Using Bayesian Evidence Synthesis to estimate the number of sex workers in the United Kingdom

Este estudio emplea la Síntesis de Evidencia Bayesiana para integrar datos históricos con registros recientes de la población y la asistencia a clínicas en el Reino Unido, generando una estimación robusta de aproximadamente 84.000 trabajadores sexuales en el Reino Unido (intervalo creíble del 95%: 49.000–130.000) para abordar lagunas críticas de datos para el apoyo de salud pública dirigido.

Lo esencial

El Panorama General: Contar lo Invisible

Imagina que intentas contar cuántas personas se esconden en un bosque gigante y oscuro. No puedes verlas a todas porque están tratando de permanecer ocultas, o tienen miedo de salir, o se mueven demasiado. Este es el desafío que enfrentaron los investigadores: estimar el número de trabajadores sexuales en el Reino Unido.

Dado que la prostitución a menudo está estigmatizada o es legalmente compleja, muchos trabajadores no aparecen en los registros oficiales del gobierno (como los datos del censo) ni en encuestas estándar. Los intentos anteriores de contarlos eran como adivinar el número de peces en un lago mirando solo un cubo de agua; daban un solo número pero no indicaban cuán equivocados podrían estar.

El objetivo de este artículo fue crear un mapa más fiable de esta población oculta, no solo adivinando, sino combinando todos los mapas antiguos que ya tenemos y admitiendo exactamente cuán inciertos somos sobre los detalles.

El Método: El "Chef Maestro" de los Datos

Los investigadores utilizaron una técnica llamada Síntesis de Evidencia Bayesiana. Piensa en esto como un chef maestro tratando de hacer la sopa perfecta.

1. Los Ingredientes (Estudios Antiguos): Durante los últimos 30 años, diferentes investigadores han intentado contar a los trabajadores sexuales. Algunos usaron datos de clínicas, otros de anuncios en línea y otros de encuestas a servicios de apoyo. Cada uno de estos estudios es un "ingrediente". Algunos ingredientes son frescos y de alta calidad; otros están un poco viejos o fueron medidos con mano temblorosa.
2. La Receta (El Modelo): En lugar de simplemente elegir el "mejor" estudio e ignorar el resto, los investigadores construyeron una receta matemática (un modelo informático) que mezcla todos estos ingredientes juntos.
3. La Salsa Secreta (Incertidumbre): La parte especial de su receta es cómo manejan las "manos temblorosas". No tomaron los números de los estudios antiguos como hechos absolutos. En su lugar, trataron cada número antiguo como una "mejor suposición" con un margen de error. Introdujeron estas "suposiciones" en su modelo, permitiendo que la incertidumbre fluyera a través de todo el proceso.

La Analogía: Imagina que intentas adivinar el peso de una caja misteriosa.

• La Vieja Forma: Pides a cinco amigos. Uno dice 10 kg, otro 50 kg, otro 20 kg. Simplemente promedias para obtener 26,6 kg y dices: "Ese es el peso".
• La Forma de Este Artículo: Pides a los cinco amigos, pero también preguntas: "¿Qué tan seguro estás?". Un amigo dice: "Estoy adivinando 10 kg, pero podría estar equivocado por 5 kg". Otro dice: "Estoy adivinando 50 kg, pero estoy bastante seguro de que está entre 40 y 60". El modelo luego combina estas suposiciones y sus niveles de confianza para darte una respuesta final que dice: "El peso es probablemente alrededor de 26 kg, pero podría estar realísticamente en cualquier lugar entre 15 kg y 40 kg".

Los Resultados: El Conteo Final

Después de mezclar todos los datos y ejecutar las matemáticas complejas, el modelo produjo una nueva estimación:

• El Número: Hay aproximadamente 84.000 trabajadores sexuales en el Reino Unido.
• El Rango de "Quizás": Debido a que los datos son complicados, los investigadores tienen un 95% de confianza de que el número real está en algún lugar entre 49.000 y 130.000.
• El Contexto: Esto representa aproximadamente el 0,12% de toda la población del Reino Unido.

Para poner esto en perspectiva, el artículo señala que este grupo es más pequeño que la población de hombres que tienen sexo con hombres (aproximadamente el 1% de la población) pero potencialmente más grande que la población de personas que se inyectan drogas.

Por Qué Esto Importa (Según el Artículo)

El artículo argumenta que tener un número con un "margen de error" claro es mejor que tener un solo número que parece preciso pero que podría estar equivocado.

• Mejor Planificación: Si los servicios de salud saben que la población probablemente está entre 50.000 y 130.000, pueden planificar recursos (como vacunas, pruebas o servicios de apoyo) que sean lo suficientemente robustos para manejar el extremo superior de ese rango, en lugar de subestimar la necesidad.
• Reducción de la Desigualdad: El artículo afirma que los trabajadores sexuales a menudo enfrentan desigualdades en la salud y barreras para recibir atención. Al tener una mejor estimación, los funcionarios de salud pueden comprender mejor la escala del problema y diseñar un apoyo dirigido para reducir estas brechas.

La "Letra Pequeña" (Limitaciones)

Los autores son muy honestos sobre los defectos en su "sopa":

• Sin Datos Perfectos: Tuvieron que depender de estudios antiguos que no tenían sus propios márgenes de error. Tuvieron que inventar un sistema para juzgar qué estudios antiguos eran "mejores" basándose en cómo se realizaron.
• Viaje en el Tiempo: Los datos abarcan casi 25 años. El mundo de la prostitución ha cambiado (especialmente con internet), por lo que el modelo asume que la población no ha cambiado drásticamente en su estructura, lo cual podría no ser cierto.
• Sin Contacto Directo: El modelo no habló directamente con trabajadores sexuales; solo analizó informes existentes. Los autores admiten que el trabajo futuro necesita involucrar directamente a los trabajadores sexuales para obtener mejores datos.

Resumen

Este artículo no salió a contar trabajadores sexuales uno por uno. En su lugar, actuó como un detective de datos, tomando todas las pistas fragmentadas e imperfectas de los últimos 30 años, combinándolas con un método matemático sofisticado y produciendo una sola estimación bien razonada: 84.000 personas, con una etiqueta de advertencia clara de que el número real podría ser significativamente mayor o menor. El objetivo es usar este número para ayudar a los servicios de salud a apoyar a esta comunidad de manera más efectiva.

Resumen técnico

Resumen Técnico: Síntesis de Evidencia Bayesiana para la Estimación de la Población de Trabajadoras Sexuales en el Reino Unido

Planteamiento del Problema
Las trabajadoras sexuales en el Reino Unido enfrentan desigualdades significativas en salud y barreras para acceder a la atención sanitaria, agravadas a menudo por el estigma, la discriminación y los contextos legales. Un obstáculo crítico para brindar apoyo de salud pública dirigido y basado en evidencia es la falta de datos fiables sobre el tamaño de la población de trabajadoras sexuales. Las estimaciones existentes, derivadas de diversos estudios entre 1999 y 2017, varían ampliamente (oscilando entre ~35.000 y ~105.000) y, crucialmente, carecen de incertidumbre cuantificada. Estudios anteriores a menudo trataron sus estimaciones como valores puntuales sin intervalos de confianza, sin tener en cuenta la incertidumbre inherente en los parámetros y metodologías utilizados para derivarlos. Esta ausencia de datos robustos con incertidumbre cuantificada dificulta la asignación efectiva de recursos, la planificación de la respuesta a brotes y el diseño de intervenciones sanitarias adaptadas.

Metodología
Los autores emplean un marco de Síntesis de Evidencia Bayesiana para integrar siete estudios históricos de estimación (abarcando 1999–2017) con datos recientes de la población nacional y datos de asistencia a Clínicas de Medicina Genitourinaria (GUMCAD). La innovación metodológica central es tratar los estudios históricos no como "cajas negras", sino como procesos mecanísticos con parámetros inciertos.

1. Estructura del Modelo Jerárquico:

   • Nivel 1 (Estimaciones Específicas por Estudio): En lugar de aceptar las estimaciones puntuales reportadas, el modelo reconstruye la estimación de cada estudio a partir de sus parámetros documentados (por ejemplo, contactos de servicios, multiplicadores, ratios). A cada parámetro se le asigna una distribución a priori, permitiendo que la incertidumbre inherente de la metodología original se propague a través del modelo. Las conteos observados de los estudios se modelan como realizaciones log-normales ruidosas de estas estimaciones mecanísticas.
   • Nivel 2 (Agrupación Jerárquica): Las estimaciones específicas por estudio se restringen suavemente a una proporción específica por estudio ($\theta_i$) escalada por la población actual del Reino Unido.
   • Nivel 3 (Parámetros a Nivel de Población): Las proporciones específicas por estudio se extraen de una distribución Beta común gobernada por la proporción general de la población ($p$) y un parámetro de heterogeneidad entre estudios ($\tau$).

2. Sistema de Ponderación por Calidad:
   Para abordar la falta de errores estándar en los estudios históricos, los autores desarrollaron un sistema sistemático de ponderación por calidad basado en las directrices de la OMS. Este sistema asigna ponderaciones (0–100) basadas en:

   • Método de Recolección de Datos (67% de ponderación): Evaluado en cobertura poblacional (sectores, géneros, edades, geografía) y relevancia temporal. La cobertura tiene prioridad sobre la recencia.
   • Criterios Específicos del Método (33% de ponderación): Evaluados en la ejecución del método específico (por ejemplo, independencia de fuentes en métodos de multiplicadores, alcance en enumeración).
     Estas ponderaciones determinan la varianza en la función de verosimilitud; los estudios de mayor calidad reciben menor varianza (mayor precisión), mientras que los estudios de menor calidad reciben mayor varianza.

3. Verosimilitud y Priors:

   • Verosimilitud: Se utilizan distribuciones log-normales ponderadas para comparar los conteos observados de los estudios con las estimaciones derivadas del modelo. Esta elección respeta la restricción de positividad de los tamaños poblacionales y tiene en cuenta la naturaleza multiplicativa de los errores de estimación.
   • Priors: La proporción general de la población ($p$) utiliza un prior Beta(12, 9988), centrando la estimación alrededor del 0,12% basado en investigaciones anteriores pero permitiendo la influencia de los datos. El parámetro de heterogeneidad ($\tau$) utiliza un prior log-normal para permitir la variación entre estudios.

Resultados Clave

• Estimación Poblacional: El modelo estima un total de 84.000 trabajadoras sexuales en el Reino Unido.
• Incertidumbre: El intervalo de credibilidad del 95% es de 49.000 a 130.000, lo que representa el 0,121% de la población actual del Reino Unido (aprox. 69,3 millones). La estimación mediana es de 81.000, lo que indica una distribución posterior ligeramente sesgada a la derecha.
• Ajustes del Modelo: La síntesis realizó ajustes fundamentados a estudios individuales. Por ejemplo, la estimación de Cusick et al. (2009) se ajustó sustancialmente hacia arriba (+31%) para alinearse con la estimación implícita del prior, mientras que Import IO (2017) y Pitcher (2015) se ajustaron moderadamente hacia abajo. Los datos de GUMCAD, derivados de conteos clínicos, mostraron el intervalo de credibilidad más amplio debido a la incertidumbre acumulada de los factores de escala utilizados.
• Robustez: Los análisis de sensibilidad (dejar uno fuera y ponderación uniforme) confirmaron que los resultados son robustos. Eliminar cualquier estudio individual desplazó la estimación en menos del 2,3%, y cambiar el esquema de ponderación resultó en una diferencia insignificante del 0,2%. El modelo reprodujo con éxito el patrón de estimaciones observadas sin sobreajuste.

Significado y Afirmaciones
El artículo afirma tres contribuciones principales:

1. Estimación Revisada: Proporciona una estimación integral y sintetizada que aprovecha la información colectiva de casi dos décadas de investigación, reduciendo la influencia de las limitaciones de cualquier estudio individual.
2. Incertidumbre Cuantificada: A diferencia de las estimaciones puntuales anteriores, este enfoque propaga rigurosamente la incertidumbre desde los parámetros específicos de los estudios y la heterogeneidad entre estudios hasta el resultado final. Esto proporciona a los responsables políticos un intervalo de credibilidad esencial para una planificación robusta y la evaluación de riesgos.
3. Marco Extensible: El modelo bayesiano jerárquico ofrece un marco replicable y extensible. Puede incorporar nueva evidencia (por ejemplo, de sistemas de vigilancia o plataformas digitales) sin requerir un reanálisis completo, manteniendo la consistencia metodológica.

Limitaciones y Direcciones Futuras
Los autores reconocen varias limitaciones:

• Restricciones de Datos: Los estudios subyacentes carecen de errores estándar, lo que hace necesario el uso de un sistema subjetivo de ponderación por calidad.
• Estabilidad Temporal: El modelo asume estabilidad temporal a través de estudios que abarcan 25 años, lo que podría pasar por alto cambios debidos a evoluciones tecnológicas (por ejemplo, plataformas en línea) o desarrollos legales.
• Herencia Metodológica: El enfoque aún depende de métodos de multiplicadores y extrapolaciones, heredando las limitaciones de cobertura de los estudios originales.
• Experiencia Vivida: El estudio no involucró la coproducción con organizaciones lideradas por trabajadoras sexuales.

El artículo concluye que, aunque esta estimación proporciona una línea base nacional crucial, el trabajo futuro debe priorizar metodologías coproducidas y lideradas por la comunidad para mejorar la precisión, la inclusividad y la seguridad de la recolección de datos. Los autores enfatizan que la estimación del tamaño de la población debe servir para reducir las desigualdades en salud e informar el apoyo dirigido, mientras se protege estrictamente contra la reutilización de datos para la aplicación de la ley o la vigilancia.