VIVE.
Revista de Investigación en Salud
https://revistavive.org
Volumen 4 No. 12 septiembre-diciembre 2021
https://doi.org/10.33996/revistavive.v4i12.124
ISSN: 2664-3243
pp. 684 – 696
Factores asociados
a la infección y muerte por Covid-19, un análisis ecológico
Factors associated with
infection and death from Covid-19, an ecological analysis
Fatores associados à infecção e morte de Covid-19, uma
análise ecológica
Franz Chumbi Sigcho
https://orcid.org/0000-0002-3247-4273
Juan Moreno Bravo
https://orcid.org/0000-0002-9803-3788
Carlos Román Collazo
https://orcid.org/0000-0002-8235-4165
Jessica Velecela
Chumbi
https://orcid.org/0000-0003-0373-7326
Programa de Maestría
en Diagnóstico de Laboratorio Clínico y Molecular, Universidad Católica de
Cuenca, Cuenca-Ecuador
Recibido 28 de septiembre 2021 / Arbitrado y aceptado 19 de
octubre 2021 / Publicado 30 de diciembre 2021
RESUMEN
La pandemia del
SARS-CoV-2 y Covid-19 ha sido una amenaza a la vida en todo el planeta. El
objetivo del presente estudio fue identificar los factores de riesgo asociados
a la infección y mortalidad por Covid-19 a nivel global. Se realizó un análisis
ecológico de los factores asociados en 91 países pertenecientes los cinco
continentes del planeta. Los datos fueron tomados de la base de datos de acceso
libre creada por la organización Our World in Data adscrita a la Universidad de
Oxford para tres fechas 30 de junio y 30 de noviembre del año 2020 así como, 4
de junio del 2021. Se analizaron 11 variables predictoras para la infección y
muerte por Covid 19 mediante correlación y regresión lineal múltiple en el
programa SPSS 25.0. Existió correlación de 7 variables; sin embargo, solo
algunas tienen poder explicativo. Los modelos para las tres fechas fueron
diferentes. La fracción de adultos mayores de 65 años o más fue la única
variable que explica los contagios por país en las tres fechas estudiadas. Las
muertes fueron explicadas por el IDH en el mes de junio del año 2020, la
proporción de adultos mayores a 65 años en el mes de noviembre del año 2020 y
junio del 2021. La fracción de mujeres fumadoras también fue explicativa en
junio del. Los hallazgos investigativos corroboran y contradicen
investigaciones previas mostrando la heterogeneidad y complejidad en la
interacción de los determinantes en salud en el ámbito de la pandemia de
Covid-19.
Palabras
clave: Covid 19;
Mortalidad; Infección; Edad; Tabaquismo en mujeres
ABSTRACT
The SARS-CoV-2 and Covid-19 pandemic has been a threat to life across
the planet. The objective of this study was to identify the risk factors
associated with Covid-19 infection and mortality at a global level. An
ecological analysis of the associated factors was carried out in 91 countries
belonging to the five continents of the planet. The data were taken from the
open access database created by the Our World in Data organization attached to
the University of Oxford for three dates June 30 and November 30, 2020 as well
as June 4, 2021. They were analyzed 11 predictor variables for Covid 19
infection and death by correlation and multiple linear regression in the SPSS
25.0 program. There was a correlation of 7 variables; however, only some have
explanatory power. The models for the three dates were different. The fraction
of adults older than 65 years or more was the only variable that explains the
infections by country in the three dates studied. The deaths were explained by
the HDI in June 2020, the proportion of adults over 65 years in the month of
November 2020 and June 2021. The fraction of women smokers was also explanatory
in June of. The research findings corroborate and contradict previous research
showing the heterogeneity and complexity in the interaction of health
determinants in the field of the Covid-19 pandemic.
Keywords:
Covid 19; Mortality; Infection; Age; