Desde su detección a fines de diciembre de 2019 en Wuhan (China), el coronavirus se ha diseminado por todo el mundo ocasionando estragos en la salud pública y la economía. Lo que al principio parecía ser un brote local (gracias a la veloz contención mediante drásticas medidas llevadas a cabo por el gobierno chino, lo que determinó que casi todos los casos en ese país se dieran en la ciudad de origen) terminó siendo una pandemia global, facilitada por varias causas; entre ellas, el alto grado de globalización existente con sus consiguientes millones de viajeros diarios entre continentes. La actitud dubitativa o incluso escéptica de algunos gobernantes (de manera sobresaliente, Trump y Bolsonaro) ha sido origen de amargas polémicas tanto dentro como fuera de sus países. Muchas veces, los oponentes a la toma de medidas drásticas de confinamiento alegan oposición a “pérdidas de libertades personales”. El coronavirus, sin embargo, desconocedor de los valores de la Ilustración, podría aprovechar esta circunstancia para poner en jaque a sociedades enteras.

Ya avanzada la pandemia y los esfuerzos globales para contenerla, podemos repasar en qué países la misma ha ocasionado más casos, o se ha cobrado más víctimas fatales. Debido a que es de esperar que en países más poblados el número de víctimas sea más elevado (a igualdad de todos los demás factores), a propósito de las comparaciones entre países, usar valores relativos (casos por millón de habitantes, por ejemplo) puede dar una idea del impacto relativo de la pandemia en cada sociedad. De modo que queremos estudiar el impacto del coronavirus tanto en términos absolutos (porque cada vida humana importa y porque queremos saber el impacto total, en términos absolutos de personas infectadas, fallecidas, recuperadas, etc), como en términos relativos (para hacer comparaciones más justas y relevantes entre países). Una pequeña digresión en este punto: las comparaciones entre países no son una competencia macabra, sino que pueden ser útiles para evaluar la eficacia de diferentes políticas de salud pública ante una emergencia grave, una cuestión que es literalmente de vida o muerte para miles de personas en cada país.

En nuestro país y en el resto del mundo, no faltaron (ni faltan aún) voces que se lamentan por el daño económico que estas medidas de distanciamiento y cuarentena ocasionan, y claman por una vuelta a cierta forma de “normalidad”. Es entendible que por un lado, pequeños comerciantes y cuentapropistas se desesperen por contar una fuente de ingreso, pero al estar en juego la salud pública, cualquier decisión debe tomarse sobre hechos, no deseos o temores.

Así que, como dijo un pensador (chino), hay que “buscar la verdad en los hechos”: podemos estudiar cómo les ha ido hasta ahora a los países que han demorado más y/o han tomado medidas más laxas de contención en las primeras etapas. También podemos preguntarnos en qué países la pandemia ha ocasionado más casos, o se ha cobrado más víctimas fatales.

Hay a esta altura infinidad de recursos en Internet para buscar este tipo de datos, pero la inspección exhaustiva de largas tablas, que contienen estadísticas de cerca de 200 países, puede resultar abrumadora. Afortunadamente, poseemos herramientas estadísticas que nos permiten resumir la información de miles de entradas de tablas en gráficos que, con un mínimo de atención, son entendibles sin demandar del lector el entendimiento fino de la matemática que está por detrás de los mismos. En este trabajo, vamos a aplicar herramientas de una rama de la estadística que maneja múltiples variables de manera descriptiva, y las resume, encontrando las direcciones de máxima variación entre individuos (“Análisis de componentes principales”). Los individuos bajo estudio serán los países que al 17/04/2020 habían reportado más de 1000 casos de infección por covid-19 (la exclusión de países con menos casos facilita la interpretación de los hechos y con esta selección, nos quedamos con casi el 99 por ciento de los casos y el 99,5 por ciento de las muertes globales a esa fecha). Las variables a estudiar en nuestro caso son: Casos totales, Muertes totales, Recuperados totales, Casos activos, Serios y críticos, Casos totales por millón y Muertes por millón. Como puede verse, hay dos conjuntos de variables, el primero se refiere a términos absolutos y el segundo, relativiza los datos por millón de habitantes. Este último grupo de 2 variables permite comparaciones válidas entre, por ejemplo, Bélgica (que tiene una población de 11,5 millones) y China (1400 millones). Los datos fueron extraídos del sitio de Worldometer . El análisis aquí presentado relaciona individuos (países) con variables (casos, recuperados, muertes…). Esta técnica nos permitirá relacionar a los diferentes países con diferentes variables. Por ejemplo, qué países se destacan en la dirección de tener gran cantidad de casos activos, muertos, o casos por millón. También veremos cómo cambian las tendencias entre países a través del tiempo.

