nueva página del texto (beta)
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
En diciembre de 2019, una nueva cepa de coronavirus, coronavirus tipo 2, causante del síndrome respiratorio agudo grave (SARS-CoV-2)1 y su rápida dispersión internacional ha provocado miles de muertes. Al 08 de septiembre de 2020, a nivel mundial se han reportado 27,236,916 casos confirmados y 891,031 defunciones. En México se tienen 642,860 casos y 68,484 defunciones,2 de los cuales 1.6% (10,736) y 2.5% (1,719) respectivamente se han presentado en el estado de Hidalgo.3
La COVID-19 tiene una amplia gama de presentaciones clínicas, desde pacientes que presentan una leve gripe y se recuperan rápidamente,4 cerca de 80% de los casos, hasta aquéllos en los que la enfermedad se complica con manifestaciones graves que ponen en peligro la vida, aproximadamente en 20% de los casos.5
Entre los factores de riesgo asociados a las complicaciones y la mortalidad por la COVID-19 se encuentran: el sexo, la edad1,6 y comorbilidades como: enfermedad cerebrovascular, enfermedad pulmonar obstructiva crónica (EPOC), IRC, enfermedad cardiovascular, arritmia cardiaca, hipertensión arterial, diabetes, demencia, cáncer y dislipidemia.4,6-9 Dado que la población mexicana tiene altas tasas de enfermedades no transmisibles (ENT) y a que éstas aumentan la gravedad de la infección por COVID-19, la pandemia representa una amenaza especial para el sistema de salud y la sociedad,10 donde a nivel nacional se hospitalizan 35% de los casos confirmados,6 mientras que en el estado de Hidalgo 39%.3
Debido a la heterogeneidad en la prevalencia de comorbilidades en nuestro país y del comportamiento epidémico a nivel nacional, este estudio pretende caracterizar a los pacientes hospitalizados positivos a SARS-CoV-2 en el estado de Hidalgo, ya que identificar las comorbilidades y características clínicas asociadas a la mortalidad por COVID-19 contribuirá a la toma de decisiones en el ámbito hospitalario.
Material y métodos
Se realizó un estudio descriptivo y retrospectivo. Como fuente de información se utilizó la base de datos abiertos COVID-19 de la Dirección General de Epidemiología de la Secretaría de Salud de México al corte del 08 de septiembre de 2020. El análisis de las variables cualitativas se realizó calculando las frecuencias absolutas y relativas. Para las cuantitativas, se calculó la media y la desviación estándar. Se consideraron a los pacientes positivos a SARS-CoV-2 por prueba de reacción en cadena de la polimerasa en tiempo real (RT-PCR) y que fueron hospitalizados. La variable respuesta se categorizó de manera dicotómica = defunción (sí, no). El análisis se llevó a cabo en el software RStudio versión 1.4. Se realizaron tres tipos de regresión: probit, logit y Gauss, dado que la variable dependiente es binaria, para elegir el de mejor ajuste, conforme a lo siguiente:
La función de mortalidad por COVID-19 se expresa de la siguiente manera:
P(Y)=F(X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11, X12, X13, X14, X15, X16, X17, X18, X19, X20
Donde:
F es la función de la ecuación
Y es la probabilidad de defunción (1 = defunción sí; 0 = defunción no)
X1 es el sexo (1 = hombre; 2 = mujer)
X2 es la edad
X3 es la suma de comorbilidades
X4 son los días entre el inicio de síntomas y la hospitalización
X5 es la obesidad*
X6 es la diabetes*, no se especifica el tipo de diabetes
X7 es la hipertensión*
X8 es la enfermedad pulmonar obstructiva crónica (EPOC)*
X9 es el consumo de tabaco (1 = consume tabaco; 0 = no consume tabaco)
X10 es el asma*
X11 es la enfermedad cardiovascular*
X12 es otra enfermedad*
X13 es el puerperio‡
X14 es el embarazo‡
X15 es insuficiencia renal crónica IRC*
X16 es la inmunosupresión‡
X17 es la positividad al virus de la inmunodeficiencia humana VIH (1= es positivo; 0 = no es positivo)
X18 padece alcoholismo (1= padece alcoholismo; 0 = no padece alcoholismo)
X19 es hipotiroidismo*
X20 es la intubación (1= intubado; 0 = no intubado)
* 1 = padece la enfermedad; 0 no padece la enfermedad.
‡ 1 tiene la condición; 0 no cumple la condición.
La construcción y el desarrollo del modelo se sustenta en la metodología de investigación de operaciones en la práctica, y se compone de cinco etapas: definición del problema, construcción del modelo, solución del modelo, validación y por último, implementación del modelo.11 El modelo es binario, pues la variable dependiente sólo tiene dos posibles resultados (éxito = 1 y fracaso = 0); por tanto, debe cumplir los supuestos que se analizan a continuación.12
El modelo probit es el de mejor ajuste, pues su akaike (AIC) es el menor de los tres modelos (Tabla 1); sin embargo, los residuales de su devianza no se aproximan a sus grados de libertad. Por tanto, el modelo de mejor ajuste es el gaussiano, ya que sus residuales están por debajo de sus grados de libertad, aunado a esto, su p-valor es mayor de 0.05 (Tabla 1).
Tabla 1: Evaluación de modelos.
| Tipo de regresión | Akaike | Residuales | Grados de libertad | p |
|---|---|---|---|---|
| Modelo logit | 4,294.6 | 4,252.6 | 3,844 | < 0.05 |
| Modelo probit | 4,293.9 | 4,251.9 | 3,844 | < 0.05 |
| Modelo gaussiano | 4,545.3 | 725.21 | 3,844 | 1 |
Fuente: Elaboración personal.
Partiendo de que el modelo gaussiano es el de mejor ajuste, las variables de mayor significancia se pueden observar en la Tabla 2, pues el p-valor de las variables está por debajo de 0.05.
Tabla 2: Evaluación de variables significativas.
| Intercepto | X1 | X2 | X5 | X6 | X7 | X15 | X16 | |
|---|---|---|---|---|---|---|---|---|
| p | < 0.05 | < 0.05 | < 0.05 | < 0.05 | < 0.05 | < 0.05 | < 0.05 | < 0.05 |
Fuente: Elaboración personal.
Aunado a lo anterior, las variables significativas no presentan colinealidad (Tabla 3), pues el factor de inflación de la varianza (VIF) de las variables se encuentra por debajo de las 10 unidades.13
Tabla 3: Evaluación de colinealidad.
| X1 | X2 | X5 | X6 | X7 | X15 | X16 | |
|---|---|---|---|---|---|---|---|
| VIF | 1.01 | 1.14 | 1.04 | 1.12 | 1.21 | 1.05 | 1.01 |
Fuente: Elaboración personal.
La desviación de un modelo lineal generalizado (GLM) se define como el grado de variabilidad de los datos que deben compararse.
D2 =(Devianza del modelo nulo-Devianza de los residuales/Devianza del modelo nulo)* 100
D2 = (950.97-727.39/ 950.97)* 100 = 23.51
Con base en lo anterior la ecuación para predecir la mortalidad por COVID-19 mantiene 23.51% de la variabilidad de los datos.
Resultados
De acuerdo con los criterios de inclusión y exclusión se analizaron 3,880 casos, sus características se muestran en la Tabla 4.
