Análisis espacio-temporal de la tasa de letalidad por coronavirus dada la preexistencia de diabetes en municipios del noreste de México

• Gerardo Núñez Medina https://orcid.org/0000-0001-8038-091X

DOI: https://doi.org/10.5281/zenodo.4966096

Palabras clave: Modelos espacio-temporales, INLA, modelo poisson con exceso de ceros, letalidad, Covid-19

Resumen

Los niveles de mortalidad por Covid-19 se incrementaron de manera importante durante el último semestre de 2020 en prácticamente todas las regiones del mundo. El trabajo presentado tiene por objetivo analizar la evolución espacio-temporal de la tasa estandarizada de letalidad entre pacientes enfermos de Covid-19 y su relación con la diabetes, en el noreste mexicano para un periodo de nueve meses comprendidos entre abril de 2020 y enero 2021. Se trata de un estudio de cohorte longitudinal, basado en la estimación de seis modelos bayesianos en competencia que capturan la dependencia espacio-temporal a través de la utilización de un proceso de conteo poisson con exceso de ceros (poisson zero-inflated). Los resultados muestran la presencia de una correlación positiva entre el número de pacientes diagnosticados con diabetes y el incremento en la tasa de letalidad por Covid-19 en el periodo analizado. La letalidad por Covid-19 se distribuyó de forma heterogénea en el espacio-tiempo concentrándose en 4 de los 132 municipios de la región.

Citas

BIVAND, R., GÓMEZ-RUBIO, V. Y RUE, H. (2015). “Spatial Data Analysis with R-INLA with Some Extensions”. Journal of Statistical Software, Volumen 63, Nro. 20, 1-31. DOI: 10.18637/jss.v063.i20

BLANGIARDO, M. Y CAMELETTI, M. (2015). Spatial and Spatio-Temporal Bayesian Models with R-INLA. Chichester, UK: John Wiley & Sons. ISBN: 978-1-118-32655-8

GÓMEZ-RUBIO, V. (2020). “Bayesian Inference with INLA”. New York: Chapman & Hall/CRC Press. ISBN 9781138039872

HERNÁNDEZ, L. E. (2020), “Determinantes sociales de la salud en torno a la atención del paciente con enfermedad renal crónica: caso estado de México, Oriente”, tesis de magister en Sociología de la Salud, Universidad Autónoma del Estado de México (UAEM).

MENDOZA GONZÁLEZ, M. F. (2020) “Rezago social y letalidad en México en el contexto de la pandemia de enfermedad por coronavirus (COVID-19): una aproximación desde la perspectiva de la salud colectiva en los ámbitos nacional, estatal y municipal”. Notas de Población, Nro. 111, 133-154.

MORAGA, PAULA. (2019) “Geospatial Health Data: Modeling and Visualization with R-INLA and Shiny”. Chapman & Hall/CRC Biostatistics Series. ISBN: 036735795X

PADILLA-SANTAMARÍA, F., MAYA-FRANCO L. Y FERMAN-CANO F. (2020), “COVID-19 en México: Panorama Epidemiológico”, Revista Cadena de Cerebros, Volumen 4, Nro. 1. 31-42. DOI: https://doi.org/10.5281/zenodo.3926806

REYES NÚÑEZ, M. A., SIMÓN DOMÍNGUEZ, N., y SIMÓN DOMÍNGUEZ, J. I. (2020). “Cómo estimar la letalidad del COVID-19”. Revista Mexicana de Patología Clínica y Medicina de Laboratorio, Volumen 67, Nro. 1, 4-8. DOI: https://dx.doi.org/10.35366/93845

ROSER, M., RITCHIE, H., ORTIZ-OSPINA, E., Y HASELL, J. (2020). “Coronavirus pandemic (COVID-19)”. Our world in data. Data [en línea] https://ourworldindata.org/covid-deaths

SCHRÖDLE, B. Y HELD L. (2011). “Spatio-temporal disease mapping using INLA”. Environmetrics. Volumen 22, Nro. 6, 725-734. DOI: https://doi.org/10.1002/env.1065

TEAM R. C. (2016) R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria.

WAN HUI, CUI JING-AN Y YANG GUO-JING. (2020) “Risk estimation and prediction of the transmission of coronavirus disease-2019 (COVID-19) in the mainland of China excluding Hubei Province”, Infectious Diseases of Poverty, volumen 9, Nro. 116, 1-9. DOI: https://doi.org/10.1186/s40249-020-00683-6

WANG, X., YUE, Y. R., Y FARAWAY, J. J. (2018). Bayesian Regression Modeling with INLA. UK: Chapman and Hall/CRC. ISBN 9781498727259