Pronósticos para egresos y urgencias hospitalarias por entidad federativa

Introducción

Este documento contiene información adicional a lo reportado por Animal Político .Los datos aquí utilizados provienen de la Dirección General de Información en Salud (DGIS), utilizando los cubos dinámicos de la misma dirección, los cuales permiten explotar la información del Sistema Nacional de Salud, como por ejemplo egresos hospitalarios y urgencias (información utilizada en el reportaje).

Se tomaron los datos contenidos en los cubos de enero de 2015 a junio de 2020. De acuerdo a la misma DGIS, estos cubos se encuentran actualizados hasta junio del presente año; es importante recalcar que los datos son preliminares y pueden ser actualizados en cualquier momento. Esta sería una de nuestras limitaciones al calcular el défict, aunque debido a la evidencia de otras fuentes (ver reportaje).

La idea central es la siguiente; si contamos con el número de egresos hospitalarios y urgencias para cada estado en el tiempo (datos mensuales), es posible utilizar estos datos hasta el momento en que inició la pandemia (febrero de 2020) para pronosticar el número de hospitalizaciones y urgencias que se hubieran esperado si no hubiera ocurrido la llegada de SARS-CoV-2.

Para lograr lo anterior, se utilizó un modelo aditivo generalizado (GAM en inglés), el cual permite ajustar la tendencia y la estacionalidad de estos datos. ¿Por qué es importante tomar en cuenta lo anterior? Porque, por ejemplo, existe la posibilidad de que desde antes de que llegara la pandemia a nuestro país, hubiera una tendencia a la baja en hospitalizaciones, y a su vez, existiera la posibilidad de que entre marzo y junio hubieran menos hospitalizaciones con respecto a otros momentos en el año.1 Por último, este modelo es jerárquico en el sentido de que cada estado tiene su propia estructura para el ajuste y pronóstico de hospitalizacions y urgencias.

Dividimos el análisis en dos secciones: la primera sección muestra gráficas descriptivas del historial de hospitalizaciones y urgencias a partir del 2017.2 La segunda sección muestra los pronósticos tanto estatales como el pronóstico nacional.

Gráficas descriptivas

Egresos hospitalarios

La Figura 1 muestra el número de hospitalizaciones desde enero de 2017. Se observa que a partir de marzo todos los estados tienen una caída con respecto al mismo periodo en años anteriores.

Hospitalizaciones mensuales por entidad federativa

Figure 1: Hospitalizaciones mensuales por entidad federativa

Asimismo, la Figura 2 agrupa lo anterior pero ahora en zonas geográficas.

Hospitalizaciones mensuales por zona geográfica

Figure 2: Hospitalizaciones mensuales por zona geográfica

Urgencias

Repitimos el mismo ejercicio pero ahora con los datos de urgencias. La Figura 3 muestra lo anterior a partir de enero de 2017. Adicionalmente se muestran estos datos pero ahora por zonas geográficas 4.

Urgencias mensuales por entidad federativa

Figure 3: Urgencias mensuales por entidad federativa

Urgencias mensuales por zona geográfica

Figure 4: Urgencias mensuales por zona geográfica

Pronósticos

Finalmente mostramos los pronósticos a nivel nacional y a nivel estatal, así como el déficit de urgencias y hospitalizaciones nacionales. Éstos toman en cuenta el crecimiento poblacional ya que a mas población es lógico que haya más hospitalizaciones y urgencias en el tiempo, por esto es importante ajustar ésto para que el pronóstico sea correcto.

Pronósticos egresos por entidad federativa

La Figura 5 muestra el pronóstico a partir de marzo de lo que hubiera ocurrido si no existiera la pandemia por SARS-CoV-2. La línea roja marca el mes de febrero de 2020, el cual fue la última fecha para el pronóstico del modelo.

Pronóstico de hospitalizaciones por entidad federativa

Figure 5: Pronóstico de hospitalizaciones por entidad federativa

Pronósticos de egresos a nivel nacional

Table 1: Egresos hospitalarios
Marzo-Junio 2020
Tipo de pronóstico
(Con 90% de probabilidad)
Casos
pronosticados
Casos
reales
Diferencia
(Casos no atendidos)
Diferencia
(%)
Casos mínimos: 563,946 504,120 59,826 10.6%
Casos típicos: 808,838 504,120 304,718 37.7%
Casos máximos: 1,133,288 504,120 629,168 55.5%

A nivel nacional, entre marzo y junio de 2020, el modelo estimó que no se atendieron alrededor de 304,718 pacientes (90% PrI3: 59,826 - 629,168). Este déficit se calcula tomando la diferencia entre la mediana del pronóstico (línea negra en los gráficos) y los datos observados entre marzo y junio de 2020. Lo mismo se realizar para calcular el intervalo de predicción (diferencia entre las sombras azules y los datos observados).

Pronósticos de urgencias por entidad federativa

La siguiente figura muestra el pronóstico pero ahora para las urgencias. La caída es similar a lo observado en el caso de hospitalizaciones.

Pronóstico de urgencias por entidad federativa

Figure 6: Pronóstico de urgencias por entidad federativa

Pronóstico de urgencias a nivel nacional

Table 2: Urgencias hospitalarias
Marzo-Junio 2020
Tipo de pronóstico
(Con 90% de probabilidad)
Casos
pronosticados
Casos
reales
Diferencia
(Casos no atendidos)
Diferencia
(%)
Casos mínimos: 1,876,896 1,466,679 410,217 21.9%
Casos típicos: 2,745,612 1,466,679 1,278,934 46.6%
Casos máximos: 3,925,394 1,466,679 2,458,715 62.6%

Finalmente, el modelo estimó que 1,278,934 pacientes no se presentaron en las salas de urgencias a nivel nacional (90% PrI: 410,217 - 2,458,715).

Comentarios finales

La idea en utilizar GAM’s viene del análisis sobre la criminalidad en México https://elcri.men/ de Diego Valle-Jones. Su repositorio puede ser encontrado aquí.


  1. Un ejemplo algo estacional es la temporada de influenza, donde la mayor parte de los casos se presentan entre noviembre y abril de cada año.↩︎

  2. Para el modelo utilizamos los datos desde enero del 2015.↩︎

  3. Intervalo de predicción↩︎

Juan Pablo Diaz-Martinez
Juan Pablo Diaz-Martinez
Research Associate/Biostatistician at Toronto Western Lupus Clinic

PhD candidate at University of Toronto. My research interests include the use of bayesian biostatistics in the context of Health Technology Assessment.

Related