Tabla 4: Análisis descriptivo, frecuencias absolutas y porcentajes en pacientes positivos a SARS-CoV-2 hospitalizados en el estado de Hidalgo. N= 3,880.
| n (%) | |
|---|---|
| Sexo | |
| Masculino | 2,462 (63.5) |
| Femenino | 1,418 (36.5) |
| Edad | 56 ± 15.1 |
| Estado clínico (defunción) | |
| Sí | 1,696 (44) |
| No | 2,184 (56) |
| Estado de residencia | |
| Hidalgo | 3,630 (94) |
| Otro | 250 (6) |
| Comorbilidades | |
| Sin comorbilidades | 1,173 (30) |
| Una comorbilidad | 1,307 (34) |
| Dos comorbilidades | 875 (23) |
| Tres o más | 525 (13) |
Fuente: Elaboración personal.
La ecuación para predecir la mortalidad se basa en la siguiente expresión algebraica: Si X1, X2, X5, X6, X7, X15, X20 permanecen constantes.
P[E(Ŷ)] = (-14-0.04X1 + 0.01X2 + 0.05X5 + 0.05X6 + 0.04X7 + 0.26X15 + 0.52X20)
Reemplazando:
Si X7 hipertensión = 1, además X2, X5, X6, X15, X20 se mantienen constantes.
P[E(Ŷ)] = -14-0.04(0) + 0.01(0) + 0.05(0) + 0.05(0) + 0.04(1) + 0.26(0) + 0.52(0)
Es decir:
(P[E(Ŷ)] = -0.1
En términos de distribución normal:
Zg = normal {P[E(Ŷ)]} = normal {-0.1} = 0.4602
Por lo tanto, la probabilidad de defunción por COVID-19 en una persona con hipertensión es de 0.46%, con un nivel de confianza de 0.95, donde la probabilidad será un número entre 0 y 1, o bien, se expresará en porcentaje en este texto. Por ejemplo, si se considera uno de los eventos más frecuentes en la hospitalización, es decir, el caso de un hombre de 59 años con una comorbilidad, obesidad o diabetes, la probabilidad de defunción es de 0.68 ó 68%, con un nivel de confianza de 0.95. Si en conjunto padece diabetes, obesidad, e IRC es de 0.78 (78%), pero si se complica al grado de requerir intubación y ventilación mecánica invasiva, la probabilidad de fallecer es de 90%.
Discusión
Se han documentado diversas variables que contribuyen al pronóstico sobre la mortalidad y/o enfermedad grave en pacientes con COVID-19, donde las comorbilidades tienen un papel importante. Por ejemplo, una revisión sistemática de 207 estudios, encontró 49 variables que contribuyen al pronóstico sobre la mortalidad y/o enfermedad grave en pacientes con COVID-19, entre las que se encuentran: enfermedad cerebrovascular, EPOC, IRC, enfermedad cardiovascular, arritmia cardiaca, hipertensión arterial, diabetes, demencia, cáncer, dislipidemia y factores demográficos como: edad y sexo.9
En México, las defunciones por COVID-19 presentaron altas proporciones de comorbilidades como: hipertensión, diabetes y obesidad,14 lo que conlleva una alta probabilidad de complicaciones;15 también existen otras características como el sexo masculino y la edad avanzada. Se sabe que tener una o más comorbilidades (IRC, diabetes, obesidad, EPOC, inmunosupresión e hipertensión) se ha asociado con la hospitalización y desenlaces adversos (admisión en la unidad de cuidados intensivos UCI, ventilación mecánica o defunción).6
En otro estudio se documentó que la ENT que pone a las personas infectadas con COVID-19 en riesgo de ser hospitalizadas es la IRC, mientras que para el ingreso en la UCI e intubación endotraqueal es la diabetes.10 En tanto que los factores de riesgo de letalidad incluyen diabetes de aparición temprana, obesidad, EPOC, edad avanzada, hipertensión, inmunosupresión y la IRC, la diabetes confiere mayor riesgo de hospitalización y la obesidad confiere mayor riesgo de ingreso a la UCI e intubación.16
Un caso más específico en Coahuila mostró que la edad mayor de 60 años es el factor que más contribuye al riesgo de muerte, mientras que en las comorbilidades se encuentran diabetes mellitus, hipertensión arterial sistémica, obesidad y la IRC.17 Si bien existe un consenso en las comorbilidades que se asocian a complicaciones por la COVID-19 en México: obesidad, diabetes, hipertensión y la IRC, también existen estudios que han agregado la inmunosupresión y la EPOC, las cuales no siempre son significativas en los estudios realizados en población mexicana.
