SciELO - Scientific Electronic Library Online

 
vol.21 issue4Relationship between the approval of the adoption of children by homosexuals and the attitude towards homosexuality among medical students and graduatesWhatsapp assessment for communication and organization of group work in resident physicians author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

  • Have no cited articlesCited by SciELO

Related links

  • Have no similar articlesSimilars in SciELO

Share


Revista de la Facultad de Medicina Humana

Print version ISSN 1814-5469On-line version ISSN 2308-0531

Rev. Fac. Med. Hum. vol.21 no.4 Lima Oct./Dec. 2021

http://dx.doi.org/10.25176/rfmh.v21i4.3987 

Artículo original

Correlación entre mortalidad por covid-19, índices de riqueza y desarrollo humano y densidad poblacional en distritos de Lima Metropolitana durante el 2020.

Zalia E. Dorregaray-Farge1 

Alonso Soto2  3  , Médico Internista . MSc, PhD

Jhony De la Cruz Vargas2  , Médico Internista . MSc, PhD

1Facultad de Medicina Humana, Universidad Ricardo Palma. Lima, Perú.

2Instituto de investigaciones en Ciencias biomédicas. Facultad de Medicina Humana, Universidad Ricardo Palma. Lima, Perú.

3Departamento de Medicina. Hospital Nacional Hipólito Unanue. Lima, Perú.

RESUMEN

Objetivo:

Determinar la correlación entre la mortalidad por COVID-19 y el porcentaje de pobreza e Índice de desarrollo Humano (IDH) distrital en el departamento de Lima.

Metodología:

Estudio observacional ecológico de correlación. La población fueron pacientes fallecidos por COVID-19 en Lima metropolitana. Se incluyeron a todos los pacientes fallecidos reportados en la base de datos abiertos del Ministerio de Salud. La variable dependiente fue la mortalidad por COVID-19 calculada dividiendo el número de muertes entre la población total de los distritos y las variables independientes fueron el porcentaje de pobreza e IDH. Se realizó un análisis secundario evaluando la letalidad por COVID-19. La correlación se calculó mediante el método no paramétrico de Spearman.

Resultados:

13154 personas fallecieron por COVID-19 durante el periodo de marzo a setiembre, la mayoría fue del sexo masculino con un promedio de edad de 66 años. No se encontró una correlación significativa entre mortalidad y porcentaje de pobreza (rho=-0,2230; p=0,15). Se encontró una correlación significativa entre mortalidad por COVID-19 e IDH (rho= 0,4466; p=0,002). La mortalidad se correlacionó con la densidad poblacional (rho=0,7616; p=<0,001). Se encontró una correlación positiva (rho=0,32) y significativa (p=0,037) entre la letalidad y el porcentaje de pobreza. Se encontró una correlación significativa entre letalidad por COVID-19 y densidad poblacional (rho=0,7616; p=<0,001). No se encontró correlación significativa entre letalidad y el IDH.

Conclusiones:

La densidad poblacional fue el factor asociado de manera más consistente a mortalidad y letalidad por COVID. La pobreza se asoció a mayor letalidad, pero no a mayor mortalidad.

Palabras Clave: Infección por Coronavirus; mortalidad; pobreza; índice de desarrollo humano (Fuente: DeCS BIREME).

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.

Figura 1: A: Diagrama de dispersión: mortalidad por Covid-19 y porcentaje de pobreza distrital. B: Diagrama de dispersión: mortalidad por COVID-19 e índice de desarrollo humano distrital. C: Diagrama de dispersión: mortalidad por COVID-19 y densidad poblacional distrital. D: Diagrama de dispersión: letalidad por COVID-19 y porcentaje de pobreza distrital. E: Diagrama de dispersión: letalidad por COVID-19 e Índice de Desarrollo Humano. F: Diagrama de dispersión: letalidad por COVID-19 y densidad poblacional distrital. G: Diagrama de dispersión: índice de desarrollo humano y porcentaje de pobrez 

Tabla 1.  Frecuencia de fallecidos por COVID-19, Lima 2020 

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

Tabla 2.  Mortalidad y Letalidad por COVID-19 en Lima ,2020. 

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

Tabla 3.  Porcentaje de pobreza e índice de desarrollo distrital de Lima, 2020 y densidad poblacional distrital durante el último censo de Lima. 

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

Tabla 4.  Factores asociados a mortalidad y letalidad por covid-19 a nivel distrital. 

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.

Referencias bibliográficas

1. Chan JWM, Ng CK, Chan YH, Mok TYW, Lee S, Chu SYY, et al. Short term outcome and risk factors for adverse clinical outcomes in adults with severe acute respiratory syndrome (SARS). Thorax. 2003;58(8):686-9. DOI: 10.1136/thorax.58.8.686 [ Links ]

2. Huang C, Wang Y, Li X, Ren L, Zhao J, Hu Y, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet 2020;395(10223):497-506. DOI: 10.1016/S0140-6736(20)30183-5 [ Links ]

3. Chen N, Zhou M, Dong X, Qu J, Gong F, Han Y, et al. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study. Lancet. 2020;395(10223):507-13. DOI: 10.1016/S0140-6736(20)30211-7 [ Links ]

