Durante esta cuarentena, o al menos, al principio de ella, ¿a quién no le ha podido la impaciencia por saber, cada día, cómo iba evolucionando la curva de contagios, las cifras en comparación con otros países o las estadísticas de defunción y de recuperación? ¿Quién no ha escuchado constantemente por los medios de comunicación cómo avanzaban estos datos al ser éstos la única evidencia científica sobre el virus a la que aferrarnos?
Cabe preguntarnos por qué suscitan tanto interés estas gráficas y números. Podemos buscar respuestas a esta pregunta movilizando a algunos actores que nos permitan esclarecer esta cuestión. Bruno Latour en Ciencia en acción (1992) indica que el conocimiento se genera mediante la acumulación de entidades con un mismo objetivo, creando, así, un centro de cálculo que pueda actuar a distancia sobre otros puntos periféricos, convirtiéndose en un punto de paso obligado (Callon, 1995). Para ello, Latour (1992) explica que se recurre a medios que hagan que los hechos que se pretenden acumular sean móviles (transportables), estables (que puedan desplazarse sin deteriorarse) y combinables (que puedan almacenarse independientemente de sus particularidades).
¿Qué son las curvas de casos, que tanto escuchamos en estos momentos, sino un mecanismo de totalización y aglutinamiento de distintas entidades? Este mecanismo de representación permite movilizar miles, o millones, de situaciones particulares (personas infectadas, recuperadas o fallecidas), conservando su estabilidad y combinándolas con el objetivo de conocer más sobre el COVID-19. Esto nos permite imaginar por qué son tan interesantes: mediante las curvas, los mapas y las estadísticas se han reunido múltiples hechos, que no se encuentran físicamente ahí, y esto, ha permitido poder establecer ciertas afirmaciones sobre cómo se propaga el virus, las dimensiones que tiene e, incluso, establecer predicciones.
Pero ¿qué esconden estos mecanismos de representación? La tercera característica, la posibilidad de que sean combinables, da pistas sobre ello. Estas curvas forman un todo entre personas con distintas particularidades: edad, género, nacionalidad, lugar de residencia, forma en la que se han contagiado, red de personas con las que ha establecido contacto (contagio), lugar donde ha pasado la enfermedad, acceso al mercado bioeconómico para adquirir materiales de prevención … Múltiples condiciones quedan totalizadas en cifras, lo que, a su vez, puede ocultar cierta información relevante.
Un ejemplo bastante sonado pone de manifiesto esta cuestión. Detrás de las cifras de mortalidad por esta pandemia en EE.UU., se encuentra un claro racismo. Por ejemplo, en el Estado de Luisiana un 70% de fallecidos eran afrodescendientes, cuando este colectivo sólo representa el 33% de la población, lo que revela que hay una desigualdad estructural racial (EE.UU. enciende alarmas, 2020 ).
Por otro lado, es relevante tener en cuenta que estas representaciones no son tan precisas y estables como pueden presentarse, ya que varían en función de las diferentes mediciones del riesgo. Varias voces (Daston, 2020; Morris y Reuben, 2020) han destacado que no hay consenso sobre las mediciones ya que unos países tienen en cuenta solo las muertes en las que no han intervenido otras patologías previas al covid-19, mientras que otros consideran que es una muerte por coronavirus independientemente de que hayan influido otros factores. Daston (2020) resalta que esta falta de consenso en la letalidad del virus, debida sobre todo a las múltiples variables que intervienen en esta tasa (edad, sexo, ingresos, atención médica), nos sume en una niebla de estadísticas y en un empirismo cero que se asemeja a las sociedades científicas del siglo XVII. A esto, debe añadirse que en muchos casos los datos no son válidas y fiables, ya que, como indica Díez (2020), el número de contagiados y de muertes suele estar subestimado.
Como hemos podido observar con estos casos, los datos no son tan objetivos como se pretenden. Y, en este sentido, podemos afirmar que no es posible crear un peligrómetro que mida los riesgos sin establecer juicios de valor, ya que, como indican Cerezo y Luján (2001), en el proceso de caracterización y de determinación del nivel de riesgo se combinan la política y la ciencia. Por ello, no podemos decir que las curvas de casos estén libres de juicios de valor o de intenciones políticas. Una vez más, recuperando los acontecimientos que hemos presenciado estos días podemos demostrar esta evidencia: aunque las cifras de muertes en residencias de ancianos se han triplicado estos meses, la Comunidad de Madrid sólo ha declarado como muertes por covid-19 las testadas que se producen en hospitales, y, además, ha puesto trabas a dar esas cifras a los medios de comunicación (Caballero, 2020). Por otro lado, Richard Horton (2020), director de la revista The Lancet, ha evidenciado que se han cometido un gran error al considerar el riesgo de la pandemia como medio en vez de alto y explica que el gobierno ha afirmado seguir las indicaciones científicas cuando en realidad sabían que no lo estaban haciendo. En ambos casos, se evidencia los intereses políticos que puede haber detrás de unos niveles u otros de caracterización del riesgo y del impacto de esta pandemia que, finalmente, quedan representados en una curva que a priori, puede parecer objetiva e imparcial.
Referencias bibliográficas:
Caballero, F. (2020): Víctimas invisibles: los centenares de ancianos que mueren con coronavirus en residencias no cuentan en las cifras oficiales de Madrid. Disponible en web: https://www.eldiario.es/madrid/invisibles-Madrid-residencias-coronavirus-estadisticas_0_1014199304.html
Callon, M. (1995): «Algunos Elementos para una Sociología de la Traducción: la Domesticación de las Vieiras y los Pescadores de la Bahía de Saint Brieuc», en J. M. Iranzo et al. (comps), Sociología de la Ciencia y la Tecnología, Madrid, CSIC, pp. 259-272.
Cerezo, J.A. y J. L. Luján (2001): «Hacia un nuevo contrato social para la ciencia: evaluación del riesgo en contexto social» en J.A. Cerezo y R. Sánchez (eds.): Ciencia, Tecnología, Sociedad y Cultura en el cambio de siglo, Biblioteca Nueva.
Daston, L. (2020): Ground-Zero Empiricism. Disponible en web: https://critinq.wordpress.com/2020/04/10/ground-zero-empiricism/amp/? twitter_impression=true
Díez, J. (2020): ¿Son fiables las estadísticas publicadas sobre la COVID-19? Disponibe en web: https://theconversation.com/son-fiables-las-estadisticas-publicadas-sobre-la-covid-19-136000
EE.UU. enciende alarmas por alto número de afroamericanos muertos por COVID-19 (2020). Disponible en web: https://www.eldiario.es/sociedad/EEUU-enciende-alarmas-afroamericanos-COVID-19_0_1014548573.html
Horton, R. (2020): La gestión del coronavirus es el mayor fracaso en políticas científicas de nuestra generación. Disponible en web: https://www.eldiario.es/theguardian/gestion-coronavirus-politicas-cientificas-generacion_0_1015248658.html
Latour, B. (1992): Ciencia en acción, Barcelona, Labor.
Morris, C. y Reuben, A. (2020): Coronavirus: ¿por qué son difíciles las comparaciones de datos entre países? Disponible en web: https://www.bbc.com/mundo/noticias-52406152
RTVE.es (2020): Coronavirus España. Así evoluciona la curva. Disponible en web: https://www.rtve.es/noticias/20200525/curva-contagios-muertes-coronavirus-espana-dia-dia/2010514.shtml
CONTROVERSIA COVID-19 
2 comentarios sobre “¿Es objetiva la medición y representación del riesgo?”