Determinantes socioeconómicos de la transmisión y severidad del COVID-19 en municipios colombianos
En el marco del desarrollo de la pandemia por SARS-CoV-2 en el mundo, se ha descrito la relación entre determinantes socioeconómicos con incidencia o mortalidad por COVID-19 (1–9). En Colombia, un estudio de cohorte identificó mayor riesgo de muerte entre casos confirmados en hombres, mayores de 60 años, indígenas, afiliados al régimen subsidiado y personas con muy bajo estrato socioeconómico (10). Sin embargo, no se ha explorado la relación entre determinantes socioeconómicos con la transmisión del virus, o con otros indicadores disponibles a nivel municipal que pueden brindar elementos de análisis, que permitan entender los mecanismos por los cuales hay una afectación diferencial por COVID-19. En adición, es necesario explorar si los indicadores socioeconómicos se relacionan de manera diferencial con la transmisión y gravedad del COVID-19. Por lo tanto, el objetivo del presente apartado es analizar la asociación entre determinantes socioeconómicos con los índices de transmisión y severidad del COVID-19 por municipios, para el periodo que va desde el inicio de la pandemia hasta marzo de 2021.
Esta sección primero hace un análisis descriptivo del comportamiento de cada índice y de los indicadores socioeconómicos seleccionados. Posteriormente, se exponen y discuten los resultados del modelo para cada variable de desenlace.
Actualización del índice y análisis ecológico
El desarrollo de un análisis ecológico a nivel de municipios permite cumplir con el objetivo de esta sección. Previa realización de un análisis descriptivo, se ajustan dos modelos explicativos multivariados ordinales, uno tomando como desenlace el índice de transmisión y el segundo para el índice de severidad. Los índices de transmisión y severidad son tomados de un análisis previo realizado por el Observatorio Nacional de Salud (ONS), actualizado a datos más recientes (Gráfico 1) (11). Cada índice es calculado para el periodo marzo 6 de 2020, fecha del primer caso reportado en Colombia (12), hasta marzo 31 de 2021, un mes posterior al inicio de la vacunación (13). Las variables independientes (indicadores socioeconómicos) se categorizan en un grupo de exposición (municipios con valores mayores o iguales a la mediana de cada indicador) y referencia (municipios con valores menores a la mediana). Lo anterior aplicado a todos los indicadores, excepto para RMM para el cual los grupos de exposición y referencia se configuraron a partir del ≥1,0 muertes maternas. Se toman los indicadores disponibles a nivel municipal más recientes.
Gráfico 1
¿Cómo varía la transmisión y severidad por COVID-19 entre los municipios?
Para el 31 de marzo de 2021, se registraban 2.536.400 casos y 70.534 muertes en Colombia. Todos los municipios obtuvieron un valor de los índices de transmisión y severidad entre 1 y 100, siendo 100 la mayor transmisión y severidad (anexo 1). Cada índice es categorizado por terciles (374 municipios en cada tercil):
- Tercil inferior: municipios con la menor transmisión o severidad
- Tercil medio: municipios con transmisión o severidad intermedia
- Tercil superior: municipios con mayor transmisión o severidad
Como se ve en el gráfico 2, esto permite configurar para cada índice tres categorías, guardando un orden entre sí mismas. También, se puede observar que los terciles inferior y superior en cada índice presentan mayor variabilidad en sus puntuaciones.
Gráfico 2
La distribución de los terciles del índice de transmisión y del índice de severidad en los municipios pueden apreciarse en los gráficos 3 y 4, respectivamente. Un vistazo general permite ver que los municipios pueden reportarse con terciles distintos entre los índices de transmisión y severidad, lo que ocurre en 510 de ellos (45,4%). El mapa del índice de transmisión muestra que los municipios en el tercil alto se distribuyen a lo largo del país, coincidiendo con las ciudades capitales (Gráfico 3). Por ejemplo, entre los cinco municipios con mayor índice de transmisión se ubican Leticia, Barranquilla, Bogotá, Tunja y Neiva. También, pueden observarse algunas concentraciones de municipios en el tercil de transmisión alto. Por ejemplo, municipios en la frontera de La Guajira y Cesar, municipios costeros en los departamentos de Magdalena, Atlántico y Bolívar, así como en los municipios del sur del Valle del Cauca y municipios limítrofes entre Huila y Caquetá.
En el índice de severidad, se observa un patrón del tercil superior de severidad, con concentraciones en los municipios del Caribe y sur oriente del país (Gráfico 4). Terciles de severidad inferiores se concentran en la Orinoquía y Amazonía. Los municipios con mayor índice de severidad fueron en su orden Leticia, Cúcuta, Bogotá, Ciénaga (Magdalena) y Neiva.
Once indicadores socioeconómicos son identificados y calculados en el nivel municipal. Siete de estos se toman del Índice de Pobreza Multidimensional a nivel municipal con información censal, cuya interpretación debe ser como porcentaje de hogares en el municipio en condición de privación (14). El índice de masculinidad, población étnica y la RMM son indicadores de base poblacional (15,16). La categoría de ruralidad se adapta de la propuesta del Departamento Nacional de Planeación (DNP) a partir de los criterios de crecimiento económico, densidad poblacional y acceso a bienes y servicios (17). Todos los indicadores se toman de los cálculos de 2018, excepto RMM el cual se calculó con los últimos cinco años disponibles; y la categoría de ruralidad cuya clasificación se realizó en 2014. Las medidas de resumen de los indicadores socioeconómicos incluidos en el presente análisis se describen en la tabla 1. Todos los 1.122 municipios reportan indicadores socioeconómicos y no se hallaron valores no válidos o perdidos. La distribución de los indicadores socioeconómicos según terciles de los índices de transmisión y severidad se encuentra en la tabla 2.
Tabla 1
Gráfico 3
Gráfico 4
Tabla 2
Entonces, ¿hay asociación entre determinantes socioeconómicos y la transmisión y severidad por COVID-19?
La interpretación del Odds Ratio (OR) en la regresión ordinal se describe en el recuadro
Interpretación del OR en la regresión ordinal
En el análisis bivariado, los indicadores socioeconómicos reportan una asociación estadísticamente significativa con los terciles del índice de transmisión por COVID-19, excepto hacinamiento crítico y barreras de acceso a los servicios de salud (Tabla 3). En el análisis ajustado (multivariado), analfabetismo, dependencia económica, hacinamiento crítico, barreras de acceso a los servicios de salud y población étnica no presentan asociaciones estadísticamente significativas. Municipios con alta RMM y urbanos se reportaron como factores de riesgo para la transmisión, con OR de 1,77 y 3,33, respectivamente, lo que significa que el riesgo de una mayor transmisión es 77% y 233% más con respecto a municipios sin muertes maternas o rurales, manteniendo constantes todos los demás indicadores. Municipios con índice de masculinidad alto reportaron el 63% del riesgo observado en municipios con índice de masculinidad baja de aumentar el tercil de transmisión.
