Ir al contenido principal

Grupo sanguíneo y COVID-19


Felix Donghwi Son. Coronavirus 3D Image Collection. 2020. Felixvis. https://www.felixvis.com/.

Por: Reimer Romero H., Doctor en Ciencias.

Los riesgos de contagio del covid-19 y de cualquier enfermedad queda determinado por múltiples dimensiones que van desde lo clínico pasando por lo patológico y llegando a tener, incluso, un alcance social y  ambiental. Es labor de los epidemiólogos detectar las variables asociadas a estas dimensiones y medir la influencia de cada una de ellas en la toma de decisión y elaboración de políticas para frenar o reducir los contagios.

 Ante la pandemia mundial decretada por la OMS el pasado 11 de Marzo, la comunidad científica está abocada a investigar todos los elementos de este fenómeno “natural”. En este sentido se han generado muchas investigaciones que son reportadas en forma de “artículos científicos”, éstos, son escritos con la rigurosidad científica pertinente que sirven de apoyo a otros investigadores para continuar con la labor científica. Algunos científicos que no estamos en plena faena investigativa, o por lo menos, no tenemos al COVID-19 como tema de línea de interés, nos preocupa que interpretaciones erróneas se hagan de los resultados científicos, y por lo tanto asumimos el papel divulgativo para generar confianza en el público no especialista. 


Esta entrega tiene como objetivo alfabetizar "científicamente" al público no especialista, para la correcta interpretación de algunos términos estadísticos que son usados en los artículos. En esta ocasión traigo a colación, uno en el que se reporta el riesgo de contagio del COVID-19 según el grupo sanguíneo humano.


Para determinar el riesgo que tienen ciertos sujetos (o personas) de contraer una enfermedad debemos mirar primero si en ellos existe o no un condicionante, a lo que los epidemiólogos llaman factor de riesgo (FR). Por ejemplo, la obesidad es considerada un factor de riesgo que determina si una persona puede o no sufrir un accidente cerebro vascular (ACV); como se observa, la obesidad es una variable que puede adquirir sólo uno de dos valores (Presente / Ausente), es decir, es una variable dicotómica. De igual forma, la variable resultado  (ACV / No-ACV) es una variable cualitativa que puede adquirir uno de dos valores. Para determinar si la obesidad es o no un factor que guarda asociación con el ACV, pueden diseñarse dos tipos de estudios: 1) de casos y control (retrospectivo) o 2) Cohorte (prospectivo); serán sus factibilidades lo que determinará la decisión del investigador por inclinarse hacia algunos de estos dos. 


En caso de que el estudio sea de casos y control, la manera de representar y asociar las variables comienza con una tabla como la que se muestra a continuación, se trata de una tabla de dos filas y dos columnas (2x2), a la que llaman “tabla de contingencia”, veamos: 



Casos
Control
Total
FR Presente
a
b
a+b
FR Ausente
c
d
c+d


            Los valores a, b, c y d representan conteos de sujetos, es decir, del total de sujetos contados en un estudio, éstos se separan en dos grupos, de manera que el total de sujetos con FR presente queda determinado por a+b y el de sujetos sin FR sería c+d. De igual forma, el total que sujetos con enfermedad es a+c (casos) y sin enfermedad (grupo control) b+d.


Una forma de determinar la posibilidad de contagio frente a la presencia de un factor de riesgo es a través del odd ratio (OR),  también llamado razón de los grados de probabilidad, se calcula según:


Si este valor es mayor a 1, significa que existe un alto riesgo ante la presencia del factor del riesgo; y si es igual a 1 significa que las probabilidades de contagio son iguales en ambas situaciones del factor del riesgo. 


            Veamos con funciona esto con datos reales y muy actuales, a propósito de la actual pandemia provocada por el COVID-19. En la ciudad china de Wuhan se realizó un estudio descriptivo en el que se determinó el riesgo de contraer el virus y el riesgo de muerte según el grupo sanguíneo de la población. Para ello agruparon la muestra en los cuatro grupos sanguíneos y, entre los que contrajeron el COVID-19 (casos) y un grupo control, veamos la tabla que ellos reportan:



            Para un análisis más sencillo y orientado, reconstruiremos la tabla 2x2 como la que nos ocupó en primera instancia, para ellos tomaremos (deliberadamente) como grupo riesgo a los sujetos cuyo grupo sanguíneo son tipo O (resaltado en azul), 



Casos con
COVID-19
Control
Total en Riesgo
Tipo O
458
1250
1708
No Tipo O
1317
2444
3761
 


            Con estos valores calculamos OR:


            Recuerde que hemos ubicado en la primera fila (presencia de factor de riesgo) al grupo sanguíneo tipo O, por lo que este resultado (OR menor a 1) nos indica que la probabilidad de contraer el COVID-19 es bajo en comparación a los otros grupos sanguíneos. ¿Cuánta confianza tenemos de este resultado? La respuesta a esto lo obtenemos numéricamente con el llamado Intervalo de Confianza (IC 95%), el cual nos reporta los dos valores entre los que se encuentra este OR con una precisión del 95%. Los detalles del cálculo los dejaré para otra entrega, por lo pronto nos basta decir que:


IC 95% = [0.599 , 0.771]


            Con este rango vemos que tanto el valor inferior como el superior son menores a 1, lo cual tiene un valor “significativo”, estadísticamente hablando, y por lo tanto es poco riesgoso contraer el COVI-19 si los sujetos pertenecen al tipo sanguíneo O.   