En un intento por entender qué variables pudieran estar en juego detrás de las variables de morbilidad y mortalidad en cada país, para cada uno consideraremos otras variables, a las que llamaremos “auxiliares”, que no participan del análisis de los datos sino que facilitan su interpretación (las “superpondremos” a los gráficos generados). Dichas variables auxiliares son: Tests totales, Tests por millón, Camas de hospital cada mil habitantes, demora en decretar cuarentena desde los primeros 100 casos, tiempo transcurrido entre los primeros 100 y los primeros 1000 casos, el número de días que transcurrió desde la cuarentena de Wuhan (epicentro) y el primer caso en el país considerado, y el continente al que pertenece cada país.

Esto puede parecer complejo (y matemáticamente lo es), pero veremos cómo visualmente estas herramientas son muy poderosas y permiten sacar conclusiones sólo con una mirada atenta y ganas de aprender.

Antes de empezar, una nota respecto a la fecha de comienzo de cuarentena en cada país: diferentes países han tomado medidas de diferente fuerza en este sentido. En casos en los que el cierre se ha dado de manera gradual, se tomó siempre el cierre en la ciudad o provincia más poblada como fecha para todo el país.

El caso de Estados Unidos (USA) es probablemente el más complejo. Su sistema de Estados federados con amplias potestades hace que cada gobernador decida cuándo implementar la cuarentena, cuán estricta y cuánto durará, o incluso si implementarla o no. El análisis detallado por Estado merecería un estudio aparte. Los cierres parciales o totales comenzaron a mediados de marzo en algunos Estados, mientras que en otros aún a la fecha es voluntaria la cuarentena. Como el epicentro norteamericano es Nueva York, donde se concentra el mayor número de casos y muertes, y decidió un cierre a una fecha que podemos llamar “intermedia”, y bastante representativa de muchos otros Estados, tomaremos la fecha del “cierre” de Nueva York (21/03) como fecha promedio para todo USA.

The American Way of Dying

Repasemos: vamos a elegir para el análisis los países con más de 1000 casos al 17/04, que fueron 78. Ellos concentraban, recordemos, casi el 99 por ciento de los casos y el 99,5 por ciento de las muertes globales a esa fecha. Al analizar de manera simultánea los valores para todas las variables arriba mencionadas, ligadas a la enfermedad y muerte por coronavirus para todos esos países se obtienen los siguientes dos gráficos (Figuras 1 a y 1 b), que deben observarse en conjunto para interpretarlos:

Figura 1a

Figura 1b

Estos dos gráficos resumen casi toda la información que proviene de una Tabla con 1014 datos, y relaciona cada dato con todos los demás. ¡Imaginen si quisiéramos resumir toda esa información con nuestro cerebro, sólo inspeccionando esa Tabla gigante! Es imposible, y de ahí viene la utilidad y la potencia de este tipo de análisis.

Del gráfico de las Variables (Figura 1a), hay que notar que las flechas, que representan a cada variable, se “acercan” a la circunferencia cuanto mejor representadas están, y son las que más pesan en el análisis, las más importantes. En ese sentido, se ve que el eje horizontal (Dim1), se relaciona, a su derecha, con valores altos de Muertes totales, Casos totales, Casos Serios, Casos activos, en ese orden, jugando Recuperados un rol menor. Por lo tanto, países ubicados a la derecha de Dim1 tendrán altos valores para esas variables. La Dim1 se lleva el 67,3 por ciento de la variabilidad de los datos de la gran Tabla inicial con 78 países, es muy importante. Dim2 (eje vertical), el segundo en importancia (17.7 por ciento de la variabilidad contenida en la Tabla inicial), tiene valores positivos (hacia arriba), en Casos por millón de habitantes y Muertes por millón de habitantes. Por lo tanto, países ubicados arriba en Dim2, tendrán altos valores para esas variables. ¿Cuáles son los países importantes en las Dimensiones de la pandemia de Coronavirus? La inspección del gráfico “compañero” del 1a, que es el 1b, el de los países, nos lo dice.

Por claridad, etiquetamos sólo los 15 países que más contribuyen a formar estas Dimensiones del análisis: y una escala de color (a la derecha de la 1b, “Ctr”) indica cuáles son especialmente buenos “contribuyentes”. En rojo, los mejores contribuyentes (van a estar en los extremos del gráfico 1b). Puede verse que Estados Unidos está, solitario, abajo a la derecha, muy lejos del resto. Y de color rojo fuerte. Esto indica que, por sí solo, Estados Unidos está contribuyendo, dando forma, en gran medida, al análisis de todo el mundo. Incluso dentro de los 15 países más importantes para el desarrollo de la pandemia, destaca. De hecho, con menos del 5 por ciento de la población mundial, Estados Unidos contribuye a ¡más del 50 por ciento de la formación de Dim1, el eje más importante! El cual, como vemos al analizar el gráfico 1a, tiene que ver con Casos totales, Casos Activos, Casos Serios, Muertes totales… USA está del mismo lado (positivo) que esas variables. Más atrás, pero también importantes, están los países europeos occidentales. Sobre todo España, Italia y Francia. Pero también, aunque menos a la derecha que estos últimos, es muy dramática la situación de Bélgica: sus valores muy positivos (hacia arriba) en la Dim2 reflejan los valores de Casos por Millón y Muertes por Millón más altos del mundo. Si no está tan a la derecha en Dim1, es sólo porque su población total (11,5 millones) empequeñece su contribución en Dim1, que tiene que ver más con números absolutos. Pero en la Dim2, que relativiza los casos por millón de habitantes, se evidencia como un país muy gravemente afectado.

¿Y China? ¿No era el Coronavirus, al decir de Trump, un “virus chino”? Bueno, China está mucho más cerca del centro del gráfico, de color azul (contribuye poco), y del lado negativo de Dim2 (la de los casos y muertos por millón). Esto es así porque, si bien hasta principios de marzo casi toda la pandemia se había desarrollado en China, que concentraba los casos y muertos, ahora China tiene un número de muertos y casos por millón relativamente muy bajos (3 muertos por millón, contra más de 100 de USA al 17/04/20). China lleva semanas con pocos o ningún fallecido, mientras se apilan los casos en los países de la OCDE (más otros, que veremos luego). La covid-19 puede haber nacido en China, pero este inmigrante indeseado encontró su patria adoptiva a los pies de la Estatua de la Libertad.

Los países cerca del centro (cruce de ejes horizontal y vertical) contribuyen poco a la formación de los ejes, es decir, tienen valores promedio para las variables de la pandemia (al menos, al 17/04).

¿Y Argentina? Afortunadamente, no se destaca a la derecha ni arriba del gráfico 1b; es uno más del montón de países (círculos azules y celestes) a la izquierda del gráfico. Más adelante veremos en detalle su ubicación relativa.

En el resto del mundo

Como USA contribuye con más del 50 por ciento a la formación del análisis, “deforma” la realidad del resto del mundo, sesgando el análisis. Repetiremos los gráficos anteriores pero excluyendo USA (figuras 2 a y 2 b), para ver si la realidad del resto del mundo puede ser comparada de la misma manera (es decir, si los ejes se forman de manera similar):

Figura 2a

Figura 2b

La comparación de Figuras 2a con 1a y 2b con 1b muestra que el análisis en lo esencial se mantiene al sacar a USA: Dim1, la más importante, sigue estando relacionada más que nada con Muertes totales, Casos activos y totales, y en menor medida, con Casos recuperados y Muertes por millón. La Dim2 sigue estando relacionada con Casos por millón, y, en menor medida, Muertes por millón. España es el país más importante contribuyendo a la formación de Dim1, pero ya no con más del 50 por ciento, como el caso de USA en la Figura 1, sino con un 28 por ciento. Al desaparecer USA del análisis, aparece Turquía para completar los 15 mayores contribuyentes. Argentina aparece, no porque contribuya de manera importante (y eso se evidencia por el color profundamente azul del círculo correspondiente en 2b), sino porque queremos ver dónde estamos en relación con el resto del mundo: por suerte, nuestro país aparece bien lejos de los valores positivos de las peores variables. De hecho, Argentina, con valores negativos tanto en Dim1 como en Dim2, contribuye modestamente a la formación de los ejes, pero por el lado negativo (relativamente pocos Casos y Muertos, tanto en términos absolutos como por millón).

Estamos opuestos a España y Bélgica.

