INTRODUCCIÓN
La pandemia por COVID-19 inicio a finales del 2019 en la ciudad de Wuhan en China1. Esta enfermedad tiene una clínica variada que va desde una infección asintomática, enfermedad leve del tracto respiratorio superior hasta una neumonía viral grave con insuficiencia respiratoria2,3. Existen sin embargo pocas investigaciones que evalúen la correlación entre aspectos sociodemográficos y económicos de las poblaciones con la mortalidad por COVID-19.
En estudios internacionales se hace referencia que las muertes por COVID-19 son comparables e incluso superiores al total de muertes por opioides y VIH/SIDA4. En Estados Unidos, La desigualdad de ingresos monetarios se ve reflejada en mayor número de muertes y ello puede generar las diferencias encontradas en los diferentes estados5. Otros estudios que han evaluado el efecto de los indicadores sociodemográficos en comunidades rurales y urbanas, han encontrado asociación entre el estado socioeconómico (riesgos relativos [RR] de 1,42 y 1,71) y dominios de vivienda y transporte (RR 1,52 y 1,32) con un mayor riesgo de diagnóstico de COVID-19 y muerte6. Otra consecuencia reportada de las inequidades tiene relación con la disponibilidad de pruebas de diagnóstico para toda la población. Al inicio de la pandemia había más diagnósticos en los sitios más desfavorecidos y con el trascurrir del tiempo esto cambio, empezó a reportarse un mayor número de casos positivos en sitios con mayor riqueza. Las inequidades asociadas a factores raciales también han tenido un papel. Por ejemplo, se reporta el doble de riesgo de hospitalización por COVID-19 en la población afroamericana en Estados Unidos7
Un estudio peruano analizó la mortalidad por causas no violentas y quintiles distritales, mostrando una relación entre el índice de desarrollo humano (IDH) y mortalidad por COVID-19, siendo mayor el número de muertes por COVID-19 en quintiles con menor IDH. Aunque en este estudio no se encontró una asociación significativa entre pobreza y mortalidad, sus hallazgos se encuentran limitados por el poco tiempo de observación8.
Nuestro estudio busca determinar la correlación entre mortalidad por COVID-19, porcentaje de pobreza, IDH y densidad poblacional de los distritos de Lima Metropolitana durante el 2020.
MÉTODOS
Diseño y área de estudio
Estudio observacional, ecológico de tipo correlacional; realizado a partir de datos de Lima Metropolitana.
Población y muestra
La población de este estudio estuvo conformada por todos los pacientes fallecidos por COVID-19 en los distritos de Lima Metropolitana, para el desarrollo de esta investigación se usó la base de datos de acceso libre del Ministerio de Salud del Perú disponible en el siguiente link: https://www.datosabiertos.gob.pe/dataset/fallecidos-por-covid-19-ministerio-de-salud-minsa/resource/4b7636f3-5f0c-4404-8526.
Variables e instrumentos
La variable principal fue mortalidad por COVID-19 y también como factores potenciales que pueden influir en las tasas de infección y muerte. Estos factores podrían agruparse en cuatro categorías principales: Características de la población, factores ambientales/geográficos, política sanitaria y factores relacionados con el virus.
Para el desarrollo de esta investigación se usó la base de datos de acceso libre del Ministerio de Salud del Perú4,9. Las estadísticas de IDH y de porcentaje de pobreza distrital fueron obtenidos a partir del informe: “Herramienta de lucha contra la pobreza-Módulo Perú.9La densidad demográfica de los distritos de Lima se obtuvo del informe titulado: “Provincia de Lima: Compendio estadístico-2017”. Este documento forma parte del último censo poblacional y de vivienda desarrollado por el INEI (Instituto Nacional de Estadística e Informática) en el 201710
Procedimiento
Una vez que se obtuvo la base de datos consolidada por distritos. El análisis descriptivo se realizó en función del tipo de variable.