Contrario a lo esperado, algunos indicadores socioeconómicos con valores desfavorables se reportan como protectores de la transmisión. Es así como en el caso de municipios del grupo con alto trabajo informal, la probabilidad de reportarse en terciles de mayor transmisión es el 63% de la presentada en municipios con baja informalidad, manteniendo constantes todos los demás indicadores. De la misma manera, en municipios con falta de acceso al agua mejorada, la probabilidad de reportarse en terciles de mayor transmisión fue el 49% de la presentada en municipios con mejor acceso, manteniendo constantes todos los demás indicadores. Se adiciona un término de interacción, estadísticamente significativa, entre ruralidad y falta de aseguramiento en salud. Municipios urbanos con porcentajes bajos de aseguramiento en salud reportan 2,31 veces el riesgo de mayor transmisión que municipios rurales con baja falta de aseguramiento. En el modelo ajustado, se presentan los indicadores que son estadísticamente significativos, así como el supuesto de proporcionalidad (Test de Brant-Wald >0,05) (valor AIC: 2025,0). Los indicadores socioeconómicos incluidos en este modelo ajustado explican entre el 18% y 38% del índice de transmisión municipal.
Tabla 3
En cuanto al índice de severidad, los indicadores socioeconómicos reportan estimadores de asociación estadísticamente significativos en el análisis bivariado, excepto barreras de acceso a los servicios de salud (Tabla 4). En el análisis ajustado analfabetismo, trabajo informal y barreras de acceso a los servicios de salud no presentan asociaciones estadísticamente significativas. Municipios con porcentajes altos de RMM, hacinamiento crítico, población étnica y urbanos se reportaron como factor de riesgo para la severidad, mostrando respectivamente 2,89; 1,74; 1,64; y 1,48 veces el riesgo de estar en terciles mayores de severidad con respecto a municipios rurales o con valores bajos en dichos indicadores y manteniendo constantes los demás indicadores. Municipios con índice de masculinidad alto reportan el 67% del riesgo observado en municipios con índices de masculinidad bajo de estar en terciles mayores de severidad.
Contrario a lo esperado, indicadores socioeconómicos con valores desfavorables se reportan como protectores de la severidad. Es el caso de municipios con altos porcentajes de dependencia económica y falta de acceso al agua mejorada, que muestran respectivamente el 54% y 62% del riesgo observado en municipios con baja dependencia y mejor acceso al agua mejorada de estar en terciles mayores de severidad, manteniendo constantes todos los demás indicadores. Un término de interacción estadísticamente significativo entre ruralidad y falta de aseguramiento en salud indica que municipios urbanos con porcentajes bajos de aseguramiento en salud se ubican con un riesgo de 2,36 veces en terciles de mayor de severidad que municipios rurales con mejor aseguramiento en salud. En el modelo ajustado, se presentan los indicadores estadísticamente significativos, así como el supuesto de proporcionalidad (Test de Brant-Wald >0,05) (valor AIC: 2134,5). Los indicadores socioeconómicos incluidos en este modelo ajustado explican entre el 14 y 31% del índice de severidad municipal.
Tabla 4
Algunos indicadores reportan mayor fuerza (OR mayor) o significancia estadística (valores p < 0,05) para el índice de severidad que para el índice de transmisión. Hacinamiento crítico es identificado como un factor de riesgo estadísticamente significativo en el análisis crudo (p 0,000) y ajustado (p 0,000) para el índice de severidad, pero no para transmisión (p 0,883). Población étnica figura como factor de riesgo estadísticamente significativo y con mayor fuerza de asociación para el índice de severidad (ORc 2,46 IC95% 1,99 – 3,07; ORa 1,64 IC95% 1,26 - 2,14) que para el índice de transmisión (ORc 1,66 IC95% 1,33 – 2,06). La RMM se reportó como factor de riesgo en ambos índices, pero la fuerza de la asociación es mayor para el índice de severidad (ORa 2,89 IC95% 2,23 - 3,75), que para el de transmisión (ORa 1,77 IC95% 1,37 - 2,29).
Posibles interpretaciones de estos resultados
La transmisión y severidad por COVID-19 se asocia con indicadores socioeconómicos a nivel municipal. Se identifica como factor de riesgo para mayor transmisión y severidad a municipios urbanos, riesgo que se multiplica con la falta de aseguramiento; y el alto porcentaje de población étnica y de hogares con hacinamiento crítico como factor de riesgo para mayor severidad. La relación entre variables socioeconómicas y COVID-19 a nivel municipal se ha explorado en estudios tomando como variables de desenlace la incidencia (4,6–8,18,19), el número reproductivo efectivo (Rt) (1) o la mortalidad (4–6,20). De acuerdo con nuestra revisión de literatura, este es el primer análisis que ha involucrado un índice compuesto que hace referencia a la transmisión y severidad por COVID-19. Esto permite tener un desenlace más robusto por cuanto en el cálculo de los índices de transmisión y severidad toma en cuenta aspectos relacionados con el tamaño de la población, frecuencia de pruebas diagnósticas, requerimiento de hospitalización y UCI de casos confirmados (11).
En este análisis, los municipios urbanos se identifican con riesgo de mayor transmisión y severidad. La determinación de un municipio como urbano o rural se basa en la clasificación previa del DNP, que incluye dentro de dicha clasificación la densidad poblacional (17). En consistencia con estos hallazgos, estudios previos han indicado que a mayor densidad poblacional y tasa de urbanización se asocia con mayor riesgo de frecuencia de COVID-19 (8,9). En este sentido, el presente estudio halla también una interacción significativa. Municipios urbanos con porcentajes altos de hogares sin aseguramiento en salud, multiplican el riesgo de transmisión y severidad. De manera consistente, un estudio en población colombiana de cohorte retrospectiva halló que personas afiliadas al régimen subsidiado reportaron mayor riesgo de muerte en comparación con otros regímenes de afiliación (10). Una explicación de este resultado es que la pertenencia urbana aumenta la exposición; y la falta de aseguramiento retrasa el acceso al diagnóstico oportuno y por tanto al tratamiento, lo cual contribuye sinérgicamente a resultados adversos.
