-82.0%), respectivamente. De modo semejante, nuestra estimación de especificidad son de 99.5% (95 CI 98.1-99.9%) y 100% (95 CI 90.5-100%). Una  combinación de ambas fuentes de datos nos da una sensitividad combinada  de 80.3% (95 CI 72.1-87.0%) y una especificidad de 99.5% (95 CI 98.3-99.9%). 

Nuestro estudio incluyó 3,439 individuos que se registraron para el estudio y que llegaron a los lugares de testeo. Excluímos de la observación a los individuos que no podían ser testados (por ejemplo, incapacidad de obtener sangre, o sangre coagulada, N=49), aquellos cuyos resultados al test no pudieron hacerse coincidir con sus datos personales (por ejemplo, si se registró en el sitio un ID incorrecto, N=30) , los que no residían en el condado de Santa Clara (N=29), y quienes tuvieron resultados de test inválidos (sin banda de Control, N=1). Esto arrojó una muestra analítica de 3,330 individuos con registros completos, incluyendo registro al estudio, presentación en un lugar de testeo para recolección de sus especímenes, y resultados de laboratorio (Figura 1). La distribución muestral se desvió significativamente de la de la población del condado de Santa Clara en varias dimensions: sexo (63% de la muestra fue femenina, 50% en el condado); raza (8% de la muestra fue hispana, 26% en el condado; 19% de la muestra fue asiática, 28% en el condado); y distribución por código postal (densidad media de los participantes por 1.000 habitantes 1.6 IQR 0.9-3.6). La tabla 1 incluye las características demográficas de nuestra muestra antes de ajustarla, la muestra ajustada por población, y el condado de Santa Clara.(16) La Figura 2 muestra la distribución de los participantes en el estudio por código postal en el condado (conteo y densidad por cada 1000 habitantes). 

El número total de casos positivos, sea por IgG o IgM en nuestra muestra no ajustada fue de 50, una tasa cruda de prevalencia de 1.50% (binomio exacto 95% CI 1.11-1.97%). Luego de ponderar nuestra muestra para que correspondiese al condado de Santa Clara County por código postal, raza, y sexo, la prevalencia fue de 2.81% (95% CI 2.24-3.37 sin agrupar los errores estándar para miembros del mismo hogar, y de 1.45-4.16 luego de hecha esa agrupación). Mejoramos luego nuestra estimación empleando los datos disponibles respecto de la sensitividad y especificidad del kit de testeo, usando los tres escenarios descritos arriba. La prevalencia estimada fue de 2.49% (95CI 1.80%-3.17%) en el escenario S1, 4.16% (95CI 2.58%-5.70%) en el escenario S2, y 2.75% (95CI 2.01%-3.49%) en el escenario S3. Notablemente, los márgenes de incertidumbre alrededor de cada uno de estos estimados de prevalencia en la población propagan la incertidumbte para cada uno de los tres parámetros componentes: prevalencia en la muestra, sensitividad del test, y especificidad del test.

DISCUSIÓN

Luego de ajustar por características del test y de la población, estimamos que la seroprevalencia de anticuerpos del SARS-CoV-2 en el condado de Santa Clara está entre 2.49% y 4.16%, con márgenes de incertidumbre en un rango de 1.80% (límite inferior de incertidumbre para la estimación más baja), hasta 5.70% (límite superior de incertidumbre de la estimación más alta). Las características de desempeño del test son el factor más crítico de este rango, con estimaciones bajas asociadas con datos que sugieren que el test tiene una alta sensitividad para identificar SARS-CoV-2, y estimaciones más altas que resultan de los datos y sugieren que alrededor de un 30% de los casos no son detectados por el test. 

Estos resultados representan el primer estudio de prevalencia de gran escala, basado en la comunidad de un condado mayor de los Estados Unidos, completado durante una pandemia de cambio rápido, y con kits de testeo disponibles recientemente. Consideramos que nuestra estimación representa la mejor evidencia disponible actualmente, pero reconocemos que información nueva, especialmente acerca del desempeño del kit, podría resultar en estimaciones actualizadas. Por ejemplo, si nuevas estimaciones indicasen que la especificidad fuese menor al 97.9%, nuestra prevalencia estimada de SARS-CoV-2 podría cambiar de un 2.8% a menos de un 1%, y el límite inferior de nuestra estimación incluiría el cero. Por otro lado, una sensitividad menor, lo que ha sido señalado como factor de preocupación relativa a los kits de tests empleados en puntos de atención, implicaría que la prevalencia en la población fuese aun mayor. Debe incorporarse nueva información sobre el desempeño de los kits y sobre la población, a medida que se efectúen más tests, y planeamos revisar nuestras estimaciones de acuerdo a ello. 