¿Qué podemos decir de las Variables Auxiliares (flechas azules en Figuras 1a y 2a)? Recordemos que estas Variables corresponden a datos no usados para formar el análisis, sino que son Variables que “superponemos” al análisis ya hecho con las otras (casos, muertes, recuperados…) para ver si correlacionan de alguna manera y pueden explicar al resto. Se observa que las Variables auxiliares “Primer caso”, “Tiempo de 100 a 1000 casos” y “Tiempo al cierre”, “apuntan” a valores negativos de Dim1. Eso indicaría que, cuanto más tiempo tardó en reportarse el virus en un país, cuanto más tardó en pasar de 100 a 1000 casos, y cuanto más rápido se decretó la cuarentena u otra medida estricta de confinamiento social, menos grave es la pandemia en un país, en general. Pero hay que tener cuidado con esta interpretación: las puntas de las flechas de estas variables están lejos de la circunferencia, indicando que su correlación es débil y no significativa. Podría ser que sólo estamos viendo estas tendencias porque la mayoría de los países considerados entraron tarde a la pandemia, y aún no tuvieron tiempo de empeorar sus parámetros tales como muertes por millón o número de casos totales.

El tiempo pasa...

¿Cómo evoluciona la pandemia a escala global? Para averiguarlo, repetiremos al análisis hecho para el 17/04 con los mismos países, excluyendo a USA (que ha continuado siendo un dato extremo desde el 17/04) para el 22/04 y el 27/04, es decir, cada 5 días, juntando toda la información en la Figura 3 (a y b):

Figura 3a

Figura 3b

Los 15 países que más contribuyen a lo largo de estos 10 días son los mismos que el 17/04. Los puntos de colores de cada país indican el “viaje” por el espacio multidimensional (representado en el plano) durante el período considerado: de “rojo” (el 17/04) pasando por “verde” (el 22/04) al “azul” (27/04). Brasil ha avanzado velozmente hacia valores más positivos de la Dim1. China retrocede rápidamente hacia el centro, contribuyendo con sólo el 0,25 por ciento de la construcción de la Dim1 que, como recordamos, correlaciona con carga absoluta de Casos y Muertos. Notablemente, es uno de los 2 o 3 países del mundo considerados aquí con valores más negativos en Dim2 y, por lo tanto, su cantidad de Casos por millón y Muertes por millón es de las más bajas. El último día del análisis (27/04), China había registrado sólo 1 muerto por covid-19, entre sus 1400 millones de habitantes.

El gráfico de las Variables (3a) muestra que las mismas siguen formando de manera parecida al plano de la Dim1 y Dim2 (recordemos, que resumen casi 85 por ciento de la información total). Las Variables auxiliares (en rosa en el gráfico 3a) “Primer caso” y “De 100 a 1000 casos”, muestran una correlación inversa con las variables que forman a Dim1, que son Casos totales y Muertes totales, principalmente. Es decir, el análisis entre los días 17 y 27 de abril refuerza lo que se veía de manera incipiente en el análisis sólo del 17/04 (Figuras 1 y 2): que los países que demoraron más en tener su primer caso, y en pasar de 100 a 1000 casos (como Argentina), son los que menor impacto de la pandemia tienen, al menos hasta ahora. El gráfico de los Países (Figura 3b) muestra que, de manera relativa al resto del mundo, España se ha estabilizado y “viaja” lentamente hacia abajo en Dim2, en dirección a los Recuperados, más que a nuevas muertes e infectados; Francia, Alemania e Italia también han cesado de ser los motores de la construcción de la Dim1, viajando relativamente rápido hacia el centro. Esto se debe a que otros actores han entrado a “empujar” a la derecha: particularmente Rusia (que, al haber empezado tarde la pandemia, no figura aún entre los primeros 15) y Brasil, están experimentando un desastroso “viaje” hacia la dirección de USA en el primer gráfico (Figura 1b), hacia abajo a la derecha. Pero mientras Rusia aún tiene pocos casos críticos, Brasil tiene ¡más de 8300!, lo cual expone su mala situación en el gráfico, en una pendiente acelerada hacia el desastre. Análogamente a lo realizado para la Figura 2b, incluimos no sólo los 15 países más importantes, sino a Argentina (Figura 3b). Argentina, casi inmóvil, se ha desplazado de manera casi imperceptible hacia valores aún más alejados de Bélgica (el de mayor casos y muertes por millón del grupo y del mundo).