Por otra parte, entre los factores de riesgo para mayor severidad se encuentran los municipios con alto porcentaje de población étnica y de hogares con hacinamiento crítico, lo cual también coindice con reportes previos (4,5,21). A pesar de los esfuerzos del Ministerio de Salud y Protección Social para una atención diferencial del COVID-19 a comunidades étnicas en Colombia (22), en estas hay una mayor afiliación al régimen subsidiado y falta de acceso a servicios de salud (23,24), configurando un contexto con escaso diagnóstico y acceso tardío al tratamiento que se evidencia en un riesgo de mayor severidad. En consideración al hacinamiento, es posible que se asocie con mayor severidad por cuanto familias en hacinamiento critico tiendan a vivir en familias extensas que incluye adultos mayores, personas con comorbilidades o condiciones subyacentes de salud.
Un hallazgo llamativo es como la falta de agua mejorada se asocia con un menor riego de trasmisión y severidad. Algo similar a lo que pasa con el menor riesgo de transmisión para municipios con alto porcentaje de trabajo informal y severidad en los municipios de alta dependencia económica. Al respecto, un análisis de 178 países reportó que el uso de servicios sanitarios, indicador que podría relacionarse con el acceso al agua mejorada, se muestra como un riesgo muy marginal (RR 1,02; IC95% 1,00 – 1,03) para la incidencia de COVID-19 y no significativo para mortalidad. Por otra parte, el mismo estudio reportó que el desempleo, indicador que podría ser similar a trabajo informal, no reportó asociaciones estadísticamente significativas con la transmisión o severidad por COVID-19 (2). Una posible explicación es que dichos municipios tengan menor capacidad de vigilancia epidemiológica y diagnóstica y por lo tanto se capturen menos casos.
Por su parte, la asociación entre la RMM y una mayor transmisión y severidad debe ser interpretada con precaución, toda vez que dicha asociación podría tratarse de causalidad inversa. Aunque la RMM puede tomarse como un indicador de acceso y calidad a los servicios de salud, situación que explicaría los desenlaces más graves de COVID-19, se debe tener en cuenta que para 2020 en Colombia, se registró un aumento del 36,3% de las muertes maternas, siendo la neumonía por COVID-19 la causa de muerte del 12% de las muertes (25). Por tanto, la falta de acceso y calidad a los servicios de salud no serían exclusivamente los causantes de los malos resultados en COVID-19, sino que también generarían un aumento de casos de muerte materna, producto de la enfermedad. Esto en adición a que este estudio mostró la falta de aseguramiento en salud en zonas urbanas como un factor de riesgo de reportar mayor severidad (ORa 2,36).
La principal limitación de este estudio es la posibilidad de falacia ecológica por su diseño, que toma como unidad de análisis los municipios. Esto implica que las asociaciones aquí reportadas no se presenten en el nivel individual. Con la intensión de mitigar este riesgo, se analizaron las unidades geográficas más pequeñas que disponían de la información. Una segunda limitación es el modesto alcance de las explicaciones de los indicadores socioeconómicos incluidos en los modelos (entre 18-38% para transmisión y 14-31% para severidad). Otros factores en el nivel del municipio podrían haber aportado mayor explicación de la transmisión y severidad. Por ejemplo, las razones de profesionales en salud o de número de camas por habitante; o mediciones de inequidad no se encuentran disponibles a nivel municipal. Otros estudios han reportado estos factores con asociaciones estadísticamente significativas (1,5,26). Sin embargo, este análisis aporta información frente a los determinantes socioeconómicos de la transmisión y suma a la evidencia previa frente a los determinantes socioeconómicos de la severidad de COVID-19, que previamente no habían sido analizados dada la disponibilidad de información a nivel individual.
La desigualdad en salud: una pandemia difícil de erradicar
La pandemia producida por el virus SARS-CoV-2 es una grave emergencia de salud pública (1,2) que ha cobrado un número elevado de vidas humanas y que tiene implicaciones para las poblaciones, los sistemas de salud y las economías a nivel mundial (2). Según algunos estudios, las desigualdades preexistentes en salud, se han exacerbado en poblaciones catalogadas como vulnerables (inmigrantes, afrodescendientes, minorías étnicas y poblaciones con escasos recursos económicos), experimentando la mayor carga de la enfermedad (3–5). En Colombia, algunas investigaciones han descrito factores estructurales como el nivel ingreso, condiciones de vivienda, informalidad del empleo, condiciones ambientales y acceso a los servicios de salud que han propiciado un aumento en las complicaciones por COVID-19 con una mayor utilización de las unidades de cuidados intensivos (UCI) y estancias hospitalarias prolongadas, además de muerte en poblaciones con un bajo nivel socio económico (6).
No obstante, en el país poco se conoce respecto a las desigualdades generadas por la pandemia en eventos en salud diferentes a COVID-19, por esta razón, el objetivo de esta sección es estimar las desigualdades socio económicas de eventos de interés en salud pública en tiempos de pandemia a partir del cálculo de medidas de desigualdades simples (absolutas y relativas) y medidas complejas como el índice de desigualdad de la pendiente y el índice relativo de desigualdad (IRD). Se comparan indicadores de morbilidad y mortalidad a nivel municipal el año anterior (2019) y el primer año de pandemia (2020), para algunos eventos de notificación obligatoria (ENO) en el Sivigila, considerados trazadores de disparidades sanitarias (7,8). Se utiliza como proxy de la condición socioeconómica el Índice de Pobreza Multidimensional (IPM). Los municipios se agrupan por quintiles de población, cada quintil equivale a un 20% acumulado de la población (según datos del censo de 2018), siendo el quintil uno (Q1) de mejor condición y el último quintil (Q5) de peor condición.
Para este análisis se dividen los eventos en: relacionados con salud sexual y reproductiva (mortalidad materna, morbilidad materna extrema, bajo peso al nacer, mortalidad perinatal y neonatal, sífilis gestacional y congénita); asociados con salud en menores de cinco años (mortalidad por enfermedad diarreica aguda (EDA) e infección respiratoria aguda (IRA) y morbilidad y mortalidad por desnutrición aguda; además de dengue sin complicación, tuberculosis pulmonar y farmacorresistente, accidente ofídico, intento de suicidio y violencia intrafamiliar y de género.
En esta sección se presenta la estimación de las desigualdades simples y complejas según quintiles, el gráfico de gradiente y el monitoreo de las desigualdades mediante los cálculos de magnitudes de cambio propuesto por Jorge Bacallao Gallestey (1.950), cubano, matemático, profesor de bioestadística en la Universidad de Ciencias Médicas de la Habana e investigador de metodologías cuantitativas aplicadas a la salud por más de 40 años. En la metodología propuesta por este investigador, se da un mayor peso a la reducción de la brecha que a la reducción de la tasa. Un resultado positivo en el valor del indicador se interpreta como una disminución en la magnitud; disminución en la tasa y en los indicadores de la desigualdad, y viceversa (9). A continuación, se presentan los resultados de los 15 eventos seleccionados del Sivigila, con las estimaciones previamente descritas en formato infografía junto con un análisis sintético de los principales hallazgos e implicaciones de los resultados.
El análisis de la desigualdad y su monitoreo
La pandemia por COVID-19 es uno de los desafíos más importantes que ha enfrentado la humanidad en tiempos recientes. A medida que avanza la emergencia sanitaria se han generado en diferentes países, estudios que indagan no solo el efecto sino el posible aumento de brechas de desigualdad social en eventos de interés en salud pública (10,11). De manera simultánea a la pérdida de vidas y a la profunda crisis de salud, el mundo está siendo testigo de un colapso económico que impactará de manera severa el bienestar de grandes segmentos de la población durante los próximos años (12).
De los eventos analizados, mortalidad materna temprana, morbilidad materna extrema, sífilis gestacional y congénita, reportan un aumento para 2020 tanto en el número de casos como en las medidas simples de desigualdad absolutas y relativas. Para el resto de los eventos en estudio, estos indicadores tuvieron una aparente disminución durante el último año de análisis.
Respecto a las desigualdades, para todos los eventos, excepto en el caso de morbilidad materna extrema, bajo peso al nacer y sífilis congénita, las desigualdades se mantienen entre los dos años estudiados en contra de la población más vulnerable (se notifican más casos, muertes y algunas medidas de desigualdad simples y complejas son mayores en los municipios más pobres de acuerdo con el IPM).
Un hallazgo importante que corrobora la existencia de desigualdades en contra de los más vulnerables fue para los eventos de: mortalidad materna temprana y sífilis gestacional en los que hubo un aumento de todas las medidas simples, complejas y el monitoreo de estas en 2020. En cuanto a mortalidad por desnutrición y EDA en menores de cinco años en 2020, el aumento resultó ser solo para las medidas de desigualdad simple, mientras que, para mortalidad por IRA y morbilidad por desnutrición en esta misma población, el aumento se reportó en las medidas de magnitud de cambio.
Las infografías que se presentan a continuación son una descripción conjunta de del número de casos, valores de tasas de notificación o mortalidad y estimación de las desigualades absolutas, relativas y los modelos de IDP para 2019 y 2020. Así mismo, se presenta el monitoreo de las desigualdades, en los que las flechas nos indican si el evento tuvo más desigualdad (flecha arriba) o si disminuyó la brecha (flecha abajo).
Salud sexual y reproductiva
Gráfico 1
Gráfico 2
Gráfico 3
Gráfico 4
Gráfico 5
Gráfico 6
Eventos en menores de cinco años
Gráfico 7
Estos resultados para EDA, IRA y desnutrición coinciden con lo reportado en la literatura científica, en los que adicional a los ya conocidos determinantes estructurales que condicionan que este tipo de eventos se notifiquen con mayor frecuencia en población más vulnerable (13,14). También, es importante mencionar que durante la pandemia se sumó la inseguridad alimentaria y la inasistencia escolar como un factor que contribuyó posiblemente en la desnutrición, llevando a este tipo de desenlaces fatales para algunos niños menores de cinco años (13,14).
Muertes maternas: una tragedia no anunciada por el COVID-19
De los eventos que tiene hallazgos a resaltar en esta sección es la mortalidad materna temprana. Este evento en particular es un claro ejemplo del impacto negativo que tuvo la pandemia en la salud de las gestantes con peores condiciones socio económicas. Son varias las razones que podrían explicar estos hallazgos, entre ellas la reorganización de los servicios de salud a nivel mundial por la emergencia sanitaria, que pudo obstaculizar y limitar el acceso a los servicios sanitarios para las gestantes. Se ha reportado que la cancelación de citas y la dificultad al momento de acceder a controles obstétricos, podría generar en algunos casos que las mujeres acudieran en condiciones graves a los centros de salud, llegando a consecuencias fatales que se hubiesen evitado de haber garantizado una atención oportuna y de calidad (15,16). Otra de las razones para explicar estos hallazgos es que en 2020, en Colombia, el 12% de las muertes maternas tuvo como causa una neumonía asociada a COVID-19, de acuerdo con lo descrito en el Boletín Epidemiológico Semanal (BES) (17) por lo que los efectos directos del COVID-19 también tuvieron su participación en el aumento de la mortalidad materna. Así mismo, es posible, que en ciertos casos algunas mujeres gestantes por temor al contagio no acudieron a tiempo a recibir atención médica (12,18,19).
Tanto en países de ingresos bajos y medios se ha evidenciado que a partir de la declaración de la pandemia se ha aumentado de forma significativa las muertes perinatales y muertes maternas, embarazos ectópicos rotos y depresión materna (20–22). Situación como esta se evidenció durante la pandemia de H1N1 en 2009 donde se reportaron consecuencias similares (23,24).
Gráfico 8
Gráfico 9
Gráfico 10
Eventos relacionados con salud mental
Gráfico 11
Gráfico 12
El sistema de vigilancia en salud pública: ¿Un reflejo de las desigualdades en salud en el país?
En cuanto a los eventos que aparentemente mostraron una disminución para 2020 (tuberculosis en todas sus formas, violencia intrafamiliar y de género, e intento de suicidio), hay dos puntos que podrían explicar la disminución de la notificación. En primer lugar, es posible que durante la emergencia sanitaria se haya presentado, en todas las entidades territoriales disminución en la notificación producto del rezago en las actividades de vigilancia activa y pasiva, debido a la priorización de acciones contra COVID-19, generando una disminución en la notificación de casos en general y, por ende, una caída en los reportes de las tasas. Sin embargo, la mayor disminución en los municipios más vulnerables podría estar reflejando una desigualdad y, posiblemente, una inequidad en los sistemas de información de salud (25,26), pues esa aparente disminución de las medidas de desigualdad podría haberse generado por las propias condiciones socio económicas de esas entidades territoriales, en las que menores recursos disponibles causarían interferencia en la regularidad y sistematización de la notificación de los ENO.
Un segundo punto, es que, debido a las medidas de confinamiento y restricción, la población haya acudido con menos frecuencia y regularidad a los servicios de salud por diferentes razones, dentro de las cuales se encuentra, el temor al contagio, dificultad en la movilización hacia los centros de salud y la imposibilidad de acceder tanto a citas ambulatorias como de consulta externa por la misma reorganización de los sistemas de salud para la atención de los casos de COVID-19 (27,28).
Eventos infecciosos y vectoriales
Gráfico 13
Gráfico 14
Conclusión y recomendaciones
Los resultados presentados son una invitación a reflexionar respecto a la persistencia de la desigualdad social en salud en Colombia, pues personas residentes en municipios con menos recursos socio económicos y en condiciones más vulnerables, siguen estando en mayor riesgo de enfermedad y morir por los eventos analizados en esta sección. El impacto que generó la pandemia en la salud sexual y reproductiva en Colombia especialmente en la mortalidad materna debe llevar tanto al sistema de salud del país como a los tomadores de decisiones a un análisis profundo respecto a la garantía de los derechos de las gestantes y la oportunidad y accesibilidad para recibir atención de calidad.
Ante la posibilidad de enfrentarnos a nuevas ‘oleadas’ de COVID-19 o a futuras pandemias, es necesario fortalecer la atención de una maternidad segura, planificación familiar y continuidad en la atención obstétrica mediante la garantía del derecho de acceso efectivo a los servicios de salud en las gestantes, disponiendo de una mayor cantidad de recurso humano y tecnológico en hospitales públicos y privados en todos los niveles de complejidad tanto en áreas rurales como urbanas, que propicie la articulación entre los distintos niveles de atención y priorización de la atención preventiva de las gestantes (12). Un desafío a futuro será el poder disponer de un sistema de monitoreo nacional de desigualdades en los ENO, que permita indagar de forma continua las disparidades en salud por grupos poblacionales y, a su vez, el seguimiento del impacto de las intervenciones en salud y toma de decisiones de manera oportuna.
Algunas limitaciones que presenta este análisis son: primera, dada la variabilidad de la notificación de los municipios no es posible generar las medidas complejas de desigualdad a ese nivel, sin embargo, para superar este inconveniente, las estimaciones se realizan por quintiles del IPM, lo que permite tener un panorama general de las desigualdades y sus magnitudes de cambio analizadas en conjunto. Segunda, no se puede contar con desagregación por edad y sexo para los datos de vigilancia de 2020, no obstante, se usa el método sex & age Split implementado en el estudio de carga global de enfermedad que permite ajustar los datos cuando se presentan estas limitaciones en las fuentes de información y es una buena aproximación a la realidad. Tercera, en cuanto al monitoreo de las desigualdades no existe un método estandarizado para su análisis, en este capítulo se utiliza el método propuesto por Bacallao, en el que a través de diferentes cálculos se realiza la estimación de una magnitud de cambio, que incluye variaciones en el indicador de ocurrencia y la propia desigualdad.
Aproximación a la interacción del COVID -19 con las enfermedades no transmisibles en Colombia
Cuando los males se juntan: COVID 19, ECNT y condiciones socioeconómicas
Hay evidencias que demuestran que la interacción entre COVID-19 y una serie de ECNT en contextos de desigualdad y vulnerabilidad socioeconómica ha aumentado la susceptibilidad de algunos grupos poblacionales a sufrir mayores daños o empeorar sus resultados de salud a esta interacción sinérgica entre condiciones biológicas y socioeconómicas se denomina sindemia (1). Ante este fenómeno, los expertos coinciden en que el manejo va mucho más allá de las intervenciones individuales biomédicas de una sola afección, por lo tanto se requiere un abordaje integral y contextualizado que incluya actuar sobre los determinantes sociales con el fin de superar inequidades sociosanitarias y avanzar en estrategias de salud pública orientadas a mejorar las condiciones de salud para todos en el corto, mediano y largo plazo (1,2).
Las enfermedades cardiovasculares, la enfermedad renal crónica (ERC), la enfermedad pulmonar obstructiva crónica (EPOC), las neoplasias malignas, la diabetes, la hipertensión y la obesidad son algunas de las ECNT que aumentan el riesgo de tener peores desenlaces ante una infección por SARS-CoV-2, virus responsable del COVID-19 (3–5). La mayoría de estas afecciones son potencialmente evitables y en las últimas décadas su prevención y control ha sido una prioridad para la salud global. Sin embargo, siguen siendo la principal causa de morbimortalidad, afectando desproporcionadamente a países de ingresos bajos y medios que concentran más del 75 y del 85% de las muertes totales y prematuras por estas afecciones, respectivamente (6).
En la región de las Américas, se estima que las ECNT son responsables de cuatro de cada cinco muertes anuales, el 35% de las cuales se consideran prematuras (en personas de 30 a 70 años) y afectan principalmente a las poblaciones más vulnerables socioeconómicamente (7). En este contexto, el aumento del riesgo de complicaciones y muerte por COVID-19 en personas con afecciones crónicas particularmente en sectores vulnerables (8,9) significa un aumento en la probabilidad de profundizar inequidades socio-sanitarias históricas y, por tanto, un potencial retroceso en materia de derechos humanos y la imposibilidad de cumplir con los Objetivos de Desarrollo Sostenible (ODS) a los que se comprometieron la mayoría de los países a nivel mundial (10).
En Colombia, entre 2009 y 2019, las ECNT han sido las principales causas de atención dentro del sistema de salud en todos los ciclos de vida, excepto en la primera infancia (0 a 5 años) (11), así, resulta importante identificar si este perfil epidemiológico junto con las condiciones socioeconómicas de los distintos territorios del país pudieron predisponer un mayor nivel de afectación por COVID-19. Para indagar si existe una posible interacción sinérgica entre COVID-19, las ECNT y las condiciones socioeconómicas en Colombia, esta sección explora si los desenlaces departamentales más graves de COVID-19 se correlacionan con las prevalencias departamentales de ECNT existentes al inicio de la pandemia, al considerar algunos de los principales indicadores socioeconómicos de estos territorios.
Dadas las limitaciones de información disponible de las comorbilidades y condiciones socioeconómicas que presentan los pacientes con COVID-19 en Colombia, esta sección se basa en un estudio ecológico en el que se ajustan modelos de regresión lineal con el fin de observar la relación entre los indicadores de los desenlaces más graves de COVID-19 (letalidad e índice de severidad) y las prevalencias departamentales de distintas ECNT en conjunto con algunos indicadores socioeconómicos de interés como el producto interno bruto per cápita (PIB-pc), el porcentaje de población afiliada al régimen subsidiado en salud y el porcentaje de población urbana de cada departamento.
El presente análisis entiende la letalidad como la proporción de muertes en las personas notificadas por COVID-19 (12), por su parte, el índice de severidad (IS) hace referencia a un indicador desarrollado por el Observatorio Nacional de Salud (ONS) que sintetiza la información de hospitalización, ingreso a Unidad de cuidados intensivos (UCI) y muertes por COVID-19 (13).
Más preguntas que certezas: primer año de pandemia sin vacuna
En Colombia no existen datos oficiales de las prevalencias territoriales de las enfermedades crónicas no transmisibles (ECNT). Sin embargo, algunas fuentes de información como el Registro individual de prestación de servicios (RIPS) y la Cuenta de Alto Costo (CAC) permiten hacer aproximaciones a estos indicadores epidemiológicos. Con la información disponible en RIPS y CAC, las prevalencias de las ECNT que se exploran en este estudio son: la diabetes mellitus (DM), la enfermedad renal crónica (ERC), las enfermedades cardiovasculares (ECV), la enfermedad pulmonar obstructiva crónica (EPOC) y factores de riesgo como la obesidad y la hipertensión arterial (HTA).
Inicialmente, se observa que la prevalencia nacional de las ECNT estudiadas venía en ascenso en los años previos a la pandemia, de acuerdo a la información suministrada por los reportes de RIPS (Gráfico 1).
Gráfico 1
Al iniciar la pandemia por COVID-19, los departamentos con prevalencias más altas en la mayoría de las ECNT estudiadas fueron Antioquia, Atlántico, Quindío y Risaralda, de acuerdo con la información disponible en el RIPS. Por su parte, los datos de la CAC señalan que los departamentos con prevalencias más altas de DM, ERC e HTA fueron Bogotá, Caldas, Risaralda y Valle del Cauca (Tabla 1).
Tabla 1
Índice de severidad: Hospitalizaciones, ingreso a UCI y muertes por COVID-19
Las prevalencias departamentales más altas de ERC y el mayor porcentaje de población urbana se correlacionaron con una mayor gravedad departamental por COVID-19, de acuerdo con el modelo que usa como variables explicativas las prevalencias de ECNT de fuente RIPS. Específicamente, los resultados muestran que un aumento en un punto porcentual de las prevalencias de ERC se correlaciona positiva y significativamente con un índice de severidad (IS) departamental mayor en 0,15% (Tabla 2).
Tabla 2
Para el modelo que usa como variables explicativas las prevalencias de ECNT de fuente CAC, el análisis arroja que un aumento en un punto porcentual de la prevalencia de ERC se correlaciona con un IS mayor en 0,10% (Tabla 3)
Tabla 3
Los resultados de los modelos de las dos fuentes de información coinciden en que las prevalencias departamentales más altas de ERC y la mayor proporción de población urbana se correlacionan con un mayor IS departamental por COVID-19 (Gráfico 2).
Gráfico 2
Letalidad: ¿Quiénes murieron más por COVID-19?
Las prevalencias departamentales más altas de DM, ERC y ECV se correlacionan positiva y significativamente con una mayor letalidad por COVID-19 en los modelos de correlación simple que usan prevalencias de fuente de información RIPS, sin embargo, cuando se incorporan simultáneamente todas las prevalencias de las ECNT en un mismo modelo y se ajusta por los indicadores socioeconómicos, la correlación no es estadísticamente significativa para ninguna de las afecciones crónicas.
Tabla 4
Por su parte, el modelo que toma como variables explicativas las prevalencias de fuente CAC, muestra que las prevalencias departamentales más altas de ERC se correlacionan positiva y significativamente con una mayor letalidad por COVID-19 (Tabla 5).
Tabla 5
Solo el modelo que incorpora las prevalencias de ECNT de fuente CAC muestra una relación positiva y significativa de las prevalencias departamentales más altas de enfermedad renal crónica (ERC) con la letalidad por COVID-19, sin embargo, las dos fuentes, sistemáticamente coinciden en que existe una correlación entre la mayor proporción de población afiliada al Régimen Subsidiado y la mayor letalidad departamental por COVID-19 (Gráfico 3).
Gráfico 3
Luces y sombras de la sindemia en Colombia
Una sindemia se da cuando dos o más enfermedades interactúan entre sí y causan mayor daño a la salud, este fenómeno resulta aún más problemático en contextos de mayor vulnerabilidad socioeconómica. Este estudio muestra que los territorios con prevalencias altas de ERC, mayor porcentaje de población urbana y más población sin capacidad de pago afiliada al régimen subsidiado en salud, parecen tener peores desenlaces por COVID-19 reflejados en más ingresos hospitalarios, a UCI y más muertes. Aunque estos resultados no significan una relación causa – efecto directo entre las variables estudiadas, sí permiten orientar hipótesis sobre las posibles interacciones sociosanitarias que pueden estar generando y manteniendo brechas de inequidad en los resultados de salud en Colombia.
La investigación no encuentra estudios ecológicos que hayan explorado las relaciones entre indicadores poblacionales de ECNT e indicadores poblacionales de desenlaces más severos de COVID-19, sin embargo, los resultados obtenidos que correlacionan las prevalencias departamentales más altas de ERC con peores desenlaces por COVID-19, coinciden con los resultados de algunas investigaciones generadas a partir de información desagregada a nivel individual. Por ejemplo, una revisión sistemática de literatura que incluyó 36 ensayos clínicos en pacientes con COVID-19 en China, concluyó que la ERC era una comorbilidad tres veces más frecuente en pacientes con cuadros clínicos graves por COVID-19 respecto a pacientes con sintomatología más leve (14). Así mismo, un estudio de cohorte prospectivo realizado en Wuhan-China, epicentro de la pandemia, evidenció que los pacientes con enfermedad renal tenían entre 1,9 y 4,4 veces más riesgo de muerte intrahospitalaria (15).
Aunque en este estudio solo las prevalencias departamentales más altas de ERC son sistemáticamente correlacionadas con una mayor letalidad y severidad por COVID-19, esto no significa que sea la única afección crónica de interés. Actualmente, existe una creciente evidencia científica a nivel mundial que señala la fuerte correlación entre diversas ECNT y el nivel de gravedad que desarrollan los pacientes con COVID-19. Se ha estimado, por ejemplo, que las personas con DM, HTA, ECV y EPOC tienen respectivamente 2,6, 2,8, 4,2 y 3,8 mayor riesgo de desarrollar una enfermedad grave ante una infección por COVID-19 (16) y que los pacientes con HTA, ECV y DM son dos, tres y dos veces más frecuentes en los casos de UCI / graves con COVID-19 (17). En Estados Unidos, también, se reportó que los pacientes diabéticos con COVID-19 tienen casi cuatro veces más probabilidad de ser hospitalizados y tres veces más probabilidad de tener complicaciones graves (18).