4. Goldstein JR, Lee RD. Demographic perspectives on the mortality of COVID-19 and other epidemics. Proc Natl Acad Sci U S A. 2020;117(36):22035-41. DOI: 10.1073/pnas.2006392117 [ Links ]

5. Oronce CIA, Scannell CA, Kawachi I, Tsugawa Y. Association Between State-Level Income Inequality and COVID-19 Cases and Mortality in the USA. Journal of general internal medicine. 2020; 35:2791-3. DOI: 10.1007/s11606-020-05971-3 [ Links ]

6. Khazanchi R, Beiter ER, Gondi S, Beckman AL, Bilinski A, Ganguli I. County-Level Association of Social Vulnerability with COVID-19 Cases and Deaths in the USA. Journal of general internal medicine. 2020; 35:2784-7. DOI: 10.1007/s11606-020-05882-3 [ Links ]

7. Price-Haywood EG, Burton J, Fort D, Seoane L. Hospitalization and Mortality among Black Patients and White Patients with Covid-19. N Engl J Med. 2020;382(26):2534-43. DOI: 10.1056/NEJMsa2011686 [ Links ]

8. Hernández-Vásquez A, Gamboa-Unsihuay JE, Vargas-Fernández R, Azañedo D. [Excess mortality in Metropolitan Lima during the COVID-19 pandemic: A district level comparison]. Medwave. 2020;20(8):e8031. DOI: 10.5867/medwave.2020.08.8032 [ Links ]

9. Ogedegbe G, Ravenell J, Adhikari S, Butler M, Cook T, Francois F, et al. Assessment of Racial/Ethnic Disparities in Hospitalization and Mortality in Patients With COVID-19 in New York City. JAMA Netw open. 2020;3(12):e2026881. DOI: DOI: 10.1001/jamanetworkopen.2020.26881. [ Links ]

10. INEI. Provincia de Lima: Compendio estadístico-2017. 2017. Disponible en https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1477/libro.pdf. Fecha de acceso 8/04/2021. [ Links ]

11. StataCorp. 2017. Stata Statistical Software: Release 15. College Station, TX: StataCorp LLC. [ Links ]

12. Gadson A, Akpovi E, Mehta PK. Exploring the social determinants of racial/ethnic disparities in prenatal care utilization and maternal outcome. Semin Perinatol [Internet]. 2017;1-10. Disponible en: http://dx.doi.org/10.1053/j.semperi.2017.04.008 [ Links ]

13. Abedi, V., Olulana, O., Avula, V. et al. Racial, Economic, and Health Inequality and COVID-19 Infection in the United States. J. Racial and Ethnic Health Disparities (2020). DOI: 10.1007/s40615-020-00833-4 [ Links ]

14. Porcheddu R, Serra C, Kelvin D, Kelvin N, Rubino S. Similarity in Case Fatality Rates (CFR) of COVID-19/SARS-COV-2 in Italy and China. J Infect Dev Ctries. 2020;14(2):125-8. DOI: 10.3855/jidc.12600 [ Links ]

15. Acosta LD. [Response capacity to the COVID-19 pandemic in Latin America and the Caribbean]. Rev Panam Salud Publica. 2020;44:e109. DOI: 10.26633/RPSP.2020.109 [ Links ]

16. Andrades-Grassi JE, Cuesta-Herrera L, Bianchi-Pérez G, Grassi HC, López-Hernández JY, Torres-Mantilla H. Análisis espacial de riesgo de morbilidad y mortalidad por COVID-19 en Europa y el Mediterráneo en el año 2020. Cuad Geográficos. 60(1):279-94. DOI: 10.30827/cuadgeo.v60i1.15492 [ Links ]

17. Ponce P, Loaiza V, del Río M de la C, Parra LB. Efecto de la desigualdad y la actividad económica en el COVID-19 en Ecuador: un bosquejo de sus posibles determinantes económicos, sociales y demográficos. Contaduría y Adm. 2020;65(4):211. DOI:10.22201/fca.24488410e.2020.3044. [ Links ]

18. Achoki T, Alam U, Were L, Gebremedhin T, Senkubuge F, Lesego A, et al. COVID-19 pandemic in the African continent: forecasts of cumulative cases, new infections, and mortality. medRxiv. 2020. Disponible en: https://www.medrxiv.org/content/10.1101/2020.04.09.20059154v3Links ]

19. Schmidt A, Sfeir D, Schlosser H. Correlación entre características psicosociodemográficas con la tasa de mortalidad y letalidad por COVID-19 según región en Chile. Rev ANACEM. 2019;13(1): 10-20. Disponible en: https://docs.bvsalud.org/biblioref/2020/10/1123098/correlation-between-psycho-socio-demographic-variables-and-cov_FyKO8Qx.pdfLinks ]

Financiamiento: Autofinanciado.

Recibido: 08 de Junio de 2021; Aprobado: 05 de Agosto de 2021

Correspondencia: Zalia Elizabeth Dorregaray Farge. Dirección: Av. Alfredo Benavides 5440, Santiago de Surco, Lima, Perú. Teléfono: +51 999986642 Correo:zalia.dorregaray@urp.edu.pe

Contribuciones de Autoría: Los autores participaron en la génesis de la idea, diseño de proyecto, recolección e interpretación de datos, análisis de resultados y preparación del manuscrito del presente trabajo de investigación.

Conflictos de intereses: Los autores declaran no tener conflicto de interés.

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons