El estatus socioeconómico determina la incidencia de COVID-19 y la mortalidad relacionada en Santiago, Chile

Science  28 de mayo de 2021:

Vol. 372, Edición 6545, eabg5298
DOI: 10.1126 / science.abg5298

Socioeconomía urbana y mortalidad

Santiago, Chile, es una ciudad muy segregada con distintas zonas de opulencia y privación. Este escenario ofrece una ventana sobre cómo los factores sociales impulsan la pandemia del síndrome respiratorio agudo severo coronavirus 2 (SARS-CoV-2) en una sociedad económicamente vulnerable con altos niveles de desigualdad de ingresos. Mena y col.analizaron la incidencia y la mortalidad atribuidas al SARS-CoV-2 para comprender las variaciones espaciales en la carga de morbilidad. Las tasas de mortalidad por infecciones fueron más altas en los municipios de menores ingresos debido a las comorbilidades y la falta de acceso a la atención médica. Las disparidades entre los municipios en la calidad de su sistema de prestación de atención médica se hicieron evidentes en las demoras y la capacidad de las pruebas. Estos indicadores explican una gran parte de la variación en el subregistro y las muertes por COVID-19 y muestran que estas desigualdades afectaron de manera desproporcionada a los jóvenes.

Science , abg5298, este número p. eabg5298

Resumen estructurado

INTRODUCCIÓN

La crisis del COVID-19 ha puesto de manifiesto importantes desigualdades entre comunidades. Comprender los factores de riesgo social que hacen que algunos grupos sean particularmente vulnerables es esencial para garantizar intervenciones más efectivas para esta y futuras pandemias. Aquí, nos centramos en el nivel socioeconómico como factor de riesgo. Aunque se entiende ampliamente que la desigualdad social y económica tiene un impacto negativo en los resultados de salud, los mecanismos por los cuales el estatus socioeconómico afecta los resultados de la enfermedad siguen sin estar claros. Estos mecanismos pueden estar mediados por una variedad de factores estructurales sistémicos, como el acceso a la atención médica y las redes de seguridad económica. Abordamos esta brecha proporcionando una caracterización en profundidad de la incidencia y mortalidad de las enfermedades y su dependencia de los estratos demográficos y socioeconómicos en Santiago, una ciudad altamente segregada y la capital de Chile.

RAZÓN FUNDAMENTAL

Combinando fuentes de datos disponibles públicamente, realizamos un análisis integral de la incidencia de casos y la mortalidad durante la primera ola de la pandemia. Correlacionamos los resultados de COVID-19 con factores del sistema de atención de la salud y del comportamiento mientras estudiamos su interacción con la edad y el nivel socioeconómico. Para superar los sesgos intrínsecos de los datos de recuento de casos incompletos, utilizamos datos detallados de mortalidad. Desarrollamos un modelo de proceso gaussiano parsimonioso para estudiar el exceso de muertes y su incertidumbre y reconstruimos la incidencia real a partir de la serie temporal de muertes con un nuevo método regularizado de deconvolución de máxima verosimilitud. Para estimar las tasas de mortalidad por infección por edad y nivel socioeconómico, implementamos un modelo bayesiano jerárquico que se ajusta a los sesgos de notificación al tiempo que tiene en cuenta la información incompleta del caso.

RESULTADOS

Encontramos asociaciones sólidas entre los resultados de COVID-19 y el estado socioeconómico, basadas en indicadores de salud y de comportamiento. Específicamente, mostramos en los municipios de nivel socioeconómico más bajo que las pruebas estuvieron casi ausentes al principio de la pandemia y que la movilidad humana no se redujo por los encierros tanto como en los lugares más ricos. La positividad de las pruebas y los retrasos en las pruebas fueron mucho mayores en estos lugares, lo que indica una capacidad deteriorada del sistema de atención médica para contener la propagación de la epidemia. También encontramos que se observaron 73% más muertes que en un año normal entre mayo y julio de 2020, y los municipios en el extremo inferior del espectro socioeconómico fueron los más afectados, tanto en relación con las muertes atribuidas al COVID-19 como con el exceso de muertes. Finalmente,

CONCLUSIÓN

Juntos, estos hallazgos resaltan las consecuencias sustanciales de las disparidades socioeconómicas y de atención médica en una ciudad altamente segregada y brindan enfoques metodológicos prácticos útiles para caracterizar la carga y la mortalidad de COVID-19 en otros centros urbanos con base en datos públicos, incluso si los informes son incompletos y sesgados .

Efecto de las desigualdades socioeconómicas en los resultados de COVID-19.

El mapa de la izquierda muestra los municipios que fueron incluidos en este estudio, coloreados por su puntaje de estatus socioeconómico. Para la comparación entre las muertes por COVID-19 y el exceso de muertes (arriba a la derecha), las muertes confirmadas por COVID-19 se muestran en verde claro y las muertes atribuidas por COVID-19 en verde oscuro. El exceso de muertes, que se muestra en gris, corresponde a la diferencia entre las muertes observadas y las predichas. Las muertes previstas se estimaron utilizando un modelo de proceso gaussiano. El sombreado indica intervalos creíbles del 95% para el exceso de muertes. Las tasas de mortalidad por infección (abajo a la derecha) se infirieron mediante la implementación de un modelo bayesiano jerárquico, con líneas verticales que representan intervalos creíbles por edad y nivel socioeconómico.

Resumen

La pandemia de COVID-19 ha afectado especialmente a las ciudades. Aquí, proporcionamos una caracterización en profundidad de la incidencia y mortalidad de las enfermedades y su dependencia de los estratos demográficos y socioeconómicos en Santiago, una ciudad altamente segregada y la capital de Chile. Nuestros análisis muestran una fuerte asociación entre el nivel socioeconómico y los resultados de COVID-19 y la capacidad de salud pública. Las personas que vivían en municipios con un nivel socioeconómico bajo no redujeron su movilidad durante los encierros tanto como las que vivían en municipios más prósperos. Los volúmenes de pruebas pueden haber sido insuficientes al principio de la pandemia en esos lugares, y tanto las tasas de positividad de las pruebas como las demoras en las pruebas fueron mucho más altas. Encontramos una fuerte asociación entre el nivel socioeconómico y la mortalidad, medida por las muertes atribuidas a COVID-19 o el exceso de muertes. Finalmente, Mostramos que las tasas de mortalidad por infección en los jóvenes son más altas en los municipios de bajos ingresos. Juntos, estos resultados destacan las consecuencias críticas de las desigualdades socioeconómicas en los resultados de salud.

REGÍSTRESE AL SCIENCE eTOC

¡Reciba directamente el último número de Science !

La pandemia de COVID-19 es una crisis de salud pública en curso. Aunque muchos estudios han descrito la transmisión del síndrome respiratorio agudo severo coronavirus 2 (SARS-CoV-2), el virus que causa COVID-19, en América del Norte, Europa y partes de Asia ( 1 – 5 ), la caracterización de la La pandemia en América del Sur ha recibido menos atención, a pesar del severo impacto en muchos países durante la temporada de invierno del hemisferio sur. Si bien los casos confirmados de COVID-19 son una medida de salud pública importante para estimar el nivel de propagación de infecciones causadas por el SARS-CoV-2, es posible que no sean un indicador confiable de incidencia debido a sesgos debidos al comportamiento de búsqueda de salud a nivel de la población. capacidades de vigilancia y la presencia de personas asintomáticas en todas las regiones ( 6). Los análisis de las muertes relacionadas con COVID-19, así como el exceso de mortalidad, proporcionan una imagen alternativa y potencialmente menos sesgada de la intensidad de la epidemia ( 7 , 8 ). Esto se debe en parte a que los sesgos de verificación pueden ser menos pronunciados para las muertes que para los casos confirmados, porque las personas que mueren por COVID-19 tienen más probabilidades de haber experimentado síntomas graves y, por lo tanto, es más probable que se hayan documentado como casos positivos de COVID-19 por sistemas de vigilancia de la salud. Los datos de muerte específicos por edad también pueden ayudar a explicar la heterogeneidad en la carga de COVID-19 y las muertes atribuibles a COVID-19 en diferentes países ( 9). Sin embargo, el papel de otros factores, como el nivel socioeconómico, que se correlaciona con el acceso a la atención médica, en la carga de morbilidad y mortalidad sigue siendo una cuestión abierta de particular importancia ( 10 ) para las ciudades con disparidades económicas sustanciales.

Aquí, analizamos la incidencia y la mortalidad atribuidas a la infección por SARS-CoV-2 y su asociación con el estado demográfico y socioeconómico en el área metropolitana urbana de la capital de Chile, conocida como “Gran Santiago”. A diferencia de muchos otros países, Chile estableció un sistema de informes notablemente completo y puso a disposición del público muchos conjuntos de datos clave. Para comprender las variaciones espaciales en la carga de morbilidad, estimamos el exceso de muertes y las tasas de mortalidad por infección en esta área urbana. Para comprender las disparidades en el sistema de atención médica, analizamos la capacidad de prueba y las demoras en los municipios. Luego demostramos fuertes asociaciones de estos indicadores de salud con factores demográficos y socioeconómicos. Juntos,

Asociación entre el nivel socioeconómico y la dinámica de la enfermedad

El área del Gran Santiago está compuesta por 34 municipios —definidos por tener más del 95% de su área urbanizada— y alberga a casi 7 millones de personas. Aunque este centro urbano representa el 36% de la población del país, ha reportado el 55% de los casos confirmados de COVID-19 y el 65% de las muertes atribuidas al COVID-19 antes de la semana epidemiológica 36 (finales de agosto de 2020). El estatus socioeconómico (NSE) en los municipios varía ampliamente, con Vitacura teniendo el valor más alto (NSE = 93.7) y La Pintana el más bajo (NSE = 17.0; Fig. 1A), y esta diferencia se refleja en el impacto de la pandemia durante el invierno del hemisferio sur de 2020. La máxima incidencia en Vitacura fue de 22,6 casos semanales por cada 10.000 individuos a mediados de mayo, mientras que La Pintana reportó un máximo de 76,4 casos semanales por año. 10,000 individuos durante la primera semana de junio ( Fig. 1B ). Como se muestra en la Fig. 1C y la fig. S1, las muertes atribuidas por COVID-19 siguen un patrón temporal similar (aunque retrasado) al número de casos de COVID-19 notificados. Por ejemplo, la tasa más alta de 4.4 muertes semanales por cada 10,000 personas se observa en San Ramón, un municipio con un SES de 19.7, mientras que Vitacura reportó un máximo de 1.6 muertes semanales por cada 10,000 en junio. Estas desigualdades sociales afectan las tasas generales de mortalidad de COVID-19, como se muestra enFigura 1D .

Figura 1 Casos y defunciones de SES, COVID-19 y datos de movilidad en el Gran Santiago.

A ) Los municipios que forman parte del Gran Santiago están coloreados de acuerdo con su NSE, donde un puntaje más bajo es indicativo de un NSE más bajo. ( B ) Casos de COVID-19 normalizados por tamaño de población por municipio. Los municipios están ordenados por SES, comenzando con el que tiene el SES más alto en la parte superior. ( C ) Muertes atribuidas a COVID-19 normalizadas por tamaño de población por municipio. ( D ) Tasa de muerte atribuida a COVID-19 ajustada por edad y su asociación con el NSE. Los puntos y los bigotes representan la mediana y los intervalos de confianza del 95%, respectivamente, lo que refleja la incertidumbre sobre la población estándar utilizada para la ponderación. 2 , coeficiente de determinación. ( E) Reducción diaria de la movilidad por municipio coloreada por su valor SES. ( F ) Reducción promedio de la movilidad durante el período de bloqueo completo y su asociación con SES. Los centros urbanos y de negocios, Santiago y Providencia, respectivamente, experimentaron una reducción de la movilidad mayor a la esperada por su perfil socioeconómico. En (D) y (F), el área sombreada indica un intervalo de confianza de regresión del 95%.

Los cambios en la movilidad humana, un sustituto del distanciamiento físico, durante los períodos de encierro siguen una tendencia similar. Utilizando indicadores de movilidad humana, inferidos de datos anónimos de teléfonos móviles obtenidos de la Iniciativa Data for Good de Facebook, mostramos que los dos municipios con el NSE más alto exhibieron una reducción en la movilidad de hasta un 61% durante el bloqueo total (regiones de color verde oscuro en la Fig. 1E ) en comparación con los de menor nivel socioeconómico, que, en promedio, redujeron su movilidad al 40% durante este período (regiones rosa oscuro en la figura 1E ). Esta relación entre las reducciones en la movilidad y el NSE estuvo presente durante todos los períodos de tiempo considerados para este estudio ( Fig.1F ) y respalda la hipótesis de que las personas de las regiones más pobres no pueden permitirse quedarse en casa durante encierros. Nuestro resultado es consistente con los análisis de los vecindarios de la ciudad de Nueva York ( 11) y con hallazgos de otros estudios realizados en Santiago que utilizaron diferentes métricas socioeconómicas y de movilidad ( 12 – 14 ).

La reconstrucción de la epidemia revela una dinámica de transmisión temprana

Para examinar el posible sesgo presente en los datos de incidencia, reconstruimos las infecciones por SARS-CoV-2 con el tiempo mediante la implementación de un método llamado MAP de mortalidad regularizada (RmMAP). RmMAP calcula de nuevo los números de infección más probables dada la secuencia temporal de muertes, la distribución desde el inicio hasta la muerte y la tasa de mortalidad por infección ajustada por demografía (IFR). La Figura 2A muestra los resultados de este proceso de inferencia, donde las reconstrucciones de nuestro enfoque y otros métodos son capaces de capturar el pico principal observado en mayo y junio, con una estimación del número de individuos infectados que es de 5 a 10 veces mayor que el valores informados.

Fig. 2 Casos inferidos y pruebas reportadas realizadas para el área del Gran Santiago.

A ) Casos inferidos y notificados a lo largo del tiempo. Para nuestras reconstrucciones RmMAP, consideramos la distribución log-normal desde el inicio hasta la muerte descrita en ( 38 ) y dos estimaciones IFR estratificadas por edad, una del crucero Diamond Princess ( 39 ) y otra de un estudio de seroprevalencia en España ( 40 ). A modo de comparación, también presentamos reconstrucciones basadas en el método Covidestim ( 41 ) y por el cambio de escala de los recuentos de casos mediante el subregistro de las estimaciones obtenidas con el método de Russell et al . ( 42 ). ( B) Asociación entre pruebas diarias promedio y SES durante el pico temprano. El pico temprano se define como los casos notificados entre el 8 de marzo y el 4 de abril. El área sombreada indica un intervalo de confianza de regresión del 95%. ( C ) Casos reportados por 10,000 por municipio durante el pico temprano. ( D ) Pruebas por 10,000 por municipio durante el pico temprano. ( E ) Casos inferidos obtenidos del modelo RmMAP-España por 10.000 por municipio durante el pico temprano. Para (C) a (E), el registro de al menos una muerte confirmada por COVID-19 o atribuida por COVID-19 para esa semana en particular se resalta con recuadros sólidos o discontinuos, respectivamente.

Las reconstrucciones también revelan diferencias importantes en el número inferido de contagios durante marzo de 2020, mes en el que el virus fue introducido en Chile por viajeros de municipios prósperos. Analizamos el número de pruebas realizadas entre el 8 de marzo y el 9 de abril y encontramos un número significativamente mayor de pruebas realizadas en municipios con alto NSE ( Fig.2B ), especialmente durante las primeras 2 semanas de marzo ( Fig.2D ). Además, solo se observó un pico temprano de casos notificados en los municipios de alto NSE a mediados de marzo ( Figura 2C), a pesar de que durante el mismo período se notificaron varias muertes por COVID-19, con un retraso de hasta varias semanas con respecto a la infección, en municipios de bajo nivel socioeconómico. Estos hallazgos sugieren que una primera ola temprana de infecciones ocurrió durante marzo y se extendió rápidamente por el resto de la ciudad sin ser capturada por los conteos oficiales. Nuestras estimaciones de RmMAP a nivel municipal apoyan esta afirmación, porque capturan un alto volumen de infecciones tempranas en la mayoría de los municipios ( Fig.2E ), un escenario que se desvía en gran medida de los recuentos oficiales ( Fig. 2C ).

Para validar aún más la hipótesis de un subregistro temprano en municipios de bajo NSE, y para descartar que estas estimaciones de actividad temprana no son un artefacto de nuestro método, realizamos experimentos en un modelo elemental sintético de dos picos de diferentes tamaños separados en el tiempo (complementario materiales). Estos experimentos confirman que RmMAP es capaz de recuperar este fenómeno bimodal, mientras que otros métodos no lo logran; suavizan demasiado la señal verdadera y, por lo general, el pico anterior no se recupera. Esta señal temprana de subregistro sugiere que los patrones de mortalidad y pruebas observados en el Gran Santiago se explican parcialmente por una falla temprana de los sistemas de atención de salud al informar a la población con suficiente conciencia situacional sobre la magnitud real de la amenaza ( 15). ).

El exceso de muertes coincide con las muertes atribuidas al COVID-19

El exceso de muertes, definido como la diferencia entre las muertes observadas y esperadas, puede proporcionar una medida del impacto real de la pandemia en la mortalidad al cuantificar las muertes directas e indirectas relacionadas con COVID-19 ( 7 , 8 , 16 ). Estimamos las muertes esperadas para 2020 ajustando un modelo de proceso gaussiano ( 17 ) a los datos históricos de mortalidad de los últimos 20 años y los usamos para identificar el aumento de la mortalidad durante la pandemia, controlando el crecimiento de la población y la estacionalidad. Como se muestra en la Fig. 3A , el número de muertes observadas entre mayo y julio de 2020 es más de 1,73 (intervalo de confianza de 1,68 a 1,79) veces el valor esperado, con un pico que supera los 2110 recuentos de muertes en semana epidemiológica 24 (primera semana de junio de 2020) en comparación con un valor esperado de 802 muertes y un número promedio de muertes de 798 entre 2015 y 2019.

Fig. 3 Exceso de muertes y su asociación con factores demográficos y socioeconómicos.

A ) Muertes observadas (línea azul oscuro sólida) en el Gran Santiago en comparación con las muertes previstas para 2020 (línea azul clara sólida y sus intervalos de confianza sombreados en un color más claro), utilizando un modelo de regresión de proceso gaussiano construido con datos históricos de mortalidad de 2000 a 2019 (líneas discontinuas azules). Los valores contienen todas las posibles causas de muerte. ( B ) Tendencias específicas por edad de las muertes observadas en comparación con las muertes previstas para 2020. ( C ) Muertes por COVID-19 versus exceso de muertes. Las muertes confirmadas por COVID-19 se muestran en verde claro, mientras que las muertes atribuidas a COVID-19 se muestran en verde oscuro. El exceso de muertes corresponde a la diferencia entre las muertes observadas y las predichas. ( D) Comparación del exceso de muertes y muertes atribuidas a COVID-19 por municipio coloreadas por SES y normalizadas por tamaño de población. ( E ) Promedio mensual de puntajes z de muertes observadas entre abril y julio por grupo de edad. Las puntuaciones z corresponden a las desviaciones estándar sobre los valores esperados. ( F ) Muertes históricas debido a influenza y neumonía (líneas discontinuas verde azulado) y cáncer (líneas discontinuas rosas) en comparación con las muertes observadas durante 2020 (líneas continuas). En (B), (C) y (E), la región sombreada indica un intervalo de confianza de regresión del 95%.