La consecuencia más importante de estos hallazgos es que el número de infecciones es mucho mayor que el número de casos reportados. Nuestros datos implican que, al 1 de abril (tres días antes del final del estudio), entre 48.000 y 81.000 personas había resultado infectadas en el condado de Santa Clara. El número reportado de casos positivos en el condado al 1 de abril era 956, 50 a 85 veces menor que el número de infecciones predichas por este estudio. (17) La tasa de infección respecto a los casos, llamada también tasa de sub-valoración, de al menos 50, es significativamente mayor que las estimaciones corrientes. (10, 18). Esta tasa de valoración es un parámetro fundamental para muchos modelos epidemiológicos y de proyección, y se la usa como meta de calibración para comprender el estadio epidémico y calcular la tasa de letalidad. (19, 20) La sub-valoración para COVID-19 se debe posiblemente a una confianza en los tests PCR que no mide los casos convalecientes, la propagación temprana en ausencia de tests sistemáticos, y las infecciones asintomáticas o leves que quedan sin detección.  

Este factor de sub-valoración de las infecciones es clave si se quiere lograr una estimación mejor de la tasa de letalidad del COVID-19. Muchas estimaciones de tasa de letalidad usan una razón de muertes sobre casos demorados (debido al lapso entre la confirmación del caso y la muerte), con una razón de infecciones por caso en el rango de 1-5 como estimación de sub-valoración. (3, 4, 21) Nuestro estudio sugiere que los ajustes por sub-valoración deben ser mucho más altos. 

Podemos usar nuestras estimaciones de prevalencia para aproximarnos a la tasa de letalidad por infectado del COVID-19 en el condado de Santa Clara. Al 10 de abril de 2020, habían muerto 50 personas por COVID-19 en el condado, con un incremento promedio de 6% diario en el número de muertes. Si nuestras estimaciones de 48.000 a 81.000 infecciones representan el total acumulado para el 1 de abril, y proyectamos las muertes al 22 de abril (un lapso de 3 semanas entre tiempo de infección y tiempo de muerte) (22), estimamos alrededor de 100 muertes en el condado. Cien muertes sobre un total de 48.000 a 81.000 infectados corresponde a una tasa de letalidad por infectado de entre 0.12% a 0.2%. Si los anticuerpos demoran más de tres días en aparecer, si el lapso promedio entre la identificación y la muerte es menor a tres semanas, o si la ola epidémica ha llegado a su pico y el crecimiento de muertes es menor a 6% diario, entonces la tasa de letalidad sería menor. Estas estimaciones simples de la tasa de letalidad por infección no tienen en cuenta la estructura etaria ni las cambiantes aproximaciones terapéuticas al COVID-19. Pese a ello, nuestras estimaciones de prevalencia pueden ser usadas para actualizar las tasas de letalidad actuales, dada la gran revisión hacia arriba de la sub-valoración.

Mientras que nuestros estimados de prevalencia de 2.49% a 4.16%  son representativos de la situación en el condado de Santa Clara al 4 de abril, es probable que otras áreas tengan estimaciones de seroprevalencia diferentes, basadas en tasas de contacto efectivas en la comunidad, políticas de distanciamiento social diferentes a la fecha, y progreso relativo de la enfermedad. Nuestra estimación de prevalencia sugiere también que, a esta altura, una gran proporción de la población sigue sin estar expuesta en el condado de Santa Clara. Los tests serológicos repetidos en diferentes geografías, espaciados entre sí unas pocas semanas, podrían establecer la medida de la infección en el tiempo.

Este estudio tuvo algunas limitaciones. Primero, nuestra estrategia de muestreo para miembros del condado de Santa Clara con acceso a Facebook y un auto para acceder a los lugares de testeo drive-through. Esto resultó en una sobrerepresentación de las mujeres blancas entre edades 19 a 64 años, y una sub representación de las poblaciones hipana y asiática, en relación al total de la comunidad. Estos desequilibrios se corrigieron parcialmente al ponderar nuestra población muestral por código postal, raza y sexo, para hacerla coincidir con la del condado. No tuvimos en cuenta el desequilibrio de edades en nuestra muestra, y no podríamos valorar la representatividad de anticuerpos de SARS-CoV-2 en la población de personas sin hogar. Otros sesgos, tales como uno que favorece a individuos en buen estado de salud como para poder concurrir a nuestros lugares de testeo, o un sesgo que favoreciese a aquellos con enfermedades anteriores similares a COVID-19 que buscasen confirmación de que tienen anticuerpos también pueden existir. El efecto general de tales sesgos es difícil de evaluar.

