COVID-19 en México
Moisés Ortiz Hernández, Castro Campos Alba Gabriela y Josué Flores Olvera
INTRODUCCIÓN
La pandemia de COVID-19 causada por el virus SARS-CoV-2 ha tenido un impacto sin precedentes en la salud pública en todo el mundo desde su brote a finales de 2019. Esta enfermedad respiratoria ha provocado millones de hospitalizaciones y muertes graves en todo el mundo. Ha transformado la vida cotidiana y las economías en muchos países (Organización Mundial de la Salud, 2021). Comprender los patrones de contagio y las características clínicas de la COVID-19 es importante para reducir su impacto y mejorar las respuestas de salud pública a futuras emergencias epidemiológicas.
A nivel mundial, la COVID-19 ha destacado la importancia de contar con sistemas de salud resilientes capaces de responder a emergencias de salud pública. Las diferencias en las respuestas de los países a la pandemia resaltan diferencias en su capacidad para prepararse y responder a las crisis sanitarias (Centros para el Control y la Prevención de Enfermedades, 2020). En México, el análisis de los casos de COVID-19 de 2020 tiene como objetivo evaluar la efectividad de las estrategias implementadas y comprender la dinámica de esta enfermedad en un entorno específico con características sociodemográficas y de salud únicas.
La investigación de la infección por el nuevo coronavirus de 2020 en México es una oportunidad única para identificar patrones epidemiológicos, evaluar la efectividad de las medidas de salud y comprender mejor los factores que influyeron en la gravedad y el resultado de la enfermedad. Los datos proporcionados por la Dirección General de Epidemiología a través de pruebas PCR en tiempo real son una fuente valiosa para realizar este análisis detallado (Gobierno de México, 2020). Estos datos incluyen información sobre la fecha de registro del paciente, lugar de residencia, resultados de pruebas y detalles clínicos, que son esenciales para un análisis completo.
Analizar estos datos ahora es esencial para desarrollar estrategias de prevención y control más efectivas. La información histórica permite realizar comparaciones entre períodos y proporciona información sobre la evolución de la pandemia y la respuesta del sistema de salud de México. Este análisis puede proporcionar información valiosa para otros países con características similares en términos de infraestructura de salud y demografía.
El objetivo general de este estudio es analizar los casos de COVID-19 reportados en México en 2020 utilizando el conjunto de datos proporcionado por la Dirección General de Epidemiología. Los objetivos específicos incluyen identificar patrones de distribución temporal y estatal de los casos, evaluar la asociación de factores clínicos y demográficos con los resultados de salud (p. ej., hospitalización, defunciones, grupos de riesgo) y determinar el impacto de las comorbilidades.
ANÁLISIS Y RESULTADOS
Entorno de trabajo
# Paquetes en R
library(ggplot2)
library(tidyr)
library(dplyr)
library(kableExtra)
library(DT)
library(htmlwidgets)
library(stats)
library(rlang)
library(lubridate)
library(treemap)
library(paletteer)
library(rmarkdown)
library(knitr)
library(ggthemes)
# Paletas de color
c1_disc <- paletteer_d("ggsci::orange_material")
c2_disc <- paletteer_d("ggthemes::excel_Yellow")
c3_dyn <- paletteer_dynamic("cartography::orange.pal", 20)
c4_disc <- paletteer_d("tvthemes::Stannis")covidData <- read.csv("./mexico_covid19.csv/mexico_covid191.csv", header = T, fileEncoding = "UTF-8")
datatable(as.data.frame(colnames(covidData)), options = list(pageLength = 5))Nota: la temporalidad de los datos abarca desde enero de 2020 a principios de junio de 2020, por lo que los datos del resto del año no están disponibles.
