Mortalidad por COVID-19 y las desigualdades por nivel socioeconómico y por territorio

1. Introducción

La mortalidad por COVID-19 ha impactado de manera significativa los países de América Latina y Caribe. La región tiene 32,1% del total de defunciones por COVID-19 reportadas en el mundo (1.440.853 hasta el 31 de agosto de 2021), siendo que su población representa apenas 8,4% de la población mundial (Defunciones por COVID-19: OMS (2021) y Población: Naciones Unidas (2019)). A nivel regional hay una amplia heterogeneidad en los niveles de exceso de defunciones y defunciones por COVID-19 entre países, como tendencia general se ha mostrado que existe una importante concentración de casos de contagio y muertes en las grandes ciudades (CEPAL 2020). Éstas se caracterizan por un elevado nivel de segregación residencial y desigualdades respecto a importantes factores de riesgo frente a la pandemia (CEPAL 2020).  

Las interrelaciones entre clase social, género, etnia y territorio con mortalidad y sus variables intermediarias son complejas. Estudios recientes han mostrado que respecto a la COVID-19, en general, personas en situación de vulnerabilidad socioeconómica tienen mayores riesgos de contagio y muerte por la COVID-19 (Wachtler et al 2020). Las desigualdades están relacionadas tanto con la capacidad de protección respecto al contagio, como también por la mayor incidencia de comorbilidades que se asocian a una mayor severidad de la enfermedad y eventualmente a la muerte (Wachtler et al 2020). A nivel individual, el contagio está relacionado con la capacidad de utilización de equipamientos de protección personal, la posibilidad de hacer cuarentenas y aislamiento físico, la higienización frecuente y el acceso de informaciones respecto a la nueva enfermedad. Personas en viviendas en situación de vulnerabilidad, con mayor precariedad laboral, altos niveles de hacinamiento y dificultades de acceso a agua y servicios sanitarios presentan mayores desafíos para la protección contra el virus. 

Además de la dificultad en la prevención de la enfermedad por COVID-19, están presentes las desigualdades respecto al acceso al sistema de salud una vez contagiados. Las brechas en el acceso al sistema de salud (testeos, atención médica, internación, entre otros) y las diferencias en la calidad de los servicios que reciben los grupos socioeconómicos pueden influir de manera significativa en el tratamiento y en la sobrevivencia a la enfermedad. Hay también amplia desigualdad entre grupos sociales con relación a los factores de riesgo asociados a la mayor severidad de la enfermedad: enfermedades cardiovasculares, pulmonares (como bronquitis crónica), enfermedades del hígado, diabetes, pacientes con cáncer o con el sistema inmune comprometido (Wachtler et al 2020). El tabaquismo y la obesidad son otros dos factores actualmente en discusión como posibles factores de riesgo adicionales a la enfermedad por COVID-19 (Vardavas y Nikitara 2020; Sattar et al 2020), que también están más presente en grupos en situación de vulnerabilidad socioeconómica.

En la región, si bien las investigaciones sobre las desigualdades sociales y el impacto diferenciado de la pandemia aún son fragmentarias, se ha demostrado una alta correlación entre vulnerabilidad socioeconómica y grado de severidad y muerte por la COVID-19 (Brasil: Bermudi et al. 2021 y Werneck et al 2021; Chile: Bilal et al. 2021, Mena et al. 2021 y Canales 2021; Argentina: Macchia et al. 2021; Perú: Vázquez-Rowe y Gandolfi 2020, Taylor 2021; Colombia: Cifuentes et al. 2021; México: Arceo-Gomez et al 2021). Este trabajo tiene como objetivo profundizar ese análisis e investigar la relación entre desigualdad socioeconómica y exceso de mortalidad en ocho países de la región.

2. Fuente de datos y metodología

Con el objetivo de analizar la dinámica de la pandemia en los países de la región y observar su relación con la desigualdad socioeconómica de los distintos municipios[1], se ha utilizado el programa REDATAM para procesamiento de información de los microdatos de los censos de población y vivienda (véase cuadro 1). Teniendo en cuenta que la mayoría de los censos de la región no poseen información respecto al ingreso domiciliar, se ha utilizado el porcentaje de personas hacinadas en cada municipio. El hacinamiento es unos de los componentes del índice de Necesidades Básicas Insatisfechas (NBI) (Feres y Mancero 2001) y relacionado a la vulnerabilidad con relación a la propagación del virus. En este trabajo, se consideran hacinadas personas en domicilios con más más de 2,5 personas por dormitorio o con 2 o más personas en la vivienda y ningún dormitorio. Si bien la información corresponde al último censo levantado en cada país, previo al 2020, se asume que las desigualdades entre municipios con respecto al hacinamiento observadas en el momento censal no han tenido cambios significativos (aun cuando las cifras en los porcentajes de población hayan variado) en el año de la pandemia.

El procesamiento de los microdatos censales fue hecho con el módulo Redatam7 Process utilizando TABOP y salida SIDRA, por lo cual genera archivos de texto en formato ASCII (Martínez y Silva 2018). El archivo es orientado por la posición de las variables en la tabla de salida con el desglose DAME deseado, estandarizadas para países. Eso permite mayor rapidez en la lectura y procesamiento de los extractos de datos obtenidos de las salidas de REDATAM y facilita el posterior análisis de los datos con el software R.