O maior da América do Sul

Por último, vamos a hacer un “zoom” en Centro y Sudamérica:

Figura 4a

Figura 4b

Al analizar la tendencia entre los países de la región de Centro y Sudamérica que al 17/04 tenían más de 1000 casos confirmados, se observa que Brasil mantiene su primacía absoluta en la formación de la Dim1 (Figura 4a y b). Recordemos que ambos gráficos deben observarse siempre en conjunto, pasando de uno a otro para encontrar sentido a la información. La Figura 4 (a y b) muestra que Brasil cumple para Centro y Sudamérica el rol que en el mundo en su conjunto cumplen los Estados Unidos. Al 27/04, el vecino país ya tenía tantos casos confirmados como China, y más muertos. Nuevamente, la Dim1 correlaciona con alto número de casos activos totales, muertes totales, casos serios y pacientes recuperados, y aquí Brasil parece un extremo dentro del grupo. Si bien hasta cierto punto la gran cantidad de población de Brasil hace esperar este fenómeno, su participación en la construcción de esta dimensión es exagerada: con el 32,5 por ciento de la población total de Latinoamérica y el Caribe, y el 54 por ciento de la población de los 8 países considerados para el análisis, contribuye con un aplastante 82 por ciento en la construcción de la Dim1.

En los días que van del 17/04 al 27/04, de manera relativa al resto de países de este subconjunto, Argentina, Colombia y Chile han mejorado su situación, “viajando” por el plano a valores más negativos de Dim1 y Dim2: es decir, el aumento de casos totales, muertes, casos serios, recuperados, y casos y muertes por millón, ha sido menor que el de otros países; en particular Perú y Ecuador han empeorado mucho en este lapso. Nótese que las Variables auxiliares (en rosa en Figura 4a) van hacia la izquierda, igual que en el resto del mundo, pero más acentuadas. Si bien su correlación no es muy alta aún (las puntas de las flechas rosas están lejos de la circunferencia), van en dirección contraria a los valores positivos de Dim1. Es decir, cuanto antes se decreta una cuarentena, cuanto más se tarda en tener el Primer Caso, y en pasar de 100 a 1000 casos, menos carga de enfermedad y muerte, en términos absolutos, hay.

Dentro del contexto latinoamericano, aún moderado comparado con países de la OCDE que ya han sentido el impacto de frente de la pandemia, Argentina está entre los menos afectados.

De manera interesante, en este subconjunto de países, las variables auxiliares de tiempo al cierre y primer caso, están mejor correlacionadas con la Dim1 negativa que al tomar los datos del mundo entero (Figuras 1a y 2a). Si bien en Centro y Sudamérica covid-19 llegó después que en los países de la OCDE y China que están aún dando forma en lo esencial a los gráficos de la pandemia a escala global, y pudiera ser sólo un efecto circunstancial, habrá que seguir este fenómeno de cerca porque pudiera muy bien indicar que la respuesta rápida de países como Argentina (sobre todo, 1 día antes de llegar a los 100 casos) y Colombia (6 días después), en contraposición con la demora de Brasil (11 días después), están determinando la carga de enfermedad y muerte en estos países que por lo demás no son extremadamente dispares en desarrollo o capacidad económica.

Conclusiones

El presente análisis sirvió para estudiar de manera relativa (el avance de la pandemia a escala global, en términos de las variables que más importan, es decir, la carga de enfermedad y muerte, tanto absoluta (Dim1, con 70 por ciento de la variabilidad original de los datos, correlaciona con cantidad de personas afectadas) como relativa (Dim2, con 15 por ciento de la variabilidad original de los datos, correlaciona con afectados por millón de habitantes). Este análisis relativo entre países es importante porque a la hora de evaluar el desarrollo de la pandemia en diferentes lugares, el análisis comparativo es esencial: no existe el “manejo perfecto” de la pandemia (que sería la ausencia total de infectados, imposible con globalización y sin vacuna), sino que el desempeño de las diferentes estrategias debe ser evaluado a la luz de su comparación con otras. Por ejemplo, la política del gobierno de Suecia es dejar a sus ciudadanos la responsabilidad de cuidarse mutuamente, sin decretar cuarentenas estrictas. Al 27/04, era el país escandinavo con más casos y muertos por millón, por lejos. En el análisis, este pequeño país de pocos millones de habitantes está empezando a destacar, “viajando” en la peligrosa dirección de Bélgica. Trump y Bolsonaro han hecho públicas sus burlas acerca de la gravedad de la covid-19, mientras que India, Turquía y Rusia han decretado cierres de manera muy tardía. Todos estos países están entre los peor afectados a escala global (Figuras 2b y 3b). El Reino Unido (UK) tuvo un período dubitativo, con un esbozo de estrategia de “inmunidad de manada”, es decir, dejar que un altísimo porcentaje de su población se enferme. Esta línea ya fue abandonada, pero tuvo entre las víctimas de la “manada” al propio Primer Ministro y dejó al país destacando en la Dim1 (Figuras 1, 2 y 3), por la cual avanza rápidamente gracias al elevado número de Casos totales y Muertes totales. Un puñado de países ricos (Corea del Sur, por ejemplo), decidió, con éxito, basar su estrategia no en cuarentenas, sino en testeos masivos y una población ya entrenada en el manejo de pandemias respiratorias, y le fue bien. Cada país debería sopesar lo que es capaz de hacer, de manera realista. Como decía otro sabio chino (o tal vez el mismo), “no importa que un gato sea blanco o negro, lo que importa es que cace ratones”.