Otros resultados llamativos son las correlaciones encontradas entre la mayor proporción de población urbana y un IS más alto, y la mayor proporción de población afiliada al régimen subsidiado en salud con una letalidad más alta por COVID-19. Diversas investigaciones han llamado la atención sobre el impacto de aspectos socioeconómicos en el desarrollo de la pandemia por COVID-19, por ejemplo, estudios llevados a cabo en las capitales de Perú y Chile coinciden en que la mayor densidad y pobreza poblacional se correlacionan positiva y significativamente con una mayor letalidad y contagio por COVID-19 (19,20). Al respecto, la Organización de Naciones Unidas (ONU) ha señalado que la densidad poblacional per se no es un factor decisivo en el aumento de las tasas de infección y mortalidad por COVID-19, pero sí las condiciones que caracterizan esa densidad poblacional, como el acceso a servicios sanitarios, la estructura demográfica, las condiciones de salud preexistentes, la infraestructura social y si las medidas de respuesta a la pandemia fueron pertinentes y oportunas. La ONU sostiene que la densidad urbana bien gestionada es muy diferente al hacinamiento que es una condición asociada principalmente con la exclusión social, esta última sí se relacionada con un aumento en las tasa de infección y mortalidad por COVID-19 (21).
Si bien los resultados de este estudio permiten plantear algunas hipótesis o cuestionamientos alrededor de las potenciales interacciones sinérgicas entre el COVID-19, las ECNT y algunas condiciones socioeconómicas en el país, es importante señalar que al ser un estudio ecológico y usar datos agrupados a un nivel de desagregación departamental es limitado su alcance y no permite establecer relaciones causales entre las variables estudiadas ni visibilizar las dinámicas sociosanitarias diferenciales de los diversos territorios que conforman cada departamento. Indiscutiblemente, es necesario realizar estudios con datos desagregados a nivel individual para tener un panorama más claro de estas dinámicas en el país y así mismo plantear intervenciones con enfoque diferencial y territorial que, además de la prestación de servicios sanitarios, también aborden los determinantes sociales que reproducen inequidades sociosanitarias (22).
Recomendaciones
Es importante recalcar que la mayoría de afecciones crónicas se pueden prevenir o controlar y que las condiciones de vulnerabilidad socioeconómica son evitables. En este sentido, generar unas sociedades y sistemas de salud más resilientes a futuras crisis sanitarias dependerá del esfuerzo colectivo por superar inequidades socio-sanitarias e impulsar sistemas de salud orientados hacia a promoción de la salud, la prevención de la enfermedad y el trabajo intersectorial. Adicionalmente, se requerirá fortalecer los sistemas de información en salud de forma que la recolección de datos socio – epidemiológicos clave, se haga de forma completa, oportuna, con calidad y esté disponible esta información para que se puedan realizar múltiples análisis que permitan conocer las dinámicas de los eventos en salud y plantear estrategias contextualizadas que sirva a los tomadores de decisiones y a la sociedad en general para actuar oportunamente y con una perspectiva de largo plazo.
Influencia de las variables ambientales en la transmisión del COVID-19
La transmisión aérea del virus SARS-CoV-2 se encuentra mediada por la interacción entre la exposición a fluidos respiratorios que contienen el virus, que se producen al estornudar, toser o hablar, y la influencia de factores atmosféricos, como la humedad y la temperatura, los cuales crean un ambiente favorable para la supervivencia del virus (1,2). Si bien las condiciones climáticas, meteorológicas y ambientales no son los principales factores que favorecen la pandemia de COVID-19, muchos de los virus que causan infecciones respiratorias agudas tienen comportamientos estacionales y se propagan con mayor facilidad cuando las condiciones del clima y el tiempo son favorables (3,4).
Asimismo, la contaminación del aire puede tener efectos directos sobre la transmisión del virus, permitiendo que los virus y las partículas que los contienen puedan permanecer un mayor tiempo suspendidos en el aire (2), así como efectos indirectos al generar mayor susceptibilidad en algunos individuos. El PM2.5 es un indicador indirecto común de la contaminación del aire y es considerado uno de los principales factores de riesgo para la salud ambiental (5). El PM2.5 causa varios millones de muertes al año en todo el mundo y desencadena reacciones inflamatorias a nivel respiratorio y cardiovascular, que hacen más susceptibles a algunas personas de contraer infecciones respiratorias con distintos niveles de severidad (6). El objetivo de esta sección es explorar si factores como la calidad del aire, la temperatura y la humedad influyen en la transmisión del SARS-CoV-2 en Colombia.
¿Cómo se desarrolla esta sección?
Un estudio ecológico aplica un modelo aditivo generalizado para explorar la asociación entre la contaminación del aire por PM2.5, las variables meteorológicas de temperatura y humedad relativa y dos desenlaces en salud: los casos y las muertes diarias por COVID-19 en cuatro ciudades colombianas (Villavicencio, Bucaramanga, Barranquilla y Bogotá), las cuales fueron seleccionadas con base en los resultados del estudio de seroprevalencia del Instituto Nacional de Salud (7).
La investigación incluye un modelo para cada ciudad, analizando por separado los dos eventos de interés; adicionalmente, se aplica un ajuste de rezago de 0 – 15 días con el fin de evaluar el efecto acumulado de la exposición en días previos a la ocurrencia del evento y se incluyen los datos de movilidad como variable de control. El periodo de observación es del 27 de abril de 2020, fecha en la que iniciaron las primeras flexibilizaciones de las restricciones de movilidad, hasta el 28 de febrero de 2021.
Comportamiento del COVID-19 en las ciudades seleccionadas
Desde el 27 de abril de 2020 hasta el 28 de febrero de 2021 se confirmaron 812.436 casos y 18.737 muertes en las ciudades analizadas, siendo Bogotá la ciudad que presentó el mayor número de reportes. La tabla 1 resume la información de COVID-19 y de las variables ambientales de las ciudades seleccionadas.
Tabla 1
Villavicencio fue la primera ciudad en presentar un pico de casos, desde antes de la flexibilización de las primeras medidas, luego de esto fueron Barranquilla, Bogotá y Bucaramanga. Entre agosto y noviembre de 2020, las cuatro ciudades mantuvieron un reporte constante en el número de casos y entre diciembre y febrero se observa un segundo pico de casos en las cuatro ciudades. El gráfico 1 muestra las curvas de casos de COVID-19, en las cuatro ciudades, en escala logarítmica.
Gráfico 1
El primer pico de muertes se dio en Barranquilla entre junio y julio de 2020, luego en Bogotá, Bucaramanga y Villavicencio. Hacia finales del 2020 se observó un segundo pico de muertes en las cuatro ciudades. El gráfico 2 muestra las curvas de muertes por COVID-19, en escala logarítmica, en las cuatro ciudades.
Gráfico 2
Lo que representan las concentraciones PM2.5 en el aire para la salud
Las concentraciones diarias de PM2.5 en las cuatro ciudades se analizan con base en el Índice de calidad del aire (ICA) (Gráfico 3), que es una escala adimensional que contrasta las concentraciones del contaminante con el riesgo para la salud humana (8). Se puede observar que en Villavicencio predomina la categoría “buena” para la salud, sin embargo, en el mes de agosto las concentraciones de PM2.5 muestran un nivel de alerta rojo, probablemente explicado por la llegada de la nube de polvo del Sahara, un fenómeno natural que ocurre entre junio y agosto. Cabe aclarar que este fenómeno impacta principalmente sobre los niveles de PM2.5 y al haber estimado los valores de PM2.5 a partir de PM10, estos pueden haberse sobreestimado. En Barranquilla predomina la categoría “aceptable” con algunos días en alerta naranja y roja entre mayo y julio.
Bucaramanga tiene un predominio de la categoría “Aceptable” y al igual que en Villavicencio debe tenerse en cuenta que los promedios de concentración diaria de PM2.5 también se obtuvieron a partir de PM10. Finalmente, se observa que en Bogotá entre mayo y septiembre predomina la categoría “buena” y entre octubre y febrero la categoría “aceptable”.
Gráfico 3
¿Cuál es el efecto de la exposición a PM2.5 en los casos y muertes por COVID-19?
La medición del efecto de la exposición acumulada de un aumento de 10 μg/m3 en la concentración de PM2.5 en los 15 días previos al desenlace, muestra que existe una asociación con el aumento en los recuentos diarios de casos confirmados de COVID-19 en Villavicencio con un riego relativo (RR) de 3,2 (IC 95% 2,17 – 4,71), quiere decir que el riesgo de ser COVID-19 positivo aumenta 3,2 veces debido a la exposición y en Bogotá con un RR de 1,3 (IC 95% 1,22 – 1,37), el riesgo aumenta 1,3 veces; en Bucaramanga y Barranquilla esta asociación no es significativa. Respecto a las muertes, no se encuentra una asociación entre la exposición previa a concentraciones de PM2.5 y el aumento en el recuento diario de muertes confirmadas. La tabla 2 muestra los riesgos relativos para casos y muertes de cada ciudad, que se encuentran ajustados por las variables de temperatura media diaria, humedad relativa diaria y las categorías de movilidad (desplazamiento a lugares de trabajo y a estaciones de transporte público).
Tabla 2
¿Qué aporta esta investigación?
El modelo de análisis propuesto y los resultados descritos sugieren que la exposición a PM2.5 y a las variables ambientales tienen un efecto sobre el aumento de casos de COVID-19 en Bogotá y Villavicencio. Si bien, no se identifica un efecto directo en la mortalidad en ninguna de las cuatro ciudades; estos hallazgos son similares a los encontrados en un estudio llevado a cabo en ciudades mexicanas donde el incremento en las concentraciones de PM2.5 fueron un predictor del aumento de casos, pero no de la mortalidad (9).
Por otro lado, un estudio ecológico que evaluó la asociación entre la exposición crónica a PM2.5 y la mortalidad por COVID-19 en municipios colombianos no encontró evidencia de asociación entre estas dos variables. Sin embargo, se destacó que variables como la demografía y la capacidad del sistema de salud sí tuvieron un efecto sobre la mortalidad (10). En este sentido, cabe resaltar que, al tratarse de un virus nuevo, factores como la susceptibilidad de la población, la implementación de medidas no farmacológicas y los cambios en la movilidad en lugares públicos, pudieron tener una influencia más clara sobre el comportamiento de la transmisión (11,12).
Si bien es necesario que se realicen investigaciones que exploren más a fondo el papel de la contaminación del aire durante la pandemia de COVID-19, cabe mencionar que la contaminación de aire es el factor de riesgo ambiental que más muertes prematuras causa a nivel mundial (13) y que es conocido su efecto sobre algunas enfermedades crónicas que incrementan el riesgo de severidad de la infección por COVID-19 (14).
La contaminación del aire es una amenaza silenciosa a la que toda la población se encuentra expuesta, pero las poblaciones más vulnerables son las que cargan con la mayor afectación (15). Los resultados del ICA muestran que, en las cuatro ciudades analizadas, durante todo el periodo predominó un nivel de alerta que puede generar efectos negativos en salud, especialmente de aquellos grupos con mayor susceptibilidad como lo son niños, adultos mayores y personas con problemas respiratorios. Por lo tanto, exigir el derecho a respirar un aire limpio debe ser una prioridad en la que el refuerzo y cumplimiento de las políticas públicas, el uso de tecnologías más limpias y la participación ciudadana actúen en conjunto para garantizar la mejora de la calidad del aire.
Los obstáculos en la implementación del modelo
Este análisis tiene limitaciones. Primera, la estimación de PM2.5 a partir del PM10 puede generar una sobreestimación de los valores diarios del contaminante, además no se tienen en cuenta otros contaminantes del aire que posiblemente hayan podido influir en el desenlace. Segundo, el estado de la calidad y disponibilidad de datos de calidad del aire, especialmente de ciudades intermedias, continúan siendo un reto para realizar este tipo de análisis en nuestro país, además de las limitaciones propias de algunos monitoreos de contaminantes que se realizan de forma manual y no reflejan la variación de los contaminantes durante el día. Tercero, la naturaleza de los estudios ecológicos impide confirmar la causalidad de los eventos observados.
Finalmente, en este momento de la pandemia no es posible definir un comportamiento estacional de las tendencias de la transmisión del COVID-19, por lo tanto, el ajuste del modelo únicamente por variables ambientales revela algunas anomalías en la verificación de los supuestos; probablemente existan otras variables que estén influyendo en el desenlace y que no son aquí consideradas. Ahora bien, la aplicación del rezago en los dos eventos de interés logra ajustar mejor los resultados presentados.