Análisis estadístico
El análisis descriptivo se realizó en función del tipo de variable. Para las variables cuantitativas se usó medidas de tendencia central y dispersión en función de la normalidad de los datos. Para las variables cualitativas se usó frecuencias y porcentajes.
La correlación entre la mortalidad por COVID-19, porcentaje de pobreza y densidad poblacional se calculó utilizando el método de correlación de Spearman. Se consideró significativo un valor de p<0,05. El análisis estadístico se realizó utilizando el Paquete Estadístico Stata V15.11,
A la par se realizó un análisis multivariado (regresión robusta).
Aspectos éticos
La presente investigación utiliza la información de una base de datos de acceso libre. La codificación de los pacientes hace imposible descubrir los datos personales de los pacientes fallecidos por COVID-19. El estudio contó con la aprobación del comité de ética institucional de la Universidad Ricardo Palma.
RESULTADOS
Se analizó los datos de 13 154 personas fallecidas por COVID-19 en Lima desde el 18 de marzo hasta el 30 de setiembre del 2020. El 70,9% (9325) del total de fallecidos fue del sexo masculino. El promedio de edad fue de 66,00 años con una desviación estándar de 14,01. Los distritos con mayor número de fallecidos fueron San Juan de Lurigancho con un 11,4% (1 499), Lima con 8,3% (1096) y San Martin de Porres con 7,0% (919). Los distritos con menor número de fallecidos fueron los distritos de Punta Hermosa (9 fallecidos), San Bartolo (9 fallecidos), Punta Negra (2 fallecidos), Santa María del Mar (1 fallecido). Los distritos con mayor letalidad por COVID-19 fueron Villa El Salvador (6,04%), La Victoria (5,12%), Chorrillos (5,07%) y San Juan de Lurigancho (4,99%). Los distritos con menor letalidad por COVID-19 fueron Santa María del Mar (1,54%), Jesús María (1,72%) y Punta Negra (2,0%). El total de fallecidos por distritos se muestra en laTabla 1. La mortalidad y letalidad por COVID-19 en el mismo periodo se muestra en laTabla 2
LaTabla 3muestra el porcentaje de Pobreza y el índice de desarrollo humano de cada distrito de Lima durante el 2020. El índice de pobreza de los distritos varió desde 0,2% en el distrito de Miraflores, San Isidro hasta 41,1% en el distrito de Pachacamac y 40,7% en Puente Piedra. Con relación al IDH distrital se aprecia que San Isidro y Miraflores cuentan con los mejores índices con 0,809 y 0,790 respectivamente; los distritos con menor IDH fueron los distritos de Puente Piedra (0,673) y Pachacamac (0,669). LaTabla 3muestra la densidad poblacional de los distritos de Lima según el último censo realizado por el INEI. Se aprecia que los distritos de Punta Negra y Punta Hermosa presentan la menor densidad poblacional con 64 y 67 Hab/Km2, respectivamente; mientras que los distritos de Surquillo y Breña presentan los mayores niveles de densidad poblacional con 2 6438 y 2 3202 Hab/Km2.
Mortalidad por COVID-19 y su correlación con pobreza, IDH y densidad poblacional
No se encontró una correlación significativa entre mortalidad y porcentaje de pobreza (rho= -0,2230; p=0,150) (Figura 1). Se encontró una correlación significativa entre mortalidad por COVID-19 e IDH (rho= 0,4466; p=0,002) (Figura 1). Se encontró una correlación significativa entre mortalidad por COVID-19 y densidad poblacional (rho=0,7616; p=<0,001) (Figura 1).
Letalidad por COVID-19 y su correlación con pobreza, IDH y densidad poblacional
Se encontró una correlación estadísticamente significativa entre letalidad por COVID-19 y porcentaje distrital de pobreza (rho=0,319; p=0,037) (Figura 1). Se encontró una correlación no significativa entre letalidad por COVID-19 e IDH distrital (rho=-0,106; p=0,501) (Figura 1). Se encontró una correlación significativa entre letalidad por COVID-19 y densidad poblacional (rho=0,7616; p=<0,001) (Figura 1).
Adicionalmente, se encontró una correlación significativa entre porcentaje de pobreza e IDH distrital (rho= -0,8871; p<0,001) (Figura 1).
En el modelo de regresión robusta utilizado, sólo la densidad poblacional fue un factor asociado con la mortalidad por COVID-19 (Coeficiente beta:0,06 IC95%:0,03-0,08; p<0,001). La densidad poblacional también se asoció a letalidad por COVID-19 (Coeficiente beta: 0.06 IC95%:0,03-0,08; p<0,001). Los resultados se muestran en laTabla 4, por lo tanto, se asume que la regresión robusta asocia mucho más la densidad poblacional con la mortalidad y letalidad, siendo pobreza e IDH, variables no significativas.
DISTRITO | FALLECIDOS POR COVID-19 | |
---|---|---|
Frecuencia | % | |
San Juan de Lurigancho | 1499 | 11,4 |
Lima | 1096 | 8,3 |
San Martin de Porres | 919 | 7,0 |
Villa el Salvador | 848 | 6,4 |
Comas | 841 | 6,4 |
Ate | 740 | 5,6 |
San Juan de Miraflores | 569 | 4,3 |
La Victoria | 556 | 4,2 |
Villa Maria del Triunfo | 533 | 4,1 |
Chorrillos | 480 | 3,6 |
El Agustino | 428 | 3,3 |
Los Olivos | 413 | 3,1 |
Santa Anita | 392 | 3,0 |
Santiago de Surco | 364 | 2,8 |
Rimac | 362 | 2,8 |
Independencia | 332 | 2,5 |
Puente Piedra | 298 | 2,3 |
Carabayllo | 293 | 2,2 |
Breña | 233 | 1,8 |
Jjesus Maria | 229 | 1,7 |
Lurigancho | 168 | 1,3 |
San Miguel | 168 | 1,3 |
Surquillo | 162 | 1,2 |
Pueblo Libre | 139 | 1,1 |
Lince | 133 | 1,0 |
La Molina | 124 | ,9 |
Miraflores | 113 | ,9 |
Lurin | 97 | ,7 |
San Borja | 93 | ,7 |
San Luis | 93 | ,7 |
Magdalena del Mar | 80 | ,6 |
Pachacamac | 67 | ,5 |
Barranco | 63 | ,5 |
Ancon | 56 | ,4 |
Chaclacayo | 52 | ,4 |
San Isidro | 49 | ,4 |
Pucusana | 22 | ,2 |
Cieneguilla | 18 | ,1 |
Santa Rosa | 11 | ,1 |
Punta Hermosa | 9 | ,1 |
San Bartolo | 9 | ,1 |
Punta Negra | 2 | ,0 |
Santa Maria del Mar | 1 | ,0 |
Total | 13154 | 100,0 |
DISTRITO | POBLACION | CASOS | MUERTES | MORTALIDAD(x 1000hab) | LETALIDAD(%) |
---|---|---|---|---|---|
Villa El Salvador | 423887 | 12326 | 848 | 2,00 | 6,04 |
La Victoria | 188619 | 9499 | 556 | 2,95 | 5,12 |
Chorrillos | 355978 | 8390 | 480 | 1,35 | 5,07 |
San Juan de Lurigancho | 1177755 | 26351 | 1499 | 1,27 | 4,99 |
Villa María del Triunfo | 437992 | 9562 | 533 | 1,22 | 4,96 |
Breña | 93111 | 3708 | 233 | 2,50 | 4,91 |
Santa Anita | 221776 | 7093 | 392 | 1,77 | 4,86 |
Pueblo Libre | 94010 | 2300 | 139 | 1,48 | 4,78 |
San Bartolo | 8722 | 172 | 9 | 1,03 | 4,65 |
Comas | 573884 | 15888 | 841 | 1,47 | 4,61 |
San Juan de Miraflores | 412865 | 10740 | 569 | 1,38 | 4,57 |
Barranco | 35915 | 1148 | 63 | 1,75 | 4,44 |
