Ingresos hospitalarios por covid-19: una herramienta de planificación sanitaria

Autores/as

DOI:

https://doi.org/10.11606/s1518-8787.2022056004315

Palabras clave:

COVID-19, complicaciones, Hospitalización, Tiempo de Internación, Servicio de Admisión en Hospital, Inmunización, Análisis de Regresión

Resumen

OBJETIVO Predecir el número futuro de hospitalizaciones por covid-19 a partir del número de casos positivos diagnosticados. MÉTODO Usando datos del Panel covid-19 registrados en España en la Red Nacional de Vigilancia Epidemiológica (Renave), se ajusta un modelo de regresión con estructura multiplicativa para explicar y predecir el número de hospitalizaciones a partir de la serie retardada de casos positivos diagnosticados durante el periodo entre el 11 de mayo de 2020 y el 20 de septiembre de 2021. Se analiza el efecto sobre el número de hospitalizaciones del tiempo transcurrido desde el inicio del programa de vacunación. RESULTADOS El número de retardos de la serie de casos positivos que mayor capacidad explicativa tiene sobre el número de hospitalizaciones es de nueve días. La variabilidad del número de hospitalizaciones explicada por el modelo es elevada (R2 ajustado: 96,6%). Antes del inicio del programa de vacunación, el número esperado de ingresos hospitalarios en el día t era igual al 20,2% de los casos positivos del día t-9 elevado a 0,906. Iniciado el programa de vacunación, este porcentaje se redujo un 0,3% diario. Con el mismo modelo se obtiene que en la primera ola de la pandemia el número de casos positivos fue más de seis veces el que figura en los registros oficiales. CONCLUSIONES Partiendo de los casos de covid-19 detectados hasta una fecha, el modelo propuesto permite estimar el número de hospitalizaciones con nueve días de antelación. Ello lo convierte en una herramienta útil para prever con cierta anticipación la presión hospitalaria que el sistema sanitario tendrá que soportar como consecuencia de la enfermedad.

Referencias

García F, Santiago Melón DN, Paño JR, Galán JC. Organización del diagnóstico de SARS-CoV-2 y estrategias de optimización. Madrid. Sociedad Española de Enfermedades Infecciosas y Microbiología Clínica; 2021 [citado 30 nov 2021]. Disponible en: https://seimc.org/contenidos/documentoscientificos/recomendaciones/seimc-rc-2020-COVID19-OrganizacionDiagnostico.pdf

López-Izquierdo R, Campo F, Eiros JM. Influencia de PCR SARS-CoV-2 positivas en los ingresos hospitalarios por COVID-19 en un área de salud española. Med Clin (Barc). 2021;156(8):407-8. https://doi.org/10.1016/j.medcli.2020.12.009

Hyafil A, Moriña D. Analysis of the impact of lockdown on the reproduction number of the SARS-Cov-2 in Spain. Gac Sanit. 2021;35(5);453-8. https://doi.org/10.1016/j.gaceta.2020.05.003

Sánchez-Villegas P, Daponte Codina A. Modelos predictivos de la epidemia de COVID-19 en España con curvas de Gompertz. Gac Sanit (Barc). 2021;35(6):585-9. https://doi.org/10.1016/j.gaceta.2020.05.005

Garrido JM, Martínez-Rodríguez D, Rodríguez-Serrano F, Pérez-Villanueva, Ferreiro-Marzal A, Jiménez-Quintana MM; Grupo de Estudio COVID-19_Granada. Modelo matemático optimizado para la predicción y planificación de la asistencia sanitaria por la COVID-19. Med Intensiva. 2021. En prensa. https://doi.org/10.1016/j.medin.2021.02.014

Nyberg T, Twohig KA, Harris RJ, Seaman SR, Flannagan J, Allen H, et al. Risk of hospital admission for patients with SARS-CoV-2 variant B.1.1.7: cohort analysis. BMJ 2021;373:n1412. https://doi.org/10.1136/bmj.n1412

Chen Z, Russo NW, Miller MM, Murphy RX, Burmeister DB. An observational study to develop a scoring system and model to detect risk of hospital admission due to COVID-19. JACEP Open 2021;2(2):e12406. https://doi.org/10.1002/emp2.12406

Nguyen HM, Turk PJ, McWilliams AD. Forecasting COVID-19 hospital census: a multivariate time-series model based on local infection incidence. JMIR Public Health Surveill. 2021;7(8):e28195. https://doi.org/10.2196/28195

Hamilton JD. Time series analysis. Princeton, NJ: Princeton University Press; 1994.

R Core Team. R: A language and environment for statistical computing. Vienna (AT): R Foundation for Statistical Computing; 2021.

Fuller WA. Introduction to statistical time series. 2. ed. New York: John Wiley and Sons; 1996.

Phillips PCB, Ouliaris S. Asymptotic properties of residual based tests for cointegration. Econometrica. 1990;58(1):165-93. https://doi.org/10.2307/2938339

Newey WK, West KD. A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica. 1987;55(3):703-8. https://doi.org/10.2307/1913610

Sidawi Urbano T, Garau Alemany J. Mortalidad de COVID-19. Tendencias en la evolución de la pandemia. Acad J Health Sci Med Balear. 2021;36(1):42-9.

Moline H, Whitaker M, Deng L, Rhodes JC, Milucky J, Pham H, et al. Effectiveness of COVID-19 vaccines in preventing hospitalization among adults aged ≥65 years - COVID-NET, 13 States, February–April 2021. MMWR Morb Mortal Wkly Rep. 2021 Aug 13; 70:1088-93. https://doi.org/10.15585/mmwr.mm7032e3

Bajema K, Dahl RM, Prill MM, Meites E, Rodriguez-Barradas MC, Marconi VC, et al. Effectiveness of COVID-19 mRNA vaccines against COVID-19–associated hospitalization -five Veterans Affairs Medical Centers, United States, February 1- August 6, 2021. MMWR Morb Mortal Wkly Rep. 2021;70(37):1294-9. https://doi.org/10.15585/mmwr.mm7037e3

Ruiz Cantero MT. Las estadísticas sanitarias y la invisibilidad por sexo y de género durante la epidemia de COVID-19. Gac Sanit. 2021;35(1):95-8. https://doi.org/10.1016/j.gaceta.2020.04.008

Descargas

Publicado

2022-06-13

Número

Vol. 56 (2022)

Sección

Artigos Originais

Licencia

Derechos de autor 2022 Miguel Santolino, Manuela Alcañiz, Catalina Bolancé

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Cómo citar

Santolino, M., Alcañiz, M., & Bolancé, C. (2022). Ingresos hospitalarios por covid-19: una herramienta de planificación sanitaria. Revista De Saúde Pública, 56, 51. https://doi.org/10.11606/s1518-8787.2022056004315

Datos de los fondos