Limpieza de datos
# Seleccionar las variables
nombres <- colnames(covidData)
vars <- nombres[c(1,5, 6, 8,
9, 14, 17, 18,
20:31, 33:37)]
covidSelected <- covidData %>%
select(all_of(vars))
# Conocer tipo de datos
str(covidSelected)## 'data.frame': 263007 obs. of 25 variables:
## $ id : int 9269 33333 35483 7062 23745 5019 30173 26574 4265 25444 ...
## $ ENTIDAD_RES : int 25 14 8 15 9 19 17 27 19 15 ...
## $ RESULTADO : int 2 2 1 1 2 2 2 2 2 2 ...
## $ ENTIDAD_REGISTRO : int 25 14 8 9 9 19 17 27 19 15 ...
## $ ENTIDAD : chr "Sinaloa" "Jalisco" "Chihuahua" "Ciudad de Mexico" ...
## $ SEXO : int 2 1 2 1 1 2 1 2 1 2 ...
## $ TIPO_PACIENTE : int 1 2 2 1 1 1 1 1 1 1 ...
## $ FECHA_INGRESO : chr "3/20/2020" "3/30/2020" "4/2/2020" "4/1/2020" ...
## $ FECHA_DEF : chr "9999-99-99" "9999-99-99" "9999-99-99" "9999-99-99" ...
## $ INTUBADO : int 97 2 2 97 97 97 97 97 97 97 ...
## $ NEUMONIA : int 2 2 1 2 2 2 2 2 2 2 ...
## $ EDAD : int 74 71 50 25 28 67 44 62 30 30 ...
## $ NACIONALIDAD : int 1 1 1 1 1 1 1 1 1 1 ...
## $ EMBARAZO : int 97 2 97 2 2 97 2 97 2 97 ...
## $ HABLA_LENGUA_INDIG: int 2 2 2 2 2 2 2 2 2 2 ...
## $ DIABETES : int 1 1 2 2 2 2 2 2 2 2 ...
## $ EPOC : int 2 1 2 2 2 2 2 2 2 2 ...
## $ ASMA : int 2 2 2 2 2 2 2 2 2 2 ...
## $ INMUSUPR : int 2 2 2 2 2 2 1 2 2 2 ...
## $ HIPERTENSION : int 1 1 2 2 2 1 2 2 2 2 ...
## $ CARDIOVASCULAR : int 2 2 2 2 2 2 2 2 2 2 ...
## $ OBESIDAD : int 1 1 2 1 2 1 1 1 2 2 ...
## $ RENAL_CRONICA : int 2 2 2 2 2 2 2 2 2 2 ...
## $ TABAQUISMO : int 2 1 2 2 2 1 1 2 2 2 ...
## $ OTRO_CASO : int 2 99 99 99 99 99 99 1 99 2 ...## id ENTIDAD_RES RESULTADO ENTIDAD_REGISTRO
## "No hay NAs" "No hay NAs" "No hay NAs" "No hay NAs"
## ENTIDAD SEXO TIPO_PACIENTE FECHA_INGRESO
## "No hay NAs" "No hay NAs" "No hay NAs" "No hay NAs"
## FECHA_DEF INTUBADO NEUMONIA EDAD
## "No hay NAs" "No hay NAs" "No hay NAs" "No hay NAs"
## NACIONALIDAD EMBARAZO HABLA_LENGUA_INDIG DIABETES
## "No hay NAs" "No hay NAs" "No hay NAs" "No hay NAs"
## EPOC ASMA INMUSUPR HIPERTENSION
## "No hay NAs" "No hay NAs" "No hay NAs" "No hay NAs"
## CARDIOVASCULAR OBESIDAD RENAL_CRONICA TABAQUISMO
## "No hay NAs" "No hay NAs" "No hay NAs" "No hay NAs"
## OTRO_CASO
## "No hay NAs"## Cambio de tipo de datos
# Convertir las columnas a factores
vars1 <- vars[-1]
covidSFactor <- covidSelected %>%
mutate(SEXO = ifelse(SEXO == 1, "M", "H"),
TIPO_PACIENTE = ifelse(TIPO_PACIENTE == 1, "AMB", "HOSP"),
NACIONALIDAD = ifelse( NACIONALIDAD == 1, "MEX", "EXT"),
FECHA_DEF = ifelse(FECHA_DEF == "9999-99-99", "Vivo", "Finado")) %>%
mutate(across(all_of(vars1), as.factor))## Eliminar NAS
ifelse(colSums(is.na(covidSelected)) > 0, "NAs", "No hay NAs")
## Cambio de tipo de datos
# Convertir todas las columnas a factores excepto la columna "id"
# Seleccionar todas las columnas excepto "id"
covidSelected_no_id <- covidSelected[setdiff(names(covidSelected), "id")]
# Convertir las columnas numéricas a factores
covidSFactor <- lapply(covidSelected_no_id, function(x) {
if (is.numeric(x)) {
return(as.factor(x))
} else {
return(x)
}
})
# Convertir la lista resultante en un dataframe
covidSFactor <- as.data.frame(covidSFactor)
# Verificar el resultado
str(covidSFactor)Análisis y resultados
Población y defunciones
# Muestra
ppl <- length(covidSelected$id)
deaths <- sum(covidSFactor$FECHA_DEF == "Finado") # Defunciones
mortality <- round((deaths * 100)/ppl,2)
tabla_sexos <- covidSFactor %>%
count(SEXO) %>%
group_by(SEXO) %>%
mutate("Porcentaje" = round((n*100)/ppl))
## MORTALIDAD
tabla_muertes <- covidSFactor %>%
count(FECHA_DEF, SEXO, RESULTADO)%>%
filter(FECHA_DEF == "Finado") %>%
group_by(FECHA_DEF, SEXO, RESULTADO) %>%
mutate("Porcentaje" = round((n*100)/deaths,2))
kable(tabla_muertes,
caption = "Tabla 1. Mortalidad por sexo y resultado de prueba COVID-19. 1 = positiva, 2 = negativa")%>%
row_spec(0, background = "#F18200", color = "white")| FECHA_DEF | SEXO | RESULTADO | n | Porcentaje |
|---|---|---|---|---|
| Finado | H | 1 | 2074 | 45.66 |
| Finado | H | 2 | 862 | 18.98 |
| Finado | M | 1 | 1030 | 22.68 |
| Finado | M | 2 | 576 | 12.68 |
tabla_muertes %>%
ggplot(aes(x = SEXO, y = Porcentaje, fill = RESULTADO))+
geom_bar(stat = "identity", position = "dodge", width = 0.7)+
geom_text(aes(label = round(Porcentaje, 2)), position = position_dodge(width = 0.7), vjust = -0.5) +
labs(title = "Defunciones por sexo y resultado de prueba COVID-19") +
theme(legend.position = "bottom") +
scale_fill_manual(values = c("1" = "#B41500",
"2" = "#F49800")) 
El dataset contiene un total de 263007 individuos de los cuales 4542 ( 1.73 % ) fallecieron en un periodo entre enero y junio del 2020. Del total de individuos, 128694 (49%) son mujeres (M) y 134313 (51%) son hombres (H). Del total de defunciones, el 45.66% son hombres y el 22.68% son mujeres positvos a la COVID-19.
Porcentaje detallado de personas por categorías relevantes
Como categorías relevantes se tomaron: SEXO, RESULTADO, TIPO_PACIENTE, FECHA_DEF(Defunción).
## ESTRUCTURA DE LA POBLACIóN
tabla_detallada <- covidSFactor %>%
count(SEXO, RESULTADO, TIPO_PACIENTE, FECHA_DEF) %>%
group_by(SEXO, RESULTADO, TIPO_PACIENTE, FECHA_DEF) %>%
mutate("Porcentaje" = round((n*100)/ppl, 2))
datatable(tabla_detallada,
caption = "Tabla 2. Detalles de las personas por sexo y resultado de prueba COVID-19. 1 = positiva, 2 = negativa. AMB = Ambulatorio, HOSP = Hospitalización",
, options = list(pageLength = 6, scrollX = TRUE))tabla_detallada %>%
ggplot(aes(x = SEXO, y = Porcentaje, fill = RESULTADO))+
geom_bar(stat = "identity", position = "dodge", width = 0.7)+
geom_text(aes(label = round(Porcentaje, 2)), position = position_dodge(width = 0.7), vjust = -0.25)+
labs(title = "Porcentaje de personas por sexo y resultado de prueba COVID-19", subtitle = "Pacientes con tratamiento Ambulatorio u Hospitalización + Defunción")+
scale_fill_manual(values = c("1" = "#B41500",
"2" = "#F49800")) +
theme(legend.position = "bottom") +
facet_wrap(~ FECHA_DEF + TIPO_PACIENTE, scales = "free_y")
Solo alrededor del 0.02% de los hombres con resultado positivo y el 0.02% de los hombres con resultado negativo que recibieron atención ambulatoria fallecieron. Mientras tanto, aproximadamente el 0.72% de los hombres con resultado positivo y el 0.3% de los hombres con resultado negativo que fueron hospitalizados lamentablemente fallecieron.