Ate | 670818 | 14305 | 740 | 1,10 | 4,38 |
Lurín | 109506 | 1924 | 97 | 0,89 | 4,37 |
Rímac | 180260 | 7530 | 362 | 2,01 | 4,26 |
San Martín de Porres | 744050 | 18260 | 919 | 1,24 | 4,23 |
Lima | 267379 | 23359 | 1096 | 4,10 | 4,11 |
Lince | 59578 | 2507 | 133 | 2,23 | 4,11 |
Independencia | 222850 | 7175 | 332 | 1,49 | 4,06 |
Ancón | 82677 | 1140 | 56 | 0,68 | 4,04 |
Pucusana | 16615 | 503 | 22 | 1,32 | 3,98 |
Pachacámac | 142133 | 1417 | 67 | 0,47 | 3,95 |
Surquillo | 100339 | 3429 | 162 | 1,61 | 3,85 |
Carabayllo | 400414 | 6596 | 293 | 0,73 | 3,79 |
Punta Hermosa | 22230 | 159 | 9 | 0,40 | 3,77 |
El Agustino | 221974 | 10043 | 428 | 1,93 | 3,69 |
Lurigancho | 283231 | 3949 | 168 | 0,59 | 3,65 |
Los Olivos | 351983 | 9671 | 413 | 1,17 | 3,64 |
Santiago de Surco | 408086 | 8231 | 364 | 0,89 | 3,61 |
Magdalena del Mar | 65139 | 1855 | 80 | 1,23 | 3,56 |
Puente Piedra | 395819 | 7517 | 298 | 0,75 | 3,53 |
La Molina | 160244 | 3060 | 124 | 0,77 | 3,14 |
Cieneguilla | 39055 | 421 | 18 | 0,46 | 3,09 |
Chaclacayo | 44157 | 1450 | 52 | 1,18 | 3,03 |
San Miguel | 173309 | 4384 | 168 | 0,97 | 3,03 |
San Luis | 55793 | 2242 | 93 | 1,67 | 2,99 |
Miraflores | 108855 | 3170 | 113 | 1,04 | 2,81 |
Santa Rosa | 37940 | 331 | 11 | 0,29 | 2,72 |
San Borja | 127102 | 3447 | 93 | 0,73 | 2,29 |
San Isidro | 67703 | 2129 | 49 | 0,72 | 2,11 |
Punta Negra | 8243 | 100 | 2 | 0,24 | 2,00 |
Jesús María | 81743 | 11381 | 229 | 2,80 | 1,72 |
Santa María del Mar | 1142 | 65 | 1 | 0,88 | 1,54 |
Distrito | Pobreza (%) | Índice de Desarrollo Humano (IDH) | Distrito | Densidad poblacional (Hab/Km2) |
---|---|---|---|---|
Pachacámac | 41,10 | ,669 | Punta Negra | 64.00 |
Puente Piedra | 40,70 | ,673 | Punta Hermosa | 67.00 |
Lurín | 37,70 | ,678 | Ancón | 139.00 |
Villa El Salvador | 37,40 | ,690 | Santa María del Mar | 173.00 |
Pucusana | 37,10 | ,692 | San Bartolo | 179.00 |
Carabayllo | 35,40 | ,687 | Cieneguilla | 207.00 |
Cieneguilla | 35,20 | ,675 | Pucusana | 481.00 |
Independencia | 33,10 | ,699 | Lurín | 496.00 |
El Agustino | 32,60 | ,690 | Pachacámac | 855.00 |
Villa María del Triunfo | 32,10 | ,691 | Carabayllo | 917.00 |
Ancón | 32,00 | ,676 | Santa Rosa | 921.00 |
San Juan de Miraflores | 30,90 | ,693 | Lurigancho | 970.00 |
Punta Negra | 30,50 | ,682 | Chaclacayo | 1119.00 |
San Juan de Lurigancho | 30,40 | ,685 | La Molina | 2734.00 |
San Bartolo | 28,80 | ,695 | San Isidro | 4816.00 |
Ate | 28,40 | ,695 | Puente Piedra | 5241.00 |
Comas | 27,80 | ,699 | Villa María del Triunfo | 6600.00 |
Punta Hermosa | 26,30 | ,684 | Miraflores | 8484.00 |
Santa Rosa | 24,50 | ,683 | Ate | 8515.00 |
Lurigancho | 23,80 | ,682 | Chorrillos | 8630.00 |
Santa Anita | 23,60 | ,693 | San Juan de Lurigancho | 8674.00 |
Rímac | 20,60 | ,714 | Barranco | 8700.00 |
San Martín de Porres | 18,90 | ,709 | Santiago de Surco | 10290.00 |
Santa María del Mar | 17,50 | ,680 | Comas | 11021.00 |
La Victoria | 15,80 | ,731 | San Borja | 11316.00 |
Lima | 15,50 | ,727 | Lima | 12088.00 |
Chorrillos | 3,40 | ,702 | San Miguel | 12803.00 |
Chaclacayo | 2,80 | ,702 | Villa El Salvador | 13594.00 |
Los Olivos | 2,10 | ,706 | Rímac | 13723.00 |
San Luis | 1,20 | ,719 | Independencia | 15135.00 |
Surquillo | ,70 | ,736 | Magdalena del Mar | 15215.00 |
Pueblo Libre | ,70 | ,740 | El Agustino | 15574.00 |
Breña | ,70 | ,736 | Jesús María | 15685.00 |
La Molina | ,60 | ,736 | Lince | 16193.00 |
Barranco | ,60 | ,742 | San Luis | 16751.00 |
Santiago de Surco | ,50 | ,755 | San Juan de Miraflores | 17342.00 |
San Miguel | ,50 | ,753 | Pueblo Libre | 17381.00 |
Magdalena del Mar | ,50 | ,758 | La Victoria | 19068.00 |
San Borja | ,40 | ,766 | San Martín de Porres | 19777.00 |
Lince | ,40 | ,752 | Los Olivos | 21080.00 |
Jesús María | ,30 | ,769 | Santa Anita | 22291.00 |
San Isidro | ,20 | ,809 | Breña | 23202.00 |
Miraflores | ,20 | ,790 | Surquillo | 26438.00 |
Mortalidad por COVID-19 | Coeficiente beta | Valor de p | IC 95% |
---|---|---|---|
Porcentaje de pobreza | 0,03 | 0,07 | -0,015;0,021 |
Índice de desarrollo Humano | 0,46 | 0,90 | -7,35;8,27 |
Densidad poblacional | 0,06 | <0,001 | 0,03;0,08 |
Letalidad por COVID-19 | Coeficiente beta | Valor de p | IC 95% |
Porcentaje de pobreza | 0,2 | 0,205 | -0,01;0,06 |
Índice de desarrollo Humano | -6,56 | 0,370 | -7,35;8,27 |
Densidad poblacional | 0,06 | 0,003 | 0,02;0,10 |
DISCUSIÓN
Los resultados de este estudio muestran que la mortalidad por COVID-19 en los distritos de Lima fue elevada en su mayoría adultos mayores de 60 años y del sexo masculino. Además de esto se logró determinar que, desde los inicios de la pandemia, hasta el mes de setiembre existió una correlación positiva (a nivel distrital) entre la letalidad por el COVID-19 y el nivel de pobreza a nivel distrital, La densidad poblacional fue el factor asociado de manera más consistente a mortalidad y letalidad por COVID-19. Por cada aumento de la densidad poblacional (en mil habitantes), la letalidad y mortalidad de la infección por COVID-19 distrital aumentaría en un 6%. La pobreza se asoció a mayor letalidad, pero no a mayor mortalidad.