A su vez, la evaluación comparada de diferentes estrategias sirve para, por ejemplo, decidir si levantar cuarentenas o no, o si flexibilizarlas y cómo. Argentina tiene la ventaja de haber sido un jugador tardío en la pandemia, con tiempo de aprender de estrategias exitosas, como la China, que llevan a ese país rumbo a la insignificancia en el peso de la pandemia, con nuevos casos diarios que se cuentan casi con los dedos de las manos, casi sin muertos nuevos, y una economía en plena reapertura. El camino chino parece demostrar que, si queremos cuidar la economía, debemos asegurar antes que trabajadores y consumidores estén vivos, y preferentemente, no conectados a respiradores o con pánico de salir a comprar, una conclusión que parece que no en todos los ámbitos es reconocida como obvia.

Este análisis, sin embargo, no es definitivo. Engloba tan sólo 10 días de una pandemia cuya progresión aún avanza. La preeminencia de los países de la OCDE en el análisis (aún sin USA, la contribución de los países de la OCDE a la Dim1 es de más del 80 por ciento) determina que todavía lo que pasa con la pandemia es una historia de lo que ocurre en los países desarrollados. Dicha preeminencia podría verse menoscabada por el surgimiento de focos en todas partes, en países con muchos menos recursos (India, Turquía, Rusia, Brasil…), que podrían dar otra forma a los resultados. Las herramientas aquí expuestas pondrían de evidencia estos cambios, de producirse. Además, otras variables podrían ser incorporadas al análisis, tanto para formar los ejes, como para estudiar como suplementerias. Aquí, se tomaron como variables las que aparecen en el sitio de Worldometer, pero otras podrían ser pertinentes. El análisis de las variables suplementarias no reveló ninguna como muy importante aún: si bien parece haber una tendencia a que decretar cuarentenas tempranas, pasar lentamente de 100 a 1000 casos, y demorar en tener el primer caso (todas condiciones que cumple Argentina muy bien), hacen que caiga la carga de enfermedad y muerte (flechas hacia valores negativos de Dim1 y Dim2), no son muy significativas esas correlaciones (aunque en el contexto lainoamericano son más altas, comparar Figura 3a con 4a). De vuelta, habrá que tomar una escala de tiempo más amplia a ver si es el caso. Los Tests totales correlacionaron con países con alto número absoluto de infectados, y muertos, que coinciden con países ricos que pueden gastar dinero en Tests; mientras que el número de Tests por millón tuvo una correlación débil con el plano, y no mejoró con el tiempo (Figuras 2a vs. 3a). Otras variables auxiliares (suplementarias), no tenidas en cuenta aquí, podrían ser incorporadas, como número de enfermeros o médicos per capita, o número de unidades de cuidados intensivos (en vez de camas de hospital, como en este estudio), por 1000 habitantes, u otras variables socioeconómicas, que pudieran correlacionar mejor con las variables usadas en la formación del análisis.

En definitiva, éste y otros análisis basados en los mejores datos disponibles intentan ayudar, en medio de temores, presiones y miedos, a tomar decisiones lo más objetivas posibles. Es probable que este enfoque gustara al sabio chino que insistía en “buscar la verdad en los hechos”.

Post-scriptum: luego del envío de este artículo para su publicación en PáginaI12, los datos del 02/05 fueron incorporados al análisis para repetir las Figuras 3 y 4. Las tendencias se acentúan aún más, sobre todo para Brasil y los Estados Unidos.


* Carlos Augusto Manacorda es Dr. en Biología Molecular (FCEyN-UBA), Instituto Nacional de Tecnología Agropecuaria (INTA), IABIMO.