Para las mujeres, aunque las tasas de mortalidad son menores en general, siguen un patrón similar. Para las mujeres con resultado positivo, el 12.1% de los casos ambulatorios vivos y el 4.5% de los casos hospitalizados vivos. Sin embargo, solo alrededor del 0.03% de las mujeres con resultado positivo y el 0.36% de las mujeres con resultado negativo que recibieron atención ambulatoria fallecieron. Mientras tanto, aproximadamente el 0.2% de las mujeres con resultado positivo y el 0.36% de las mujeres con resultado negativo que fueron hospitalizadas fallecieron.
Número de ingresos pacientes COVID-19 por mes
# FECHA_INGRESO
covidSFactor <- covidSFactor %>%
mutate(FECHA_INGRESO = as.Date(FECHA_INGRESO, format = "%m/%d/%Y"))
# Ingresos
covidSFactor <- covidSFactor %>%
mutate(MES_INGRESO = floor_date(FECHA_INGRESO, "month"))
ingresosPorMes <- covidSFactor %>%
group_by(MES_INGRESO, TIPO_PACIENTE) %>%
summarize(NUM_INGRESOS = n()) %>%
mutate(MES_INGRESO = as.factor(MES_INGRESO))
# Graficar el número de ingresos por mes
ggplot(ingresosPorMes, aes(x = MES_INGRESO, y = NUM_INGRESOS, fill = TIPO_PACIENTE, group = TIPO_PACIENTE, color = TIPO_PACIENTE)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.9), alpha = 0.7) +
geom_line(aes(group = TIPO_PACIENTE, color = TIPO_PACIENTE), linewidth = 0.7, position = position_dodge(width = 0.9)) +
geom_point(aes(color = TIPO_PACIENTE), size = 2, position = position_dodge(width = 0.9)) +
labs(title = "Número de ingresos por mes",
subtitle = "Pacientes con tratamiento ambulatorio u hospitalización",
x = "Mes de ingreso",
y = "Número de ingresos") +
theme(legend.position = "bottom") +
theme(legend.position = "bottom") +
scale_fill_manual(values = c4_disc)+
scale_color_manual(values = c4_disc)
En enero de 2020, se observa una cantidad baja de ingresos y
relativamente equilibrada entre pacientes ambulatorios y hospitalizados,
con 500 y 532 ingresos respectivamente. Sin embargo, en los meses
siguientes, se observa un aumento significativo en la cantidad de
ingresos ambulatorios, especialmente en abril y mayo, con 55,706 y
128,433 ingresos respectivamente. Es importante recordar la temporalidad
de los datos, ya que estos abarcan hasta los primeros días de junio del
2020, por lo que no significa que los casos hayan disminuido.
Estados con mayor número de casos positivos
# Estados con mayor número de casos positivos
pplPositivaCovid <- length(covidSFactor$RESULTADO[ covidSFactor$RESULTADO == 1])
edosMasCasos <- covidSFactor %>%
filter(RESULTADO == 1) %>%
group_by(ENTIDAD) %>%
count(ENTIDAD) %>%
ungroup()%>%
mutate("Porcentaje" = round((n*100)/pplPositivaCovid, 2)) %>%
arrange(desc(Porcentaje)) %>%
mutate(PuestoNacional = rank(desc(Porcentaje)))
ochoEdosmas <- edosMasCasos %>%
filter(PuestoNacional < 9) %>%
select(ENTIDAD) %>%
pull()
ochoEdosmas <- factor(ochoEdosmas, levels = ochoEdosmas)
datatable(edosMasCasos,
caption = "Tabla 3. Estados con mayor número de casos positivos de la COVID-19",
, options = list(pageLength = 6, scrollX = TRUE))edosMasCasosSex <- covidSFactor %>%
filter(ENTIDAD %in% ochoEdosmas) %>%
filter(RESULTADO == 1) %>%
group_by(ENTIDAD, SEXO, TIPO_PACIENTE) %>%
count(ENTIDAD) %>%
ungroup()%>%
mutate("Porcentaje" = round((n*100)/pplPositivaCovid, 2))
treemap(edosMasCasosSex,
title = "Estados con mayor número de casos positivos",
c("ENTIDAD", "SEXO", "TIPO_PACIENTE"),
"Porcentaje",
vColor = "ENTIDAD",
type="categorical",
palette = c(c4_disc[1:6], c3_dyn[c(10,17)]),
border.col=c("black","gray50", "gray90"),
border.lwds=c(7,4,2),
align.labels = c("center", "center"),
position.legend = "bottom")
Los datos presentados muestran la distribución de casos de COVID-19 por entidad federativa en México. Ciudad de México lidera en cantidad de casos, representando alrededor del 27% del total nacional. Le sigue el Estado de México, con aproximadamente el 16.1% de los casos. Baja California, Tabasco y Veracruz ocupan los siguientes lugares en cantidad de casos. Estas cifras ofrecen una visión clara de la distribución geográfica de la enfermedad en el país, lo que puede ser fundamental para la implementación de estrategias de salud pública y asignación de recursos en las diferentes regiones.
Problemas de salud y hospitalización por COVID-19
Defunciones de personas con problemas respiratorios
## Defunciones de personas con problemas respiratorios
probResp <- covidSFactor %>%
select(NEUMONIA, INTUBADO, ASMA, EPOC, TABAQUISMO) %>%
names()
enfRespFinadosList <- list()
for (i in probResp) {
enfRespFinados <- covidSFactor %>%
count(FECHA_DEF, SEXO, !!sym(i)) %>%
filter(FECHA_DEF == "Finado") %>%
pivot_longer(cols = !!sym(i),
names_to = "Enfermedad",
values_to = "Valor")
enfRespFinadosList[[i]] <- enfRespFinados
}
enfRespFinadosCombined <- bind_rows(enfRespFinadosList)
enfRespFinados <- enfRespFinadosCombined %>%
filter(Valor %in% "1") %>%
mutate("Porcentaje" = round((n*100)/deaths, 2))
datatable(enfRespFinados,
caption = "Tabla 3. Defunciones por COVID-19 asociado a problemas respiratorios. 1 = Presenta la condición, 2 = No la presenta, 97 = No aplica"
, options = list(pageLength = 5, scrollX = TRUE))treemap(enfRespFinados,
title = "Defunciones por COVID-19 asociado a problemas respiratorios",
c("Enfermedad", "SEXO"),
"Porcentaje",
vColor = "Enfermedad",
type="categorical",
palette = c(c4_disc[1:3], c1_disc[c(6,10)]),
align.labels = c("center", "center"),
position.legend = "bottom")
Se observa que la neumonía es la causa más común de fallecimiento en
ambos sexos, representando el 45.9% de los casos en hombres y el 25.3%
en mujeres. Le sigue la categoría de “intubado”, con un 13.2% de los
casos en hombres y un 6.36% en mujeres. También se destacan otros
factores como el asma, la EPOC y el tabaquismo, aunque en menor
proporción en comparación con la neumonía e intubación. Estos datos
subrayan la importancia de la neumonía como una complicación grave de la
infección por COVID-19 y pueden guiar la asignación de recursos y la
atención médica adecuada para abordar estas condiciones en la población
afectada.
Riesgo de hospitalización asociado a enfermedades
# Realizar la prueba de chi-cuadrado para cada combinación de variables
resultado_chi <- chisq.test(table(covidSFactor$RESULTADO, covidSFactor$SEXO))
tipo_paciente_chi <- chisq.test(table(covidSFactor$RESULTADO, covidSFactor$TIPO_PACIENTE))
varsChi <- c("DIABETES", "HIPERTENSION", "NEUMONIA", "EPOC", "TABAQUISMO", "OBESIDAD")
covidSFactor_ChiSq <- covidSFactor %>%
filter(if_all(all_of(varsChi), ~ . %in% c(1,2))) %>%
mutate(across(all_of(varsChi), ~ factor(., levels = c(1, 2))))
tablaEnferm_chi <- lapply(covidSFactor_ChiSq[, c("SEXO" ,"DIABETES", "HIPERTENSION", "NEUMONIA", "EPOC", "TABAQUISMO", "OBESIDAD")], function(enfermedad) {
table(covidSFactor_ChiSq$TIPO_PACIENTE, enfermedad)
})
enferm_chisq <- lapply(covidSFactor_ChiSq[, c( "SEXO","DIABETES", "HIPERTENSION", "NEUMONIA", "EPOC", "TABAQUISMO", "OBESIDAD")], function(enfermedad) {
chisq.test(table(covidSFactor_ChiSq$TIPO_PACIENTE, enfermedad))
})
# Mostrar los resultados
chi_results <- sapply(enferm_chisq, function(test) {
c(X_squared = test$statistic, p_value = test$p.value)
})
datatable(chi_df <- as.data.frame(t(chi_results))
)for (i in c("SEXO", varsChi)) {
cat("Residuos para", i, ":\n")
print(enferm_chisq[[i]]$residuals)
cat("\n")
}## Residuos para SEXO :
## enfermedad
## H M
## AMB -17.58369 17.93986
## HOSP 31.72552 -32.36815
##
## Residuos para DIABETES :
## enfermedad
## 1 2
## AMB -60.09009 23.16831
## HOSP 108.41807 -41.80163
##
## Residuos para HIPERTENSION :
## enfermedad
## 1 2
## AMB -52.02952 23.42505
## HOSP 93.87473 -42.26486
##
## Residuos para NEUMONIA :
## enfermedad
## 1 2
## AMB -145.17775 63.62116
## HOSP 261.93823 -114.78904
##
## Residuos para EPOC :
## enfermedad
## 1 2
## AMB -32.162223 4.561891
## HOSP 58.028976 -8.230832
##
## Residuos para TABAQUISMO :
## enfermedad
## 1 2
## AMB -2.6405231 0.8323467
## HOSP 4.7641871 -1.5017689
##
## Residuos para OBESIDAD :
## enfermedad
## 1 2
## AMB -13.335569 5.962767
## HOSP 24.060819 -10.758375Sexo. EL resultado de esta prueba muestra que existe una asociación respecto al sexo y ciertas enfermedades de riesgo. Los hombres con COVID-19 tienden a requerir hospitalización con más frecuencia que las mujeres, quienes, en comparación, tienen más probabilidades de ser tratadas ambulatoriamente. Esto podría sugerir que los hombres están desarrollando síntomas más graves que requieren hospitalización con mayor frecuencia.
Enfermedades respiratorias y cardiovasculares. Las personas con diabetes tienen una mayor probabilidad de ser hospitalizadas cuando contraen COVID-19. Esto indica que la diabetes puede ser un factor de riesgo significativo para el desarrollo de complicaciones graves del COVID-19. Similar a la diabetes, la hipertensión parece ser un factor de riesgo que aumenta la probabilidad de hospitalización en pacientes con COVID-19. La presencia de neumonía en pacientes con COVID-19 está fuertemente asociada con la hospitalización. La EPOC es otro factor de riesgo significativo indicando una mayor susceptibilidad a complicaciones graves. Aunque los residuos son más pequeños comparados con otras condiciones, el tabaquismo aún muestra una tendencia similar, sugiriendo que los fumadores tienen una mayor probabilidad de ser hospitalizados con COVID-19. En el caso de los pacientes con obesidad pueden tener más complicaciones graves que requieren atención hospitalaria.
DISCUSIÓN
Los resultados obtenidos revelan importantes hallazgos en relación con la distribución de casos y las asociaciones entre variables en el contexto de la pandemia de COVID-19. Estos resultados sugieren que ciertas condiciones médicas preexistentes (enfermedades respiratorias y cardiovasculares) están asociadas con una mayor probabilidad de hospitalización en pacientes con COVID-19.
Además, al examinar la distribución de casos por entidad federativa, se observa una variabilidad significativa en la prevalencia de la enfermedad a lo largo del país. Esto refleja la naturaleza heterogénea de la pandemia, con áreas urbanas densamente pobladas, como la Ciudad de México y el Estado de México, experimentando una carga desproporcionadamente alta de casos, lo que podría atribuirse a factores como la densidad de población y la movilidad de las personas.
En cuanto a la temporalidad de los ingresos hospitalarios, se evidencia un aumento progresivo en el número de casos desde marzo hasta mayo, seguido de una disminución gradual en los meses siguientes. Esta tendencia refleja la evolución de la pandemia en México, con una fase inicial de propagación acelerada del virus, seguida de una estabilización y eventual disminución de los casos a medida que se implementaron medidas de mitigación y se fortaleció la capacidad de detección y respuesta.
Al considerar la asociación entre el resultado de la prueba de COVID-19 y variables como el sexo y la presencia de enfermedades preexistentes, se observan patrones que tienen implicaciones importantes para la salud pública. Por ejemplo, se destaca una mayor proporción de hombres fallecidos en comparación con las mujeres, lo cual concuerda con investigaciones que han identificado al sexo masculino como un factor de riesgo para la mortalidad por COVID-19.
Además, se evidencia la influencia significativa de enfermedades crónicas como la diabetes, la hipertensión y la neumonía en el riesgo de defunción por COVID-19, lo que subraya la importancia de proteger a las poblaciones vulnerables y mejorar el manejo de estas comorbilidades en el contexto de la pandemia.
En este sentido, la neumonía emerge como una de las principales complicaciones entre los pacientes fallecidos, con una alta incidencia tanto en hombres como en mujeres, lo que concuerda con estudios previos que destacan la neumonía como una complicación común y grave de la infección por COVID-19 (Centers for Disease Control and Prevention, 2020). Nuestros hallazgos respaldan la noción de que las comorbilidades pueden influir en la gravedad de la infección por COVID-19 y en los resultados clínicos (CDC, 2020).
Por lo tanto, se resalta la importancia de considerar factores como el sexo y las enfermedades preexistentes al evaluar el riesgo y la gravedad de la infección por COVID-19. Estos resultados tienen implicaciones significativas para la identificación de grupos de riesgo y el diseño de estrategias de prevención y manejo de la enfermedad.
CONCLUSIONES
Las autoridades de salud y los médicos deben considerar los factores de riesgo (enfermedades respiratorias y cardiovasculares) al evaluar el riesgo y planificar el tratamiento para pacientes con COVID-19. Además, es crucial para la salud pública prestar especial atención a estos grupos de riesgo para prevenir hospitalizaciones y complicaciones graves.
BIBLIOGRAFÍA
Centro de Control y Prevención de Enfermedades. (2020). Global COVID-19 Pandemic Response. Recuperado de https://www.cdc.gov/coronavirus/2019-ncov/global-covid-19/index.html
Gobierno de México. (2020). Datos abiertos de la Dirección General de Epidemiología. Recuperado de https://www.gob.mx/salud/documentos/datos-abiertos-152127
Organización Mundial de la Salud. (2021). Coronavirus disease (COVID-19) pandemic. Recuperado de https://www.who.int/emergencies/diseases/novel-coronavirus-2019
Secretaría de Salud. (2020). Informes Técnicos Diarios COVID-19. Recuperado de https://www.gob.mx/salud/documentos/coronavirus-covid-19-comunicado-tecnico-diario-238449
Peckham, H., de Gruijter, N. M., Raine, C., Radziszewska, A., Ciurtin, C., Wedderburn, L. R., & Rosser, E. C. (2020). Male sex identified by global COVID-19 meta-analysis as a risk factor for death and ITU admission. Nature Communications, 11(1), 1-10. Centers for Disease Control and Prevention. (2020). COVID-19 and Your Health. Recuperado de https://www.cdc.gov/coronavirus/2019-ncov/index.html