Las muertes por COVID-19 son en su mayoría personas adultas mayores de sexo masculino con presencia de comorbilidades como hipertensión arterial, obesidad, diabetes(31-34). Estudios previos como los de Hernández-Vásquez et al.8describen un exceso de mortalidad de 20093 muertes no violentas y 2979 muertes confirmadas por COVID-19 en el departamento de Lima metropolitana durante las primeras 24 semanas del año 2020, en donde las personas adultas mayores, varones y en situación de pobreza son quienes más han fallecido por esta enfermedad8.
Los resultados principales de este estudio muestran que a mayor pobreza distrital mayor letalidad por COVID-19. Esto se asemeja a investigaciones previas como las de Ogedegbe et al., Gadson et al. y Hernández-Vásquez et al.8entre otros14,15. Ogedegbe et al. muestra en su estudio la existencia de una variación sustancial de la letalidad por COVID-19 en los distritos de la ciudad de Nueva York determinando que zonas con la mayor cantidad de personas que viven en la pobreza y los niveles más bajos de logro educativo tuvieron las tasas más altas de muerte relacionadas con COVID-199. De la misma manera Hernández-Vásquez et al. describe que el exceso de muertes por COVID-19 fue mayor en los distritos con pobreza extrema8. El estudio de estas relaciones muestra la importancia de la disponibilidad de recursos monetarios distritales frente a la letalidad de esta pandemia ya que distritos con menor disponibilidad de recursos económicos tienen mayor probabilidad de contar con menores recursos de infraestructura y recursos humanos presentando a su vez un mayor número de muertes14,15.
Este estudio ha evaluado la correlación a nivel distrital de la letalidad con el porcentaje de pobreza. Si bien este estudio evaluó una población menor a comparación de otros estudios como Achoki et al. que evalúan países que demuestran una situación similar16-18. Achoki et al. demostró que la letalidad por COVID-19 (al inicio de la pandemia) fue mayor en países más empobrecidos en continentes como África y que esto también se podría replicar en países de América Latina, tal y como podemos observar mediante los resultados de esta investigación18,19.
La principal implicancia de esta investigación viene a ser la posibilidad de determinar grupos poblacionales con mayor riesgo frente a los cuales el estado y el ministerio de salud pueda intervenir y focalizar acciones de prevención como detección temprana de casos, de pacientes con mayor riesgo de infección y mortalidad, así como la referencia temprana a establecimientos de salud de mayor complejidad, particularmente en aquello distritos con mayores niveles de pobreza.
Las principales limitaciones de esta investigación están relacionadas con la calidad de la base de datos. Es probable la existencia de un subregistro de los pacientes fallecidos al inicio de la pandemia por motivos de falta de conocimiento de otros criterios diagnósticos y demora en la respuesta de resultados de pruebas moleculares entre otros. Al ser un estudio ecológico, los resultados deben de interpretarse a nivel distrital y no necesariamente a nivel individual. Sin embargo, consideramos que el riesgo de falacia ecológica es poco probable.
CONCLUSIÓN
El COVID-19 se trasmite de persona a persona directamente, siendo causante de muchas complicaciones como desencadenante de neumonía, la trasmisión se da entre personas que guarden muy poca distancia entre sí, esta enfermedad viajará por las gotitas respiratorias, esta enfermedad se propagaran al toser la persona infectada, es por eso la importancia de la asociación entre mortalidad como letalidad a la densidad poblacional, ya que al haber contacto entre personas la propagación seria mayor, en los resultados de regresión robusta se demuestra esto, que al aumentar la densidad poblacional en mil habitantes la letalidad por COVID-19 distrital aumentaría en 6%, también se puede observan que los distritos con, menor densidad poblacional tuvieron menos muertes en un análisis bivariado, y se llega a asociar mucho más en una regresión robusta, así se demuestra que la densidad poblacional es un factor muy relevante, dejando de tener asociación la pobreza y el IDH.
Es muy importante la prevención de aglomeración de personas en lugares cerrados o de poca ventilación, ya que esto haría la propagación mucho más fácil.