El test serológico Premier Biotech empleado en este estudio aun no había sido aprobado por la FDA al momento del estudio, y las pruebas de validación para este ensayo aun están siendo corridas. Empleamos datos existentes respecto del desempeño del test para establecer rangos de sensitividad y especificidad, incluyendo datos confiables pero de tamaño pequeño en Stanford. La sensitividad del test varió entre los datos del fabricante y los datos locales. Es posible que individuos asintomáticos o con síntomas leves puedan generar solamente anticuerpos de baja intensidad, y que la sensitividad pueda ser aun menor si hubiese muchos de tales casos. (23) Una validación adicional del ensayo empleado podría mejorar nuestras estimaciones, y las de los seroestudios en curso.

Varios equipos en el mundo han comenzado a testar muestras poblacionales para anticuerpos de COVID-19, con resultados preliminares consistentes con una gran sub-valoración de las infecciones de COVID-19. Los reportes de la ciudad de Robbio, Italia, donde el total de la población fue testada, sugieren al menos un 10% de seropositividad;(10) y datos de Gangelt, un área muy afectada en Alemania, (25) apuntan a un 14% de seropositividad. Un esfuerzo reciente de testar la localidad de Telluride, Colorado, está en curso, y los resultados preliminares sugieren una prevalencia de casi 2%. (26) Nuestros datos para el condado de Santa Clara sugieren una propagación de la infección más alta que la de Telluride, pero más baja que en algunas áreas de Europa. 

Concluimos que, basado en un muestreo de seroprevalencia de una gran población regional, la prevalencia de anticuerpos de SARS-CoV-2 en el condado de Santa Clara estaba entre 2.49% y 4.16% para comienzos de abril. Mientras que esta prevalencia puede estar muy por debajo del tamaño teórico final de la epidemia (27), sugiere que el número de infecciones es 50 a 85 veces más grande que el número de casos actualmente detectados en el condado de Santa Clara. Estos nuevos datos deberían permitir modelos mejores de la pandemia y su progresión bajo diversos escenarios de intervenciones no-farmacéuticas. Si bien nuestro estudio se limita al condado de Santa Clara, demuestra la viabilidad de los estudios de seroprevalencia ahora, y en el futuro, para informar nuestro conocimiento de la progresión de esta pandemia, proyectando estimaciones de la vulnerabilidad comunitaria, y vigilar las tasas de letalidad por infección en diversas poblaciones a lo largo del tiempo. Es también una herramienta importante para reducir la incertidumbre acerca del estado de la epidemia, lo cual puede tener beneficios públicos importantes.

REFERENCIAS 

  1. Novel Coronavirus Press Archives – Public Health Department – County of Santa Clara [Internet]. [accessed 2020 Apr 12]; Disponible de: https://www.sccgov.org/sites/phd/DiseaseInformation/novel- coronavirus/Pages/archives.aspx
  2. Report 12 – The global impact of COVID-19 and strategies for mitigation and suppression [Internet]. Imperial College London. [accessed 2020 Apr 7];Available from: http://www.imperial.ac.uk/medicine/departments/school-public-health/infectious-disease- epidemiology/mrc-global-infectious-disease-analysis/covid-19/report-12-global-impact-covid-19/
  3. Spychalski P, Błażyńska-Spychalska A, Kobiela J. Estimating case fatality rates of COVID-19. The Lancet Infectious Diseases [Internet] 2020 [accessed 2020 Apr 9];0(0). Available from: https://www.thelancet.com/journals/laninf/article/PIIS1473-3099(20)30246-2/abstract
  4. Onder G, Rezza G, Brusaferro S. Case-Fatality Rate and Characteristics of Patients Dying in Relation to COVID-19 in Italy. JAMA [Internet] 2020 [accessed 2020 Apr 9]; Disponible de: https://jamanetwork.com/journals/jama/fullarticle/2763667
  5. Li L-Q, Huang T, Wang Y-Q, et al. COVID-19 patients’ clinical characteristics, discharge rate, and fatality rate of meta-analysis. J Med Virol 2020;
  6. Wu JT, Leung K, Bushman M, et al. Estimating clinical severity of COVID-19 from the transmission dynamics in Wuhan, China. Nature Medicine [Internet] 2020 [accessed 2020 Apr 8];1–5. Disponible de: https://www.nature.com/articles/s41591-020-0822-7
  7. Kimball A. Asymptomatic and Presymptomatic SARS-CoV-2 Infections in Residents of a Long- Term Care Skilled Nursing Facility — King County, Washington, March 2020. MMWR Morb Mortal Wkly Rep [Internet] 2020 [accessed 2020 Apr 10];69. Disponible de: https://www.cdc.gov/mmwr/volumes/69/wr/mm6913e1.htm
  8. Mizumoto K, Kagaya K, Zarebski A, Chowell G. Estimating the asymptomatic proportion of coronavirus disease 2019 (COVID-19) cases on board the Diamond Princess cruise ship, Yokohama, Japan, 2020. Eurosurveillance [Internet] 2020 [accessed 2020 Apr 10];25(10):2000180. Disponible de: https://www.eurosurveillance.org/content/10.2807/1560-7917.ES.2020.25.10.2000180
  9. Nishiura H, Kobayashi T, Suzuki A, et al. Estimation of the asymptomatic ratio of novel coronavirus infections (COVID-19). Int J Infect Dis 2020;
  10. Li R, Pei S, Chen B, et al. Substantial undocumented infection facilitates the rapid dissemination of novel coronavirus (SARS-CoV2). Science [Internet] 2020 [accessed 2020 Apr 10]; Disponible de: https://science.sciencemag.org/content/early/2020/03/24/science.abb3221
  11. Pellis L, Scarabel F, Stage HB, et al. Challenges in control of Covid-19: short doubling time and long delay to effect of interventions. arXiv:200400117 [q-bio] [Internet] 2020 [accessed 2020 Apr 8]; Disponible de: http://arxiv.org/abs/2004.00117
  12. Muniz-Rodriguez K, Chowell G, Cheung C-H, et al. Epidemic doubling time of the COVID-19 epidemic by Chinese province. medRxiv [Internet] 2020;2020.02.05.20020750. Disponible de: http://medrxiv.org/content/early/2020/02/28/2020.02.05.20020750.abstract
  13. Population-based age-stratified seroepidemiological investigation protocol for COVID-19 virus infection [Internet]. [accessed 2020 Apr 8];Disponible de: https://www.who.int/publications- detail/population-based-age-stratified-seroepidemiological-investigation-protocol-for-covid-19-virus- infection
  14. Shaver LG, Khawer A, Yi Y, et al. Using Facebook Advertising to Recruit Representative Samples: Feasibility Assessment of a Cross-Sectional Survey. J Med Internet Res 2019;21(8):e14021.
  15. REDCap: Resources operated by Stanford Research IT [Internet]. [accessed 2020 Apr 7]; Disponible de: https://med.stanford.edu/researchit/resources.html#citations
  16. Bureau UC. American Community Survey (ACS) [Internet]. The United States Census Bureau. [accessed 2020 Apr 10]; Disponible de: https://www.census.gov/programs-surveys/acs
  17. County of Santa Clara Public Health Department – Coronavirus (COVID-19) Data Dashboard [Internet]. [accessed 2020 Apr 11]; Disponible de: https://www.sccgov.org/sites/phd/DiseaseInformation/novel-coronavirus/Pages/dashboard.aspx#cases
  18. Salomon JA. Defining high-value information for COVID-19 decision-making. medRxiv [Internet] 2020;2020.04.06.20052506. Disponible de: http://medrxiv.org/content/early/2020/04/08/2020.04.06.20052506.abstract
  19. Verity R, Okell LC, Dorigatti I, et al. Estimates of the severity of COVID-19 disease. medRxiv [Internet] 2020 [accessed 2020 Apr 10];2020.03.09.20033357. Disponible de: https://www.medrxiv.org/content/10.1101/2020.03.09.20033357v1
  20. IHME | COVID-19 Projections [Internet]. Institute for Health Metrics and Evaluation. [accessed 2020 Apr 10]; Disponible de: https://covid19.healthdata.org/
  21. Baud D, Qi X, Nielsen-Saines K, Musso D, Pomar L, Favre G. Real estimates of mortality following COVID-19 infection. The Lancet Infectious Diseases [Internet] 2020 [accessed 2020 Apr 10]; Disponible de: http://www.sciencedirect.com/science/article/pii/S147330992030195X
  22. Bhatraju PK, Ghassemieh BJ, Nichols M, et al. Covid-19 in Critically Ill Patients in the Seattle Region — Case Series. New England Journal of Medicine [Internet] 2020 [accessed 2020 Apr 10];0(0):null. Disponible de: https://www.nejm.org/doi/full/10.1056/NEJMoa2004500
  23. Wu F, Wang A, Liu M, et al. Neutralizing antibody responses to SARS-CoV-2 in a COVID-19 recovered patient cohort and their implications. medRxiv [Internet] 2020;2020.03.30.20047365. Disponible de: http://medrxiv.org/content/early/2020/04/06/2020.03.30.20047365.abstract
  24. What the first data of Robbio reveal, the only Italian country to take immunity tests on all citizens [Internet]. Business Insider Italia. 2020 [accessed 2020 Apr 10]; Disponible de: https://it.businessinsider.com/esclusiva-cosa-rivelano-i-primi-test-di-robbio-primo-paese-italiano-a- fare-i-test-sullimmunita-a-tutti-i-cittadini/
  25. Blood tests show 14% of people are now immune to covid-19 in one town in Germany [Internet]. MIT Technology Review. [accessed 2020 Apr 10]; Disponible de: https://www.technologyreview.com/2020/04/09/999015/blood-tests-show-15-of-people-are-now- immune-to-covid-19-in-one-town-in-germany/
  26. San Miguel County suspends, then recommits to its universal coronavirus testing experiment over 3- day span [Internet]. The Colorado Sun. [accessed 2020 Apr 10];Available from: https://coloradosun.com/2020/04/09/san-miguel-county-telluride-universal-coronavirus-testing/
  27. Coronavirus (COVID-19): Press Conference with Marc Lipsitch, 03/04/20 [Internet]. News. 2020 [accessed 2020 Apr 10]; Disponible de: https://www.hsph.harvard.edu/news/features/coronavirus- covid-19-press-conference-with-marc-lipsitch-03-04-20/ 

