Introducción
En 2014, la Revisión sobre la Resistencia a los Antimicrobianos (RAM) proyectó que podrían ocurrir 10 millones de muertes causadas por la RAM para el año 2050. 1 Esta estimación, si bien ha sido objeto de críticas científicas, 2 ayudó a posicionar la RAM como una de las amenazas más apremiantes para la salud del siglo XXI. 3 En los años posteriores, la OMS se comprometió con el plan de acción mundial sobre la RAM de 2015, la RAM fue el tema central de una asamblea general de alto nivel de las Naciones Unidas en 2016, y se incluyó un indicador específico de la RAM como Objetivo de Desarrollo Sostenible: reducir el porcentaje de infecciones del torrente sanguíneo debidas a determinados organismos resistentes a los antimicrobianos (indicador 3.d.2). A pesar de la atención que ha recibido la RAM a nivel mundial, la implementación y financiación de los planes de acción nacionales 4 ha sido desigual, lo que ha llevado a un progreso incierto en la atenuación de la carga de la RAM. 1
En la Revisión sobre la Resistencia a los Antimicrobianos1 se reconoció que sus estimaciones generales se verían fortalecidas por un trabajo más sólido de los investigadores académicos. 5 Sin embargo, en la década transcurrida desde su publicación, las estimaciones globales de la RAM han sido escasas. Un avance reciente en la epidemiología de la RAM fue una estimación global de la carga de la RAM bacteriana en 2019,6 que encontró que de los aproximadamente 8,9 millones de muertes debido a infecciones bacterianas ese año, 1,27 millones de muertes fueron atribuibles a la RAM y 4,95 millones de muertes estuvieron asociadas con la RAM. 6,7 Si bien esta estimación se ha utilizado para informar las prioridades de investigación y políticas, como la Lista de Patógenos Bacterianos Prioritarios de la OMS de 2024,8 proporciona solo una muestra representativa de la carga, lo que limita la capacidad de comprender la tendencia histórica de la RAM y evaluar las políticas implementadas para reducir su impacto. Hasta ahora, las tendencias temporales de la RAM se han limitado a ubicaciones seleccionadas de altos ingresos para una pequeña cantidad de combinaciones de patógenos y medicamentos. Entre ellas se incluyen las estimaciones de los Centros para el Control y la Prevención de Enfermedades de Estados Unidos, que evaluaron 18 amenazas de RAM en 2013 y 2019, y de Cassini y sus colegas, 9 que elaboraron estimaciones de RAM para la Unión Europea y el Espacio Económico Europeo en 2007 y 2015 para 16 combinaciones de patógenos y fármacos. Las estimaciones recientes indican que las mayores cargas atribuibles a la RAM y asociadas a ella se encuentran en el África subsahariana y el sur de Asia; 6 sin embargo, se trata de lugares sin ninguna estimación histórica. Identificar las regiones con una carga creciente de RAM permitiría a la comunidad sanitaria mundial identificar mejor los lugares con la necesidad más urgente. Documentar la naturaleza cambiante de la RAM, incluidas las tendencias en la resistencia a clases críticas de antibióticos, como los carbapenémicos, puede orientar la gestión de los antimicrobianos, las medidas de prevención de infecciones y la priorización del desarrollo de fármacos y vacunas para combatir esta amenaza creciente.
Una serie reciente de The Lancet sobre la RAM destacó las vacunas pediátricas actuales, la inversión en infraestructura de agua, saneamiento e higiene (WASH) y las prácticas de control de infecciones como estrategias para reducir las muertes relacionadas con la RAM en los países de ingresos bajos y medios (LMIC). Estimaciones globales publicadas anteriormente informaron una disminución del 53% en las muertes relacionadas con sepsis estandarizadas por edad de 1990 a 2017. 10 Gran parte de esto fue impulsado por reducciones en la mortalidad infantil 11 y la prevención de muertes debido a infecciones de las vías respiratorias inferiores 12 y diarrea, 13 causas de muerte que a menudo se pueden evitar con acceso a WASH y vacunas. 14 Si bien se podría esperar que esta disminución en la mortalidad por sepsis reduzca las muertes relacionadas con la RAM debido a sepsis, la investigación sugiere que los cambios demográficos durante el próximo siglo producirán un envejecimiento de la población, 15 lo que conducirá a una mayor prevalencia de comorbilidades e inmunosenescencia, lo que resultará en una población con mayor riesgo de muertes relacionadas con sepsis y mortalidad por RAM. Además, el uso excesivo y continuo de antimicrobianos, tanto en la salud humana como en la agricultura, genera un entorno que favorece la aparición de bacterias cada vez más resistentes. 16 Actualmente se desconoce cómo la convergencia de estos factores podría afectar la carga futura de RAM, porque no se han elaborado pronósticos recientes sobre la carga mundial de RAM. Es necesario caracterizar estas tendencias y elaborar pronósticos de estimaciones para el futuro, con escenarios alternativos basados en intervenciones relacionadas con las políticas, para comprender mejor la naturaleza de la RAM y orientar las prioridades de investigación y salud pública para las próximas décadas.
En este estudio, presentamos las primeras estimaciones globales y regionales de la mortalidad por RAM en las últimas tres décadas, de 1990 a 2021, para 22 patógenos y 16 antimicrobianos utilizando dos escenarios contrafactuales: los contrafactuales de ninguna infección (es decir, muertes o años de vida ajustados por discapacidad [AVAD] asociados con una infección resistente a los medicamentos) e infección sensible a los medicamentos (es decir, muertes o AVAD directamente atribuibles a la resistencia a los medicamentos de una infección). El marco de pronóstico del Estudio de la Carga Global de Enfermedades, Lesiones y Factores de Riesgo (GBD) nos permitió producir pronósticos de la carga de RAM y el impacto de escenarios alternativos en la carga de enfermedad. 17 Presentamos pronósticos globales y regionales de la carga de RAM hasta 2050 para un escenario de referencia (el futuro más probable), un escenario que supone el desarrollo futuro de medicamentos dirigidos a patógenos gramnegativos (escenario de medicamentos gramnegativos) y un escenario que supone futuras mejoras en la calidad de la atención médica para la sepsis y el acceso a antimicrobianos apropiados (escenario de mejor atención). Este artículo fue elaborado como parte de la Red de Colaboradores del GBD y de acuerdo con el protocolo del GBD. 18
Investigación en contexto
Evidencia antes de este estudio
En 2014, se creó la revisión sobre la resistencia a los antimicrobianos (RAM) para evaluar el problema mundial de la creciente resistencia a los medicamentos, comprender su magnitud y definir los pasos para abordarla. La revisión de la RAM publicó un análisis influyente en 2016, en el que se pronosticó que 10 millones de personas podrían morir anualmente por RAM para 2050. Desde entonces, se han publicado estimaciones de la carga de infecciones resistentes a los medicamentos que abarcan varios patógenos para los EE. UU., Tailandia, la UE y el Espacio Económico Europeo. Sin embargo, ningún estudio proporcionó estimaciones integrales que cubrieran todas las ubicaciones y una amplia gama de combinaciones de patógenos y medicamentos hasta que se publicó el estudio de la carga mundial de RAM en 2019. El estudio estimó que en 2019 se produjeron 4,95 millones de muertes asociadas con RAM bacteriana y 1,27 millones de muertes atribuibles a RAM bacteriana. Esta investigación fue seguida por estudios adicionales que detallaban estimaciones por país más granulares publicadas para las regiones de la OMS de Europa, las Américas y África, que mostraban que las muertes por RAM se distribuyen de manera desigual entre las poblaciones. Cada estudio regional, y el estudio global más amplio, han proporcionado una instantánea esencial de la magnitud de la carga de RAM para 2019. Una serie de 2024 de The Lancet sobre la resistencia a los antimicrobianos utilizó los hallazgos de algunos de estos estudios y otros para resumir el estado actual de la resistencia a los antibióticos y recomendó varios objetivos globales para combatir el aumento de la RAM, incluido un objetivo de reducción del 10% en la mortalidad por RAM desde el valor de referencia de 2019 para 2030.
Valor añadido de este estudio
Determinar las tendencias temporales de la carga de RAM es de considerable importancia para mejorar nuestra comprensión de su amenaza actual y futura. Las tendencias temporales de varias décadas nos permiten observar cómo están cambiando los patrones de mortalidad por RAM y para qué poblaciones puede estar empeorando. Estos análisis temporales son esenciales para monitorear el progreso hacia reducciones específicas en la carga de RAM, para informar la priorización de las intervenciones de RAM y para evaluar la efectividad a largo plazo de los planes de acción nacionales para abordar la RAM. Las tendencias temporales existentes de RAM se limitan a países de altos ingresos seleccionados y no incluyen un conjunto completo de combinaciones de patógenos y fármacos. Proporcionamos estimaciones de muertes y años de vida ajustados por discapacidad (AVAD) para 22 patógenos y 11 síndromes infecciosos para 204 países y territorios desde 1990 hasta 2021. Elaboramos estimaciones de muertes y AVAD atribuibles a RAM y asociados a RAM. La carga atribuible se define utilizando un contrafactual en el que todas las infecciones resistentes a los medicamentos se reemplazan por infecciones sensibles a los medicamentos equivalentes. La carga asociada se define utilizando un escenario contrafactual en el que todas las infecciones resistentes a los medicamentos se reemplazan por ninguna infección. Además, utilizando el marco de pronóstico del Estudio de la carga mundial de enfermedades (GBD) 2021, elaboramos pronósticos de referencia (el futuro más probable) para la carga atribuible a la RAM o asociada a ella, y el impacto más amplio de escenarios alternativos en la carga de enfermedades hasta 2050. Este estudio representa nuestras estimaciones más sólidas de la carga de RAM hasta la fecha, incluidas actualizaciones de nuestros datos de entrada, estimaciones de RAM por tiempo y grupos de edad más granulares, y mejoras en nuestros modelos estadísticos. Construimos nuestro análisis sobre estimaciones de enfermedad, incidencia, prevalencia y mortalidad por GBD, lo que permite la comparabilidad de las muertes por RAM con otras causas principales de muerte y discapacidad en todo el mundo.
Implicaciones de toda la evidencia disponible
Nuestro análisis amplía enormemente la base de evidencias sobre las tendencias temporales de la mortalidad por RAM. Mostramos que la mortalidad mundial por RAM aumentó mínimamente entre 1990 y 2019, seguida de una pequeña disminución que se produjo durante la pandemia de COVID-19. Nuestro escenario de referencia indica que las muertes por RAM aumentarán para 2050 si no se implementan medidas correctivas. Nuestro análisis de las tendencias de la mortalidad por RAM por edad sugiere que existe la necesidad de intervenciones para abordar la creciente carga de RAM en los grupos de mayor edad en el futuro. Los hallazgos de este estudio brindan apoyo probatorio a las medidas de política que combaten la RAM y tienen el potencial de salvar vidas, mediante la adopción de estrategias que reduzcan el riesgo de infecciones a través de nuevas vacunas, una mejor calidad de la atención médica en hospitales y centros de salud, un mejor acceso a los antibióticos y la promoción de la administración de antibióticos. Se debe priorizar el desarrollo de nuevos antimicrobianos para las bacterias gramnegativas, dado el gran aumento de la resistencia a los carbapenémicos destacado en este estudio. Los nuevos esfuerzos de prevención para abordar la RAM deben seguir siendo una prioridad para los responsables de las políticas de salud mundial. Nuestros análisis de tendencias temporales y la metodología utilizada sientan las bases para realizar estudios adicionales que permitan seguir pronosticando las tendencias futuras de la resistencia a los antimicrobianos y hacer un seguimiento del progreso de las medidas implementadas en nuestros esfuerzos continuos por mitigar este importante desafío para la salud mundial. Nuestras previsiones de escenarios alternativos muestran el potencial de evitar un gran número de muertes durante el próximo cuarto de siglo.
Métodos
Descripción general
Para estimar la carga de RAM, utilizamos el mismo enfoque metodológico general que el estudio de la carga mundial de RAM en 2019. Los métodos detallados de ese estudio se publican en otro lugar6 y se resumen aquí, junto con importantes mejoras metodológicas.
Desarrollamos un enfoque para estimar la carga de RAM que se basa en estimaciones de incidencia de muertes y selectas para diferentes condiciones subyacentes del GBD 2021 ( apéndice 1, págs. 16-74, 80 ). 19 Primero, recopilamos datos de múltiples fuentes, asegurándonos de incluir información disponible por año, edad y ubicación en nuestros diez pasos de estimación siempre que fuera posible. Estimamos la carga de RAM asociada y atribuible a 11 de los 22 síndromes infecciosos modelados (infecciones del torrente sanguíneo; meningitis; infecciones de las vías respiratorias inferiores; endocarditis; infecciones peritoneales e intraabdominales; diarrea; infecciones del tracto urinario y pielonefritis; infecciones de los huesos, articulaciones y órganos relacionados; infecciones de la piel y sistemas subcutáneos; tuberculosis; y Salmonella tifoidea, paratifoidea y no tifoidea invasiva ), 22 patógenos bacterianos, 16 categorías de fármacos o combinaciones de fármacos para los que existe resistencia y 84 combinaciones de patógeno-fármaco ( apéndice 1, págs. 51-52 ). Modelamos las muertes y los AVAD para todas las edades y específicos por edad para 204 países y territorios, y presentamos estimaciones agregadas a nivel mundial y para cada una de las siete superregiones de GBD y las 21 regiones de GBD. 20 Para consultar una lista completa de las ubicaciones del GBD por región, consulte el apéndice 2 (págs. 18-35 ).
Datos de entrada
Buscamos la gama más amplia posible de datos utilizando varias estrategias de recopilación de datos. A través de nuestras grandes redes de colaboradores y mediante la búsqueda de datos estándar como parte del GBD, obtuvimos conjuntos de datos que no estaban disponibles anteriormente para la investigación de RAM, incluidos datos de múltiples causas de muerte, alta hospitalaria, datos de microbiología con y sin resultado del paciente, estudios publicados en revistas científicas, informes de redes que monitorean bacterias resistentes a antibióticos, ventas farmacéuticas, encuestas sobre el uso de antibióticos, vigilancia de la mortalidad, datos de vinculación, datos de reclamos de seguros vinculados a pacientes ambulatorios y hospitalizados y datos disponibles públicamente. 21 Cada componente de nuestros procesos de estimación tenía distintos requisitos de datos y, por lo tanto, los datos de entrada utilizados para cada paso diferían ( tabla 1 ). Los diversos datos buscados incluyeron las siguientes fuentes: (1) compañías farmacéuticas que administran redes de vigilancia, laboratorios de diagnóstico y ensayos clínicos; (2) investigadores que incluyen grandes colaboraciones de investigación en múltiples sitios; estudios más pequeños; e institutos de investigación bien establecidos con sede en LMIC; (3) hospitales públicos y privados e institutos de salud pública que realizan pruebas de diagnóstico; y (4) redes de vigilancia global; sistemas de vigilancia mejorados; sistemas de vigilancia nacionales; y sistemas de vigilancia para organismos específicos como Mycobacterium tuberculosis y Neisseria gonorrhoeae . Todas las fuentes se enumeran por tipo de datos en el apéndice 1 (págs. 7 a 16 ).
| 1990–2009 | 2010–2021 | Unidades de tamaño de muestra | |||
|---|---|---|---|---|---|
| Número de estudios-ubicación GBD-años | Tamaño de la muestra | Número de estudios-ubicación GBD-años | Tamaño de la muestra | ||
| Causas múltiples de muerte | 1996 | 71 766 533 | 1503 | 66 804 957 | Fallecidos |
| Alta hospitalaria | 508 | 5 052 412 | 805 | 4 999 065 | Descargas |
| Reclamaciones de seguros para pacientes ambulatorios y hospitalizados | 0 | 0 | 8 | 20 991 554 | Visitas y admisiones |
| Datos microbianos o de laboratorio con resultados | 359 | 1 325 029 | 995 | 17 646 602 | Aislamientos |
| Datos microbianos o de laboratorio sin resultado | 1038 | 13 681 797 | 3009 | 97 863 850 | Aislamientos |
| Estudios de literatura | 3321 | 4 400 616 | 1545 | 3 010 191 | Casos o aislamientos |
| Perfiles de resistencia a fármacos individuales | 816 | 49 563 600 | 1482 | 161 875 741 | Aislamientos |
| Ventas farmacéuticas | 883 | 883 | 829 | 829 | Años de estudio en el país |
| Uso de antibióticos entre niños menores de 5 años que informaron estar enfermos | 134 | 57 171 | 207 | 200 498 | Hogares encuestados |
| Vigilancia de la mortalidad (toma de muestras de tejido mínimamente invasivas de la Vigilancia de la Salud Infantil y la Prevención de la Mortalidad) | 0 | 0 | 37 | 2460 | Aislamientos |
| Vinculación (sólo mortalidad) | 27 | 204 736 | 11 | 83 579 | Fallecidos |
| Datos de entrada de causa de muerte | 5130 | 469 412 517 | 1436 | 232 349 574 | Fallecidos |
Entradas de datos por tipo de fuente, 1990-2009 y 2009-2021, tamaño de la muestra y años de ubicación del estudio
La Tabla 1 muestra un resumen de los distintos tipos de datos recopilados y para qué componente del modelo se utilizó cada tipo de datos. También se muestra el número de años de estudio únicos y registros individuales o aislamientos disponibles para cada tipo de datos. Los años de ubicación de los datos se refieren a las ubicaciones y años únicos de GBD para los que tenemos registros o aislamientos. En total, hubo 520 millones de registros individuales o aislamientos que abarcaron 19 513 años de ubicación de estudio utilizados como datos de entrada para el proceso de estimación de AMR. Otros 702 millones de muertes informaron la envolvente de mortalidad específica de causa subyacente de GBD que aprovechamos al calcular nuestra envolvente de mortalidad por sepsis. La Tabla 2 muestra la cantidad de registros individuales o aislamientos utilizados y la cantidad de países cubiertos en cada paso de modelado primario por separado por región de GBD. Tres de los cinco modelos de componentes incluyen datos de cada región de GBD, y dos de los cinco incluyen datos de 13 y 20 de las 21 regiones de GBD. Nuestros modelos de fracciones de sepsis y síndromes infecciosos de causas subyacentes son los más dispersos geográficamente y abarcan 23 países de 13 regiones; cuyos resultados se aplican luego a la envolvente de mortalidad por causas específicas de GBD informada por datos que abarcan 195 países de las 21 regiones.
| Años | Base de datos de causas de muerte de GBD (paso 0) * | Modelos de sepsis y síndrome infeccioso (paso 1) | Tasa de letalidad (paso 2) | Distribución de patógenos (paso 3) | Prevalencia de resistencia (paso 4) | Riesgo relativo (paso 5) | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Número de muertes | Fracción de países representados | Número de muertes | Fracción de países representados | Número de casos | Fracción de países representados | Número de casos | Fracción de países representados | Número de casos | Fracción de países representados | Número de casos | Fracción de países representados | ||
| América Latina Andina | 1990–2009 | 3 820 911 | 3 de 3 | . | . | 3480 | 2 de 3 | 63 243 | 3 de 3 | 121 066 | 3 de 3 | 65 964 | 3 de 3 |
| 2010–2021 | 1 465 590 | 3 de 3 | . | . | 80 | 1 de 3 | 2365 | 2 de 3 | 227 755 | 3 de 3 | 26 900 | 3 de 3 | |
| Australasia | 1990–2009 | 4 528 250 | 2 de 2 | 149 697 | 1 de 2 | 80 275 | 1 de 2 | 25 998 | 2 de 2 | 2 164 774 | 2 de 2 | 150 952 | 2 de 2 |
| 2010–2021 | 1 622 390 | 2 de 2 | 167 840 | 1 de 2 | 277 427 | 2 de 2 | 398 308 | 2 de 2 | 3 396 867 | 2 de 2 | 592 851 | 2 de 2 | |
| caribe | 1990–2009 | 4 558 782 | 19 de 19 | . | . | 19 251 | 2 de 19 | 62 456 | 5 de 19 | 173 074 | 5 de 19 | 133 113 | 5 de 19 |
| 2010–2021 | 1 418 887 | 19 de 19 | . | . | 8432 | 3 de 19 | 6102 | 4 de 19 | 60 279 | 6 de 19 | 30 272 | 5 de 19 | |
| Asia central | 1990–2009 | 11 961 820 | 9 de 9 | 66 771 | 3 de 9 | 4887 | 1 de 9 | 81 972 | 6 de 9 | 101 408 | 3 de 9 | 59 934 | 3 de 9 |
| 2010–2021 | 3 794 666 | 9 de 9 | . | . | . | . | 2234 | 2 de 9 | 5949 | 5 de 9 | 4596 | 2 de 9 | |
| Europa central | 1990–2009 | 33 212 410 | 13 de 13 | . | . | 1 171 088 | 10 de 13 | 3 797 792 | 10 de 13 | 3 120 201 | 12 de 13 | 3 628 021 | 12 de 13 |
| 2010–2021 | 11 429 450 | 13 de 13 | . | . | 275 296 | 10 de 13 | 114 245 | 10 de 13 | 880 145 | 10 de 13 | 1 066 039 | 8 de 13 | |
| América Latina central | 1990–2009 | 23 751 460 | 9 de 9 | 2 987 071 | 2 de 9 | 525 174 | 9 de 9 | 76 286 | 8 de 9 | 1 046 062 | 9 de 9 | 466 049 | 9 de 9 |
| 2010–2021 | 11 011 570 | 9 de 9 | 11 787 179 | 2 de 9 | 1 453 094 | 8 de 9 | 1 467 114 | 9 de 9 | 22 822 424 | 9 de 9 | 16 158 315 | 9 de 9 | |
| África subsahariana central | 1990–2009 | 4120 | 5 de 6 | . | . | . | . | 430 | 4 de 6 | 28 331 | 5 de 6 | 24 855 | 4 de 6 |
| 2010–2021 | 1213 | 5 de 6 | . | . | . | . | . | . | 1734 | 3 de 6 | 139 | 2 de 6 | |
| Asia oriental | 1990–2009 | 13 921 440 | 3 de 3 | 249 992 | 1 de 3 | 154 863 | 2 de 3 | 66 516 | 2 de 3 | 1 501 542 | 2 de 3 | 860 165 | 2 de 3 |
| 2010–2021 | 53 581 700 | 3 de 3 | 1 079 267 | 1 de 3 | 907 562 | 2 de 3 | 530 432 | 2 de 3 | 2 152 800 | 2 de 3 | 1 738 085 | 2 de 3 | |
| Europa Oriental | 1990–2009 | 71 077 680 | 7 de 7 | . | . | 470 286 | 5 de 7 | 203 816 | 6 de 7 | 669 146 | 7 de 7 | 876 947 | 7 de 7 |
| 2010–2021 | 25 203 530 | 7 de 7 | . | . | 33 732 | 3 de 7 | 18 594 | 5 de 7 | 157 873 | 5 de 7 | 168 981 | 4 de 7 | |
| África subsahariana oriental | 1990–2009 | 228 636 | 14 de 15 | . | . | 1 003 | 1 de 15 | 7610 | 10 de 15 | 133 681 | 11 de 15 | 88 268 | 8 de 15 |
| 2010–2021 | 27 948 | 14 de 15 | 625 | 3 de 15 | 19 466 | 4 de 15 | 43 724 | 11 de 15 | 354 548 | 13 de 15 | 273 361 | 12 de 15 | |
| Asia Pacífico con altos ingresos | 1990–2009 | 33 180 280 | 4 de 4 | . | . | 417 693 | 3 de 4 | 194 837 | 3 de 4 | 121 845 396 | 4 de 4 | 121 983 482 | 4 de 4 |
| 2010–2021 | 15 927 180 | 4 de 4 | . | . | 97 050 | 2 de 4 | 20 951 | 3 de 4 | 1 325 127 | 4 de 4 | 1 343 243 | 4 de 4 | |
| América del Norte con altos ingresos | 1990–2009 | 73 876 250 | 3 de 3 | 56 181 023 | 1 de 3 | 1 808 900 | 2 de 3 | 3 296 180 | 2 de 3 | 1 326 754 | 2 de 3 | 1 288 451 | 2 de 3 |
| 2010–2021 | 29 459 200 | 3 de 3 | 28 502 039 | 1 de 3 | 29 965 525 | 2 de 3 | 3 894 238 | 2 de 3 | 51 880 035 | 2 de 3 | 38 539 427 | 2 de 3 | |
| África del Norte y Oriente Medio | 1990–2009 | 4 450 410 | 21 de 21 | 62 401 | 2 de 21 | 700 309 | 13 de 21 | 490 458 | 19 de 21 | 2 962 227 | 21 de 21 | 3 003 646 | 21 de 21 |
| 2010–2021 | 8 233 307 | 21 de 21 | . | . | 55 919 | 7 de 21 | 13 807 | 18 de 21 | 117 890 | 18 de 21 | 93 792 | 16 de 21 | |
| Oceanía | 1990–2009 | 82 070 | 11 de 18 | . | . | . | . | 102 | 2 de 18 | 664 | 2 de 18 | 599 | 2 de 18 |
| 2010–2021 | 30 422 | 11 de 18 | . | . | 2212 | 1 de 18 | 255 | 2 de 18 | 5092 | 2 de 18 | 3237 | 1 de 18 | |
| Asia del Sur | 1990–2009 | 14 574 240 | 5 de 5 | 22 834 | 3 de 5 | 276 726 | 4 de 5 | 360 479 | 4 de 5 | 4 972 848 | 5 de 5 | 4 541 180 | 5 de 5 |
| 2010–2021 | 2 238 041 | 5 de 5 | . | . | 52 332 | 2 de 5 | 113 838 | 4 de 5 | 1 122 319 | 4 de 5 | 971 269 | 3 de 5 | |
| Sudeste asiático | 1990–2009 | 16 095 170 | 13 de 13 | 89 276 | 1 de 13 | 662 017 | 8 de 13 | 364 423 | 8 de 13 | 3 471 130 | 9 de 13 | 2 478 300 | 9 de 13 |
| 2010–2021 | 10 140 950 | 13 de 13 | . | . | 45 912 | 7 de 13 | 20 488 | 8 de 13 | 44 819 274 | 10 de 13 | 44 534 172 | 8 de 13 | |
| Sur de América Latina | 1990–2009 | 11 202 740 | 3 de 3 | . | . | 195 396 | 2 de 3 | 28 813 | 2 de 3 | 315 381 | 3 de 3 | 101 458 | 3 de 3 |
| 2010–2021 | 4 101 015 | 3 de 3 | . | . | 464 675 | 2 de 3 | 187 474 | 2 de 3 | 1 610 206 | 3 de 3 | 1 496 431 | 3 de 3 | |
| África subsahariana meridional | 1990–2009 | 6 899 016 | 6 de 6 | 3 078 169 | 1 de 6 | 66 048 | 2 de 6 | 12 458 | 4 de 6 | 371 099 | 4 de 6 | 39 088 | 4 de 6 |
| 2010–2021 | 3 905 966 | 6 de 6 | 2 058 541 | 1 de 6 | 262 203 | 2 de 6 | 198 205 | 6 de 6 | 789 849 | 6 de 6 | 535 563 | 6 de 6 | |
| América Latina tropical | 1990–2009 | 27 322 900 | 2 de 2 | 18 530 993 | 1 de 2 | 238 892 | 1 de 2 | 369 451 | 2 de 2 | 264 189 | 2 de 2 | 339 079 | 2 de 2 |
| 2010–2021 | 12 692 420 | 2 de 2 | 9 211 493 | 1 de 2 | 46 175 | 1 de 2 | 101 524 | 1 de 2 | 86 099 | 2 de 2 | 30 973 | 2 de 2 | |
| Europa occidental | 1990–2009 | 114 548 600 | 24 de 24 | 5 166 236 | 2 de 24 | 1 716 285 | 19 de 24 | 1 491 426 | 21 de 24 | 4 367 966 | 20 de 24 | 4 728 278 | 22 de 24 |
| 2010–2021 | 36 034 880 | 24 de 24 | 9 610 507 | 2 de 24 | 8 303 874 | 19 de 24 | 6 104 507 | 20 de 24 | 41 382 029 | 21 de 24 | 43 421 657 | 21 de 24 | |
| África subsahariana occidental | 1990–2009 | 115 334 | 19 de 19 | . | . | 3605 | 2 de 19 | 11 950 | 10 de 19 | 138 332 | 14 de 19 | 74 493 | 9 de 19 |
| 2010–2021 | 29 247 | 19 de 19 | 409 | 2 de 19 | 76 886 | 6 de 19 | 6551 | 13 de 19 | 282 917 | 15 de 19 | 269 633 | 14 de 19 | |
| Total | 1990–2021 | 701 762 090 | 195 de 204 | 149 002 363 | 23 de 204 | 50 864 030 | 104 de 204 | 24 251 653 | 142 de 204 | 322 576 481 | 161 de 204 | 296 231 257 | 154 de 204 |
Tabla 2
Datos (casos o muertes) incluidos en cada paso de modelado primario por región y la fracción de países representados en cada región
*
Multiplicamos nuestros resultados del paso 1 de estimación por las estimaciones de CoDCorrect del GBD, que se producen utilizando datos de la base de datos de causas de muerte del GBD, descrita en esta tabla como paso 0.
Todos los datos de entrada para los modelos utilizados en los pasos 1 a 10 ( apéndice 1, pág. 80 ) fueron datos empíricos, no estimaciones modeladas, con la excepción de un metanálisis personalizado de los datos de la sonda de la vacuna que hicimos para estimar la fracción de neumonía causada por Streptococcus pneumoniae ( apéndice 1, págs. 40 a 41 ). Todas las covariables a nivel de estudio para los modelos, como la edad y el sexo, se extrajeron de los datos empíricos. Todas las covariables a nivel de país fueron estimaciones modeladas que se produjeron previamente para GBD 22,32 y la Red de Colaboradores Antimicrobianos, 7 o modeladas utilizando un método descrito previamente en Browne y colegas. 24 Las entradas de datos para cada paso de estimación se describen con mayor detalle a continuación y en el apéndice 1 (págs. 17 a 20, 32, 36, 50 a 51, 60 ). Las citas de las entradas de datos están disponibles en línea .
Sepsis y síndromes infecciosos (pasos 1 y 2)
En primer lugar, para definir el número de muertes por sepsis, utilizamos las estimaciones de causas de muerte del GBD 2021 14 para determinar el número de muertes por edad, sexo y ubicación en las que la vía de muerte en el certificado de defunción incluía sepsis. La sepsis se definió como una disfunción orgánica potencialmente mortal debido a una respuesta desregulada del huésped a la infección. 25 Los métodos utilizados para estimar las causas subyacentes infecciosas de muerte y sepsis se han publicado previamente 10 y se resumen en el apéndice 1 (pp 17-20 ).
En el primer paso de modelado ( apéndice 1 pág. 80 ), se utilizaron datos de múltiples causas de muerte que abarcaban 139 millones de muertes, 10,1 millones de egresos hospitalarios con estado de egreso de muerte, 288 315 registros de múltiples causas de muerte vinculados a registros hospitalarios de diez países y territorios, así como 1805 muertes de sitios de Vigilancia de la Prevención de la Mortalidad y la Salud Infantil en siete países ( apéndice 1 págs. 18-20 ) en modelos de regresión logística de efectos mixtos para predecir la fracción de sepsis que ocurre en cada una de las 195 causas subyacentes de muerte por GBD. Este enfoque sigue los métodos validados por muchos estudios sobre la epidemiología de la sepsis 26-29 y fue utilizado por Rudd y colegas. 10 Luego multiplicamos la fracción de sepsis predicha a partir de los modelos de regresión logística sobre estimaciones de mortalidad por GBD causa-edad-sexo-año específico y ubicación específica para determinar la envolvente de mortalidad para nuestro análisis. Nuestra estimación de mortalidad consistió en todas las muertes por sepsis en causas subyacentes no infecciosas, más todas las muertes por sepsis explícitas con una causa subyacente infecciosa en GBD ( apéndice 1, págs. 22-24 ). La COVID-19 contribuyó a la estimación de la mortalidad por sepsis, pero no a nuestra estimación de la carga de RAM.
En el segundo paso de modelado, los detalles sobre las vías de la enfermedad proporcionados en los datos de múltiples causas de muerte o los datos de alta hospitalaria se utilizaron en una segunda etapa de modelos de regresión logística de efectos mixtos para subdividir aún más las muertes por sepsis en 22 síndromes infecciosos principales, de los cuales 11 tenían etiologías bacterianas para las que estimamos la carga de RAM y datos suficientes disponibles para el modelado de patógenos ( apéndice 1 pág. 21 ). Estas regresiones predijeron la fracción de muertes relacionadas con sepsis que fueron causadas por un síndrome infeccioso dado, por separado para cada causa subyacente de muerte por GBD, ubicación, edad, sexo y año. Usamos esta fracción para subdividir las muertes por sepsis en causas subyacentes no infecciosas en síndromes infecciosos específicos. Para las causas subyacentes de muerte que son en sí mismas infecciosas, todas las muertes se asignaron a un solo síndrome infeccioso correspondiente (p. ej., la causa de GBD «infecciones de las vías respiratorias inferiores» se asignó al síndrome infeccioso «infecciones de las vías respiratorias inferiores»; apéndice 1 págs. 22-24 ).
Tasas de letalidad y distribución de patógenos en casos de muerte y casos incidentes (pasos 3 y 4)
Para el tercer paso analítico ( apéndice 1 pág. 80 ), tomamos datos que vinculaban la incidencia de enfermedades específicas de patógenos con las muertes para desarrollar modelos para las razones de letalidad (CFR) específicas de patógenos que variaban según la edad, el año, la ubicación y el síndrome infeccioso. Dependiendo de la calidad y disponibilidad de los datos, utilizamos cuatro niveles de granularidad por patógeno-síndrome, estimando (de mayor a menor detalle): un modelo único para ese patógeno-síndrome, una intersección única para ese patógeno-síndrome en un modelo con datos para todos los patógenos, un modelo agrupado para cada tipo de organismo infeccioso dado (p. ej., bacterias, hongos, parásitos y virus) o un modelo agrupado que utiliza todos los datos. Los modelos CFR se implementaron con el entorno de modelo de regresión RegMod 30 y generaron CFR como una función del Índice de acceso y calidad de la atención médica (HAQ) y varias covariables de ajuste de sesgo ( apéndice 1 pp. 32-35 ). 23 Luego, utilizamos los resultados de CFR para estimar los casos implícitos para cada patógeno a partir de fuentes de datos de mortalidad únicamente que, de otro modo, informaron información útil sobre las distribuciones de patógenos. En total, los modelos de distribución de patógenos aprovecharon 24 millones de aislamientos y casos de 142 países y territorios para estimar la distribución de patógenos de cada síndrome infeccioso por edad, año y ubicación, y cada conjunto de datos incluyó un espectro único de patógenos y grupos de patógenos. Para incorporar estos datos heterogéneos, utilizamos el entorno de modelado de estimación multinomial con observaciones parciales y compuestas, que permite la inclusión de covariables en el análisis de red 31 y la incorporación de valores previos bayesianos. Para modelar de manera integral la distribución de patógenos del síndrome infeccioso, estimamos, cuando correspondía, las proporciones de incidencia y muerte atribuibles a patógenos virales, fúngicos, parasitarios y bacterianos; sin embargo, la carga de RAM se calculó solo para bacterias seleccionadas para las que la resistencia es clínicamente relevante y hay datos suficientes disponibles. Se proporcionan más detalles sobre este enfoque en el apéndice 1 (pp. 36-50 ).
Prevalencia de resistencia por patógeno (pasos 5 a 7)
Las 84 combinaciones de patógenos y clases de antibióticos se seleccionaron creando primero una lista exhaustiva de todas las combinaciones clínicamente relevantes para las que teníamos datos y luego eliminando las combinaciones que no cumplían con los requisitos mínimos de disponibilidad de datos y viabilidad computacional para un modelado estadístico preciso ( apéndice 1, pág. 70 ). Complementamos los conjuntos de datos microbianos de los colaboradores con datos agregados de revisiones sistemáticas e informes de vigilancia publicados. El número de aislamientos evaluados para la resistencia para cada combinación de patógeno y fármaco se muestra en el apéndice 1 (págs. 121-124 ).
Al clasificar la resistencia, utilizamos dos categorías, susceptible y no susceptible, la última de las cuales incluía interpretaciones dependientes de la dosis, intermedias y resistentes. Excluimos las combinaciones de antibióticos a los que las bacterias tienen resistencia intrínseca ( apéndice 1, págs. 51-55 ). Dos tercios de los conjuntos de datos utilizados en el modelado de la prevalencia de resistencia informaron una interpretación de la susceptibilidad de laboratorio en lugar de valores de prueba cuantitativos. Los proveedores de datos utilizaron varias pautas (y, por lo tanto, puntos de corte) para interpretar los resultados de las pruebas, lo que potencialmente introdujo sesgo. La información sobre la concentración inhibitoria mínima de antibióticos estaba disponible en el tercio restante de las fuentes de datos de microbiología. Esta información se utilizó tanto para categorizar los aislamientos bacterianos en susceptibles y no susceptibles según los puntos de corte del Clinical and Laboratory Standard Institute (CLSI) de 2023 (nuestro estándar de oro), como para inferir la relación entre las proporciones de resistencia al clasificar nuestros datos utilizando otras versiones del CLSI y las pautas del Comité Europeo de Pruebas de Susceptibilidad a los Antimicrobianos. Estas relaciones se utilizaron luego para crear factores de ajuste y corregir los datos que solo informaban interpretaciones de laboratorio como se describe en el apéndice 1 (pp 51-55 ). Además, para tener en cuenta el sesgo en los datos de resistencia proporcionados por los centros de atención terciaria, ajustamos las tasas terciarias de resistencia comparándolas con los datos de los centros no terciarios y mixtos ( apéndice 1, pp 51-55 ).
Después de los ajustes, empleamos un marco de modelado espaciotemporal de dos etapas para estimar la prevalencia de resistencia en cada combinación de patógeno-fármaco por ubicación-año para 1990-2021. Primero, ajustamos un modelo de conjunto apilado entre los datos de entrada y covariables seleccionadas de la lista de covariables plausibles y relacionadas con la salud disponibles en GBD ( apéndice 1, págs. 56, 102-108 ). Como segunda etapa, las estimaciones del modelo de conjunto apilado se introdujeron en un modelo de regresión de proceso gaussiano espaciotemporal 32 para suavizar las estimaciones en el espacio y el tiempo. Las excepciones a este enfoque de modelado se hicieron para la tuberculosis (tanto la tuberculosis extremadamente resistente a los fármacos como la tuberculosis resistente a múltiples fármacos excluida la tuberculosis extremadamente resistente a los fármacos), para la que ya estaban disponibles las estimaciones publicadas de GBD 2021. 19
Dada la fuerte relación entre los niveles de consumo de antibióticos y la proliferación de la resistencia, modelamos el consumo de antibióticos a nivel nacional para usarlo como covariable en el modelo de conjunto apilado de prevalencia de la resistencia. Los datos de 65 encuestas demográficas y de salud y 138 encuestas de indicadores múltiples por conglomerados se analizaron utilizando geoestadísticas basadas en modelos para cuantificar el uso de antibióticos en los países de ingresos bajos y medios. Esto se combinó con datos de ventas farmacéuticas de IQVIA, la OMS y el Centro Europeo para la Prevención y el Control de Enfermedades: utilizando un modelo de regresión de proceso gaussiano espaciotemporal de conjunto. 24 Los datos de uso y ventas de antibióticos para 1990-2018 se utilizaron para producir una covariable de ubicación-año sobre el consumo de antibióticos para los 204 países y territorios entre 1990 y 2021 incluidos en este estudio ( apéndice 1, págs. 32-35, 56, 80 ). 24
Para tener en cuenta la resistencia a múltiples fármacos, utilizamos datos de microbiología a nivel de línea que probaron el mismo aislado para resistencia a múltiples antibióticos para producir tanto la frecuencia marginal de resistencia como las coocurrencias por pares para cada par de antibióticos. Usando la información marginal y de coocurrencia, luego encontramos la «mejor» distribución multinomial que coincidía con los datos disponibles en el sentido de mínimos cuadrados. El método ( apéndice 1 pág. 56 ) reformula el problema de optimización sobre el espacio de medidas de probabilidad multivariadas como un problema de optimización de mínimos cuadrados sobre el espacio de simplices de probabilidad n -dimensionales, usando la información marginal y de coocurrencia por pares como datos. Se garantiza que el método encuentre una solución incluso si las observaciones son ruidosas o mutuamente inconsistentes. En caso de observaciones inconsistentes, el método aún proporciona la distribución multinomial que coincide aproximadamente con los márgenes, mejor en el sentido de mínimos cuadrados. El enfoque se aplicó para cada combinación de ubicación-año de resistencia a los antibióticos analizados ( apéndice 1 pág. 56 ).
Riesgo relativo de muerte por infección resistente a los medicamentos en comparación con infecciones sensibles a los medicamentos (pasos 8 y 9)
Utilizando datos de 1238 fuentes que representan 296 millones de muestras de pacientes con pronóstico y resistencia, estimamos el riesgo relativo de muerte para cada combinación de patógeno-fármaco para una infección resistente en comparación con una infección sensible a los fármacos utilizando la herramienta de metarregresión bayesiana, regularizada y recortada ( apéndice 1, pág. 80 ). Debido a la escasez de datos, estimamos el riesgo relativo por clase de antibiótico, patógeno y síndrome infeccioso; asumimos que el riesgo no variaba según la ubicación y la edad, lo que es consistente con las suposiciones hechas por Cassini y colegas. 9 Utilizamos un enfoque de modelado de dos etapas con una regresión logística binomial de efectos mixtos y un modelo de metarregresión de efectos mixtos para estimar el riesgo relativo de muerte para cada combinación de patógeno-fármaco ( apéndice 1, págs. 60-65 ). Para el exceso de riesgo no fatal, estimamos el aumento relativo en la duración de la estadía asociada con una infección resistente en comparación con una infección susceptible del mismo tipo ( apéndice 1, pág. 80 ). Los datos sobre la duración de la estancia hospitalaria estaban disponibles en 309 fuentes que representan 38 millones de admisiones. Utilizamos un marco de modelado similar para el exceso de duración de la estancia hospitalaria al que utilizamos para el riesgo relativo de muerte con un modelo de metarregresión de efectos mixtos anidados de dos etapas. Debido a la escasez de datos asociada con N. gonorrhoeae resistente a los fármacos , solo elaboramos una estimación no mortal para este patógeno. Para elaborar estimaciones de carga de múltiples combinaciones de patógenos y fármacos que fueran mutuamente excluyentes dentro de un patógeno determinado (y, por lo tanto, pudieran añadirse), elaboramos una fracción atribuible a la población (PAF) para cada perfil de resistencia con resistencia a al menos un fármaco ( apéndice 1, págs. 65-72 ).
Cálculo de la carga atribuible a la resistencia a los medicamentos y la carga asociada a las infecciones resistentes a los medicamentos (paso 10)
Calculamos dos contrafácticos para estimar la carga de resistencia a los medicamentos: la carga atribuible a la RAM bacteriana basada en el contrafáctico de infección sensible a los medicamentos y la carga asociada con la RAM bacteriana basada en el contrafáctico de ausencia de infección. Estos métodos se describen con mayor detalle en el apéndice 1 (pp 65-72 ). Brevemente, para estimar la carga atribuible a la RAM, primero calculamos las muertes atribuibles a la resistencia tomando, para cada causa subyacente, el producto de las muertes por causa específica, la fracción de estas muertes que ocurren junto con sepsis, la fracción de muertes por sepsis atribuibles a cada síndrome infeccioso, la fracción de muertes por síndrome infeccioso atribuibles a cada patógeno y el PAF de mortalidad para cada perfil de resistencia. Usamos métodos GBD estándar 19 para convertir las muertes específicas por edad en años de vida perdidos (YLL) usando la expectativa de vida contrafactual estándar a cada edad. 33 Para calcular los años vividos con discapacidad (AVD) atribuibles, tomamos el producto de la incidencia del síndrome infeccioso ( apéndice 1, págs. 27-32 ), la fracción de casos incidentes de síndrome infeccioso atribuibles a cada patógeno, los AVD por caso incidente y el PAF no letal. Para los perfiles de resistencia que tenían resistencia a más de una clase de antibióticos, redistribuimos la carga a las clases de antibióticos individuales proporcionalmente en función del exceso de riesgo, proporcionando una carga mutuamente excluyente para cada combinación de patógeno-fármaco ( apéndice 1, págs. 65-72 ). Para calcular los AVAD, tomamos la suma de los AVD y los AVD. Para estimar la carga total de RAM del contrafactual sensible a los fármacos, sumamos las estimaciones de carga de cada combinación de patógeno-fármaco. El enfoque para calcular la carga letal asociada con la RAM fue idéntico, excepto que reemplazamos el PAF de mortalidad para cada perfil de resistencia con la prevalencia de resistencia en las muertes ( apéndice 1, págs. 65-72 ).
Descomposición de los factores que contribuyen al cambio en las muertes asociadas a la RAM
Para entender mejor las contribuciones relativas de varios factores al cambio general en las muertes asociadas con la RAM, hicimos un análisis de descomposición de 6 factores, basándonos en los métodos desarrollados por Das Gupta. 34,35 Esta descomposición tuvo en cuenta los siguientes factores: (1) el crecimiento de la población, (2) la estructura de edad de la población, (3) la tasa de mortalidad por sepsis, (4) la proporción de muertes por sepsis asociadas con síndromes de RAM, (5) la proporción de muertes por síndromes de RAM asociadas con bacterias de RAM, y (6) la proporción de muertes por bacterias de RAM asociadas con resistencia. La descomposición se realizó para estimaciones a nivel mundial y de superregión de GBD comparando 1990 con 2019. Para una descripción detallada de los métodos, consulte el apéndice 1 (pp 70-72 ).
Previsiones de AMR
El marco de Escenarios de Salud Futuros del IHME produce pronósticos de la carga de enfermedad por causa, edad, sexo y ubicación desde 2022 hasta 2050. Estas estimaciones de la carga de enfermedad se combinaron con pronósticos de RAM para pronosticar la carga futura atribuible a y asociada a la RAM. Vollset y sus colegas describen en detalle los métodos para el marco de Escenarios de Salud Futuros. 17
Pronóstico de fracciones atribuibles a la población de RAM
Utilizamos las estimaciones históricas de muertes por RAM (muertes atribuibles) por causa de GBD y calculamos 19 PAF para causas de GBD de nivel 2 con recuentos de muertes atribuibles a RAM. Luego utilizamos un modelo de conjunto generalizado para pronosticar la fracción de muertes por causa específica debido a RAM. Este modelo utilizó dos enfoques de modelado principales: la tasa de cambio anualizada ponderada y un modelo spline de dos etapas basado en la herramienta de metarregresión bayesiana, regularizada y recortada 31 para generar 12 submodelos de diferencia ( apéndice 1, págs. 73-74 ). Luego obtuvimos los pronósticos finales del conjunto de PAF de AMR tomando una media sobre estos submodelos utilizando los pesos de muestreo de los experimentos fuera de la muestra. Finalmente, aplicamos estos pronósticos de PAF a nuestros pronósticos de referencia por causa específica de mortalidad. 17
Cálculo de la carga futura atribuible y asociada
Para calcular la carga de RAM atribuible, primero multiplicamos nuestras previsiones de mortalidad de referencia y de YLL para 19 grupos de causas a nivel de edad-sexo-ubicación por los PAF de RAM previstos descritos en la sección anterior. Después, calculamos los YLD atribuibles a RAM aplicando un escalar a los YLL atribuibles utilizando la razón global de muertes por RAM YLL:YLD en 2019.6 Por último, calculamos los AVAD atribuibles a RAM tomando la suma de los YLL y YLD atribuibles a RAM.
Para calcular la carga asociada a la RAM, primero calculamos la relación entre las muertes asociadas a la RAM y las muertes atribuibles a la RAM para 19 grupos de causas por edad, sexo y ubicación en 2021. Luego, multiplicamos nuestros PAF de RAM por la relación resultante para calcular los pronósticos de carga asociada para cada medida utilizando los mismos métodos que para calcular la carga atribuible.
Desarrollo de escenarios de RAM
El escenario de referencia proporciona un pronóstico probabilístico del futuro más probable. Además de un escenario de referencia, elaboramos dos escenarios alternativos: el escenario de fármacos contra bacterias gramnegativas y el escenario de mejor atención. Desarrollamos el escenario de fármacos contra bacterias gramnegativas bajo el supuesto de que una liberación regular de nuevos y potentes antibióticos dirigidos a las bacterias gramnegativas conduciría a disminuciones en la carga de RAM. Para simular esto, calculamos la fracción de la carga de RAM causada por patógenos gramnegativos y la redujimos linealmente en un 50% del valor observado de 2021 a 2036 ( apéndice 1 pág. 74 ). Para el escenario de mejor atención, asumimos que una mejor calidad de la atención médica para los síndromes infecciosos y el acceso a los antibióticos conducirían a disminuciones tanto en la carga de RAM como en la carga infecciosa no asociada con la RAM. Para calcular las tasas de mortalidad para este escenario por una causa, utilizamos la tasa de mortalidad total por una causa, la fracción de la causa debido al síndrome infeccioso y las CFR que variaban según la edad, el sexo, la ubicación y el síndrome infeccioso ( apéndice 1 pág. 74 ). En primer lugar, obtuvimos los valores de CFR para un síndrome infeccioso que corresponde al percentil 85 del índice HAQ 23 en 2021 (índice HAQ = 84,16) por ubicación y grupo de edad utilizando las curvas de relación específicas por edad. Después, aplicamos una reducción relativa a la tasa de mortalidad por causa específica en 2021 (para los países con un índice HAQ por debajo del percentil 85) para alcanzar la CFR objetivo para 2030 y replicar el efecto de los mejores resultados del tratamiento.
Análisis de incertidumbre y validación fuera de muestra
Propagamos la incertidumbre combinando 100 extracciones para cada ubicación, sexo, edad y año de la distribución posterior de cada paso del análisis en las estimaciones finales de muertes e infecciones asociadas con la resistencia a los medicamentos y muertes e infecciones atribuibles a la resistencia a los medicamentos. Calculamos los intervalos de incertidumbre como una desviación estándar de 1,96 por debajo y por encima del valor medio. Las estimaciones de validez fuera de la muestra se proporcionan en el apéndice 1 para nuestros modelos de sepsis, distribución de síndromes infecciosos (pp 27-32), distribución de patógenos (p 50), prevalencia de resistencia (pp 50-58) y riesgo relativo (pp 60-63). Los intervalos de incertidumbre para estimaciones futuras se calcularon a partir de los percentiles 2,5 y 97,5 de las distribuciones generadas a partir de la propagación de 500 extracciones a través del proceso computacional de múltiples etapas. Este estudio cumple con las recomendaciones de las Directrices para la presentación de informes de estimaciones sanitarias precisas y transparentes ( apéndice 1, pp 74, 112-113 ). 36
Papel de la fuente de financiación
Los financiadores del estudio no tuvieron ningún papel en el diseño del estudio, la recopilación de datos, el análisis de datos, la interpretación de datos ni en la redacción del informe.
Resultados
A nivel mundial, estimamos 16,5 millones (95% UI 15,7–17,3) de muertes por sepsis en 1990, que disminuyeron a 14,1 millones (13,2–15,1) de muertes en 2019, antes de aumentar a 21,4 millones (20,3–22,4) de muertes en 2021 ( figura 1 ). En niños menores de 5 años, las muertes por sepsis disminuyeron en más del 60% en los últimos 31 años, de 7,69 millones (7,16–8,22) en 1990 a 3,14 millones (2,66–3,62) en 2019, y 2,68 millones (2,19–3,18) en 2021. Sin embargo, en personas de 5 años o más, las muertes por sepsis aumentaron más del doble durante el período del estudio, de 8,81 millones (8,30–9,32) en 1990, a 11,0 millones (10,2–11,7) en 2019, y 18,7 (17,8–19,6) millones en 2021, de los cuales 7,89 millones (7,41–8,38) se debieron a COVID-19 ( apéndice 1 pág. 118 ).
01867-1/asset/2f0861d6-4eca-4f19-ab5a-1376cdff01eb/main.assets/gr1_lrg.jpg)
Figura 1 Tendencia temporal mundial de la sepsis, por edad, 1990-2021
Carga de RAM en 1990-2021
En el caso de las 84 combinaciones de patógenos bacterianos y fármacos evaluadas en el estudio, hubo 1,06 millones (95 % UI 0,841–1,27) muertes atribuibles a la RAM y 4,78 millones (4,00–5,55) muertes asociadas con la RAM en 1990 ( tabla 2 ). En 2019, la mortalidad por RAM aumentó a 1,20 millones (1,05–1,35) de muertes atribuibles y 4,94 millones (4,43–5,45) de muertes asociadas. En 2021, se produjeron 1,14 (1,00–1,28) millones de muertes atribuibles a la RAM y 4,71 millones (4,23–5,19) de muertes asociadas a la RAM, lo que representa una disminución en ambas estimaciones con respecto a 2019. La tasa mundial de mortalidad por edad atribuible a la RAM disminuyó de 19,8 muertes (15,8–23,9) por 100 000 en 1990 a 15,5 muertes (13,6–16,4) por 100 000 en 2019 y 14,5 muertes (12,7–16,2) por 100 000 en 2021. Sin embargo, el porcentaje de muertes por sepsis asociadas a la RAM aumentó del 29 % en 1990 al 35 % a nivel mundial en 2019, antes de disminuir al 22 % en 2021. Además, el porcentaje de muertes por sepsis atribuibles a la RAM aumentó del 6,41 % (5,37–7,36) en 1990 al 8,51 % (8,00–8,95) a nivel mundial en 2019, antes de disminuir al 5,34 % (4,95–5,70) en 2021. Excluyendo la COVID-19, el 8,47 % (8,45–8,49) de las muertes infecciosas en 2021 fueron atribuibles a la RAM. Las tablas 3 y 4 muestran la tasa de mortalidad de todas las edades asociada y atribuible a la RAM en 1990 y 2021, respectivamente. En la tabla 5 se presenta una descomposición de los impulsores del cambio en las muertes globales asociadas con la RAM de 1990 a 2019 .
| Número de muertes asociadas (miles) | Tasas de mortalidad asociadas por 100 000 | Número de muertes atribuibles (miles) | Tasa de mortalidad atribuible por 100 000 | |||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1990 | 2019 | 2021 | 2050 | 1990 | 2019 | 2021 | 2050 | 1990 | 2019 | 2021 | 2050 | 1990 | 2019 | 2021 | 2050 | |
| Global | 4780 (4000–5550) | 4940 (4430–5450) | 4710 (4230–5190) | 8220 (6850–9650) | 89,6 (75,0–104) | 63,8 (57,2–70,4) | 59,7 (53,6–65,7) | 87,7 (73,2–104) | 1060 (841–1270) | 1200 (1050–1350) | 1140 (1000–1280) | 1910 (1560–2260) | 19,8 (15,8–23,9) | 15,5 (13,6–17,4) | 14,5 (12,7–16,2) | 20,4 (16,6–24,2) |
| Europa central, Europa del Este y Asia central | 285 (240–330) | 281 (252–310) | 265 (235–295) | 360 (297–420) | 67,8 (57,1–78,4) | 67,1 (60,1–74,0) | 63,4 (56,2–70,6) | 90,5 (76,3–106) | 63,0 (49,5–76,6) | 68,6 (59,2–78,0) | 64,0 (55,2–72,8) | 82,9 (67,1–98,7) | 15,0 (11,8–18,2) | 16·4 (14·1–18·6) | 15·3 (13·2–17·4) | 20,8 (17,0–24,8) |
| Altos ingresos | 477 (385–568) | 579 (513–644) | 553 (489–618) | 883 (674–1040) | 52,5 (42,4–62,5) | 53,3 (47,3–59,3) | 50,7 (44,8–56,6) | 78,1 (59,8–92,2) | 108 (82,9–133) | 131 (115–146) | 125 (110–140) | 192 (146–225) | 11·9 (9·12–14·7) | 12,0 (10,6–13,5) | 11·4 (10·1–12·8) | 17,0 (12,9–19,9) |
| América Latina y el Caribe | 247 (210–284) | 339 (305–372) | 322 (285–360) | 650 (520–808) | 63,3 (53,8–72,8) | 57,9 (52,2–63,6) | 54,2 (47,9–60,6) | 96,7 (78,0–119) | 55,7 (44,4–67,0) | 82,4 (72,4–92,5) | 78,1 (67,7–88,6) | 148 (117–185) | 14·3 (11·4–17·2) | 14·1 (12·4–15·8) | 13·2 (11·4–14·9) | 22·1 (17·5–27·2) |
| África del Norte y Oriente Medio | 264 (219–310) | 243 (211–274) | 226 (194–259) | 525 (430–641) | 78,0 (64,5–91,4) | 40,0 (34,8–45,2) | 36,3 (31,1–41,5) | 61,4 (49,2–73,9) | 63,0 (49,4–76,7) | 64,7 (54,4–75,1) | 60,2 (50,1–70,3) | 133 (107–161) | 18,6 (14,6–22,6) | 10,7 (8,97–12,4) | 9·66 (8·05–11·3) | 15,5 (12,3–19,0) |
| Asia del Sur | 1400 (1170–1630) | 1350 (1200–1500) | 1260 (1110–1420) | 2400 (1910–2980) | 128 (107–149) | 74,7 (66,5–83,0) | 68,5 (60,2–76,8) | 114 (91,3–141) | 308 (249–367) | 356 (303–408) | 335 (282–387) | 604 (463–743) | 28,2 (22,8–33,6) | 19·7 (16·8–22·6) | 18,1 (15,3–21,0) | 28,8 (22,5–35,6) |
| Sudeste asiático, Asia oriental y Oceanía | 1110 (916–1310) | 1140 (995–1290) | 1150 (1010–1290) | 1940 (1580–2370) | 65,8 (54,2–77,5) | 52,8 (46,0–59,5) | 52,7 (46,3–59,1) | 92,0 (75,0–113) | 250 (195–304) | 271 (235–307) | 270 (237–304) | 428 (348–511) | 14,8 (11,5–18,0) | 12,5 (10,9–14,2) | 12,4 (10,8–13,9) | 20,3 (16,4–24,5) |
| África subsahariana | 990 (797–1180) | 1010 (811–1200) | 923 (732–1110) | 1470 (1140–1860) | 202 (162–241) | 93,2 (75,1–111) | 81,5 (64,6–98,4) | 69,3 (53,7–87,5) | 210 (158–262) | 227 (179–276) | 209 (161–257) | 323 (245–416) | 42,8 (32,2–53,3) | 21,0 (16,5–25,5) | 18,5 (14,2–22,7) | 15·3 (11·5–19·5) |
Muertes (en recuentos y tasas para todas las edades) asociadas con y atribuibles a la resistencia antimicrobiana bacteriana, a nivel mundial, por superregión de GBD, para 1990, 2019, 2021 y 2050
| Recuentos de AVAD asociados (miles) | Tasas de AVAD asociadas por 100 000 | Recuentos de AVAD atribuibles (miles) | Tasas de AVAD atribuibles por cada 100 000 | |||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1990 | 2019 | 2021 | 2050 | 1990 | 2019 | 2021 | 2050 | 1990 | 2019 | 2021 | 2050 | 1990 | 2019 | 2021 | 2050 | |
| Global | 281 000 (232 000–331 000) | 196 000 (170 000–221 000) | 178 000 (154 000–202 000) | 201 000 (165 000–245 000) | 5270 (4350–6200) | 2530 (2190–2860) | 2250 (1950–2550) | 2140 (1750–2630) | 60900 (47700–74100) | 46 800 (39 800–53 700) | 42 600 (36 100–49 000) | 46 500 (37 700–57 300) | 1140 (895–1390) | 604 (514–693) | 539 (458–621) | 496 (399–613) |
| Europa central, Europa del Este y Asia central | 10500 (8770–12100) | 7840 (7010–8670) | 7190 (6380–8000) | 7310 (6010–8680) | 2480 (2080–2880) | 1870 (1670–2070) | 1720 (1530–1920) | 1840 (1530–2180) | 2310 (1790–2840) | 1940 (1650–2230) | 1760 (1500–2030) | 1700 (1380–2060) | 550 (426–674) | 464 (394–533) | 422 (359–485) | 428 (348–516) |
| Altos ingresos | 11 100 (9090–131 00) | 11 700 (10 700–12 700) | 11 200 (10 200–12 200) | 12 800 (10 500–14 600) | 1220 (1000–1450) | 1080 (988–1170) | 1030 (937–1120) | 1130 (931–1290) | 2560 (1970–3140) | 2700 (2450–2960) | 2590 (2340–2830) | 2810 (2280–3220) | 281 (217–345) | 249 (225–273) | 237 (214–260) | 248 (203–285) |
| América Latina y el Caribe | 13 700 (11 500–15 900) | 10 400 (9260–11 400) | 9600 (8420–10 800) | 12 600 (10 200–15 600) | 3510 (2960–4070) | 1770 (1580–1950) | 1620 (1420–1810) | 1880 (1530–2300) | 3030 (2390–3670) | 2540 (2220–2860) | 2350 (2030–2680) | 2910 (2330–3620) | 776 (612–940) | 434 (380–488) | 396 (341–451) | 433 (347–537) |
| África del Norte y Oriente Medio | 17 600 (14 300–20 900) | 10 100 (8470–11 600) | 8770 (7350–10 200) | 13 100 (10 400–16 700) | 5190 (4210–6170) | 1660 (1400–1920) | 1410 (1180–1640) | 1530 (1210–1930) | 4140 (3190–5090) | 2670 (2180–3160) | 2330 (1900–2760) | 3330 (2590–4280) | 1220 (940–1500) | 441 (360–522) | 374 (305–443) | 390 (303–493) |
| Asia del Sur | 96 400 (79 300–113 000) | 59 200 (51 200–67 100) | 52 200 (44 900–59 400) | 57 700 (44 900–72 400) | 8810 (7250–10 400) | 3270 (2840–3710) | 2830 (2430–3220) | 2750 (2170–3500) | 20 800 (16 500–25 000) | 15 000 (12 600–17 300) | 13 300 (11 100–15 500) | 14 400 (10 900–18 200) | 1900 (1510–2290) | 828 (696–959) | 721 (602–839) | 687 (527–881) |
| Sudeste asiático, Asia oriental y Oceanía | 58 500 (47 300–69 700) | 32 400 (28 700–36 000) | 31 400 (28 000–34 800) | 35 200 (29 300–42 800) | 3460 (2800–4120) | 1500 (1330–1670) | 1440 (1280–1590) | 1670 (1410–2020) | 12700 (9750–15600) | 7710 (6760–8660) | 7430 (6560–8300) | 7870 (6580–9480) | 751 (577–924) | 356 (312–400) | 340 (300–380) | 374 (311–453) |
| África subsahariana | 73 400 (58 000–88 900) | 64 100 (49 900–78 300) | 57 300 (43 400–71 200) | 62 100 (43 100–86 000) | 14 900 (11 800–18 100) | 5940 (4620–7260) | 5060 (3830–6280) | 2930 (2100–4160) | 15400 (11400–19400) | 14200 (10900–17600) | 12800 (9450–16100) | 13500 (9210–18800) | 3140 (2320–3950) | 1320 (1010–1630) | 1130 (834–1420) | 637 (448–899) |
AVAD (en recuentos y tasas para todas las edades) asociados y atribuibles a la resistencia antimicrobiana bacteriana, a nivel mundial, por superregión de GBD, para 1990, 2019, 2021 y 2050
| Número de muertes asociadas a la RAM | ||
|---|---|---|
| Muertes asociadas a la RAM, 1990 | 4 770 000 | |
| Factores que influyeron en los cambios en las muertes por RAM entre 1990 y 2019 | ||
| Crecimiento poblacional | +1 740 000 | |
| Estructura por edad | +792 000 | |
| Tasa de mortalidad por sepsis | −3 090 000 | |
| Proporción de muertes por sepsis asociadas con síndromes de RAM | −181 000 | |
| Proporción de muertes por síndrome AMR asociadas con bacterias AMR | +227 000 | |
| Proporción de muertes por bacterias RAM asociadas con resistencia | +675 000 | |
| Cambio neto | 163 000 | |
| Muertes asociadas a la RAM, 2019 | 4 940 000 | |
Tabla 5
Un análisis de descomposición que cuantifica el efecto de diferentes factores contribuyentes en el número de muertes asociadas a la RAM entre 1990 y 2019
Cada fila representa un factor distinto, que muestra cómo los cambios en ese factor por sí solo habrían influido en las muertes asociadas a la RAM, suponiendo que todos los demás factores se mantuvieran constantes. Por ejemplo, si las muertes asociadas a la RAM se vieran afectadas únicamente por el crecimiento demográfico observado entre 1990 y 2019, sin cambios en la estructura etaria de la población, la proporción de muertes por sepsis asociadas a la RAM o cualquier otro factor, las muertes asociadas a la RAM aumentarían en 1 740 000, de 4 770 000 en 1990 a 6 510 000 en 2019. Todos los factores influyeron en el cambio observado en las muertes asociadas a la RAM; mientras que el crecimiento demográfico, los cambios en la estructura etaria y una mayor proporción de muertes por síndrome de RAM debido a bacterias y resistencia a la RAM contribuyeron a un aumento de las muertes, esto se vio contrarrestado por una reducción de las muertes debido a la disminución de las tasas de mortalidad por sepsis. Al combinar todos los factores medidos, hay un aumento neto de 163 000 muertes asociadas a RAM entre 1990 y 2019. Los factores se descompusieron hasta 2019 para proporcionar una evaluación más sencilla sin las complejidades añadidas de la pandemia de COVID-19. Los síndromes de RAM son los 11 síndromes infecciosos para los que evaluamos las etiologías. Las bacterias de RAM son los 22 patógenos bacterianos para los que cuantificamos la carga de RAM. Se proporciona más información en el apéndice 1 (pp 70-71) . RAM = resistencia a los antimicrobianos.
El número global de AVAD atribuibles a la RAM disminuyó entre 1990 (60,9 millones [95% UI 47,7–74,1]) y 2021 (42,6 millones [36,1–49,0]). Durante el mismo período, los AVAD asociados con la RAM también disminuyeron de 281 millones (232-331) en 1990 a 178 millones (154-202) en 2021. De manera similar, la tasa global de AVAD para todas las edades atribuibles a la RAM disminuyó de 1140 por 100 000 habitantes (895-1390) en 1990 a 539 por 100 000 habitantes (458-621) en 2021, y la tasa de AVAD para todas las edades asociados con la RAM disminuyó de 5270 por 100 000 habitantes (4350-6200) en 1990 a 2250 por 100 000 habitantes (1950-2550) en 2021. Las tablas 3 y 4 proporcionan estimaciones de muertes y AVAD por RAM para cada contrafactual para 1990, 2005, 2019, 2021 y 2050.
Entre las muertes atribuibles o asociadas a la RAM, hubo una notable divergencia en las tendencias entre los grupos de edad ( figura 2 ). A nivel mundial, los niños menores de 5 años tuvieron una reducción de más del 50% en la mortalidad por RAM tanto atribuible (60,4% [95% UI 47,6–73,1]) como asociada (63,3% [52,8–73,8]) de 1990 a 2021. Por el contrario, todos los grupos de edad de 25 años y más tuvieron un aumento en la mortalidad por RAM durante el mismo período, y los adultos de 70 años y más experimentaron un aumento de más del 80% en la mortalidad tanto atribuible (89,5% [47,4–131,7]) como asociada (81,3% [48,3–114,3]) durante este período de tiempo ( figura 2 ). En el caso de los niños menores de 5 años en 2021, hubo 193 000 muertes (144 000–242 000) atribuibles a la RAM a nivel mundial, una disminución con respecto a las 488 000 muertes (374 000–602 000) atribuibles a la RAM en 1990. En 2021, hubo 840 000 (640 000–1,04 millones) muertes asociadas a la RAM en niños menores de 5 años a nivel mundial, en comparación con 2,29 millones (1,85–2,72) muertes asociadas en 1990. En personas de 5 años o más, hubo 948 000 muertes (837 000–1,06 millones) atribuibles a la RAM y 3,87 millones (3,48–4,26) muertes asociadas a la RAM en 2021, ambas cifras en aumento con respecto a 2010. 570 000 (458 000–682 000) muertes atribuibles a RAM y 2,49 millones (2,10–2,88) muertes asociadas a RAM en 1990 ( figura 2 ). La fracción de muertes con sepsis atribuible a RAM aumentó en todos los grupos de edad, con un aumento del 18,0% (–9,03 a 45,0) en niños menores de 5 años y un aumento del 35,9% (9,98 a 61,9) en personas de 5 años y más de 1990 a 2019 ( apéndice 1 pág. 118 ).
01867-1/asset/7e7da5b0-4791-4787-923a-7487620ccb55/main.assets/gr2_lrg.jpg)
Figura 2 Muertes atribuibles y asociadas a la resistencia a los antimicrobianos, por grupo de edad detallado, para 1990 y 2021
Las muertes atribuibles a la RAM disminuyeron en siete regiones y aumentaron en 14 regiones entre 1990 y 2021 ( tabla 3 ). Cinco regiones tuvieron un aumento de más de 10 000 muertes atribuibles a la RAM: África subsahariana occidental, América Latina tropical, América del Norte de altos ingresos, Sudeste asiático y Asia meridional. En el caso de los niños menores de 5 años, de 1990 a 2021, las muertes asociadas con la RAM y atribuibles a ella disminuyeron entre un 9% y un 95% en todas las regiones, excepto Oceanía. Por el contrario, en las personas de 5 años o más, la mortalidad por RAM aumentó de 1990 a 2021 en todas las regiones, excepto Europa occidental y Europa central. En África subsahariana occidental, el 58,9% (54,8–63,0) de la mortalidad atribuible a la RAM se produjo en niños menores de 5 años, y el 15,8% (13,5–18,2) se produjo en adultos de 70 años o más en 2021. En comparación, en la región de altos ingresos de Asia y el Pacífico, el 0,181% (0,1490–0,222) de la mortalidad atribuible a la RAM se produjo en niños menores de 5 años y el 83,9% (81,7–86,1) de la mortalidad atribuible a la RAM se produjo en adultos de 70 años o más en 2021 ( figura 2 ; figura 3B ). En el cuadro 3 se muestra el número de muertes atribuibles a la RAM y asociadas a ella a nivel regional.
01867-1/asset/47bfa7ca-efdf-48f9-a8df-75535d0decd2/main.assets/gr3a_lrg.jpg)
01867-1/asset/916c7e3b-30cb-4952-9c64-847b9df46b51/main.assets/gr3b_lrg.jpg)
Figura 3 Tasas de mortalidad por 100 000 atribuibles a la resistencia a los antimicrobianos, todas las edades, 1990, 2021, 2050
Entre 1990 y 2021 se observó una disminución mundial de las muertes atribuibles a RAM por nueve patógenos y un aumento en 12 patógenos ( figura 4 ). El patógeno con la disminución más sustancial fue S pneumoniae , con una disminución de 1,30 millones (95% UI 1,01–1,58) muertes asociadas y 258 000 (179 000–336 000) muertes atribuibles en 1990, a 782 000 (681 000–884 000) muertes asociadas y 155 000 (122 000–188 000) muertes atribuibles en 2021. El patógeno con el mayor aumento fue Staphylococcus aureus , que pasó de 103 000 (73 900–133 000) muertes atribuibles en 1990 a 196 000 (177 000–215 000) muertes atribuibles en 2021. Solo seis patógenos tuvieron una carga de RAM atribuible de al menos 100 000 en 2021; en orden descendente, fueron: S. aureus, Acinetobacter baumannii, Escherichia coli, Klebsiella pneumoniae, S. pneumoniae y Pseudomonas aeruginosa .
01867-1/asset/31d9676d-8b9a-4593-a5b7-dcf25d2a40a0/main.assets/gr4_lrg.jpg)
Figura 4 Muertes atribuibles a RAM por patógeno, a nivel mundial, 1990-2021, para personas de 5 años o más y menores de 5 años
Entre los niños menores de 5 años, los patógenos con el mayor número de muertes atribuibles a la RAM en 2021 fueron K. pneumoniae, S. pneumoniae y E. coli ( figura 3 ). La mayor reducción de las muertes por RAM en niños menores de 5 años a nivel mundial se debió a S. pneumoniae resistente , que disminuyó de 158 000 muertes atribuibles (95% UI 106 000–209 000) y 801 000 muertes asociadas (604 000–997 000) en 1990, a 35 100 muertes atribuibles (24 000–46 200) y 176 000 muertes asociadas (133 000–220 000) en 2021. Por el contrario, S. pneumoniae resistente a los medicamentos aumentó en personas de 5 años o más, pasando de 100 000 (70 700–129 000) muertes atribuibles y 496 000 (393 000–599 000) muertes asociadas en 1990, a 120 000 (96 200–144 000) muertes atribuibles y 606 000 (533 000–679 000) muertes asociadas en 2021. En niños menores de 5 años, las muertes atribuibles a la RAM disminuyeron para todos los patógenos, excepto la tuberculosis, entre 1990 y 2021. Por el contrario, las muertes atribuibles a la RAM en personas de 5 años o más aumentaron en todos los patógenos, excepto tres: Salmonella Paratyphi , Salmonella Typhi y Serratia . Entre las personas de 5 años o más, los patógenos con el mayor número de muertes atribuibles a la RAM en 2021 fueron S. aureus, Abaumannii y E. coli.
La combinación de patógeno y fármaco con el mayor aumento de carga atribuible a nivel mundial fue el S. aureus resistente a la meticilina (MRSA), que se duplicó de 57 200 muertes atribuibles (34 100–80 300) en 1990 a 130 000 muertes atribuibles (113 000–146 000) en 2021 ( figura 5 ). En los organismos gramnegativos, la mortalidad anual atribuible a la resistencia a los carbapenémicos aumentó en 89 200 muertes (50 900–127 000) entre 1990 y 2021, más que cualquier clase de antibiótico durante ese período. Hubo cuatro combinaciones de patógenos y fármacos con un aumento de más de 25 000 muertes anuales atribuibles entre 1990 y 2021: SAMR, tuberculosis resistente a múltiples fármacos, K. pneumoniae resistente a carbapenémicos y A. baumannii resistente a carbapenémicos ( apéndice 1, págs. 135-157 ). La combinación de patógenos y fármacos responsable tanto del mayor aumento de la carga atribuible entre 1990 y 2021 como de la mayor carga atribuible en 2021 fue el SAMR en cinco superregiones ( figura 5 ).
01867-1/asset/d1f546cd-85ef-4428-ad2a-3484137b5b3e/main.assets/gr5_lrg.jpg)
Figura 5 Las diez combinaciones de patógenos y fármacos más letales, por carga atribuible a la RAM, a nivel mundial y en las superregiones, en 2021
Previsiones de carga de RAM
Estimamos que en 2050 habrá 1,91 millones (95% UI [1,56–2,26]) de muertes anuales atribuibles a la RAM a nivel mundial y 8,22 millones (6,85–9,65) de muertes anuales asociadas con la RAM ( tabla 3 ; figura 6 ). De manera acumulativa desde 2025 hasta 2050, nuestro escenario de referencia pronostica 39,1 millones (33,0–46,0) de muertes atribuibles a la RAM y 169 millones (145–196) de muertes asociadas con la RAM ( apéndice 1, págs. 114–115 ). Se prevé que los AVAD atribuibles a la RAM aumenten de 42,6 millones (35,5–52,5) en 2022 a 46,5 millones (37,7–57,3) en 2050. Sin embargo, se prevé que la tasa de AVAD atribuibles a la RAM para todas las edades disminuya de 536 por 100 000 habitantes (450–658) en 2022 a 496 por 100 000 (399–613) en 2050. Los patrones en los AVAD asociados con la RAM muestran una tendencia similar; los recuentos aumentan de 2022 a 2050, y las tasas para todas las edades disminuyen durante el mismo período ( tabla 4 ).
01867-1/asset/411485db-29ba-4144-9e00-064de015f945/main.assets/gr6_lrg.jpg)
Figura 6 Carga mundial atribuible y asociada de RAM en el escenario de referencia, 2022-2050
La carga futura de RAM es más alta en el sur de Asia, el sudeste de Asia, el este de Asia, Oceanía y el África subsahariana, con una carga de muerte acumulada atribuible a RAM prevista de 2025 a 2050 de 11,8 millones (95% UI 9,43–14,4), 8,96 millones (7,45–10,4) y 6,63 millones (5,00–8,66), respectivamente. Se prevé que las tasas de AVAD atribuibles a RAM para todas las edades sean más altas en el sur de Asia en 2050 (687 AVAD por 100 000 [527–881]; tabla 4 ).
Las cifras generales de muertes atribuibles a la RAM ocultan tendencias opuestas por edad. A nivel mundial y en cada superregión, las muertes por RAM en niños menores de 5 años están disminuyendo, más pronunciadas en números absolutos en África subsahariana y el sur de Asia. Para las muertes de personas de 70 años o más, pronosticamos un aumento de 2022 a 2050 en cada superregión. El aumento en personas de 70 años o más fue del 146% (95% UI 127-167) a nivel mundial y osciló entre el 72,0% (61,5-84,1) en la superregión de altos ingresos y el 234% (197-278) en la superregión del norte de África y Oriente Medio ( figura 7 ). En los niños menores de 5 años, el número de muertes atribuibles a la resistencia a los antimicrobianos disminuyó de 204 000 (150-285) a 103 000 (65,0-156) a nivel mundial, una disminución del 49,6% (34,1-61,3). Entre las superregiones, las disminuciones en los niños menores de 5 años variaron del 36,4% (16,4-51,9) en África subsahariana al 65,9% (55,1-74,9) en el sur de Asia.
01867-1/asset/5f48d97b-1451-4664-b3d2-70b3b50fdb81/main.assets/gr7_lrg.jpg)
Figura 7 Muertes atribuibles a RAM por grupo de edad y ubicación en el escenario de referencia, 2022-2050 Las unidades están en millones.
Se prevé que la tasa mundial de mortalidad por RAM para todas las edades aumentará de 14,2 por 100 000 (95% UI 12,3-16,7) en 2022 a 20,4 por 100 000 (16,6-24,2) en 2050, mientras que se prevé que la tasa de mortalidad estandarizada por edad disminuya de 14,2 por 100 000 (12,2-16,8) en 2022 a 12,4 por 100 000 (9,92-15,6) en 2050 ( figura 6 ), lo que indica que las tendencias futuras previstas de la carga de RAM estarán impulsadas en gran medida por los cambios en el tamaño de la población y la estructura etaria.
Se prevé que, para 2030, el número mundial de muertes atribuibles a la resistencia a los antimicrobianos sea de 1,28 millones (95 % de intervalo de confianza del 95 %, 1,10-1,48). Entre 2022 y 2030, el aumento del número mundial de muertes atribuibles a la resistencia a los antimicrobianos ascenderá a un 13,4 % (7,8-18,8) para 2030 y a un 69,6 % (51,5-89,2) para 2050. Se prevé que, en 2030, la tasa de mortalidad atribuible a la resistencia a los antimicrobianos para todas las edades sea de 15,1 muertes (13,1-17,5) por cada 100 000, lo que supone un aumento del 6,3 % (0,8-11,8) con respecto a 2022.
En contraste con el fuerte aumento del número de muertes por RAM de cerca del 70% entre 2022 y 2050, el número de AVAD mostró un aumento mucho menor del 9,4% (–6,9 a 29,0), de 42,6 millones (35,5 a 52,5) en 2022 a 46,5 millones (37,7 a 57,3) en 2050.
Impacto de los escenarios
En el escenario de mejor atención, pronosticamos que se evitarían un total de 92,0 millones (95% UI 82,8–102) de muertes acumuladas (incluidas las muertes atribuibles a o asociadas con la RAM, así como las muertes no relacionadas con la RAM) entre 2025 y 2050 ( apéndice 1, págs. 84, 116–117 ). Los mayores beneficios se darían en las superregiones del sur de Asia, África subsahariana y el sudeste de Asia, este de Asia y Oceanía, con 31,7 millones (26,8–37,2), 25,2 millones (21,2–29,8) y 18,7 millones (14,4–22,8), respectivamente. En comparación con las otras superregiones de GBD, el África subsahariana fue excepcional con un número similar de muertes evitadas en niños menores de 5 años en comparación con los de 70 años y más, con 6,98 millones (5,25–8,98) muertes evitadas en niños menores de 5 años frente a 7,02 millones (6,31–7,61) en el grupo de mayor edad ( figura 8 ). La mayoría de las muertes en niños menores de 5 años en el África subsahariana fueron en neonatos con 3,64 millones (2,94–4,48) muertes evitadas. En todas las demás superregiones, el número de muertes evitadas para aquellos de 70 años y más superó con creces a las de los niños menores de 5 años.
01867-1/asset/e496142b-71c2-4d5b-9bb6-7037659b2e12/main.assets/gr8_lrg.jpg)
Figura 8 Muertes acumuladas evitadas (en millones) en dos escenarios diferentes, por edad, a nivel mundial frente a África subsahariana, 2025-2050
En el escenario de las bacterias Gram-negativas, pronosticamos que se evitarían 11,1 millones (95% UI 9,08–13,2) muertes acumuladas por RAM entre 2025 y 2050 ( apéndice 1 págs. 84, 116–117 ). Las mayores reducciones se darían en el sur de Asia, el sudeste de Asia, el este de Asia y Oceanía, y el África subsahariana, con muertes por RAM evitadas de 3,97 millones (3,10–4,88), 2,17 millones (1,78–2,68) y 2,05 millones (1,53–2,65), respectivamente. Las muertes evitadas en niños menores de 5 años serán mayores en África subsahariana y Asia meridional, donde se prevé que se eviten 637 000 (409-950) y 309 000 (218-454) muertes acumuladas por resistencia a los antimicrobianos, respectivamente. Con excepción de África subsahariana, en todas las demás superregiones se evitará la mayoría de las muertes entre los mayores de 70 años, que superarán con creces las muertes evitadas en niños menores de 5 años. En África subsahariana, se prevé que cerca de un tercio de las muertes evitadas se produzcan tanto en niños menores de 5 años como en aquellos de 70 años o más.
Discusión
Observamos que, a pesar de una disminución de la mortalidad mundial por sepsis, la mortalidad mundial por RAM aumentó ligeramente de 1990 a 2019, seguida de una ligera reducción durante la pandemia de COVID-19. En nuestro escenario de referencia, se prevé que la carga de RAM aumente a 1,91 millones de muertes atribuibles y 8,22 millones de muertes asociadas en 2050. Esto sugiere que, sin medidas adicionales, no alcanzaremos la reducción del 10% de la mortalidad por RAM propuesta en la meta 10-20-30 para 2030. 3 Este estudio también encontró una notable divergencia en las tendencias de mortalidad por RAM por edad, ya que los niños menores de 5 años tuvieron una reducción de más del 50% entre 1990 y 2021, mientras que los adultos tuvieron un aumento de la mortalidad por RAM durante este período de tiempo. Prevemos que habrá reducciones continuas en la mortalidad por RAM en niños menores de 5 años, pero esta mejora será superada por el aumento de la mortalidad por RAM en otros grupos de edad, en particular en adultos mayores. La resistencia a los carbapenémicos en las bacterias gramnegativas aumentó considerablemente entre 1990 y 2021, y en el escenario alternativo en el que se desarrollan nuevos antimicrobianos para las bacterias gramnegativas, pronosticamos que se evitarán 11,1 millones de muertes por RAM para 2050. En un segundo escenario alternativo, con una mejor calidad de la atención médica para los síndromes infecciosos y un mejor acceso a los antibióticos, pronosticamos que se evitarán 92,0 millones de muertes para 2050.
La notable disminución de la mortalidad por RAM en niños menores de 5 años en las últimas tres décadas merece especial atención. Gran parte de esta reducción se debe a una disminución de S pneumoniae resistente a los medicamentos y de patógenos que se propagan comúnmente por transmisión fecal-oral (p. ej., Salmonella, Shigella y E coli enteropatógena o enterotoxigénica ). Esta disminución coincide con los esfuerzos generalizados de vacunación y el mejor acceso a WASH 37,38 y sirve como un importante recordatorio a la comunidad de salud mundial y a los responsables de las políticas de que la prevención de infecciones podría ser una intervención muy eficaz para reducir la carga de RAM. 39 Estos hallazgos refuerzan algunos de los principales temas presentados en la reciente serie de Lancet sobre RAM, 40 que prevenir las infecciones a través de las medidas existentes puede tener un efecto descomunal en la carga a través de múltiples vías. 39 Primero, al prevenir la infección, no hay oportunidad de que la resistencia afecte la pérdida de salud. Segundo, la prevención incluso de infecciones sensibles a los antibióticos conduce a una reducción en el número de personas que reciben antibióticos, lo que reduce la presión de selección para las bacterias resistentes a los medicamentos. Por último, al mejorar el acceso a los servicios de agua, saneamiento e higiene, hay menos posibilidades de propagación horizontal de bacterias resistentes en una comunidad. Sin embargo, cabe señalar que, si bien la mortalidad general por resistencia a los antimicrobianos está disminuyendo en los niños menores de 5 años, la resistencia a los antimicrobianos ha tenido un papel cada vez mayor en las muertes por sepsis en este grupo de edad. Descubrimos que, en 2021, el 31,3 % de las muertes por sepsis en niños menores de 5 años se asociaron a bacterias resistentes a los medicamentos, un aumento del 5,18 % en relación con 1990. Esto sugiere que, a pesar de las mejoras generales en el número de muertes relacionadas con la resistencia a los antimicrobianos, los niños que desarrollan sepsis se enfrentan a infecciones que son cada vez más difíciles de tratar. Este problema se agrava por el hecho de que muchos niños siguen muriendo debido a la escasez de acceso a antibióticos adecuados para sus infecciones. 41,42
El aumento contrastante de la carga de RAM en adultos se debe en gran medida al aumento de las muertes por RAM en personas de 50 años o más, con el mayor aumento en los mayores de 70 años. En este grupo de edad, encontramos que la mortalidad por RAM aumentó en más del 80%. Esto es digno de mención por varias razones. En primer lugar, el aumento de la RAM y la mortalidad por sepsis en adultos mayores ha sido enmascarado por las métricas de salud global tradicionales. Por ejemplo, las estimaciones de salud global de GBD y OMS se adhieren a los principios de la Clasificación Internacional de Enfermedades y atribuyen una muerte a una sola causa subyacente. A medida que la población envejece, más personas padecen enfermedades crónicas no transmisibles que contribuyen al desarrollo de sepsis; sin embargo, las muertes por sepsis entre estas poblaciones se atribuyen completamente a la enfermedad no transmisible subyacente (por ejemplo, el cáncer que requiere acceso intravenoso a largo plazo para quimioterapia complicado por una infección de la vía que conduce a infección del torrente sanguíneo, sepsis y muerte se atribuye completamente al cáncer). En segundo lugar, las intervenciones que son efectivas en grupos de edad más jóvenes, como las vacunas, podrían ser menos efectivas en adultos mayores. En el caso de muchas vacunas, incluida la vacuna conjugada neumocócica, la inmunosenescencia produce una respuesta de anticuerpos menos robusta y una menor eficacia de la vacuna. 43 Esta menor eficacia, así como la menor cobertura de la vacuna, podrían explicar por qué, a pesar de disponer de una vacuna neumocócica para los adultos mayores, 43 no se produjo una disminución de la carga de RAM debido a S. pneumoniae . En tercer lugar, los adultos mayores tienen más probabilidades de sufrir efectos adversos por antimicrobianos específicos; 44 a medida que aumenta la resistencia, se hace necesario el uso de opciones de tratamiento de segunda y tercera línea más tóxicas, que podrían no ser toleradas en poblaciones de mayor edad. En cuarto lugar, los adultos tienen más probabilidades de tener comorbilidades 45,46 que provocan inmunodeficiencias y aumentan el riesgo de infecciones oportunistas. 47 Esto se demuestra por el rápido aumento de la prevalencia de diabetes en los adultos mayores y el aumento de la carga de infección por gramnegativos. 48 Por último, se prevé que los adultos mayores sean el grupo demográfico que más crezca durante el siglo XXI, y se estima que más del 25% de la población mundial tendrá más de 65 años en 2100.49 Esto podría tener un efecto multiplicador sobre la RAM (aumentando la vulnerabilidad a la infección y aumentando al mismo tiempo el volumen de antimicrobianos utilizados), lo que crearía una mayor presión de selección para que surja la resistencia.
Además de los cambios en la estructura y el crecimiento de la población, que se analizaron anteriormente como factores que influyeron en la variación de la carga de RAM, hubo otros dos factores que influyeron en el cambio: la mejora de la tasa de mortalidad por sepsis y los cambios en los patógenos etiológicos, con una prevalencia cada vez mayor de resistencia. La prevención de infecciones y las mejoras en la calidad de la atención sanitaria y en el tratamiento de la sepsis evitaron 3 090 000 muertes asociadas a RAM entre 1990 y 2019. Esto se vio eclipsado por el envejecimiento y el crecimiento de la población, que contribuyó a otras 2 530 000 muertes por RAM, y los cambios en los patógenos y la prevalencia de resistencia de los patógenos que causan sepsis, que provocaron 902 000 muertes adicionales por RAM. En última instancia, la compleja interacción entre una población de mayor edad, las mejoras en el sistema de atención sanitaria y la aparición de patógenos más resistentes y mortales dio lugar a un aumento neto de 163 000 muertes asociadas a RAM entre 1990 y 2019.
En 2024, la OMS revisó la Lista de Patógenos Bacterianos Prioritarios8 para abordar los desafíos cambiantes de la RAM. 6,50,51 En esta iteración más reciente, la designación de prioridad crítica se otorgó a A baumannii resistente a carbapenémicos, Enterobacterales resistentes a carbapenémicos , Enterobacterales resistentes a cefalosporinas de tercera generación y M. tuberculosis resistente a rifampicina . 8 Estimamos que la mortalidad atribuible a todas las combinaciones de prioridad crítica excepto una aumentó de 1990 a 2021, y que los Enterobacterales resistentes a cefalosporinas de tercera generación aumentaron de 1990 a 2019, seguido de una disminución de 2019 a 2021. Aunque MRSA fue la combinación de patógeno-fármaco con el mayor aumento en la carga atribuible de 1990 a 2021, se clasifica como una alta prioridad en lugar de una prioridad crítica. 8 Parte de esta designación se debe a la asignación del SAMR a una alta tratabilidad y una prevenibilidad media. De hecho, existen varias intervenciones basadas en evidencia exitosas a nivel individual, de establecimiento y de población que pueden reducir el riesgo de infección por SAMR: (1) administración de antimicrobianos, que se ha calificado como una práctica esencial para la infección por SAMR y la prevención de la transmisión, (2) precauciones de contacto para las personas colonizadas o infectadas con SAMR, y (3) detección y vigilancia del SAMR. 52 Además, se ha demostrado que los protocolos de descolonización reducen el riesgo de infección invasiva por SAMR en poblaciones seleccionadas. 53 A pesar de estas opciones de prevención y su designación como altamente tratable con varios antibióticos alternativos disponibles, el SAMR sigue siendo la combinación de patógeno y fármaco responsable de la mayor pérdida de salud a nivel mundial en 2021. Nuestros resultados abogan por políticas que aseguren una mayor adopción de las medidas ya existentes que han demostrado ser efectivas para reducir la carga de SAMR, al tiempo que se continúa invirtiendo en más investigaciones centradas en estrategias de prevención y tratamiento.
A diferencia del SAMR, existen menos medidas de prevención basadas en evidencia para Acinetobacter y Enterobacterales resistentes a carbapenémicos , en particular a nivel de población. Muchas de las estrategias de prevención recomendadas se extrapolan de estudios sobre SAMR54 o son medidas de control basadas en instalaciones cuando se identifica una fuente común. 55 La incertidumbre de la eficacia de estas estrategias de prevención hace que el aumento sustancial de bacterias gramnegativas resistentes a carbapenémicos sea particularmente alarmante, ya que muchos consideran que los carbapenémicos son un antibiótico de último recurso, lo que se refleja en la asignación de la Lista de Patógenos Bacterianos Prioritarios de la OMS de baja tratabilidad y se determina que los posibles tratamientos futuros son poco probables. La mayoría de los tratamientos futuros en las últimas etapas del desarrollo de fármacos son derivados de clases antimicrobianas establecidas, 56 y el desarrollo de resistencia o resistencia cruzada ya presente ha demostrado ser constantemente problemático, 57 con resistencia que a menudo se muestra antes de que un antibiótico se lance comercialmente. 58 Nuestras estimaciones respaldan la designación crítica de Enterobacterales y Acinetobacter resistentes a carbapenémicos como causas principales de pérdida de salud a nivel mundial que están aumentando rápidamente. Se necesita urgentemente investigación sobre medidas de prevención para entender si la extrapolación de estudios de MRSA que informan muchas estrategias de prevención en bacterias gramnegativas resistentes es razonable e identificar qué medidas adicionales pueden frenar la creciente mortalidad por estos patógenos críticos. Además, dadas las escasas opciones de tratamiento una vez que se produce la infección, se necesita inversión en el desarrollo de medicamentos para estas bacterias gramnegativas altamente resistentes, al tiempo que se asegura que los nuevos antibióticos sean accesibles para los países de ingresos bajos y medios. 59
Encontramos heterogeneidad en las tendencias entre las superregiones y estimamos que, a pesar de una disminución en la mortalidad por RAM durante el período de estudio, África subsahariana fue la superregión con la tasa de mortalidad más alta atribuible a la RAM en 2021. Esta reducción en la mortalidad se debe a una disminución sustancial en las muertes por RAM en niños menores de 5 años, y es consistente con los principios descritos en la reciente serie de Lancet , de que las muertes por RAM se pueden evitar con medidas de prevención y control de infecciones, vacunación y acceso a antibióticos. 60 La tasa de mortalidad por RAM persistentemente alta en esta superregión refleja muchos de los desafíos que enfrentan los países de ingresos bajos y medios en general, que incluyen sistemas de salud fragmentados, instalaciones inadecuadas de unidades de cuidados intensivos (UCI), UCI superpobladas, escasez de personal, acceso universal inadecuado a WASH, poco personal capacitado para la prevención y el control de infecciones, capacidad microbiológica subdesarrollada y acceso limitado a antibióticos. 61 La inversión continua en esta infraestructura, así como la gestión de los antibióticos y el equilibrio entre el acceso a los antibióticos y el exceso de estos, son cruciales y dependen de muchos factores, incluidos los incentivos financieros, una mayor asequibilidad y una mejor capacidad de diagnóstico, ya que la identificación del patógeno etiológico y las pruebas de susceptibilidad son cruciales para la prescripción adecuada de antimicrobianos. 56 El efecto de estas intervenciones se destaca en nuestras previsiones que indican el potencial de evitar 92,02 millones de muertes entre 2022 y 2050 con una mejor calidad de la atención sanitaria y el acceso a antimicrobianos eficaces.
Sin embargo, la aplicación de estas medidas basadas en la evidencia plantea desafíos. Un estudio reciente mostró que en 2023, el 59,9% de los países que participaron en la encuesta de autoevaluación cuatripartita informaron que contaban con un plan de seguimiento y evaluación para su Plan de Acción Nacional sobre la RAM, y solo el 11,3% de los países financiaron la aplicación de sus Planes de Acción Nacionales debido a recursos financieros o humanos limitados, capacidad insuficiente y distintos niveles de apoyo político. 62 Incluso entre los países del G7, hay áreas importantes que necesitan mejoras, como la adopción de la clasificación Access, Watch, Reserve de la OMS para los antimicrobianos, la implementación plena de medidas de prevención y control de infecciones, la integración de la vigilancia de la RAM para incluir la seguridad alimentaria y la salud animal, así como la contabilización de los residuos ambientales de antibióticos y el uso de plaguicidas. 62 En consecuencia, es crucial enfatizar continuamente la participación multisectorial en la lucha mundial contra la RAM. También se necesita una inversión acelerada en capacidad de microbiología para facilitar un tratamiento adecuado, sistemas de vigilancia y métricas de salud, y es esencial para monitorear el progreso hacia objetivos futuros, como la reducción propuesta del 10% en las muertes relacionadas con la RAM a nivel mundial. 63
Encontramos una disminución en la carga de RAM durante la pandemia de COVID-19 dentro de los años capturados por nuestro estudio (2020 y 2021). La relación entre COVID-19 y RAM es intrincada y se han propuesto muchos mecanismos para describirla. 64 El uso de equipo de protección personal, una mejor higiene de manos y el distanciamiento físico (junto con un mayor número de puntos focales de prevención y control de infecciones en los países de ingresos bajos y medios) son factores destacados que probablemente contribuyeron a la disminución temporal de la transmisión de microorganismos resistentes mientras estas medidas estaban en vigor. 65 También es posible que la pandemia pudiera haber disminuido sustancialmente la mortalidad por RAM por otros mecanismos. En primer lugar, podría haberse producido un desplazamiento de la mortalidad, o un efecto de cosecha, en el que las personas mayores y las que tenían comorbilidades murieron debido a COVID-19 en lugar de infecciones bacterianas. 66 En segundo lugar, hubo evidencia de menos prescripciones de antibióticos en los países de altos ingresos en 2020, lo que podría haber reducido la presión selectiva por la resistencia. El optimismo en torno a la disminución de la mortalidad por resistencia a los antimicrobianos entre 2019 y 2021 debe moderarse, ya que muchos de estos efectos podrían ser temporales. A medida que se han suavizado las restricciones de viaje, hay evidencia de que la resistencia a los antimicrobianos ha seguido propagándose tanto en los países de ingresos bajos y medios como en los países de ingresos altos, y se ha identificado a los primeros como posibles focos de organismos resistentes.
En consonancia con nuestra investigación anterior, hemos elaborado estimaciones de la carga de RAM para dos contrafácticos que son informativos, en particular al considerar el efecto de las intervenciones dirigidas a la RAM. Al considerar cómo las campañas de vacunación pueden mitigar la carga de RAM, el contrafáctico sin infección es más informativo, ya que se podría esperar razonablemente que las infecciones con bacterias resistentes se previnieran por completo. Mientras que con el desarrollo de nuevos fármacos, la infección sigue presente pero ahora es susceptible al nuevo antibiótico, por lo que el contrafáctico de infección susceptible podría describir mejor el beneficio. 67
Nuestro análisis de pronóstico sugiere una carga creciente de RAM en las próximas décadas, con un aumento estimado del 69,6% en las muertes globales atribuibles a RAM y un aumento del 67,0% en las muertes asociadas a RAM entre 2022 y 2050. Aunque las tasas para todas las edades muestran tendencias crecientes, se prevé que las tasas estandarizadas por edad disminuyan. Esto indica que muchos de los cambios en la mortalidad por RAM en el futuro serán impulsados por cambios en el tamaño de la población y la estructura de edad, con una mayor prevalencia de comorbilidades asociadas con complicaciones infecciosas, como la obesidad y la diabetes. Vemos la interacción de las tendencias divergentes en niños menores de 5 años y adultos mayores en la carga de RAM proyectada hasta 2050. Aunque las muertes por RAM aumentan en números para todas las edades combinadas, muestran fuertes disminuciones en cada superregión de GBD en niños menores de 5 años, pero más del doble a nivel mundial y dentro de cinco de las superregiones en individuos de 70 años o más. La convergencia de estos cambios poblacionales con el aumento de las comorbilidades es preocupante, en particular en los adultos mayores, y requerirá intervenciones que puedan abordar los desafíos específicos de este grupo de edad y preparar los sistemas de salud para la creciente carga de RAM en los adultos mayores.
Nuestras previsiones de referencia indican que es poco probable que se alcancen las metas 10-20-30 para 203068 sin esfuerzos adicionales en el desarrollo de fármacos, la prevención de infecciones, un mejor tratamiento de las infecciones graves y un mejor acceso a los antibióticos actualmente disponibles. Para alcanzar la meta, la tasa de mortalidad por RAM en 2030 tendría que ser inferior a 13,9 muertes atribuibles a RAM por cada 100 000. Esto sugiere que, sin una inversión adicional para evitar la mortalidad por RAM, estamos en camino de no alcanzar la meta del 10% con una diferencia de más de 150 000 muertes atribuibles a RAM entre las muertes por RAM previstas en 2030 y la meta de reducción del 10%. Nuestros hallazgos del escenario de fármacos contra las bacterias gramnegativas y el escenario de mejor atención muestran la oportunidad de avanzar. El desarrollo y la distribución eficaces de nuevos fármacos contra las bacterias gramnegativas podrían evitar 11,08 millones (95 % de intervalo de confianza del 95 %, 9,08-13,17) de muertes por resistencia a los antimicrobianos entre 2025 y 2050, lo que representa aproximadamente un tercio de las muertes acumuladas atribuibles a la resistencia a los antimicrobianos que se pronosticaron en el escenario de referencia. Nuestro escenario de mejor atención estima un impacto sustancialmente mayor más allá de la prevención de muertes causadas por resistencia, con 92,02 millones (82,81-101,75) de muertes acumuladas evitadas entre 2025 y 2050 mediante esfuerzos para mejorar el manejo de infecciones graves y aumentar el acceso a antibióticos, en particular en los países de ingresos bajos y medios.
Al revisar los análisis de pronóstico presentados en este estudio en comparación con los del informe de 2014 sobre la resistencia a los antimicrobianos, 1 es importante señalar que no es posible una comparación directa porque las combinaciones de patógenos y fármacos entre los dos estudios no se superponen perfectamente. Las únicas combinaciones que ambas estimaciones incluyen son MRSA, E. coli y K. pneumoniae resistente a las cefalosporinas de tercera generación. El resultado de la revisión de 2014 de 10 millones de muertes al año es algo mayor que nuestra estimación de casi ocho millones de muertes asociadas en 2050. Sin embargo, nuestras estimaciones incluyen muchas más combinaciones de patógenos bacterianos y fármacos, mientras que el informe sobre la resistencia a los antimicrobianos incluye la malaria y el VIH. Aunque no podemos explorar las diferencias entre las estimaciones para 2050, hay una clara similitud en las implicaciones de ambas: la resistencia a los antimicrobianos es un desafío creciente para la salud mundial que requiere una intervención urgente.
La creciente mortalidad debida a las bacterias gramnegativas resistentes a los carbapenémicos es motivo de preocupación, 69 y los fenotipos problemáticos se están volviendo cada vez más comunes. La industria farmacéutica tiene un papel importante en la solución de este desafío con el desarrollo de agentes terapéuticos para superar las infecciones resistentes a múltiples fármacos. Estimamos que el efecto potencial de los nuevos antibióticos gramnegativos en la reducción de la mortalidad es profundo, con un pronóstico de 11,08 millones (95% UI 9,01–13,17) de muertes acumuladas por RAM evitadas entre 2025 y 2050 en el nuevo escenario de medicamentos gramnegativos; sin embargo, un total de 28,03 millones (23,7–32,8) de muertes anuales por RAM todavía ocurren para 2050, incluso bajo los supuestos optimistas de este escenario. Esto subraya que el desarrollo de medicamentos dirigidos a las infecciones más difíciles de tratar, si bien es importante, no es lo suficientemente integral para abordar el desafío de la RAM, ya que el desarrollo de una mayor resistencia parece ser inevitable. Es necesario un conjunto diverso de intervenciones para reducir la carga de la resistencia a los antimicrobianos, incluidas las que prevengan infecciones, proporcionen un mejor acceso y calidad de la atención y mejoras en el diagnóstico y el tratamiento de las enfermedades comórbidas. El número de muertes evitadas entre 2025 y 2050 en el escenario de una mejor atención es cinco veces mayor que las que se evitan con el escenario de los medicamentos contra las bacterias gramnegativas. Esto demuestra que las mejoras generales de los sistemas de atención de la salud, incluido el acceso a los antibióticos existentes, podrían tener un impacto mucho mayor que el desarrollo de medicamentos por sí solo. Por supuesto, plantear estos escenarios como desarrollo de medicamentos o mejora de los sistemas de salud es un falso dilema, y debería invertirse en ambos enfoques; los más de 50 millones de muertes evitadas gracias a la mejora del acceso a los antimicrobianos existentes son notables y respaldan los recientes llamamientos a añadir la resistencia a los antimicrobianos y el acceso a los antimicrobianos como un foco de la misión del Fondo Mundial. 70,71
Este estudio tiene varias limitaciones (muchas de las cuales se han discutido previamente), siendo la más significativa la escasez de datos de algunos países de ingresos bajos y medios sobre la distribución de patógenos por síndrome infeccioso, el riesgo relativo de resistencia para las combinaciones clave de patógenos y fármacos, y el número de muertes relacionadas con infecciones. En nuestro estudio, siete de los 204 países y territorios no tenían datos disponibles para ninguno de nuestros componentes de modelado. También reconocemos una escasez sustancial de datos que vinculen los resultados de laboratorio con resultados como la mortalidad, un problema que también se reflejó en nuestra investigación anterior. Tal escasez se debe principalmente a la infraestructura y capacidad de laboratorio insuficientes, instalaciones microbiológicas escasas o ausentes, sistemas de salud y sistemas de gobernanza e información débiles, y recursos escasos. 60,72,73 En algunos países, los datos disponibles están fragmentados, submuestreados o no son representativos de la población en general. Además, sin instalaciones microbiológicas accesibles y bien equipadas, los datos de las poblaciones médicamente desatendidas a menudo son imposibles de obtener. En consecuencia, a veces hay una pérdida de precisión en las estimaciones de la carga para países con datos escasos y para combinaciones específicas de patógenos y fármacos, y como resultado hay dificultades excepcionales para controlar los sesgos planteados por las comorbilidades de los pacientes y los procedimientos de pruebas microbiológicas que a menudo no están disponibles en los datos que sí tenemos. Mejorar la capacidad de los laboratorios microbiológicos es esencial para mejorar los resultados de los pacientes. Los datos escasos en algunos países afectaron sustancialmente nuestra prevalencia de resistencia y los componentes de modelado de riesgo relativo, similar a la situación en nuestras publicaciones anteriores. 6,50,51,60 Reconocemos que puede haber suposiciones metodológicas debido a la escasez de datos, y esto podría potencialmente dar lugar a una sobreestimación o subestimación de la prevalencia de resistencia (por ejemplo, las combinaciones de patógenos y fármacos con datos escasos podrían verse influenciadas por valores atípicos en los años-país vecinos). Sin embargo, nuestro proceso de estimación general sigue siendo integral y consistente, aprovechando todos los datos globales disponibles; más específicamente, cuando los datos de países específicos son escasos, las estimaciones se basan en covariables y patrones regionales y están respaldadas por evaluaciones de validez predictiva fuera de la muestra.
En segundo lugar, a pesar de nuestros esfuerzos por minimizar y tener en cuenta los sesgos y las clasificaciones erróneas, estos pueden surgir al consolidar y estandarizar los datos de diferentes proveedores y orígenes de la infección. También reconocemos el posible efecto del sesgo de selección en los datos de vigilancia microbiana pasiva, sesgo introducido por las bajas tasas de utilización de cultivos de diagnóstico, 74 mientras que las diferencias en el uso de antimicrobianos entre los sectores de atención de la salud pública y privada pueden conducir a una representación incompleta de los patrones de RAM. En los países de ingresos bajos y medios, los datos de microbiología hospitalaria pueden reflejar desproporcionadamente los casos de enfermedad más grave y las poblaciones urbanas. Además, aunque incluimos datos de centros de atención terciaria y ajustamos el sesgo en la prevalencia de la resistencia, una gran parte de nuestros datos se originaron en centros con clasificaciones mixtas terciarias, no terciarias o desconocidas. Los riesgos relativos estimados de muerte y los aumentos en la duración de la hospitalización asociados con la resistencia también son vulnerables a factores de confusión residuales (por ejemplo, diagnósticos primarios de pacientes no informados que afectan tanto la vulnerabilidad a la infección como el riesgo de muerte), sesgo de estratificación de colisionadores (por ejemplo, hospitalización como colisionador causada por la exposición a la infección con bacterias resistentes y el resultado de estar lo suficientemente enfermo como para morir) y factores de confusión que varían con el tiempo (por ejemplo, tratamiento y dosis). También somos conscientes de que las coinfecciones y las comorbilidades pueden amplificar el riesgo, la gravedad y los resultados de las infecciones resistentes y, por lo tanto, es necesario realizar más investigaciones para dilucidar su papel y sus efectos específicos. Además, la evolución de las técnicas de diagnóstico podría introducir cierta variabilidad en los resultados, especialmente al comparar datos de diferentes períodos de tiempo. Estas limitaciones subrayan la necesidad de protocolos estandarizados y mejores esfuerzos de armonización de datos para garantizar la solidez y confiabilidad de los análisis de carga de RAM.
Nuestro estudio también enfrenta desafíos únicos específicos del análisis de tendencias temporales de la resistencia a los antimicrobianos. Una limitación es la distribución temporal desigual de los datos disponibles de varias regiones y países, lo que complica la representación precisa de la dinámica mundial, regional y nacional de la resistencia a los antimicrobianos, lo que potencialmente afecta la confiabilidad e interpretación de nuestros análisis de tendencias temporales. Los datos que informan los niveles de resistencia antes del año 2000 son excepcionalmente escasos: en Europa, el monitoreo colaborativo generalizado de la resistencia a los antimicrobianos no comenzó hasta 1998 con la formación del Sistema Europeo de Vigilancia de la Resistencia a los Antimicrobianos; en América Latina, el monitoreo comenzó para unas pocas combinaciones seleccionadas de patógenos y medicamentos a mediados de la década de 1990 a través del Sistema Regional de Vacunas y la Red Latinoamericana de Vigilancia de la Resistencia a los Antimicrobianos; y en los EE. UU., el monitoreo dirigido por los Centros para el Control y la Prevención de Enfermedades comenzó en 1996. En consecuencia, nuestras estimaciones de la resistencia antes del año 2000 dependen en gran medida de tendencias temporales modeladas y covariables. También estamos sujetos a la falta de datos longitudinales (tanto sobre los patrones de prevalencia de la RAM como sobre el uso de antimicrobianos) de muchos países de ingresos bajos y medios y a la naturaleza esporádica y no estandarizada de la recopilación de datos en diferentes regiones y entornos de atención médica, lo que dificulta aún más nuestra capacidad de rastrear los cambios en los perfiles de resistencia a los fármacos y los patógenos a lo largo del tiempo. Por último, la pandemia de COVID-19 afectó sustancialmente a todas las facetas de los sistemas de salud, incluidos los esfuerzos de vigilancia de la RAM. La reducción en el número de cultivos microbiológicos, procedimientos electivos y visitas ambulatorias, junto con un aumento en las admisiones en la UCI y las admisiones de pacientes con enfermedades crónicas, podría sesgar y, posteriormente, sesgar los datos de la RAM utilizados en nuestro estudio. 65,75
La alta carga de resistencia a los β-lactámicos, y particularmente a los carbapenémicos, en S. pneumoniae merece un comentario adicional. Para tener un enfoque consistente entre patógenos, utilizamos una jerarquía de β-lactámicos de modo que un aislado que es resistente tanto a las cefalosporinas de tercera generación como a los carbapenémicos tiene su carga atribuible asignada a los carbapenémicos ( apéndice 1 pág. 69 ). Esta es una suposición más sólida para S. pneumoniae que para las bacterias gramnegativas porque el mecanismo de resistencia en las bacterias gramnegativas es más comúnmente las β-lactamasas 76 que a menudo siguen esta jerarquía. Por el contrario, la resistencia a los β-lactámicos en S. pneumoniae se debe a menudo a mutaciones 77 en la proteína de unión a la penicilina; un posible efecto de aplicar esta jerarquía a S. pneumoniae es una sobreestimación de la carga de resistencia a los carbapenémicos en S. pneumoniae en relación con otros β-lactámicos, específicamente la penicilina y las cefalosporinas de tercera generación. Además, en nuestro marco, el efecto de la resistencia en la mortalidad (es decir, el riesgo relativo) toma fuerza de otros patógenos con resistencia a la misma clase de antimicrobianos, lo que probablemente sea una suposición más sólida para S pneumoniae que para Enterobacterales dada la prevalencia de datos de entrada de enterobacterales resistentes a carbapenémicos productores de carbapenemasas y el mecanismo de resistencia distintivo de S pneumoniae . Esperamos que con la búsqueda continua de datos, las iteraciones futuras incluyan modelos más específicos para los matices de S pneumoniae .
Nuestro pronóstico y escenarios de la carga de RAM hasta 2050 también están sujetos a las limitaciones de las estimaciones históricas, incluida la disponibilidad y calidad de los datos, ya que nuestras tendencias de pronóstico se construyen a partir de estimaciones históricas. Los modelos de pronóstico también se produjeron a partir de estimaciones de muertes debido a la resistencia en general, en lugar de pronosticar patógenos individuales, lo que podría conducir a una precisión reducida si hay heterogeneidad sustancial en las tendencias temporales de los patógenos. Nuestros modelos de pronóstico tampoco incluyen el brote de nuevos patógenos resistentes o superbacterias, y podrían ser subestimaciones si surgen nuevos patógenos o ocurren eventos estocásticos que conducen a un aumento marcado en las infecciones y, por lo tanto, la resistencia. También hicimos varias suposiciones en el desarrollo de nuestro escenario de medicamentos Gram-negativos y escenario de mejor atención, y por lo tanto el efecto de estos hallazgos está informado por esas suposiciones. Primero, suponemos que la proporción de infecciones de RAM debido a bacterias Gram-negativas se mantendrá constante a lo largo del tiempo y que el desarrollo de nuevas terapias y la ampliación de una línea de medicamentos tomaría 15 años y sería eficaz en la reducción de las muertes por Gram-negativos en un 50%. En nuestro escenario de mejor atención, reducimos la mortalidad por causas específicas de los síndromes infecciosos a niveles de países en el percentil 85 del índice HAQ (en la cola inferior del HAQ para los países de altos ingresos). Este escenario captura mejoras en el sistema de salud más allá de una mejor atención para enfermedades infecciosas graves y un mejor acceso a antibióticos, como una mejor capacidad de diagnóstico, una fuerza laboral de atención médica más sólida y la disponibilidad de intervenciones tecnológicas que salvan vidas para personas con enfermedades avanzadas (por ejemplo, respiradores). Nuestras previsiones para el escenario de mejor atención no incorporan los efectos de las enfermedades infecciosas fuera de las que contribuyeron al sobre de mortalidad por RAM ( apéndice 1 pág. 20 ). Debido a la dificultad de calcular la tasa de letalidad del percentil 85, se excluyó la Salmonella tifoidea, paratifoidea y no tifoidea invasiva . Este escenario supone además una gestión adecuada en caso de que mejore el acceso a antibióticos, lo que podría depender de otros factores asociados con un HAQ alto, como el ingreso y otras características del desarrollo general.
A pesar de estas limitaciones, hasta donde sabemos, este estudio representa el análisis más completo de la carga de RAM bacteriana a lo largo del tiempo, y el análisis más extenso que pronostica la carga de RAM hasta 2050. Refleja la mejor y más amplia gama de datos disponibles y modelos utilizados que se han probado y refinado durante los 30 años de análisis de GBD para incorporar diversas fuentes de datos. Aunque cada fuente de datos por sí sola no aborda completamente el patrón temporal de la carga de RAM, su uso colectivo proporciona una estimación más completa con una cobertura geográfica integral. Por lo tanto, hasta donde sabemos, este estudio es el primero en informar cambios en la carga de RAM a lo largo del tiempo mediante el uso de escenarios contrafácticos atribuibles y asociados, al tiempo que cubre una amplia gama de patógenos y combinaciones de patógenos y fármacos, con estimaciones globales y regionales para 204 países y territorios. Con futuras iteraciones de este trabajo, tenemos la intención de monitorear el progreso hacia el objetivo 10-20-30 para 2030. También prevemos ampliar el alcance de las combinaciones de patógenos y fármacos, dada la importancia de otras clases de antimicrobianos, como las tetraciclinas, y el efecto de la resistencia actual entre hongos, virus y parásitos. También podemos aprovechar esta infraestructura para describir la carga de patógenos resistentes emergentes, como Candida auris . A medida que los sistemas de vigilancia mejoren con una mayor disponibilidad de datos y cobertura geográfica, estas estimaciones serán cada vez más precisas y podrían utilizarse para fundamentar las recomendaciones antimicrobianas empíricas de la OMS por región.
Descubrimos que las muertes por RAM para ambos contrafactuales aumentaron ligeramente de 1990 a 2019, mientras que la tasa de mortalidad para todas las edades disminuyó. Gran parte de esta reducción se debe a la prevención de infecciones, las mejoras en el manejo de la sepsis y las reducciones de la mortalidad por sepsis en niños menores de 5 años. Al observar el papel de la RAM en las muertes por sepsis, describimos una tendencia creciente y preocupante de que cuando alguien muere de sepsis, la probabilidad de que el organismo causante de la infección sea resistente a los medicamentos es un 25% mayor en 2019 en relación con 1990. Quizás lo más importante es que encontramos una creciente resistencia a antimicrobianos de importancia crítica. Esto es más evidente con el aumento de la carga de organismos gramnegativos resistentes a carbapenémicos, pero también se refleja en la tuberculosis resistente a múltiples medicamentos. Todas menos una de las combinaciones de patógenos y medicamentos clasificadas por la Lista de Patógenos Bacterianos Prioritarios de la OMS como de tratabilidad baja o media-baja tuvieron una carga creciente de 1990 a 2021; Solo la Salmonella Typhi resistente a las fluoroquinolonas tuvo una carga decreciente, en gran medida debido a la disminución de la incidencia mundial de Salmonella Typhi. Nuestras estimaciones de mortalidad del escenario de referencia sugieren un aumento continuo de la mortalidad por RAM, lo que conducirá a 1,91 millones de muertes atribuibles y 8,22 millones de muertes asociadas a RAM en 2050. Nuestras previsiones de referencia sugieren que sin medidas adicionales no lograremos la reducción del 10% de la mortalidad por RAM propuesta en el objetivo 10-20-30 para 2030.
Colaboradores de GBD 2021 en Resistencia a los Antimicrobianos
Mohsen Naghavi*, Stein Emil Vollset*, Kevin S Ikuta*, Lucien R Swetschinski, Authia P Gray, Eve E Wool, Gisela Robles Aguilar, Tomislav Mestrovic, Georgia Smith, Chieh Han, Rebecca L Hsu, Julian Chalek, Daniel T Araki, Erin Chung, Catalina Raggi, Anna Gershberg Hayoon, Nicole Davis Weaver, Paulina A Lindstedt, Amanda E Smith, Umut Altay, Natalia V Bhattacharjee, Konstantinos Giannakis, Frederick Fell, Barney McManigal, Nattwut Ekapirat, Jessica Andretta Mendes, Tilleye Runghien, Oraya Srimokla , Atef Abdelkader, Sherief Abd-Elsalam, Richard Gyan Aboagye, Hassan Abolhassani, Hasan Abualruz, Usman Abubakar, Hana J Abukhadijah, Salahdein Aburuz, Ahmed Abu-Zaid, Sureerak Achalapong, Isaac Yeboah Addo, Victor Adekanmbi, Temitayo Esther Adeyeoluwa, Qorinah Estiningtyas Sakilah Adnani, Leticia Akua Adzigbli, Muhammad Sohail Afzal, Saira Afzal, Antonella Agodi, Austin J Ahlstrom, Aqeel Ahmad, Sajjad Ahmad, Tauseef Ahmad, Ali Ahmadi, Ayman Ahmed, Haroon Ahmed, Ibrar Ahmed, Mohammed Ahmed, Saeed Ahmed, Syed Anees Ahmed, Mohammed Ahmed Akkaif, Salah Al Awaidy, Yazan Al Thaher, Samer O Alalalmeh, Mohammad T AlBataineh, Wafa A Aldhaleei, Adel Ali Saeed Al -Gheethi, Nma Bida Alhaji, Abid Ali, Liaqat Ali, Syed Shujait Ali, Waad Ali, Kasim Allel, Sabah Al-Marwani, Ahmad Alrawashdeh, Awais Altaf, Alaa B Al-Tammemi, Jaffar A Al-Tawfiq, Karem H Alzoubi, Walid Adnan Al-Zyoud, Ben Amos, John H Amuasi, Robert Ancuceanu, Jason R Andrews, Abhishek Anil, Iyadunni Adesola Anuoluwa, Saeid Anvari , Anayochukwu Edward Anyasodor, Geminn Louis Carace Apostol, Jalal Arabloo, Mosab Arafat, Aleksandr Y Aravkin, Demelash Areda, Abdulfatai Aremu, Anton A Artamonov, Elizabeth A Ashley, Marvelous O Asika, Seyyed Shamsadin Athari, Maha Moh’d Wahbi Atout, Tewachew Desperté, Sina Azadnajafabad, James Mba Azam, Shahkaar Aziz, Ahmed Y Azzam, Mahsa Babaei, Francois-Xavier Babin, Muhammad Badar, Atif Amin Baig, Milica Bajcetic, Stephen Baker, Mainak Bardhan, Hiba Jawdat Barqawi, Zarrin Basharat, Afisu Basiru, Mathieu Bastard, Saurav Basu, Nebiyou Simegnew Bayleyegn, Melaku Ashagrie Belete, Olorunjuwon Omolaja Bello, Apostolos Beloukas, James A Berkley, Akshaya Srikanth Bhagavathula, Sonu Bhaskar, Soumitra S Bhuyan, Julia A Bielicki, Nikolay Ivanovich Briko, Colin Stewart Brown, Annie J Browne, Danilo Buonsenso, Yasser Bustanji, Cristina G Carvalheiro, Carlos A Castañeda-Orjuela, Muthia Cenderadewi, Joshua Chadwick, Sandip Chakraborty, Rama Mohan Chandika, Sara Chandy, Vilada Chansamouth, Vijay Kumar Chattu, Anis Ahmad Chaudhary, Patrick R Ching, Hitesh Chopra, Fazle Rabbi Chowdhury, Dinh-Toi Chu, Muhammad Chutiyami, Natalia Cruz-Martins, Alanna Gomes da Silva, Omid Dadras, Xiaochen Dai, Samuel D Darcho, Saswati Das, Fernando Pio De la Hoz, Denise Myriam Dekker, Kuldeep Dhama, Daniel Diaz, Benjamin Felix Rothschild Dickson, Serge Ghislain Djorie, Milad Dodangeh, Sushil Dohare, Klara Georgieva Dokova, Ojas Prakashbhai Doshi, Robert Kokou Dowou, Haneil Larson Dsouza, Susanna J Dunachie,Arkadiusz Marian Dziedzic, Tim Eckmanns, Abdelaziz Ed-Dra, Aziz Eftekharimehrabad, Temitope Cyrus Ekundayo, Iman El Sayed, Muhammed Elhadi, Waseem El-Huneidi, Christelle Elias, Sally J Ellis, Randa Elsheikh, Ibrahim Elsohaby, Chadi Eltaha, Babak Eshrati, Majid Eslami, David William Eyre, Adewale Oluwaseun Fadaka, Adeniyi Francis Fagbamigbe, Ayesha Fahim, Aliasghar Fakhri-Demeshghieh, Folorunso Oludayo Fasina, Modupe Margaret Fasina, Ali Fatehizadeh, Nicholas A Feasey, Alireza Feizkhah, Ginenus Fekadu, Florian Fischer, Ida Fitriana, Karen M Forrest, Celia Fortuna Rodrigues, John E. Fuller, Muktar A Gadanya, Márió Gajdács, Aravind P Gandhi, Esteban E Garcia-Gallo, Denise O Garrett, Rupesh K Gautam, Miglas Welay Gebregergis, Mesfin Gebrehiwot, Teferi Gebru Gebremeskel, Christine Geffers, Leonidas Georgalis, Ramy Mohamed Ghazy, Mahaveer Golechha , Davide Golinelli, Melita Gordon, Snigdha Gulati, Rajat Das Gupta, Sapna Gupta, Vijai Kumar Gupta, Awoke Derbie Habteyohannes, Sebastian Haller, Harapan Harapan, Michelle L Harrison, Ahmed I Hasaballah, Ikramul Hasan, Rumina Syeda Hasan, Hamidreza Hasani, Andrea Haekyung Haselbeck, Md Saquib Hasnain, Ikrama Ibrahim Hassan, Shoaib Hassan, Mahgol Sadat Hassan Zadeh Tabatabaei, Khezar Hayat, Jiawei He, Omar E Hegazi, Mohammad Heidari, Kamal Hezam, Ramesh Holla, Marianne Holm, Heidi Hopkins, Md Mahbub Hossain, Mehdi Hosseinzadeh, Sorin Hostiuc, Nawfal R Hussein, Le Duc Huy, Elsa D Ibáñez-Prada, Adalia Ikiroma, Irena M Ilic, Sheikh Mohammed Shariful Islam, Faisal Ismail, Nahlah Elkudssiah Ismail, Chidozie Declan Iwu, Chinwe Juliana Iwu-Jaja, Abdollah Jafarzadeh, Fatoumatta Jaiteh, Reza Jalilzadeh Yengejeh, Roland Dominic G Jamora, Javad Javidnia , Talha Jawaid, Adam WJ Jenney, Hyon Jin Jeon, Mohammad Jokar, Nabi Jomehzadeh, Tamas Joo, Nitin Joseph, Zul Kamal, Kehinde Kazeem Kanmodi, Rami S Kantar, James Apollo Kapisi, Ibraheem M Karaye, Yousef Saleh Khader, Himanshu Khajuria, Nauman Khalid, Faham Khamesipour, Ajmal Khan, Mohammad Jobair Khan, Muhammad Tariq Khan, Vishnu Khanal , Feriha Fatima Khidri, Jagdish Khubchandani, Suwimon Khusuwan, Min Seo Kim, Adnan Kisa, Vladimir Andreevich Korshunov, Fiorella Krapp, Ralf Krumkamp, Mohammed Kuddus, Mukhtar Kulimbet, Dewesh Kumar, Emmanuelle AP Kumaran, Ambily Kuttikkattu, Hmwe Hmwe Kyu, Iván Landires , Basira Kankia Lawal, Thao Thi Thu Le, Ingeborg Maria Lederer, Munjae Lee, Seung Won Lee, Alain Lepape, Temesgen Leka Lerango, Virendra S Ligade, Cherry Lim, Stephen S Lim, Liknaw Workie Limenh, Chaojie Liu, Xiaofeng Liu, Xuefeng Liu, Michael J Loftus, Hawraz Ibrahim M Amin, Kelsey Lynn Maass, Sandeep B Maharaj, Mansour Adam Mahmoud, Panagiota Maikanti- Charalampous, Omar M Makram, Kashish Malhotra, Ahmad Azam Malik, Georgia D Mandilara, Florian Marks, Bernardo Alfonso Martinez-Guerra, Miquel Martorell, Hossein Masoumi-Asl, Alexander G Mathioudakis, Juergen May, Theresa A McHugh, James Meiring, Hadush Negash Meles, Addisu Melese, Endalkachew Belayneh Melese,Giuseppe Minervini, Nouh Saad Mohamed, Shafiu Mohammed, Syam Mohan, Ali H Mokdad, Lorenzo Monasta, AmirAli Moodi Ghalibaf, Catrin E Moore, Yousef Moradi, Elias Mossialos, Vincent Mougin, George Duke Mukoro, Francesk Mulita, Berit Muller-Pebody, Efren Murillo-Zamora, Sani Musa, Patrick Musicha, Lillian A Musila, Saravanan Muthupandian, Ahamarshan Jayaraman Nagarajan, Pirouz Naghavi, Firzan Nainu, Tapas Sadasivan Nair, Hastyar Hama Rashid Najmuldeen, Zuhair S Natto, Javaid Nauman, Biswa Prakash Nayak, G Takop Nchanji , Pacifique Ndishimye, Ionut Negoi, Ruxandra Irina Negoi, Seyed Aria Nejadghaderi, QuynhAnh P Nguyen, Efaq Ali Noman, Davis C Nwakanma, Seamus O’Brien, Theresa J Ochoa, Ismail A Odetokun, Oluwaseun Adeolu Ogundijo, Tolulope R Ojo-Akosile, Sylvester Reuben Okeke, Osaretin Christabel Okonji, Andrew T Olagunju, Antonio Olivas-Martinez, Abdulhakeem Abayomi Olorukooba, Peter Olwoch, Kenneth Ikenna Onyedibe, Edgar Ortiz-Brizuela, Olayinka Osuolale, Pradthana Ounchanum, Oyetunde T Oyeyemi, Mahesh Padukudru PA, Jose L Paredes, Romil R Parikh, Jay Patel, Shankargouda Patil, Shrikant Pawar, Anton Y Peleg , Príncipe Peprah, João Perdigão, Carlo Perrone, Ionela-Roxana Petcu, Koukeo Phommasone, Zahra Zahid Piracha, Dimitri Poddighe, Andrew J Pollard, Ramesh Poluru, Alfredo Ponce-De-Leon, Jagadeesh Puvvula, Farah Naz Qamar, Nameer Hashim Qasim, Clotaire Donatien Rafai, Pankaja Raghav, Leila Rahbarnia, Fakher Rahim, Vafa Rahimi-Movaghar, Mosiur Rahman , Muhammad Aziz Rahman, Hazem Ramadan, Shakthi Kumaran Ramasamy, Pushkal Sinduvadi Ramesh, Pramod W Ramteke, Rishabh Kumar Rana, Usha Rani, Mohammad-Mahdi Rashidi, Devarajan Rathish, Sayaphet Rattanavong, Salman Rawaf, Elrashdy Moustafa Mohamed Redwan, Luis Felipe Reyes, Tamalee Roberts, Julie V Robotham, Victor Daniel Rosenthal, Allen Guy Ross, Nitai Roy, Kristina E Rudd, Cameron John Sabet, Basema Ahmad Saddik, Mohammad Reza Saeb, Umar Saeed, Sahar Saeedi Moghaddam, Weeravoot Saengchan, Mohsen Safaei, Amene Saghazadeh, Narjes Saheb Sharif-Askari, Amirhossein Sahebkar, Soumya Swaroop Sahoo, Maitreyi Sahu, Morteza Saki, Nasir Salam, Zikria Saleem, Mohamed A Saleh, Yoseph Leonardo Samodra, Abdallah M Samy, Aswini Saravanan, Maheswar Satpathy, Austin E Schumacher, Mansour Sedighi, Samroeng Seekaew, Mahan Shafie, Pritik A Shah, Samiah Shahid, Moyad Jamal Shahwan, Sadia Shakoor, Noga Shalev, Muhammad Aaqib Shamim , Mohammad Ali Shamshirgaran, Anas Shamsi, Amin Sharifan, Rajesh P Shastry, Mahabalesh Shetty, Aminu Shittu, Sunil Shrestha, Emmanuel Edwar Siddig, Theologia Sideroglou, Jose Sifuentes-Osornio, Luís Manuel Lopes Rodrigues Silva, Eric AF Simões, Andrew JH Simpson, Amit Singh, Surjit Singh, Robert Sinto, Sameh SM Soliman, Soroush Soraneh, Nicole Stoesser, Temenuga Zhekova Stoeva, Chandan Kumar Swain, Lukasz Szarpak, Sree Sudha TY, Shima Tabatabai, Celine Tabche, Zanan Mohammed-Ameen Taha, Ker-Kan Tan, Nidanuch Tasak, Nathan Y Tat, Areerat Thaiprakong, Pugazhenthan Thangaraju,Caroline Chepngeno Tigoi, Krishna Tiwari, Marcos Roberto Tovani-Palone, Thang Huu Tran, Munkhtuya Tumurkhuu, Paul Turner, Aniefiok John Udoakang, Arit Udoh, Noor Ullah, Saeed Ullah, Asokan Govindaraj Vaithinathan, Mario Valenti, Theo Vos, Huong TL Vu, Yasir Waheed, Ann Sarah Walker, Judd L Walson, Tri Wangrangsimakul, Kosala Gayan Weerakoon, Heiman FL Wertheim, Phoebe CM Williams, Asrat Arja Wolde, Teresa M Wozniak, Felicia Wu, Zenghong Wu, Mukesh Kumar Kumar Yadav, Sajad Yaghoubi, Zwanden Sule Yahaya, Amir Yarahmadi, Saber Yezli, Yazachew Engida Yismaw, Dong Keon Yon, Chun-Wei Yuan, Hadiza Yusuf, Fathiah Zakham, Giulia Zamagni, Haijun Zhang, Zhi-Jiang Zhang, Magdalena Zielińska, Alimuddin Zumla, Sa’ed HH Zyoud, Samer H Zyoud, Simon I Hay, Andy Stergachis, Benn Sartorius, Ben S Cooper, Christiane Dolecek y Christopher JL El hombre más rico del mundo.
*Primeros autores conjuntos
Afiliaciones
Para las afiliaciones de los colaboradores ver el apéndice 3.
Colaboradores
Consulte el apéndice 3 para obtener información más detallada sobre las contribuciones individuales de los autores a la investigación, divididas en las siguientes categorías: gestión de la empresa de investigación general; redacción del primer borrador del manuscrito; responsabilidad principal de aplicar métodos analíticos para producir estimaciones; responsabilidad principal de buscar, catalogar, extraer o limpiar datos; diseño o codificación de figuras y tablas; suministro de datos o retroalimentación crítica sobre las fuentes de datos; desarrollo de métodos o maquinaria computacional; suministro de retroalimentación crítica sobre métodos o resultados; redacción del manuscrito o revisión crítica del mismo para contenido intelectual importante; y gestión del proceso de estimación o publicación. El autor correspondiente y el primer autor tuvieron acceso total a todos los datos del estudio y los verificaron, y tuvieron la responsabilidad final de la decisión de enviar el manuscrito para su publicación. El autor correspondiente confirma que todos los autores han visto y aprobado el texto final.
Intercambio de datos
Este estudio sigue las directrices para la presentación de informes de estimaciones sanitarias precisas y transparentes. Para descargar los datos utilizados en estos análisis, visite el Global Health Data Exchange en https://ghdx.healthdata.org/record/ihme-data/gbd-2021-bacterial-amr-estimates-forecasts-1990-2050 .
Declaración de intereses
U Abubaker informa sobre su rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, no remunerado, con el Grupo Farmacéutico de Carrera Temprana de la Federación Farmacéutica Internacional entre enero de 2021 y diciembre de 2023, fuera del trabajo presentado. S Afzal informa sobre el pago u honorarios por eventos educativos y seminarios web con la Universidad Médica King Edward y socios colaboradores, incluida la Universidad de Johns Hopkins, la Universidad de California y la Universidad de Massachusetts; participación en una Junta de Monitoreo de Seguridad de Datos o Junta Asesora con el Comité Nacional de Bioética de Pakistán, la Junta de Revisión Ética Institucional de la Universidad Médica King Edward y la Junta de Revisión Ética de la Universidad Médica Fatima Jinnah y el Hospital Sir Ganga Ram; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, remunerado o no, con la Asociación de Editores Médicos de Pakistán, la Facultad de Salud Pública Royal Colleges UK (FFPH), con la Sociedad de Prevención, Defensa e Investigación, Universidad Médica King Edward. (SPARK), y la Sociedad de Enfermedades Infecciosas de Pakistán; otros intereses financieros o no financieros como Decano de Salud Pública y Medicina Preventiva de la King Edward Medical University, Editor en Jefe de Annals of King Edward Medical University desde 2014, Director de la Célula de Mejora de la Calidad de la King Edward Medical University y Miembro de la Comisión de Investigación y Publicaciones de Educación Superior de Pakistán; todos fuera del trabajo presentado. R Ancuceanu informa honorarios de consultoría de Abbvie; pago u honorarios por conferencias, presentaciones, agencias de oradores, redacción de manuscritos o eventos educativos de Abbvie, Laropharm, Reckitt y Merck Rumania; apoyo para asistir a reuniones y/o viajes de Merck Rumania; todos fuera del trabajo presentado. JR Andrews informa apoyo para el presente manuscrito de la Fundación Bill y Melinda Gates (financiamiento para el Estudio del Proyecto de Vigilancia de la Fiebre Entérica en Asia); subvenciones o contratos de los NIH para estudios de fiebre tifoidea y tuberculosis; regalías de UpToDate sobre el manejo clínico de la fiebre tifoidea; fuera del trabajo presentado. DT Araki informa que ha recibido apoyo para participar en el presente manuscrito a través de su empleo en el Institute for Health Metrics and Evaluation (IHME) y apoyo para asistir a reuniones y/o viajes del IHME fuera del trabajo presentado. A Beloukas informa que ha recibido subvenciones o contratos de Gilead y GSK/ViiV a través de su institución; pago u honorarios por conferencias, presentaciones, conferencias, redacción de manuscritos o eventos educativos de Gilead y GSK/ViiV a través de su institución; apoyo para asistir a reuniones y/o viajes de Gilead y GSK/ViiV a través de su institución; recepción de reactivos FOC de Cepehid; todo ello fuera del trabajo presentado. JA Berkley informa que ha recibido apoyo para el presente manuscrito de la Fundación Bill y Melinda Gates a través de pagos a su universidad. S Bhaskar informa que ha recibido subvenciones o contratos de la Sociedad Japonesa para la Promoción de la Ciencia (JSPS),Ministerio de Educación, Cultura, Deportes, Ciencia y Tecnología de Japón (MEXT), Subvención para la Investigación Científica (KAKENHI) (P23712), JSPS y la Academia Australiana de Ciencias, y Beca Internacional JSPS (P23712); rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, remunerado o no, con Rotary District 9675, Sydney, Australia, Global Health & Migration Hub Community, Global Health Hub Germany, Berlín, Alemania, PLOS One, BMC Neurology, Frontiers in Neurology, Frontiers in Stroke, Frontiers in Public Health, Journal of Aging Research y BMC Medical Research Methodology, College of Reviewers, Canadian Institutes of Health Research (CIHR), Gobierno de Canadá, World Headache Society, Bengaluru, India, Cariplo Foundation, Milán, Italia, National Cerebral and Cardiovascular Center, Department of Neurology, Suita, Osaka, Japón, y Cardiff University Biobank, Cardiff, Reino Unido; todos fuera del trabajo enviado. CS Brown informa otros intereses financieros o no financieros a través de la participación en investigación de mercado indirecta, anónima y a corto plazo con las empresas Sermo, Atheneum y M3, todas fuera del trabajo presentado. E Chung informa apoyo para el presente manuscrito en parte por los Institutos Nacionales de Salud (NICHD T32HD007233 a EC). SJ Dunachie informa apoyo para el presente manuscrito del Fondo Fleming del Reino Unido en el Departamento de Salud y Asistencia Social, la Fundación Bill y Melinda Gates y Wellcome Trust a través de su empleo, y del Instituto Nacional de Investigación en Salud y Asistencia del Reino Unido a través de una Cátedra de Investigación Global (NIHR300791); subvenciones o contratos de UKRI (MR/W02067X/1 y MR/W020653/1), la Agencia de Reducción de Amenazas de Defensa de EE. UU., el Premio Discrecional de Infecciones Resistentes a Medicamentos de Wellcome y el Departamento de Salud y Asistencia Social del Reino Unido; honorarios de consultoría del Parlamento Escocés y Wellcome; participación en el Comité de Monitoreo de Datos para el estudio STABILISE del Reino Unido de la vacuna BCG en EPOC; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, remunerado o no, como miembro del Grupo Asesor sobre Amenazas de Virus Respiratorios Nuevos y Emergentes (NERVTAG), Presidente del subgrupo Wellcome SEDRIC sobre estándares de datos y armonización en resistencia a los antimicrobianos, Reino Unido, miembro del Grupo Técnico de Variantes para SARS-CoV-2 para la Agencia de Seguridad Sanitaria del Reino Unido, Reino Unido, Asesor experto del Sistema Global de Vigilancia de la Resistencia a los Antimicrobianos (GLASS) de la OMS, Ginebra, Suiza, y Miembro del Grupo de Desarrollo de Directrices de la Organización Mundial de la Salud sobre el Tratamiento del Ébola, Ginebra, Suiza; todo fuera del trabajo presentado. T Eckmanns rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, no remunerado, con un grupo de trabajo de orador sobre control de infecciones Sociedad Alemana de Control de Infecciones y Microbiología. NA Feasey informa subvenciones de Wellcome Programme Grant: ACORN y Wellcome Programme Grant: ADILA a través de pagos a su instituto, fuera del trabajo presentado.IM Ilic informa que su participación en el manuscrito actual cuenta con el apoyo del Ministerio de Educación, Ciencia y Desarrollo Tecnológico de la República de Serbia, proyecto n.º 175042, 2011-2023. NE Ismail informa que desempeña un papel de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, sin remuneración, como tesorero y miembro del consejo de la Academia de Farmacia de Malasia y como miembro del comité del capítulo de educación de la Sociedad de Farmacéuticos de Malasia; todo ello fuera del trabajo presentado. T Joo informa que su participación en el manuscrito actual cuenta con el apoyo de la UE en el marco del programa EU4HEALTH (AMR-EDUcare: educación sobre la resistencia a los antimicrobianos para el personal sanitario). M Lee informa que su participación en el manuscrito actual cuenta con el apoyo del Ministerio de Educación de la República de Corea y de la Fundación Nacional de Investigación de Corea (NRF-2023S1A3A2A05095298). L Monasta informa del apoyo para su participación en el manuscrito actual por parte del Ministerio de Salud italiano (Ricerca Corrente 34/2017) a través de pagos realizados al Instituto de Salud Maternoinfantil IRCCS Burlo Garofolo. CE Moore informa de su participación en una Junta de Monitoreo de Seguridad de Datos o Junta Asesora como miembro de la junta asesora para la subvención del MRC, grupo asesor para la Lista de antimicrobianos de importancia médica de la OMS, miembro del grupo directivo para el estudio REVIVE, miembro de la junta asesora de CABBAG y como miembro de la junta asesora de RADAAR; función de liderazgo o fiduciaria, no remunerada, en una sociedad de microbiología como copresidente del grupo de Impacto e Influencia del proyecto Knocking Out AMR; todo fuera del trabajo presentado. AJ Pollard informa de subvenciones o contratos de la Fundación Gates, Wellcome, Cepi, MRC, NIHR, AstraZeneca, EC y el Serum Institute of India, todos como pagos a su institución; regalías o licencias con AstraZeneca a través de su institución; honorarios de consultoría de Shionogi; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, no remunerado, como Presidente del Comité Conjunto de DHSC sobre Vacunación e Inmunización, Miembro del SAGE de la OMS hasta 2022, y Presidente del TAG de Salmonella de la OMS; recepción de equipo, materiales, medicamentos, escritos médicos, obsequios u otros servicios de Moderna; todo fuera del trabajo presentado. LF Reyes informa subvenciones o contratos de GSK, MSD y Pfizer; honorarios de consultoría de GSK, MSD y Pfizer; pago u honorarios por conferencias, presentaciones, agencias de oradores, redacción de manuscritos o eventos educativos de GSK, MSD y Pfizer; pago por testimonio de expertos de GSK, MSD y Pfizer; apoyo para asistir a reuniones y/o viajes de GSK y Pfizer; acciones u opciones sobre acciones en GSK; todo fuera del trabajo presentado. YL Samodra informa subvenciones o contratos de la Universidad Médica de Taipei; un rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, remunerado o no, con el Centro de Investigación Benang Merah, Indonesia; y otros intereses financieros o no financieros en bertakon.com como fundador; todo fuera del trabajo enviado.EAF Simões informa subvenciones o contratos de Astra Zeneca Inc, Merck & Co., Pfizer Inc, Icosavax Inc, Johnson and Johnson y Enanta Pharmaceuticals; honorarios de consultoría de Merck & Co., Pfizer Inc, Sanofi Pasteur, Cidara Therapeutics, Icosavax Inc, Nuance Pharmaceuticals, GSK, Enanta y Gilead; pago u honorarios por conferencias, presentaciones, agencias de oradores, redacción de manuscritos o eventos educativos de Pfizer Inc y Astra Zeneca; apoyo para asistir a reuniones y/o viajes de Astra Zeneca, Sanofi y Pfizer Inc; participación en una Junta de Monitoreo de Seguridad de Datos o Junta Asesora con AbbVie Inc, GlaxoSmithKline plc y Moderna Inc; todo a través de su institución y fuera del trabajo presentado. P Turner informa subvenciones o contratos del Wellcome Trust a través del proyecto de red de vigilancia ACORN AMR (Universidad de Oxford); apoyo para asistir a reuniones y/o viajes de la Organización Mundial de la Salud para asistir a la Reunión de la Iniciativa de Diagnóstico de AMR (julio de 2023); todo fuera del trabajo presentado. PCM Williams informa subvenciones o contratos del Consejo Nacional de Salud e Investigación Médica administrado por la Universidad de Sydney; pago u honorarios por conferencias, presentaciones, agencias de oradores, redacción de manuscritos o eventos educativos ECCMID y WSPID para conferencias entre 2022 y 2024; apoyo para asistir a reuniones y/o viajes de ECCMID y WSPID; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, remunerado o no, con la Sociedad Mundial de Enfermedades Infecciosas Pediátricas y la Sociedad de Enfermedades Infecciosas Pediátricas de Australasia y Nueva Zelanda; todo fuera del trabajo presentado. G Zamagni informa apoyo para su participación en el presente manuscrito del Ministerio de Salud italiano (Ricerca Corrente 34/2017), pagos realizados al Instituto de Salud Maternoinfantil IRCCS Burlo Garofolo. M Zielińska otros intereses financieros o no financieros en AstraZeneca como empleado, fuera del trabajo presentado. A Zumla informa el apoyo para su participación en el manuscrito actual de la Red Panafricana sobre Infecciones Emergentes y Reemergentes (PANDORA-ID-NET) financiada por EDCTP – el Programa Marco Horizonte 2020 de la UE, el NIHR del Reino Unido, un Premio de Ciencia Mahathir y el Premio Pascoal Mocumbi de EU-EDCTP; participación en una Junta de Monitoreo de Seguridad de Datos o Junta Asesora, no remunerada, con el Comité de Prevención y Control de Infecciones de la OMS; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, no remunerado, con la Facultad de Medicina de la Universidad de Bolton; fuera del trabajo presentado.redacción de manuscritos o eventos educativos de Pfizer Inc y Astra Zeneca; apoyo para asistir a reuniones y/o viajes de Astra Zeneca, Sanofi y Pfizer Inc; participación en una Junta de Monitoreo de Seguridad de Datos o Junta Asesora con AbbVie Inc, GlaxoSmithKline plc y Moderna Inc; todo a través de su institución y fuera del trabajo presentado. P Turner informa subvenciones o contratos de Wellcome Trust a través del proyecto de red de vigilancia ACORN AMR (Universidad de Oxford); apoyo para asistir a reuniones y/o viajes de la Organización Mundial de la Salud para asistir a la Reunión de la Iniciativa de Diagnóstico de AMR (julio de 2023); todo fuera del trabajo presentado. PCM Williams informa subvenciones o contratos del Consejo Nacional de Salud e Investigación Médica administrado por la Universidad de Sydney; pago u honorarios por conferencias, presentaciones, agencias de oradores, redacción de manuscritos o eventos educativos ECCMID y WSPID para conferencias entre 2022 y 2024; apoyo para asistir a reuniones y/o viajes de ECCMID y WSPID; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, remunerado o no remunerado, con la Sociedad Mundial de Enfermedades Infecciosas Pediátricas y la Sociedad Australasiana y Neozelandesa de Enfermedades Infecciosas Pediátricas; todo fuera del trabajo presentado. G Zamagni informa el apoyo para su participación en el presente manuscrito del Ministerio de Salud italiano (Ricerca Corrente 34/2017), pagos realizados al Instituto de Salud Maternoinfantil IRCCS Burlo Garofolo. M Zielińska otros intereses financieros o no financieros en AstraZeneca como empleado, fuera del trabajo presentado. A Zumla informa el apoyo para su participación en el manuscrito actual de la Red Panafricana sobre Infecciones Emergentes y Reemergentes (PANDORA-ID-NET) financiada por el EDCTP – el Programa Marco Horizonte 2020 de la UE, el NIHR del Reino Unido, un Premio de Ciencia Mahathir y el Premio Pascoal Mocumbi de la EU-EDCTP; participación en una Junta de Monitoreo de Seguridad de Datos o una Junta Asesora, no remunerada, con el Comité de Prevención y Control de Infecciones de la OMS; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, no remunerado, con la Facultad de Medicina de la Universidad de Bolton; fuera del trabajo presentado.redacción de manuscritos o eventos educativos de Pfizer Inc y Astra Zeneca; apoyo para asistir a reuniones y/o viajes de Astra Zeneca, Sanofi y Pfizer Inc; participación en una Junta de Monitoreo de Seguridad de Datos o Junta Asesora con AbbVie Inc, GlaxoSmithKline plc y Moderna Inc; todo a través de su institución y fuera del trabajo presentado. P Turner informa subvenciones o contratos de Wellcome Trust a través del proyecto de red de vigilancia ACORN AMR (Universidad de Oxford); apoyo para asistir a reuniones y/o viajes de la Organización Mundial de la Salud para asistir a la Reunión de la Iniciativa de Diagnóstico de AMR (julio de 2023); todo fuera del trabajo presentado. PCM Williams informa subvenciones o contratos del Consejo Nacional de Salud e Investigación Médica administrado por la Universidad de Sydney; pago u honorarios por conferencias, presentaciones, agencias de oradores, redacción de manuscritos o eventos educativos ECCMID y WSPID para conferencias entre 2022 y 2024; apoyo para asistir a reuniones y/o viajes de ECCMID y WSPID; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, remunerado o no remunerado, con la Sociedad Mundial de Enfermedades Infecciosas Pediátricas y la Sociedad Australasiana y Neozelandesa de Enfermedades Infecciosas Pediátricas; todo fuera del trabajo presentado. G Zamagni informa el apoyo para su participación en el presente manuscrito del Ministerio de Salud italiano (Ricerca Corrente 34/2017), pagos realizados al Instituto de Salud Maternoinfantil IRCCS Burlo Garofolo. M Zielińska otros intereses financieros o no financieros en AstraZeneca como empleado, fuera del trabajo presentado. A Zumla informa el apoyo para su participación en el manuscrito actual de la Red Panafricana sobre Infecciones Emergentes y Reemergentes (PANDORA-ID-NET) financiada por el EDCTP – el Programa Marco Horizonte 2020 de la UE, el NIHR del Reino Unido, un Premio de Ciencia Mahathir y el Premio Pascoal Mocumbi de la EU-EDCTP; participación en una Junta de Monitoreo de Seguridad de Datos o una Junta Asesora, no remunerada, con el Comité de Prevención y Control de Infecciones de la OMS; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, no remunerado, con la Facultad de Medicina de la Universidad de Bolton; fuera del trabajo presentado.PCM Williams informa subvenciones o contratos del Consejo Nacional de Salud e Investigación Médica administrado por la Universidad de Sydney; pago u honorarios por conferencias, presentaciones, agencias de oradores, redacción de manuscritos o eventos educativos ECCMID y WSPID para conferencias entre 2022 y 2024; apoyo para asistir a reuniones y/o viajes de ECCMID y WSPID; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, remunerado o no, con la Sociedad Mundial de Enfermedades Infecciosas Pediátricas y la Sociedad de Enfermedades Infecciosas Pediátricas de Australasia y Nueva Zelanda; todo fuera del trabajo presentado. G Zamagni informa apoyo para su participación en el presente manuscrito del Ministerio de Salud italiano (Ricerca Corrente 34/2017), pagos realizados al Instituto de Salud Maternoinfantil IRCCS Burlo Garofolo. M Zielińska otros intereses financieros o no financieros en AstraZeneca como empleado, fuera del trabajo presentado. A Zumla informa que su participación en el manuscrito actual cuenta con el apoyo de la Red Panafricana sobre Infecciones Emergentes y Reemergentes (PANDORA-ID-NET) financiada por el EDCTP (Programa Marco Horizonte 2020 de la UE), el NIHR del Reino Unido, un Premio Mahathir de Ciencias y el Premio Pascoal Mocumbi del EDCTP de la UE; participación en una Junta de Monitoreo de Seguridad de Datos o una Junta Asesora, no remunerada, con el Comité de Prevención y Control de Infecciones de la OMS; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, no remunerado, con la Facultad de Medicina de la Universidad de Bolton; fuera del trabajo presentado.PCM Williams informa subvenciones o contratos del Consejo Nacional de Salud e Investigación Médica administrado por la Universidad de Sydney; pago u honorarios por conferencias, presentaciones, agencias de oradores, redacción de manuscritos o eventos educativos ECCMID y WSPID para conferencias entre 2022 y 2024; apoyo para asistir a reuniones y/o viajes de ECCMID y WSPID; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, remunerado o no, con la Sociedad Mundial de Enfermedades Infecciosas Pediátricas y la Sociedad de Enfermedades Infecciosas Pediátricas de Australasia y Nueva Zelanda; todo fuera del trabajo presentado. G Zamagni informa apoyo para su participación en el presente manuscrito del Ministerio de Salud italiano (Ricerca Corrente 34/2017), pagos realizados al Instituto de Salud Maternoinfantil IRCCS Burlo Garofolo. M Zielińska otros intereses financieros o no financieros en AstraZeneca como empleado, fuera del trabajo presentado. A Zumla informa que su participación en el manuscrito actual cuenta con el apoyo de la Red Panafricana sobre Infecciones Emergentes y Reemergentes (PANDORA-ID-NET) financiada por el EDCTP (Programa Marco Horizonte 2020 de la UE), el NIHR del Reino Unido, un Premio Mahathir de Ciencias y el Premio Pascoal Mocumbi del EDCTP de la UE; participación en una Junta de Monitoreo de Seguridad de Datos o una Junta Asesora, no remunerada, con el Comité de Prevención y Control de Infecciones de la OMS; rol de liderazgo o fiduciario en otra junta, sociedad, comité o grupo de defensa, no remunerado, con la Facultad de Medicina de la Universidad de Bolton; fuera del trabajo presentado.con la Facultad de Medicina de la Universidad de Bolton; fuera del trabajo presentado.con la Facultad de Medicina de la Universidad de Bolton; fuera del trabajo presentado.
Expresiones de gratitud
La financiación fue proporcionada por Wellcome Trust (A126042) y el Departamento de Salud y Asistencia Social del Reino Unido utilizando fondos de ayuda del Reino Unido administrados por el Fondo Fleming (R52354 CN001). Las opiniones expresadas en esta publicación son las de los autores y no necesariamente las del Departamento de Salud y Asistencia Social del Reino Unido. Los coautores afiliados a estas organizaciones tuvieron la oportunidad de proporcionar comentarios sobre los mapas iniciales y los borradores del manuscrito. Por lo demás, los financiadores no tuvieron ningún papel en el diseño del estudio, la recopilación de datos, el análisis de datos, la interpretación de datos, la redacción del informe final o la decisión de publicar. El primer autor y los autores superiores tuvieron acceso completo a todos los datos del estudio y fueron los responsables finales de la decisión de enviar el artículo para su publicación. Las opiniones y puntos de vista de los autores expresados en este documento no necesariamente expresan ni reflejan los del Centro Europeo para la Prevención y el Control de Enfermedades (ECDC). La precisión del análisis estadístico de los autores y los hallazgos que informan no son responsabilidad del ECDC. El ECDC no es responsable de las conclusiones u opiniones extraídas de los datos proporcionados. El ECDC no es responsable de la exactitud de los datos ni de su gestión, fusión y cotejo después de su suministro. El ECDC no será responsable del uso indebido o incorrecto de los datos. Agradecemos a Sabrina Bacci, Liselotte Diaz Högberg, Marlena Kaczmarek, Maria Keramarou, Favelle Lamb, Dominique L Monnet, Gianfranco Spiteri, Carl Suetens, Therese Westrell y Klaus Weist del ECDC (Estocolmo, Suecia) por proporcionar información sobre bases de datos y debates sobre la interpretación de los datos. Los pronósticos de RAM fueron respaldados en parte por la Organización Mundial de Sanidad Animal a través de la serie EcoAMR (Impactos económicos y de salud de la RAM en humanos y animales productores de alimentos). La Unidad del Consejo de Investigación Médica de Gambia en la LSHTM agradece a todo el personal del laboratorio clínico de microbiología por su apoyo. Agradecemos al Grupo Australiano de Resistencia a los Antimicrobianos y a la Comisión Australiana de Seguridad y Calidad en la Atención Médica, Sídney, Australia. Agradecemos a John Murray, Becton, Dickinson and Company. Agradecemos al difunto Rattanaphone Phetsouvanh, al Ministerio de Salud de Laos y a la Dirección del Hospital Mahosot, quienes permitieron la recopilación y el intercambio de datos de Laos, Vientiane, República Democrática Popular Lao. Agradecemos a Sabrina Bacci, Liselotte Diaz Högberg, Marlena Kaczmarek, Favelle Lamb, Dominique L Monnet, Carl Suetens, Therese Westrell y Klaus Weist del Centro Europeo para la Prevención y el Control de Enfermedades (ECDC), Solna, Suecia, por proporcionar información sobre bases de datos y debates sobre la interpretación de datos. Agradecemos a Nguyen Minh Trang Nghiem, Unidad de Investigación Clínica de la Universidad de Oxford, Programa Wellcome África Asia, Hospital Nacional de Enfermedades Tropicales, Hanoi, Vietnam; y al Consorcio VINARES. Agradecemos al Departamento de Patología y Medicina de Laboratorio,y el Departamento de Pediatría y Salud Infantil, Universidad Aga Khan, Karachi, Pakistán. Agradecemos a Samuel Akech, James Bukosia, Neema Mturi, Salim Mwarumba, Esther Muthumbi, Robert Musyimi, Shebe Mohammed, Ambrose Agweyu y al equipo de investigación del Kenya Medical Research Institute (KEMRI) Wellcome Trust Research Programme, Kilifi, Kenia. Agradecemos a la Dirección de Investigación Médica del Ejército de los Estados Unidos KEMRI-África, Kenia, Nairobi, Kenia; agradecemos al Consorcio Internacional para el Control de Infecciones Nosocomiales, Buenos Aires, Argentina; nos gustaría agradecer a la Fundación de Investigación Médica CHILDS Trust, Chennai, India; agradecemos a los investigadores de la Red de Nutrición y Enfermedades Agudas Infantiles; agradecemos al Institut Pasteur y al Laboratoire National de Biologie Clinique et de Santé Publique en Bangui, República Centroafricana; nos gustaría agradecer al Programa Mundial de Tuberculosis de la OMS, Ginebra, Suiza; Agradecemos al Programa de Vigilancia Antimicrobiana SENTRY, JMI Laboratories, North Liberty, Iowa, EE. UU.; reconocemos al Centro de la Esperanza del Hospital Sihanouk, Phnom Penh, Camboya. Nos gustaría agradecer a los colaboradores del estudio NeoOBS, Asociación Global de Investigación y Desarrollo de Antibióticos, Ginebra, Suiza. Agradecemos al Instituto Nacional de Enfermedades Transmisibles, Johannesburgo, Sudáfrica. Deseamos agradecer a la Universidad de Cardiff en relación con el uso de los datos del estudio BARNARDS. Los autores desean agradecer a GlaxoSmithKline. Agradecemos a Eli Harriss, The Bodleian Health Care Libraries, Universidad de Oxford. Los autores reconocen que las opiniones y puntos de vista de los autores expresados en este documento no necesariamente expresan ni reflejan los del Centro Europeo para la Prevención y el Control de Enfermedades (ECDC). La precisión del análisis estadístico de los autores y los hallazgos que informan no son responsabilidad del ECDC. El ECDC no es responsable de las conclusiones u opiniones extraídas de los datos proporcionados. El ECDC no es responsable de la exactitud de los datos ni de su gestión, combinación y recopilación una vez facilitados. El ECDC no será responsable del uso indebido o incorrecto de los datos.República Centroafricana; agradecemos al Programa Mundial de Tuberculosis de la OMS, Ginebra, Suiza; agradecemos al Programa de Vigilancia Antimicrobiana SENTRY, JMI Laboratories, North Liberty, Iowa, EE. UU.; agradecemos al Centro Hospitalario Sihanouk de la Esperanza, Phnom Penh, Camboya. Agradecemos a los colaboradores del estudio NeoOBS, Asociación Mundial de Investigación y Desarrollo de Antibióticos, Ginebra, Suiza. Agradecemos al Instituto Nacional de Enfermedades Transmisibles, Johannesburgo, Sudáfrica. Deseamos agradecer a la Universidad de Cardiff en relación con el uso de los datos del estudio BARNARDS. Los autores desean agradecer a GlaxoSmithKline. Agradecemos a Eli Harriss, The Bodleian Health Care Libraries, Universidad de Oxford. Los autores reconocen que las opiniones y puntos de vista de los autores expresados en este documento no necesariamente expresan ni reflejan los del Centro Europeo para la Prevención y el Control de Enfermedades (ECDC). La precisión del análisis estadístico de los autores y los hallazgos que informan no son responsabilidad del ECDC. El ECDC no es responsable de las conclusiones u opiniones extraídas de los datos proporcionados. El ECDC no es responsable de la exactitud de los datos ni de su gestión, combinación y recopilación una vez facilitados. El ECDC no será responsable del uso indebido o incorrecto de los datos.República Centroafricana; agradecemos al Programa Mundial de Tuberculosis de la OMS, Ginebra, Suiza; agradecemos al Programa de Vigilancia Antimicrobiana SENTRY, JMI Laboratories, North Liberty, Iowa, EE. UU.; agradecemos al Centro Hospitalario Sihanouk de la Esperanza, Phnom Penh, Camboya. Agradecemos a los colaboradores del estudio NeoOBS, Asociación Mundial de Investigación y Desarrollo de Antibióticos, Ginebra, Suiza. Agradecemos al Instituto Nacional de Enfermedades Transmisibles, Johannesburgo, Sudáfrica. Deseamos agradecer a la Universidad de Cardiff en relación con el uso de los datos del estudio BARNARDS. Los autores desean agradecer a GlaxoSmithKline. Agradecemos a Eli Harriss, The Bodleian Health Care Libraries, Universidad de Oxford. Los autores reconocen que las opiniones y puntos de vista de los autores expresados en este documento no necesariamente expresan ni reflejan los del Centro Europeo para la Prevención y el Control de Enfermedades (ECDC). La precisión del análisis estadístico de los autores y los hallazgos que informan no son responsabilidad del ECDC. El ECDC no es responsable de las conclusiones u opiniones extraídas de los datos proporcionados. El ECDC no es responsable de la exactitud de los datos ni de su gestión, combinación y recopilación una vez facilitados. El ECDC no será responsable del uso indebido o incorrecto de los datos.
Materiales complementarios (3)
Apéndice complementario 1
Apéndice complementario 2
Apéndice complementario 3
Referencias
O’Neill, J
La lucha contra las infecciones resistentes a los medicamentos a escala mundial: informe final y recomendaciones
Revista sobre resistencia a los antimicrobianos, Londres, 2016
de Kraker, MEA ∙ Stewardson, AJ ∙ Harbarth, S
¿Morirán 10 millones de personas al año debido a la resistencia a los antimicrobianos en 2050?
PLoS Med. 2016; 13 , e1002184
Patel, J ∙ Harant, A ∙ Fernandes, G ∙ et al.
Medición de la respuesta mundial a la resistencia a los antimicrobianos, 2020-21: un análisis sistemático de la gobernanza en 114 países
Lancet Infect Dis. 2023; 23 :706-718
O’Neill, J
Resistencia a los antimicrobianos: cómo afrontar una crisis para la salud y la riqueza de las naciones
Revista sobre resistencia a los antimicrobianos, Londres, 2014
Colaboradores en la lucha contra la resistencia a los antimicrobianos
Carga mundial de resistencia bacteriana a los antimicrobianos en 2019: un análisis sistemático
Lancet. 2022; 399 :629-655
Colaboradores en la lucha contra la resistencia a los antimicrobianos del GBD 2019
Mortalidad mundial asociada a 33 patógenos bacterianos en 2019: un análisis sistemático para el Estudio de la Carga Mundial de Morbilidad 2019
Lancet. 2022; 400 :2221-2248
OMS
Lista de patógenos bacterianos prioritarios, 2024: patógenos bacterianos de importancia para la salud pública para orientar la investigación, el desarrollo y las estrategias para prevenir y controlar la resistencia a los antimicrobianos
Organización Mundial de la Salud, Ginebra, 2024
Cassini, A ∙ Högberg, LD ∙ Plachouras, D ∙ et al.
Muertes atribuibles y años de vida ajustados por discapacidad causados por infecciones con bacterias resistentes a los antibióticos en la UE y el Espacio Económico Europeo en 2015: un análisis de modelos a nivel de población
Lancet Infect Dis. 2019; 19 : 56-66
Rudd, KE ∙ Johnson, SC ∙ Agesa, KM ∙ et al.
Incidencia y mortalidad por sepsis a nivel mundial, regional y nacional, 1990-2017: análisis para el Estudio de la carga mundial de morbilidad
Lancet. 2020; 395 :200-211
Colaboradores de la demografía del GBD 2021
Estimaciones de mortalidad, esperanza de vida y población por edad y sexo a nivel mundial en 204 países y territorios y 811 localidades subnacionales, 1950-2021, y el impacto de la pandemia de COVID-19: un análisis demográfico integral para el Estudio de la Carga Mundial de Morbilidad 2021
Lancet. 2024; 403 :1989-2056
Colaboradores del GBD 2021 sobre infecciones de las vías respiratorias inferiores y resistencia a los antimicrobianos
Incidencia y carga de mortalidad a nivel mundial, regional y nacional de infecciones y etiologías de las vías respiratorias inferiores distintas de la COVID-19, 1990-2021: un análisis sistemático del Estudio de la carga mundial de morbilidad 2021
Lancet Infect Dis. 2024; 2024 publicado en línea el 15 de abril.
Colaboradores de GBD Enfermedades Diarreicas
Estimaciones de la morbilidad, la mortalidad y las etiologías de las enfermedades diarreicas a nivel mundial, regional y nacional: un análisis sistemático para el Estudio de la Carga Mundial de Morbilidad 2015
Lancet Infect Dis. 2017; 9 :909-948
Colaboradores de Causas de Muerte del GBD 2021
Carga mundial de 288 causas de muerte y descomposición de la esperanza de vida en 204 países y territorios y 811 localidades subnacionales, 1990-2021: un análisis sistemático para el Estudio de la Carga Mundial de Morbilidad 2021
Lancet. 2024; 403 :2100-2132
Colaboradores de fertilidad y pronóstico del GBD 2021
Fertilidad mundial en 204 países y territorios, 1950-2021, con previsiones hasta 2100: un análisis demográfico exhaustivo para el Estudio de la carga mundial de morbilidad 2021
Lancet. 2024; 403 :2057-2099
Samreen, AI ∙ Ahmad, I ∙ Malak, HA ∙ et al.
Resistencia antimicrobiana ambiental y sus factores desencadenantes: una amenaza potencial para la salud pública
Res. Antimicrobiana J. Global 2021; 27 :101-111
Colaboradores en la previsión del GBD 2021
Escenarios de carga de morbilidad para 204 países y territorios, 2022-2050: un análisis de pronósticos para el Estudio de la carga mundial de morbilidad 2021
Lancet. 2024; 403 :2204-2256
Instituto de Métricas y Evaluación de la Salud
Protocolo para el estudio de la carga mundial de enfermedades, lesiones y factores de riesgo (GBD), versión 4
http://www.healthdata.org/sites/default/files/files/Projects/GBD/March2020_GBD%20Protocol_v4.pdf
Fecha: marzo de 2020
Fecha de acceso: 21 de mayo de 2024
Colaboradores de Enfermedades y Lesiones del GBD 2021
Incidencia, prevalencia, años vividos con discapacidad (AVD), años de vida ajustados por discapacidad (AVAD) y esperanza de vida saludable (EVSA) a nivel mundial para 371 enfermedades y lesiones en 204 países y territorios y 811 localidades subnacionales, 1990-2021: un análisis sistemático para el Estudio de la carga mundial de morbilidad 2021
Lancet. 2024; 403 :2133-2161
Murray, CJ ∙ Ezzati, M ∙ Flaxman, AD ∙ et al.
GBD 2010: diseño, definiciones y métricas
Lancet. 2012; 380 :2063-2066
Ashley, EA ∙ Recht, J ∙ Chua, A ∙ et al.
Inventario de redes supranacionales de vigilancia de la resistencia a los antimicrobianos que abarcan países de ingresos bajos y medios desde el año 2000
Revista Antimicrobiana Chemother. 2018; 73 :1737-1749
Instituto de Métricas y Evaluación de la Salud
Herramienta de fuentes del Estudio de la carga mundial de morbilidad 2021 (GBD 2021)
Colaboradores en materia de acceso y calidad de la atención sanitaria del GBD 2019
Evaluación del desempeño del Índice de acceso y calidad de la atención de salud, en general y por grupos de edad seleccionados, para 204 países y territorios, 1990-2019: un análisis sistemático del Estudio de la carga mundial de morbilidad 2019
Lancet Global Health. 2022; 10 :e1715-e1743
Browne, AJ ∙ Chipeta, MG ∙ Haines-Woodhouse, G ∙ et al.
Consumo y uso mundial de antibióticos en humanos, 2000-2018: un estudio de modelado espacial
Lancet Planet Health. 2021; 5 :e893-e904
Singer, M ∙ Deutschman, CS ∙ Seymour, CW ∙ et al.
Tercer consenso internacional sobre las definiciones de sepsis y choque séptico (sepsis-3)
Revista Médica Americana. 2016; 315 :801-810
OMS
Informe mundial sobre la epidemiología y la carga de la sepsis: evidencia actual, identificación de lagunas y direcciones futuras
Organización Mundial de la Salud, Ginebra, 2020
Angus, DC ∙ Linde-Zwirble, WT ∙ Lidicker, J ∙ et al.
Epidemiología de la sepsis grave en Estados Unidos: análisis de la incidencia, los resultados y los costos asociados a la atención
Medicina de cuidados críticos. 2001; 29 :1303-1310
Martin, GS ∙ Mannino, DM ∙ Eaton, S ∙ et al.
La epidemiología de la sepsis en los Estados Unidos desde 1979 hasta 2000
N Inglés J Med. 2003; 348 :1546-1554
Rhee, C ∙ Dantes, R ∙ Epstein, L ∙ et al.
Incidencia y tendencias de la sepsis en hospitales de EE. UU. utilizando datos clínicos y de reclamaciones, 2009-2014
Revista Médica Americana. 2017; 318 :1241-1249
Ciencias Matemáticas del IHME
Modificación del registro v0.2.0
Zheng, P ∙ Barber, R ∙ Sorensen, RJD ∙ et al.
Modelos de efectos mixtos restringidos y recortados: formulaciones y algoritmos
J Comput Graph Stat. 2021; 30 :544-556
Colaboradores de Factores de Riesgo del GBD 2021
Carga mundial y solidez de la evidencia para 88 factores de riesgo en 204 países y 811 localidades subnacionales, 1990-2021: un análisis sistemático para el Estudio de la Carga Mundial de Morbilidad 2021
Lancet. 2024; 403 :2162-2203
OMS
Lista prioritaria mundial de bacterias resistentes a los antibióticos para orientar la investigación, el descubrimiento y el desarrollo de nuevos antibióticos
Organización Mundial de la Salud, Ginebra, 2017
El Gupta, P
Normalización y descomposición de tarifas: manual de usuario
Oficina del Censo de los Estados Unidos, Washington, DC, Informes de población actual de 1993
El Gupta, P
Descomposición de la diferencia entre dos tasas y su consistencia cuando intervienen más de dos poblaciones
Estudio Populista de Matemáticas. 1991; 3 :105-125
Stevens, GA ∙ Alkema, L ∙ Black, RE ∙ et al.
Directrices para la presentación de informes de estimaciones sanitarias precisas y transparentes: la declaración GATHER
Lancet. 2016; 388 :e19-e23
Luh, J ∙ Bartram, J
Agua potable y saneamiento: avances en 73 países en relación a indicadores socioeconómicos
Toro Órgano Mundial de la Salud. 2016; 94 :111-121A
Adamu, AL ∙ Ojal, J ∙ Abubakar, IA ∙ et al.
El impacto de la introducción de la vacuna antineumocócica conjugada 10-valente en la portación neumocócica en Nigeria
Comun. Nacional 2023; 14 , 2666
Lewnard, JA ∙ Charani, E ∙ Gleason, A ∙ et al.
La carga de la resistencia bacteriana a los antimicrobianos en los países de ingresos bajos y medios se puede evitar con las intervenciones existentes: una revisión de la evidencia y un análisis de modelos
Lancet. 2024; 403 :2439-2454
La lanceta
Serie de The Lancet sobre la resistencia a los antimicrobianos: la necesidad de un acceso sostenible a antibióticos eficaces
https://www.thelancet.com/series/antibiotic-resistance
Fecha: 23 de mayo de 2024
Fecha de acceso: 4 de junio de 2024
Williams, PCM ∙ Jones, M ∙ Snelling, TL ∙ et al.
Brechas de cobertura en los regímenes antibióticos empíricos utilizados para tratar infecciones bacterianas graves en neonatos y niños en el Sudeste Asiático y el Pacífico
Lancet Reg Health, Sudeste Asiático. 2023; 22 , 100291
Le Doare, K ∙ Bielicki, J ∙ Heath, PT ∙ et al.
Revisión sistemática de las tasas de resistencia a los antibióticos entre las bacterias gramnegativas en niños con sepsis en países con recursos limitados
J Pediatric Infect Dis Soc. 2015; 4 :11-20
van Werkhoven, CH ∙ Huijts, SM ∙ Bolkenbaas, M ∙ et al.
El impacto de la edad en la eficacia de la vacuna antineumocócica conjugada 13-valente en ancianos
Infectología clínica 2015; 61 :1835-1838
Panel de expertos de la Sociedad Estadounidense de Geriatría sobre la actualización de los criterios de Beers de 2023
La Sociedad Estadounidense de Geriatría actualizó en 2023 los criterios de Beers de la AGS para el uso potencialmente inapropiado de medicamentos en adultos mayores
J Am Geriatr Soc. 2023; 71 :2052-2081
Schäfer, I ∙ Hansen, H ∙ Schön, G ∙ et al.
Influencia de la edad, el género y el nivel socioeconómico en los patrones de multimorbilidad en atención primaria. Primeros resultados del estudio de cohorte multiasistencial
Res . del Servicio de Salud BMC 2012; 12:89
Uijen, AA ∙ van de Lisdonk, EH
Multimorbilidad en atención primaria: prevalencia y tendencia en los últimos 20 años
Práctica Eur J Gen. 2008; 14 :28-32
OMS
Multimorbilidad: serie técnica sobre atención primaria más segura
Organización Mundial de la Salud, Ginebra, 2016
Colaboradores de la diabetes en el GBD 2021
Carga mundial, regional y nacional de diabetes de 1990 a 2021, con proyecciones de prevalencia hasta 2050: un análisis sistemático para el Estudio de la Carga Mundial de Enfermedad 2021
Lancet. 2023; 402 :203-234
Vollset, SE ∙ Goren, E ∙ Yuan, CW ∙ et al.
Escenarios de fertilidad, mortalidad, migración y población para 195 países y territorios desde 2017 hasta 2100: un análisis de pronósticos para el Estudio de la Carga Mundial de Morbilidad
Lancet. 2020; 396 :1285-1306
Colaboradores europeos en materia de resistencia a los antimicrobianos
La carga de la resistencia bacteriana a los antimicrobianos en la región europea de la OMS en 2019: un análisis sistemático transnacional
Lancet Salud Pública. 2022; 7 :e897-e913
Colaboradores en la lucha contra la resistencia a los antimicrobianos
La carga de la resistencia a los antimicrobianos en las Américas en 2019: un análisis sistemático entre países
Revista de Salud Pública de Lancet, 2023; 25 , 100561
Popovich, KJ ∙ Aureden, K ∙ Ham, DC ∙ et al.
Recomendación práctica de SHEA/IDSA/APIC: estrategias para prevenir la transmisión e infección por Staphylococcus aureus resistente a la meticilina en hospitales de cuidados intensivos: actualización de 2022
Control de infecciones Hospital Epidemiología 2023; 44 :1039-1067
Huang, SS ∙ Singh, R ∙ McKinnell, JA ∙ et al.
Descolonización para reducir el riesgo de infección posterior al alta entre los portadores de SAMR
N Inglés J Med. 2019; 380 :638-650
Magiorakos, AP ∙ Burns, K ∙ Rodríguez Baño, J ∙ et al.
Medidas y herramientas de prevención y control de infecciones para prevenir la entrada de enterobacterias resistentes a carbapenémicos en entornos sanitarios: orientación del Centro Europeo para la Prevención y el Control de Enfermedades
Control de infecciones resistentes a los antimicrobianos. 2017; 6 :113
Fournier, PE ∙ Richet, H
Epidemiología y control de Acinetobacter baumannii en establecimientos de salud
Clin Infect Dis. 2006; 42 :692-699
Laxminarayan, R ∙ Impalli, I ∙ Rangarajan, R ∙ et al.
Ampliar el desarrollo y el acceso a antibióticos, vacunas y diagnósticos para combatir la resistencia a los antimicrobianos
Lancet. 2024; 403 :2534-2550
Davies, J ∙ Davies, D
Orígenes y evolución de la resistencia a los antibióticos
Microbiología Mol. Biol. Rev. 2010; 74 :417-433
Kaye, KS ∙ Shorr, AF ∙ Wunderink, RG ∙ et al.
Eficacia y seguridad de sulbactam-durlobactam frente a colistina para el tratamiento de pacientes con infecciones graves causadas por el complejo Acinetobacter baumannii-calcoaceticus : ensayo clínico de fase 3, multicéntrico, aleatorizado, controlado con fármaco activo y de no inferioridad (ATTACK)
Lancet Infect Dis. 2023; 23 :1072-1084
Laxminarayan, R ∙ Matsoso, P ∙ Pant, S ∙ et al.
El acceso a antimicrobianos eficaces: un desafío mundial
Lancet. 2016; 387 :168-175
Colaboradores en la lucha contra la resistencia a los antimicrobianos
La carga de la resistencia bacteriana a los antimicrobianos en la región africana de la OMS en 2019: un análisis sistemático entre países
Lancet Global Health. 2024; 12 :e201-e216
Rudd, KE ∙ Kissoon, N ∙ Limmathurotsakul, D ∙ et al.
La carga mundial de la sepsis: barreras y posibles soluciones
Cuidados críticos. 2018; 22 :232
Sabbatucci, M ∙ Ashiru-Oredope, D ∙ Barbier, L ∙ et al.
Seguimiento de los avances en materia de resistencia a los antimicrobianos mediante la encuesta cuatripartita de autoevaluación de los países (TrACSS) en los países del G7, 2017-2023: oportunidades y brechas
Pharmacol Res. 2024; 204 , 107188
Grupo de líderes mundiales sobre resistencia a los antimicrobianos
Informe del GLG: hacia compromisos y acciones específicas en la respuesta a la resistencia a los antimicrobianos
https://www.amrleaders.org/resources/m/item/glg-report
Fecha: 4 de abril de 2024
Fecha de acceso: 11 de junio de 2024
Kovacevic, A ∙ Smith, DRM ∙ Rahbé, E ∙ et al.
Exploración de los factores que configuran los patrones de resistencia a los antibióticos en Streptococcus pneumoniae durante la pandemia de COVID-19 de 2020
eVida. 2024; 13 , e85701
Tomczyk, S ∙ Taylor, A ∙ Brown, A ∙ et al.
Impacto de la pandemia de COVID-19 en la vigilancia, prevención y control de la resistencia a los antimicrobianos: una encuesta mundial
Revista Antimicrobiana Chemother. 2021; 76 :3045-3058
Beaney, T ∙ Clarke, JM ∙ Jain, V ∙ et al.
Exceso de mortalidad: ¿el estándar de oro para medir el impacto del COVID-19 a nivel mundial?
JR Soc Med. 2020; 113 :329-334
de Kraker, MEA ∙ Lipsitch, M
Carga de la resistencia a los antimicrobianos: ¿en comparación con qué?
Revista Epidemiológica 2022; 443 :53-64
Mendelson, M ∙ Lewnard, JA ∙ Sharland, M ∙ et al.
Garantizar el progreso en el acceso sostenible a antibióticos eficaces en la Asamblea General de las Naciones Unidas de 2024: un enfoque basado en objetivos
Lancet. 2024; 403 :2551-2564
Bonomo, RA ∙ Pérez, F ∙ Hujer, AM ∙ et al.
La verdadera crisis de la resistencia a los antimicrobianos: la falta de anticipación y respuesta
Infectología clínica 2024; 78 :1429-1433
Samarasekera, U
Ramanan Laxminarayan: en busca de un acceso sostenible a los antibióticos
Lancet. 2024; 403 , 2367
La lanceta
Resistencia a los antimicrobianos: es hora de reorientar el Fondo Mundial
Lancet. 2022; 399 :335
Iskandar, K ∙ Molinier, L ∙ Hallit, S ∙ et al.
Vigilancia de la resistencia a los antimicrobianos en países de ingresos bajos y medios: un panorama disperso
Control de infecciones resistentes a los antimicrobianos. 2021 ; 10:63
Kariuki, S ∙ Kering, K ∙ Wairimu, C ∙ et al.
Tasas de resistencia a los antimicrobianos y vigilancia en África subsahariana: ¿dónde estamos ahora?
Infectar la resistencia a los fármacos. 2022; 15 :3589-3609
Lim, C ∙ Hantrakun, V ∙ Teerawattanasook, N ∙ et al.
Impacto del bajo uso de hemocultivos en las tasas de resistencia a los antimicrobianos
J Infect. 2021; 82 :355-362
Clark, EC ∙ Neumann, S ∙ Hopkins, S ∙ et al.
Cambios en los métodos de vigilancia de la salud pública debido a la pandemia de COVID-19: revisión del alcance
Vigilancia de la salud pública del JMIR. 2024; 10 , e49185
Nordmann, P
Tendencias en la resistencia a las betalactámicas entre las enterobacterias
Infectología clínica 1998; 27 :S100-S106
Hakenbeck, R ∙ Brückner, R ∙ Denapaite, D ∙ et al.
Mecanismos moleculares de la resistencia a los β-lactámicos en Streptococcus pneumoniae
Futuro Microbiol. 2012; 7 :395-410