Para la mortalidad por COVID-19, se utilizó la información de defunciones por todas las causas (véase cuadro 2) y se hizo una estimación del exceso de mortalidad en el año 2020 para cada municipio. Se utiliza el exceso de mortalidad debido al posible diferencial a nivel territorial con relación a acceso a testeos y servicios de salud para diagnóstico del virus, y la calidad de la clasificación del dato por causas de muerte. El exceso de defunciones refleja la mortalidad asociada directa o indirectamente con la pandemia y se calcula como la razón entre el número de defunciones observadas en 2020 y el número de defunciones esperadas en 2020 en base a la tendencia de períodos anteriores a la pandemia. 

El número esperado de defunciones anuales para cada municipio fue estimado con el siguiente modelo de regresión lineal: logDefuncionesmt=αm+βmt+ϵm. Así, para cada municipio m del año t se estiman los coeficientes α y β y el error aleatorio ϵ. Con los parámetros, α y β se calculan las defunciones esperadas en 2020 de acuerdo con la tendencia de cada municipio en años anteriores. El exceso de defunciones estimado es la razón entre el número de defunciones observadas y el número de defunciones esperadas en base a la regresión, por lo cual valores mayores que uno representan defunciones observadas en 2020 mayores que la esperada en base a la tendencia de años anteriores. Para cada país, la base de datos de defunciones municipales proviene de datos oficiales (véase tabla 2). Los países seleccionados para este estudio fueron: Brasil, Chile, Colombia, Costa Rica, Cuba, Ecuador, Perú y República Dominicana, países con datos de defunciones totales publicados a nivel municipal.

3. Resultados

El cuadro 3 muestra que Ecuador y Perú fueron los países por lo cual sus municipios tuvieron mayores niveles de exceso de mortalidad en promedio y en Costa Rica y República Dominicana se observan los menores valores. El porcentaje de personas en domicilios en situación de hacinamiento también varia de manera considerable entre países, con los mayores promedios observados en Ecuador 45,2%, República Dominicana (26,7%) y Perú (24,1%). Chile (7,6%), Costa Rica (15,0%) y Cuba (19,0%) además de presentar los menores promedios, también fueron los países con menor variabilidad observada entre los municipios.

El gráfico 1 muestra la relación entre las dos variables, exceso de mortalidad y hacinamiento, para todos los países analizados. Para todos los municipios de los ocho países, el ajuste de un modelo de regresión lineal entre las variables de exceso (y) y de hacinamiento (x) resulta en un valor de R² igual a 0,125 y un p-valor menor que 5% para la inclinación estimada de la línea. Así, se puede decir que hay una relación positiva entre la proporción de personas en condición de hacinamiento en el municipio y el exceso de mortalidad general observado en 2020.

En el Gráfico 2, vemos los resultados de ajuste de modelos de regresión para cada uno de los países. Las asociaciones más fuertes entre hacinamiento y exceso de defunciones en 2020 se observaron para Chile (R² = 0,158), Brasil (R² = 0,150) y Costa Rica (R² = 0,073). El ajuste de República Dominicana sugiere una relación negativa, pero el beta de la regresión no tuvo valor significativo (p-valor = 0,434). Para Perú, el ajuste tampoco resultó en un beta significativo y no se observó asociación entre las variables. En ese caso particular, la severidad de la pandemia en ese país se observó en casi todo su territorio y con valores de exceso mucho más altos que para los demás países.

Adicionalmente, se hizo un análisis para los municipios de las ciudades con más de 1 millón de habitantes. En el gráfico 3, presentamos los resultados para cuatro – Lima (Perú), San José (Costa Rica), Santiago (Chile) y São Paulo (Brasil). En todas esas ciudades, se observó para sus municipios una asociación positiva y significativa entre el exceso de defunciones y la condición de hacinamiento de la población. Los valores de R² sugieren asociaciones más fuertes que lo observado para los países en general, por cuenta de la conocida relación entre urbanización y nivel de contagio.

4. Conclusión

La pandemia ha mostrado así la importancia de disponer de información de manera oportuna, siendo deseable la publicación de los microdatos de los registros. Los sistemas de registro civil e información en salud de la región, si bien han progresado de manera significativa en las últimas décadas, aún presentan desafíos considerables respecto a la calidad, completitud y oportunidad de los registros de hechos vitales (CEPAL 2021). La completitud de los datos llega a ser menor que 75% en algunos países (Nicaragua, Paraguay, Perú y República Dominicana en 2010-2015) y en otros no publican los datos de manera sistemática y oportuna (Estado Plurinacional de Bolivia, Haití y Honduras no publicaron datos para 2010-2015) (CEPAL, 2021). Las deficiencias van desde la falta de inversión en tecnología para el procesamiento de los registros administrativos hasta la dificultad de acceso a registros en áreas geográficas dispersas (ACNUR, 2021).