En nuestro trabajo identificamos cuatro comorbilidades asociadas a la mortalidad por COVID-19: obesidad, hipertensión, diabetes e IRC así como dos características clínicas: el sexo y la edad, lo cual es congruente con las comorbilidades y características mencionadas en estudios previos. Sin embargo la variable de mayor peso en el modelo es la edad, al igual que en el trabajo de Salinas-Aguirre.17
Cada comorbilidad tiene un efecto distinto en la probabilidad de defunción por la COVID-19, además se acumula de acuerdo al número de factores de riesgo que padece la persona. En nuestro modelo, la variable de mayor peso entre las comorbilidades es la IRC (probabilidad de defunción del 0.55 o 55%), acorde con la evidencia documentada con respecto a este padecimiento y mayor riesgo de complicaciones.17,18 Además, se debe precisar que 90% de los pacientes que padecían IRC tenían por lo menos otra enfermedad, principalmente hipertensión y diabetes. Por lo que es necesario enfatizar la situación del estado de Hidalgo dentro de esta heterogeneidad mórbida entre los estados de México. Si bien la proporción nacional de personas de 20 años que padecen diabetes es de 10.3%, en el extremo superior se encuentran: Hidalgo y Tamaulipas, ambos con 12.8%, seguidos de Nuevo León (12.6%) y Coahuila (12.3%) y en el inferior Querétaro (7.5%) y Quintana Roo (7.4%). En hipertensión la proporción nacional es de 18.4%, donde Campeche tiene 26.1% de su población con este padecimiento, Tlaxcala 13%, mientras que Hidalgo se ubica en un nivel intermedio con 17.9%.19
No encontramos significancia en la EPOC ni en la inmunosupresión, lo cual puede ser consecuencia del tamaño de la población analizada; sin embargo, también es necesario considerar las diferencias mórbidas en las entidades federativas y la recomendación de Salinas-Aguirre y colaboradores,17 quienes consideran que las diferencias con respecto a la población con infección por SARS-CoV-2 en Coahuila, en comparación con el resto de México, podrían deberse a las estrategias implantadas por las autoridades sanitarias para proteger a la población de riesgo.
Una precisión que debe hacerse es que los días entre el inicio de síntomas y la hospitalización no son significativos en el modelo, ambos grupos tardan en promedio cinco días. Si bien consideramos confiable la base de datos utilizada, es necesario mencionar algunas limitaciones. La principal es el reducido número de variables, por lo que se deben incorporar marcadores clínicos: síntomas, signos, resultados de laboratorio (leucocitos, creatinina, ferritina, proteína C reactiva, dímero D) que contribuyan a un mejor ajuste del modelo predictivo en el estado de Hidalgo, como se ha realizado en estudios que han desarrollado predictores de la mortalidad por la COVID-19.20-23 Sin embargo, también es necesario utilizar la información a nuestro alcance para caracterizar a grupos de población específicos y contribuir a la toma de decisiones al ingreso hospitalario. De ahí la importancia de este trabajo.
Conclusiones
La hipertensión, obesidad, diabetes e IRC aumentan la probabilidad de fallecer, donde la IRC es la de mayor peso (probabilidad de 0.55, 55%). Entre las características clínicas encontramos una asociación con el sexo (mayor probabilidad de fallecer en los hombres), la edad, la cual es la variable de mayor peso en el modelo. Proponemos una ecuación que permite valorar la probabilidad de fallecer en el ámbito hospitalario con base en las características clínicas del paciente, y así contribuir a la toma de decisiones ante una inminente saturación hospitalaria.