Al comparar el número de muertes por edad en el año 2020 con las predicciones de nuestro modelo, observamos patrones pronunciados. Aunque las personas menores de 40 años tienen una tasa de mortalidad general más baja que las de los grupos de mayor edad como se esperaba, aún exhiben un aumento de casi el doble en el total de muertes, con un pico en las muertes observadas que ocurren 2 semanas antes que las de los mayores. de 60 años ( Fig. 3B). Para los grupos de edad de 40 a 60, 60 a 80 y mayores de 80, las muertes observadas son 2.8, 3.2 y 2.4 veces más altas de lo esperado, respectivamente. Aunque el grupo de 80+ presenta los valores de mortalidad esperados más altos para 2020, el grupo que contiene personas entre 60 y 80 años muestra el recuento semanal más alto (936 durante la semana epidemiológica 24), la mayor desviación de los valores pronosticados y el valores más altos de exceso de muertes (645 muertes más de las esperadas; Fig. 3B ).

Las muertes atribuidas a COVID-19 para toda el área del Gran Santiago caen dentro de los intervalos creíbles de muertes en exceso hasta fines de junio, cuando las muertes atribuidas aumentan a tasas que son incluso más altas que las muertes en exceso, lo que sugiere que el subregistro de muertes atribuidas a COVID-19 es poco probable ( Fig. 3C ). Las muertes confirmadas por COVID-19, aquellas con una prueba de reacción en cadena de la polimerasa (PCR) confirmada, siguen un patrón temporal similar, y la diferencia entre las muertes confirmadas y las atribuidas a COVID-19 se reduce hacia fines de agosto , indicativo de una capacidad de prueba mejorada. Este patrón es consistente cuando se compara con las muertes normalizadas por tamaño de población para cada municipio ( Fig. 3D), que también muestra muertes atribuidas a COVID-19 superiores al exceso de muertes en la mayoría de los casos. Las anomalías en las muertes observadas versus las predichas para 2020 en diferentes grupos de edad también muestran una asociación negativa significativa con el NSE, excepto para el grupo de 80+ ( Fig.3E ), lo que sugiere una mayor carga de muerte en los municipios con NSE más bajo, independientemente de su edad. composición. Además, los dos municipios con un NSE superior a 80 (Las Condes y Vitacura) tuvieron puntajes z de magnitud mucho menor (con la excepción del grupo de mayor edad), lo que indica que en esas áreas, los patrones de mortalidad no se desviaron mucho de lo se habría esperado durante un año normal en personas menores de 80 años.

Aunque la observación de que las muertes atribuidas a COVID-19 son mayores que el exceso de muertes estimado puede ser contradictoria ( Fig. 3D ), puede indicar la presencia de cambios en los patrones de mortalidad general debido a otras causas, incluido un menor número de muertes atribuibles a una reducción de la movilidad. Además, se informó un menor número de muertes por enfermedades respiratorias infecciosas, como influenza y neumonía, y cáncer durante julio y agosto de 2020 en comparación con el período de 2015 a 2019 ( Figura 3F ). Los cambios en la mortalidad por enfermedades respiratorias pueden explicarse por una temporada de influenza leve en el hemisferio sur durante el invierno de 2020 ( 18), lo cual es consistente con nuestra observación de que se han detectado muchos menos casos de virus respiratorios en Chile durante la temporada 2020 (materiales complementarios). Una disminución en el número de muertes atribuidas por cáncer puede explicarse por el desplazamiento de la mortalidad ( 19 , 20 ), pero es necesario realizar análisis adicionales para establecer esta hipótesis. Las explicaciones alternativas para los cambios en la mortalidad por todas las causas también deben considerar los posibles cambios en las causas externas y conductuales de la mortalidad. No observamos una contribución sustancial de estas causas (ver materiales complementarios, junto con análisis detallados adicionales).

Más pruebas con tiempos de espera más bajos en áreas ricas

Para comprender mejor las consecuencias de una prueba temprana insuficiente, realizamos un análisis más profundo de diferentes métricas de prueba a nivel municipal. Primero analizamos la capacidad de prueba medida como tasas de positividad semanales, la fracción de pruebas que son positivas para SARS-CoV-2. Nuestros resultados muestran que la señal de positividad siguió el curso de la epidemia, alcanzando su punto máximo en los momentos de mayor incidencia entre mayo y julio y sugiriendo un sistema de salud altamente saturado durante este período en toda la ciudad ( Fig. 4A ). Una fuerte asociación negativa entre positividad y SES ( Fig. 4B) denota además dificultades en el acceso a la atención de la salud que es aún más pronunciada en los municipios de menor NSE. A pesar de los cambios en las tasas de positividad a lo largo del tiempo, esta métrica de prueba también se correlacionó significativamente con el número de casos ( Fig. 4C ) y el número de muertes ( Fig. 4D ).

Fig. 4 Capacidad de prueba y tiempos de espera.

A ) Positividad en el tiempo. La positividad se define como la proporción de pruebas de PCR que son positivas en una semana determinada. ( B ) Asociación entre positividad promedio y NSE. ( C ) Asociación entre positividad y número semanal de casos por 10.000. ( D ) Asociación entre el número total de muertes ajustadas por edad por 10,000 y la positividad promedio durante el mismo período. ( E ) Asociación entre pruebas diarias promedio por 10,000 y SES. ( F ) Asociación entre pruebas por 10,000 y muertes por 10,000. ( G) Oportunidad en el tiempo. La puntualidad se define como la proporción de pruebas de PCR que aparecen en los registros públicos dentro de una semana desde el inicio de los síntomas. Dos semanas de junio (sombreadas en gris) se excluyeron del análisis debido a inconsistencias en los datos, lo que llevó a estimaciones de demoras poco confiables. ( H ) Asociación entre puntualidad promedio y SES. ( I ) Asociación entre puntualidad y número semanal de casos por 10.000. ( J ) Asociación entre el número total de muertes ajustadas por edad por cada 10,000 y la puntualidad promedio. ( K ) Asociación entre actualidad y positividad. Los puntos son representativos de los datos semanales por municipio. ( L) Asociación entre pruebas por muerte (ajustadas por edad) y NSE. Las figuras con diferentes colores de puntos ilustran el valor SES de acuerdo con la referencia presentada en (A). En (B) a (F) y (H) a (L), la región sombreada indica un intervalo de confianza de regresión del 95%.

Nuestros hallazgos sobre el número de pruebas realizadas muestran una asociación bastante paradójica con el NSE y la mortalidad. Muchos meses después de la epidemia, la asociación positiva temprana entre las pruebas per cápita y el NSE ( figura 2B ) se revirtió ( figura 4E ), lo que indica una mejora en la capacidad de prueba con el tiempo, de modo que se realizaron más pruebas en las áreas más afectadas. De manera similar, el número de pruebas comenzó a correlacionarse positivamente con las muertes ( Figura 4F ), lo que sugiere que el número de pruebas son fuertes predictores de mortalidad.

También analizamos la capacidad de prueba estimando los retrasos en la obtención de los resultados de la prueba. Inferimos la distribución de la demora entre el inicio de los síntomas y el reporte de los resultados, de lo cual obtuvimos la proporción de casos que son reportados públicamente dentro de la semana del inicio de los síntomas o “puntualidad” ( 21 ). Como se muestra en la Fig. 4G , la puntualidad sigue un curso temporal similar al de la positividad de la prueba durante mayo y parte de junio, pero en la dirección opuesta. Esta métrica está asociada con el NSE, lo que sugiere que los municipios con un NSE bajo, en promedio, obtienen los resultados de sus pruebas más tarde que los que tienen un NSE alto ( Fig. 4H ). La puntualidad también se correlaciona negativamente con el número de casos ( Fig.4I ), el número total de muertes (Fig. 4J ) y positividad ( Fig. 4K ). Al observar las pruebas por muerte, una métrica que se puede utilizar como un proxy fiel de la capacidad de prueba ( 22 ), observamos una correlación positiva con el NSE ( Fig. 4L ), lo que indica que las disparidades en las pruebas persistieron durante la epidemia, con un NSE bajo las áreas más afectadas. En los materiales complementarios, discutimos más a fondo las asociaciones entre nuestras métricas y los recuentos de casos.

IFR depende de SES

En ausencia de encuestas serológicas, una inferencia directa de un IFR es un desafío. El grado de verificación depende de muchos factores, incluidas las capacidades de prueba y la probabilidad de tener infecciones sintomáticas. Además, a diferencia de las muertes, la información sobre la edad de los casos notificados no está disponible a nivel municipal, lo que hace que esta inferencia sea más desafiante. Para abordar estos obstáculos y tener estimaciones de la IFR, implementamos un modelo bayesiano jerárquico que considera la relación entre las muertes, los casos observados y las infecciones verdaderas a través de la ubicación, el tiempo y el grupo de edad. Primero estimamos la tasa de letalidad (CFR) asignando el total de casos en grupos de edad de una manera simple que proyecta la distribución general por edad de los casos a la demografía particular del municipio ( Fig.; consulte los materiales complementarios para obtener más detalles). Con la excepción del grupo de mayor edad, la CFR muestra una asociación negativa con el NSE. De manera similar, nuestras estimaciones de IFR resultantes, una vez corregidas por falta de entretenimiento, muestran un patrón similar ( Fig. 5B ) pero en un orden de magnitud menor que las estimaciones de CFR. Luego, agrupamos los municipios en cuatro categorías de tamaños similares y los clasificamos como de nivel socioeconómico bajo, medio-bajo, medio-alto o alto. Al comparar la relación IFR entre las categorías de NSE bajo y alto, los resultados muestran una IFR significativamente más alta en el grupo de NSE bajo en personas menores de 80 años ( Figura 5C). Los grupos de edad de 60 a 80 y de 40 a 60 presentan IFR que son 1,4 y 1,7 veces más altos, respectivamente, en la categoría de NSE bajo en comparación con la de NSE alto. La diferencia es aún más pronunciada en el grupo de edad más joven (0 a 40 años), que muestra valores de IFR 3,1 veces más altos para los municipios con el NSE más bajo. En conjunto, estos resultados están en consonancia con los análisis del exceso de muertes presentados en la figura 3E . La falta de asociación entre IFR y NSE en el grupo de mayor edad se puede atribuir a una menor esperanza de vida ( 23 ), que se tiene en cuenta en la estimación de NSE (ver métodos para más detalles), y al hecho de que las personas mayores pueden estar, en en general, lo suficientemente saludable como para sobrevivir hasta esa edad.

Figura 5 Inferencia de CFR e IFR por edad y SES.

A ) Estimaciones de CFR por edad y SES basadas en una simple asignación de casos a grupos de edad. Nuestras estimaciones de CFR han sido validadas por la plataforma oficial ICOVID ( www.icovidchile.cl/ ), que confirmó que 119 de los 136 CFR observados se encuentran dentro de nuestros intervalos de confianza. Los intervalos de confianza se derivan de un procedimiento de arranque descrito en los materiales complementarios. ( B ) IFR inferido por edad y SES utilizando nuestro conjunto de modelos bayesianos jerárquicos, junto con intervalos creíbles asociados. ( C ) Relación IFR entre las categorías de NSE bajo y alto por grupo de edad. Se definieron cuatro categorías socioeconómicas basadas en cuantiles de NSE: bajo, medio-bajo, medio-alto y alto.

Discusión

Para comprender la verdadera carga de COVID-19, es fundamental considerar los factores demográficos y socioeconómicos y sus consecuencias para la respuesta de salud pública. Aquí, analizamos datos de la capital de Chile, una ciudad altamente segregada. Nuestros resultados se alinean con la literatura reciente sobre riesgos de salud desiguales a nivel mundial, que ha puesto de relieve cómo las poblaciones desfavorecidas social y económicamente son más vulnerables a la carga de las epidemias ( 24 , 25 ). La creciente evidencia sugiere que tales diferencias también se han manifestado en el contexto de la pandemia de COVID-19 ( 26 , 27 ). Debido a que las vías que modulan estos resultados diferenciales no se comprenden bien, se necesitan con urgencia cuentas integrales ( 28) para que se puedan planificar estrategias de salud pública más resilientes y socialmente conscientes antes de futuras pandemias. En Chile, estudios recientes han sugerido un vínculo entre el NSE y la efectividad de las intervenciones no farmacéuticas, como los pedidos domiciliarios ( 12 , 13 , 29).). Nuestro trabajo explora aún más este tema al proporcionar una perspectiva holística sobre cómo la interacción entre los factores conductuales, sociales, económicos y de salud pública modula la heterogeneidad observada en la incidencia de infecciones y la mortalidad. Junto con los principales hallazgos, también introdujimos varias innovaciones metodológicas. Nuestro método bayesiano para la inferencia conjunta de IFR y el subregistro es una nueva contribución en este campo. Mostramos que puede no ser necesario tener conjuntos de datos epidemiológicos completos (en este caso, edad) para extraer inferencias válidas siempre que el espacio de solución esté lo suficientemente limitado por antecedentes significativos y una estructura demográfica.

Nuestros resultados muestran un fuerte vínculo entre los factores socioeconómicos y demográficos con los resultados de COVID-19 y la capacidad de prueba de COVID-19 en Santiago. Esta asociación se manifiesta como un ciclo de retroalimentación reforzante, como lo destacan nuestros hallazgos. En primer lugar, nuestro análisis de la movilidad humana indica que los municipios con un NSE más bajo cumplieron menos con las órdenes de quedarse en casa, posiblemente porque las personas de las áreas con un NSE más bajo no pueden trabajar desde casa, lo que las deja con un mayor riesgo de enfermedad. En segundo lugar, nuestros análisis revelaron un subregistro de infecciones en áreas de bajos ingresos al comienzo del brote. Debido a que las medidas de salud pública se tomaron en respuesta a los recuentos de casos nominales, estos lugares estaban mal preparados, con una respuesta de atención médica deficiente que resultó en un mayor recuento de muertes. En tercer lugar, las anomalías en el exceso general de muertes son mayores en áreas de bajo NSE, particularmente en personas menores de 80 años, lo que sugiere que los municipios más vulnerables fueron los más afectados. En cuarto lugar, los análisis de las tasas de positividad de las pruebas, la puntualidad y las pruebas por muerte indican un despliegue insuficiente de recursos para la vigilancia epidemiológica. Las tasas de positividad más altas en los centros de atención médica sugieren la necesidad de realizar más pruebas y detección. Al mismo tiempo, un cambio más lento en los resultados de las pruebas puede conducir a un mayor potencial de transmisión, porque incluso pequeñas demoras entre la aparición de los síntomas, las pruebas y el aislamiento final obstaculizan sustancialmente la capacidad de los sistemas de salud pública para contener la epidemia ( y las pruebas por fallecimiento indican un despliegue insuficiente de recursos para la vigilancia epidemiológica. Las tasas de positividad más altas en los centros de atención médica sugieren la necesidad de realizar más pruebas y detección. Al mismo tiempo, un cambio más lento en los resultados de las pruebas puede conducir a un mayor potencial de transmisión, porque incluso pequeñas demoras entre la aparición de los síntomas, las pruebas y el aislamiento final obstaculizan sustancialmente la capacidad de los sistemas de salud pública para contener la epidemia ( y las pruebas por fallecimiento indican un despliegue insuficiente de recursos para la vigilancia epidemiológica. Las tasas de positividad más altas en los centros de atención médica sugieren la necesidad de realizar más pruebas y detección. Al mismo tiempo, un cambio más lento en los resultados de las pruebas puede conducir a un mayor potencial de transmisión, porque incluso pequeñas demoras entre la aparición de los síntomas, las pruebas y el aislamiento final obstaculizan sustancialmente la capacidad de los sistemas de salud pública para contener la epidemia (30 ). Finalmente, los IFR fueron más altos en los municipios con NSE más bajo, especialmente entre los más jóvenes.

Proponemos dos explicaciones complementarias para la asociación entre IFR y SES. Primero, un IFR más alto puede reflejar un acceso limitado a los servicios de salud durante la pandemia, y la fuerte asociación entre el número de pruebas por muerte y el NSE respalda esta afirmación. También mostramos en los materiales complementarios que las zonas Sur y Oeste (según la división de cobertura de salud) tienen cuatro veces menos camas por cada 10,000 habitantes y una proporción cuatro veces menor de inscritos en el sistema privado de salud que la zona Este, que contiene todos los municipios con un SES de 60 o más. En particular, más del 90% de las muertes atribuidas a COVID-19 en las zonas sur y oeste ocurrieron en lugares distintos a los establecimientos de salud, en comparación con el 55% en la zona este. En segundo lugar, las comunidades más vulnerables pueden experimentar una mayor prevalencia de las comorbilidades (31 ) que se asocian con presentaciones más graves de COVID-19. Las personas en los municipios de bajo NSE tienen más probabilidades de tener sobrepeso y vivir en condiciones de hacinamiento (materiales complementarios), factores que, en última instancia, pueden poner a estas poblaciones en mayor riesgo de enfermedad. La interacción de estas dos explicaciones puede conducir a una gran disparidad entre los diferentes grupos socioeconómicos.

Nuestros hallazgos deben considerarse a la luz de las siguientes limitaciones. Es probable que los datos de movilidad de los teléfonos móviles estén sesgados debido a la propiedad diferencial de teléfonos móviles en diferentes grupos demográficos. Aunque los datos de movilidad de Facebook pueden estar sesgados de esta manera, nuestros resultados son consistentes con otros estudios en Santiago que utilizaron diferentes medidas socioeconómicas y de movimiento [ver ( 12 – 14) y materiales complementarios]. Nuestros métodos dependen de varios supuestos. Las estimaciones de RmMAP retrocalculadas se basan en una elección de la distribución desde la infección hasta la muerte y asumen que las IFR no cambian con el tiempo, y las estimaciones de exceso de mortalidad dependen de la elección de un grano. Nuestras estimaciones de IFR se derivan de un modelo bayesiano complejo y se basan en supuestos relacionados con las tasas de notificación y la distribución por edades de las infecciones. Los análisis de sensibilidad extensos sugieren que nuestros resultados son estables a las desviaciones de estos supuestos (materiales complementarios).

Este estudio destaca las principales consecuencias de las disparidades en la atención médica en una ciudad altamente segregada y proporciona nuevas metodologías que dan cuenta de datos incompletos para estudiar la carga de enfermedades infecciosas y la mortalidad en otros contextos.

Materiales y métodos

Datos

SES

Definimos el índice de nivel socioeconómico (SES) como SES = 100 – SPI, donde SPI es el índice de prioridad social (o “indice de prioridad social” en español) estimado para 2019. El índice SPI varía entre 0 y 100 y se ha informado anualmente desde 1995 por el Ministerio de Desarrollo Social y Familia de Chile. El valor SPI denota la prioridad de cada municipio para los programas sociales del gobierno regional, por lo que los municipios con menor NSE tienen mayor prioridad social. El índice SPI pondera igualmente tres componentes: (i) ingresos y pobreza, (ii) acceso y calidad de la educación, y (iii) factores de salud como el acceso a la atención médica y la esperanza de vida. Para cada componente, los valores están estandarizados en una escala común de 0 a 100,

COVID-19

A fines de enero de 2020, el gobierno chileno determinó que todos los casos sospechosos de COVID-19 deben ser notificados de manera obligatoria e inmediata a la respectiva Unidad de Epidemiología Sanitaria y al Ministerio de Salud, a través del formulario específico en la plataforma EPIVIGILA. Además de los casos sospechosos que se identifican en los establecimientos de salud, el gobierno también implementó un programa de vigilancia activa de pruebas para identificar casos asintomáticos y presintomáticos. Los criterios para la prueba activa son (i) personas que aún no han sido identificadas como confirmadas o sospechosas de COVID-19 o (ii) que viven en áreas vulnerables y (iii) personas que han vivido durante mucho tiempo en instituciones como cárceles, hogares de ancianos, Servicio Nacional de Menores, entre otros. El paciente informa a un médico las fechas de aparición de los síntomas,

El Ministerio de Ciencia, Tecnología, Conocimiento e Innovación de Chile ha hecho posible el acceso a datos agregados recopilados a través de la plataforma EPIVIGILA, que están disponibles en formato de múltiples informes. Estos informes también contienen datos sobre proyecciones de población para 2020, pruebas, positividad y otras métricas utilizadas en el estudio. Uno de los informes rastrea el número de casos en los que los síntomas comenzaron en una semana epidemiológica determinada, para cada municipio. Dado que se publican dos veces por semana (normalmente los lunes y viernes), pudimos analizar el historial de dichos informes para estimar los retrasos. Por tanto, la puntualidad se define como la probabilidad de que se produzca un retraso retrospectivo inferior a 7 días, según los informes del lunes. Se pueden encontrar más detalles en los materiales complementarios.

Mortalidad

El Sistema de Estadísticas Vitales en Chile es continuo, obligatorio y centralizado. Está integrado por el Servicio de Identificación y Registro Civil (CRIS), el Instituto Nacional de Estadística y el Ministerio de Salud a través del Departamento de Estadísticas e Información en Salud (DHSI). Cuando una persona muere, el CRIS genera un certificado médico de defunción y lo distribuye a las instituciones de salud. La base de datos de mortalidad se construye con los certificados de defunción, los cuales son sometidos a un riguroso proceso de validación, para garantizar la confiabilidad y validez de la información. El DHSI estandariza los términos clínicos en el formato de la Clasificación Estadística Internacional de Enfermedades (ICD-10). Desde marzo de 2020, el DHSI ha implementado las recomendaciones de la Organización Mundial de la Salud para codificar las muertes resultantes de COVID-19. En este estudio, Las muertes confirmadas por COVID-19 corresponden a muertes para las cuales el virus ha sido identificado con una prueba de PCR positiva y se han codificado como U07.1. De manera similar, las muertes por COVID-19 atribuidas corresponden a muertes confirmadas y muertes en las que el virus no se identificó pero fueron diagnosticadas clínicamente como un caso probable o sospechoso de COVID-19 y se codificaron como U07.2.

Movimiento humano

Data for Good de Facebook ha brindado acceso a su portal Geoinsights en respuesta a la crisis del COVID-19, desde donde es posible obtener datos agregados de sus usuarios ( 32 ). Estos conjuntos de datos son anónimos y contienen la información de los usuarios de Facebook que tienen un teléfono inteligente con servicios de ubicación habilitados. El vector de movimiento del mosaico i al j (con i ≠ j ) en el momento t se define como la transición desde la ubicación modal i en el intervalo de 8 horas anterior a la ubicación modal j en el intervalo de 8 horas actual. Facebook también proporciona un valor de referencia, definido como el número medio de usuarios que pasan del mosaico i alj en un día de la semana y una hora determinados durante un período de referencia. El período de referencia corresponde a los 45 días anteriores al inicio de los datos de movimiento para esa ubicación en particular (para Chile, la recopilación de datos se inició el 25 de marzo de 2020). Con este conjunto de datos, calculamos el cambio porcentual en comparación con la línea de base para cada transición i a j en un período de 8 horas dado y luego estimamos el cambio porcentual promedio para cada municipio y semana epidemiológica. Solo usamos la ubicación inicial (municipio) para la estimación del cambio porcentual promedio. El tamaño del lado de la loseta es de aproximadamente 2,4 km.

Modelos

Inferencia de infecciones por SARS-CoV-2 con RmMAP

Nuestro objetivo es estimar el número de personas infectadas a lo largo del tiempo. IsIs dada una serie de muertes observadas atribuidas a COVID-19 DtDty una distribución conocida T desde el inicio hasta la muerte . Usamos un modelo de deconvolución de Poisson para las muertes dadas I y T :Dt∣∣TI∼ Ps o (sTsIs)Dt|T,I∼PAGoIssonorte∑sTt-sIs(1)dónde TsPT)Ts=PAGT=ses la probabilidad de que el tiempo desde el inicio hasta la muerte sea igual a s días. Estimaciones de I maximizando la ecuación. 1 se puede obtener con un algoritmo de maximización de expectativas ( 6 , 33 – 35 ), pero el resultado suele ser inestable ( 36 ). RmMAP supera este problema agregando una penalización cuadrática al log-verosimilitud. Las iteraciones de RmMAP escriben como

Iˆw=1λλId——–√– 1I^nortemiw=14λ1+8λIolD-1(2)

Iws=Iˆws1tT– stDtT– ssTsIˆwsIsnortemiw=I^snortemiw1∑tTt-s∑tDtTt-s∑s′Tt-s′I^s′nortemiw

(3)

Escalando la serie final IwInortemiwpor la IFR inversa, obtenemos los valores inferidos de los individuos infectados a lo largo del tiempo. En los materiales complementarios se presenta una discusión detallada de este método junto con un análisis de sensibilidad y una comparación con la metodología existente.

Estimación del exceso de muertes

Usamos la regresión de procesos gaussianos (GP) ( 17 ) para estimar el exceso de muertes para 2020. Los GP pueden entenderse como una regresión bayesiana de dimensión infinita: en el caso de dimensión finita, uno encajayI=IwIXI+ϵIyI=∑IwIXI+ϵI, dónde ϵIϵI son errores distribuidos idénticamente independientes de Gauss, XIXI son covariables, y wIwI son coeficientes muestreados de una ( w )pagw. Asimismo, con los médicos de cabecera encajamosyIf(XI) +ϵIyI=FXI+ϵIdonde f es una función muestreada de una función over anterior( f)pagF. Los médicos de cabecera son atractivos porque el nivel de complejidad se ajusta automáticamente por la complejidad de los datos y porque son computacionalmente manejables.

Los priores sobre f se especifican a través de un kernel K , que codifica la estructura correlacional de los datos para queK‘ )KX,X′ es simplemente la covarianza «previa» entre F( x )FX y F( x ‘ )FX′K depende de un número finito de incógnitas θ (entoncesK=KθK=Kθ) que también deben inferirse.

Utilizamos un médico de cabecera para tener en cuenta tanto las tendencias a largo plazo de la mortalidad como la estacionalidad. Como en ( 17 ), consideramos núcleos de la formaKθ=K1θ+K2θKθ=Kθ1+Kθ2(4)dónde K1θKθ1 es un núcleo exponencial que representa la variación a largo plazo y está dado porK1θ,X) =θ21exp X)22θ22)Kθ1X,X′=θ12Exp-(X-X′)22θ22(5)K2θKθ2 es un núcleo exponencial de veces periódico que representa la variación estacional

K2θ,X) =θ23exp X)22θ242pecado2( πX) )θ25)Kθ2X,X′=θ32Exp-(X-X′)22θ42-2pecado2πX-X′θ52(6)

Consideramos una fuente adicional de aleatoriedad no estructurada a través del término ϵI∼ N,σ2)ϵI∼norte0,σ2. Realizamos inferencia bayesiana (cadena de Markov Monte Carlo) sobre los parámetros de distribución conjuntaθ ,σ2)θ,σ2y recuentos de muertes para cada período del año 2020, basados ​​en datos de mortalidad por todas las causas de 2000–2019 y antecedentes adecuados para los parámetros. En los materiales complementarios, comentamos aspectos más específicos y proporcionamos una amplia evaluación de nuestro modelo.

IFR

Implementamos un modelo conjunto bayesiano jerárquico para informar las tasas (y, por lo tanto, IFR) por grupo de edad ( a tomando valores de 0 a 40, 40 a 60, 60 a 80 y 80 +) y municipio m , colapsando sobre la dimensión temporal. Inferimos el número de individuos infectados (y, por lo tanto, IFR) en función de los casos C notificados , las tasas de positividad a lo largo del tiempo ( t , mes), el municipio y las muertes D atribuidas a COVID-19 . El principal atractivo de este marco es que, aunque la mayoría de los componentes no son identificables (p. Ej., Si se desconocen las tasas de notificación y los casos reales, se puede lograr el mismo recuento de casos observados multiplicando ambos por el mismo factor) ( 37), podemos tomar prestado de cantidades más conocidas (por ejemplo, estimaciones aproximadas de prevalencia, informes, etc.) para mejorar la identificación mientras propagamos los niveles apropiados de incertidumbre sobre los parámetros.

Específicamente, la tasa de informes rtrmetro,t enlaces a las tasas de positividad observadas ostpagosmetro,t (en escala logarítmica) mediante una relación logístico-lineal (con parámetros β), y hemos incluido efectos aleatorios ϵtϵmetro,t para representar causas no observadas de notificación:

g(rt) =β0+β1× ost+ϵtlogramoItrmetro,t=β0+β1×pagosmetro,t+ϵmetro,t(7)

Total de infecciones por municipio y edad IaImetro,a son una fracción pagmetropagmetro de la población total PAGaPAGmetro,a, es decir

Ia∼ (PAGa,pagmetro)Imetro,a∼BInorteometroIalPAGmetro,a,pagmetro(8)

Una suposición implícita en la ecuación. 8 es la existencia de una proporción subyacente específica del municipio infectadapagmetropagmetro de modo que en cada grupo de edad, el número de personas infectadas es (en promedio) pagmetro×PAGapagmetro×PAGmetro,a. También asumimos la siguiente relación parapagmetropagmetro:og(pagmetro) =pag0+μmetrologramoItpagmetro=pag0+μmetro(9)dónde pag0pag0 representa una línea de base de la proporción de infectados y μmetroμmetro es un efecto aleatorio específico del municipio.

Usamos parámetros γt∈ ]γmetro,t∈0,1 para representar la propagación temporal de infecciones; tγt1∑tγmetro,t=1 así que eso It=γtIaImetro,a,t=γmetro,tImetro,a. Las infecciones, los casos, las muertes atribuidas y el tamaño de la población estratificada por edad están vinculados a través de una cascada de modelos binomiales. Relacionamos infecciones, casos y tasas de notificación a través de

Ct∼ (It,rt)Cmetro,t∼BInorteometroIalImetro,t,rmetro,t(10)

Tasas de mortalidad por infecciones IFRaIFRmetro,a se relacionan con infecciones y muertes a través de otro modelo binomialDa∼ (IaIFRa)Dmetro,a∼BInorteometroIalImetro,a,IFRmetro,a(11)donde los IFRs siguen una relación lineal-logística estratificada con SES y edad mediada por parámetros α, η, δ:

gyo yoFRa) =α0(α1+ηa) ×SmiSmetro+δalogramoItIFRmetro,a=α0+α1+ηa×SmiSmetro+δa(12)

Una explicación completa de esta metodología bayesiana jerárquica, que incluye una discusión de sus supuestos y varios análisis de sensibilidad, aparece en los materiales complementarios.

Materiales complementarios

science.sciencemag.org/content/372/6545/eabg5298/suppl/DC1

Materiales y métodos

Texto complementario

Higos. S1 a S59

Tablas S1 a S4

Referencias ( 44 – 62 )

Lista de verificación de reproducibilidad de MDAR

https://creativecommons.org/licenses/by/4.0/

Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution , que permite el uso, distribución y reproducción sin restricciones en cualquier medio, siempre que el trabajo original se cite correctamente.

referencias y notas

Agradecimientos: Agradecemos a M. Lipsitch, O. Stoner, N. Link, P. Vargas, J. Pérez y A. Silva por sus valiosos comentarios. Agradecemos a la Sociedad Chilena de Medicina Intensiva (SOCHIMI) y a la Facultad de Medicina de la Universidad Finis Terrae (Chile) por posibilitar la obtención de los datos de defunciones registradas en los establecimientos de salud. Contribuciones de los autores: GEM y PPM diseñaron el estudio, realizaron los análisis y redactaron el manuscrito. ASM y PAM ayudaron con el análisis y la conceptualización. COB y MS diseñaron y supervisaron el estudio. Todos los autores editaron el manuscrito. Conflictos de intereses: los autores declaran no tener conflictos de intereses. Disponibilidad de datos y materiales:Financiamiento: GEM fue parcialmente financiado por una beca de la Iniciativa de Ciencia de Datos de Harvard y PPM por una subvención del Instituto Nacional de Ciencias Médicas Generales (U54GM088558). COB fue apoyado por un premio de futuros Schmidt y MS por una subvención del Instituto Nacional de Ciencias Médicas Generales (R01GM130668). El contenido es responsabilidad exclusiva de los autores y no necesariamente representa las opiniones oficiales de los Institutos Nacionales de Salud. datos del SES están disponibles en https://dataforgood.fb.comwww.desarrollosocialyfamilia.gob.cl/documentos/metropolitana . Los datos de COVID-19 están disponibles en https://github.com/MinCiencia/Datos-COVID19 en formato de informes múltiples. Los datos de mortalidad están disponibles en https://deis.minsal.cl . Los datos de movilidad están disponibles a pedido en . Todos los códigos y datos para reproducir las figuras en el texto principal están disponibles en Zenodo ( 43 ). Este trabajo está autorizado bajo una licencia Creative Commons Attribution 4.0 International (CC BY 4.0), que permite el uso, distribución y reproducción sin restricciones en cualquier medio, siempre que el trabajo original se cite correctamente. Para ver una copia de esta licencia, visite https://creativecommons.org/licenses/by/4.0/. Esta licencia no se aplica a figuras / fotografías / obras de arte u otro contenido incluido en el artículo que se acredite a un tercero; obtener la autorización del titular de los derechos antes de utilizar dicho material.

About The Author