Se ha demostrado una asociación general entre hacinamiento y exceso de mortalidad por COVID-19. Al análisis cada país individualmente hay variaciones y analizando en más detalle los municipios en cada ciudad, lugares con mayores niveles de hacinamiento en general tuvieron mayores niveles de exceso de mortalidad.

Referencias

• ACNUR, 2021. Emergency response by civil registry and identification offices during the covid-19 pandemic. Disponible en: https://www.oas.org/en/spa/depm/puica/docs/Emergency-response-CR-offices-COVID-19-pandemic.pdf
• Arceo-Gomez y otros (2021). The income gradient in COVID-19 mortality and hospitalization: An observational study with social security administrative records in Mexico. The Lancet. https://www.thelancet.com/journals/lanam/article/PIIS2667-193X(21)00111-3/fulltext
• Bermudi et al. (2021), Spatiotemporal ecological study of COVID-19 mortality in the city of São Paulo, Brazil: Shifting of the high mortality risk from areas with the best to those with the worst socio-economic conditions. https://doi.org/10.1016/j.tmaid.2020.101945
• Bilal, Alfaro y Vives. (2021), COVID-19 and the worsening of health inequities in Santiago, Chile. https://doi.org/10.1093/ije/dyab007
• Canales, A.I., 2021. La desigualdad social frente al COVID-19 en el Área Metropolitana de Santiago (Chile). Notas de Población, 47(111), pp.13-42. Comisión Económica para América Latina y el Caribe (CEPAL), Observatorio Demográfico, 2020 (LC/PUB.2020/20-P), Santiago, 2021
• Comisión Económica para América Latina y el Caribe (CEPAL) (2021). Las estadísticas de nacimientos y defunciones en América Latina con miras al seguimiento de la Agenda 2030 para el Desarrollo Sostenible y del Consenso de Montevideo sobre Población y Desarrollo. Santiago, Chile: Comisión Económica para América Latina y el Caribe (CEPAL). https://www.cepal.org/sites/default/files/publication/files/46850/S2100203_es.pdf.
• Cifuentes y otros (2021), Socioeconomic inequalities associated with mortality for COVID-19 in Colombia: a cohort nationwide study, J Epidemiol Community Health;75:610-615. http://dx.doi.org/10.1136/jech-2020-216275
• Feres, J. C. y X. Mancero (2001), “El método de las necesidades básicas insatisfechas (NBI) y sus aplicaciones en América Latina”, serie Estudios Estadísticos, Nº 7 (LC/L.1491-P), Santiago, Comisión Económica para América Latina y el Caribe (CEPAL).
• KUPFERSCHMIDT, K. WADMAN, M. . Delta variant triggers new phase in the pandemic. Science, 25 JUN 2021: 1375-1376. Disponible en: https://science.sciencemag.org/content/372/6549/1375.summary.
• Macchia y otros (2021), COVID-19 among the inhabitants of the slums in the city of Buenos Aires: a population-based study. http://dx.doi.org/10.1136/bmjopen-2020-044592
• Martinez, A. Silva, A. (2018).
• Mena et al. (2021), Socioeconomic status determines COVID-19 incidence and related mortality in Santiago, Chile. https://doi.org/10.1126/science.abg5298
• Naciones Unidas (2019), World Population Prospects 2019 [en línea] https://population.un.org/wpp/.
• OMS (Organización Mundial de la Salud), (2021), “WHO Coronavirus (COVID-19) Dashboard” [en línea] https://covid19.who.int/.
• Sattar, N., I. McInnes y J. McMurray (2020), “Obesity is a risk factor for severe COVID-19 infection: multiple potential mechanisms”, Circulation, vol. 142, Nº 1, abril.
• Taylor L. 2021. Covid-19: Why Peru suffers from one of the highest excess death rates in the world BMJ 2021; 372 :n611 https://doi.org/10.1136/bmj.n611
• Vardavas, C. I. y K. Nikitara (2020), “COVID-19 and smoking: a systematic review of the evidence”, Tobacco Induced Diseases, vol. 18, marzo.
• Vázquez-Rowe y Gandolfi (2020), ‘Peruvian efforts to contain COVID-19 fail to protect vulnerable population groups’, Public Health in Practice, 1. https://doi.org/10.1016/j.puhip.2020.100020
• Wadman, M. (2021). Blind spots thwart global coronavirus tracking. Science, 21 May 2021: Vol. 372, Issue 6544, pp. 773-774. DOI: 10.1126/science.372.6544.773
• Wachtler, B., Michalski, N., Nowossadeck, E., Diercke, M., Wahrendorf, M., Santos-Hövener, C., Lampert, T. and Hoebel, J., (2020), Socioeconomic inequalities and COVID-19–A review of the current international literature. Journal of Health Monitoring, 5(S7), https://edoc.rki.de/bitstream/handle/176904/6997/JoHM_S7_2020_Inequalities_COVID_19_Review.pdf?sequence=4
• Werneck y otros. (2021), Mortes evitáveis por COVID-19 no Brasil. http://cebes.org.br/site/wp-content/uploads/2021/06/Nota-Tecnica-Mortes-Evitaveis-por-Covid-19-no-Brasil.pdf