FIGURAS

Figura 1:

Figura 1: De 3,439 individuos que llegaron para hacerse el test, no se pudieron obtener muestras o tests (ejemplo: sangre coagulada) a 49, y 60 más fueron excluidos debido a datos inválidos (ejemplo, residencia fuera del condado de Santa Clara), datos del test que no pudieron ser conectados a ningún participante, o resultados de test inválidos. La muestra final comprendió 3,330 registros. 

Figura 2: CONTEO MUESTRAL SEGÚN CÓDIGO POSTAL

Figura 2:  Número de registrados con registro completo en nuestro conjunto de datos según código postal (panel A), y tasa de participantes por cada 1,000 residentes en cada código postal (panel B).

TABLAS

Tabla 1: Características muestrales, relativas a las estimaciones de población del condado de Santa Clara a partir del American Community Survey de 2018. 

Tabla 2: Estimación de la prevalencia en el condado de Santa Clara. Reportamos la prevalencia y los márgenes de incertidumbre de las estimaciones para la frecuencia no ajustada de conteos, estimaciones ajustadas a la población, y estimaciones ajustadas a la población + el desempeño del test. Para las estimaciones ajustadas a la población + el desempeño del test, mostramos estimaciones que usan los tres escenarios de desempeño de test descritos en los Métodos. Para cada punto estimado, presentamos el método empleado para estimar los márgenes de incertidumbre. Donde se indica, agrupamos los errores estándar para los participantes que trajeron un niño con ellos (miembros del mismo hogar).

INFORMACIÓN SOBRE ESTE ARTÍCULO

Autor corrresponsal: Eran Bendavid, ebd@stanford.edu 

Conflicto de intereses Ninguno. Los kits de prueba para este estudio fueron adquiridos a Premier Biotech, y ninguno de los autores tiene ninguna relación con el fabricante and none of the authors have a relationship to the test manufacturer (más allá de haberles adquirido los tests). 

Financiación/Apoyo: Agradecemos a muchos donantes individuales que generosamente apoyaron este proyecto con donaciones de dinero. 

Rol de los Financiadores: Nuestros financiadores no tuvieron ningún rol en el diseño y conducción del estudio, ni en la decisión de preparar y enviar el manuscrito para publicación.


Compartir