            Podemos repetir este procedimiento con los otros tipos sanguíneos, tal y como lo hicieron es este estudio Zhao y colaboradores, veamos:    


    



            Como ya puede usted mismo interpretar, existe un riesgo de contraer el COVID-19 si se pertenece al grupo sanguíneo A (OR=1.270, IC95% = [1.1136 , 1.1440] ), sin embargo no hay evidencia suficiente para decir lo mismo de los grupo B y AB ¿Por qué?. Por último, les dejo el resultado de esta investigación cuando se trata de riesgo de muerte, les invito a realizar sus propias observaciones.





            Como puede observar en las dos últimas tablas, existe otro parámetro reportados, ellos son Chi-Cuadrado y  el p-valor (P), de éstos les contaré en la próxima entrega. 

 


Referencias:

  1.  Relationship between the ABO Blood Group and the COVID-19 Susceptibility. Jiao Zhao, Yan Yang, Hanping Huang, Dong Li, Dongfeng Gu, Xiangfeng Lu, Zheng Zhang, Lei Liu, Ting Liu, Yukun Liu, Yunjiao He, Bin Sun, Meilan Wei, Guangyu Yang, Xinghuan Wang, Li Zhang, Xiaoyang Zhou, Mingzhao Xing, Peng George Wang. medRxiv 2020.03.11.20031096; doi: https://doi.org/10.1101/2020.03.11.20031096.
  2.  Biostatistics: A Foundation for Analysis in the Health Sciences. Wayne W. Daniel 9th Edition.

Comentarios

Entradas populares de este blog

Propuesta TEG: Aspectos mecanicistas del crecimiento tumoral de los GBM

  Tutor: Profesor (Dr.) Reimer Romero (romeroreimer@gmail.com) Contexto:      El glioblastoma (GBM), es el tipo de tumor cerebral más común, agresivo e infiltrante en adultos, además, tiene un pronóstico desfavorable. Los avances recientes en el tratamiento clínico del GBM no han supuesto una gran diferencia en las perspectivas de los pacientes. La naturaleza altamente infiltrante del GBM hace que su recurrencia sea esencialmente un proceso garantizado y su tratamiento varía drásticamente según el caso [1].      El modelado biofísico tiene el potencial de convertirse en una herramienta indispensable para proporcionar información adicional sobre la progresión y el desarrollo del GBM y, por lo tanto, mejorar la toma de decisiones clínicas, lo que se traduce en una mejora adicional de la calidad de vida de los pacientes [1].      Los modelos matemáticos que caracterizan los efectos del tratamiento farmacológico contra el cáncer en tumores s...

IA y Estadística en la investigación médica: ¿aliadas o adversarias?

Por Dr. Reimer Romero Hernández Investigador Asociado la IIMBUC  Instituto de Investigaciones Médicas y Biotecnológias de la Universidad de Carabobo .  Desde que Apple introdujo a su  "asistente virtual" Siri en los dispositivos iOS hace 12 años, se inició la era comercial de las inteligencias artificiales (IA), con empresas como OpenAI y Google a la cabeza. Sin embargo, la historia de la IA es mucho más antigua, y mientras las investigaciones en el área de las ciencias médicas apoyadas en IA continúan desarrollándose, aún queda  camino por recorrer en cuanto a aplicaciones prácticas en el ámbito de la salud. Surgen muchas dudas y precauciones ante temas tan delicados, como por ejemplo, el uso público de datos biomédicos. No obstante, esta situación brinda la oportunidad de explorar el potencial de esta tecnología y su relación con las herramientas estadísticas tradicionales. El artículo publicado en The New England Journal of Medicine, titulado 'Where Medi...

Propuesta TEG: Análisis de datos play by play de la NBA

  Tutor: Profesor (Dr.) Reimer Romero (Departamento de Física - FACYT) (romeroreimer@gmail.com)  El baloncesto es un deporte muy dinámico, las estrategias de los equipos consisten en evitar que el contrincante consiga anotar puntos, pero también lograr conseguir puntos dentro de un tiempo reglamentario, en la NBA este tiempo es de 24 segundos. Al igual que el fútbol, el balón debe ser conducido hasta lograr alcanzar la meta (atravesar una canasta a 3,05m de altura y obtener puntos). Ganará el equipo que en 48 minutos (dividido en 4 partes iguales) alcance la mayor cantidad de puntos. Entre una acción defensiva y la ofensiva se gestan eventos que son registrados en el momento que ocurre cada uno de ellos, este registro dentro de la era moderna de la data de la NBA, recibe el nombre de play by play. Este trabajo consiste en recuperar datos de muchos encuentros de la NBA para así evaluar algunos aspectos ofensivos del juego como lo es la dinámica previa a cada canasta, condic...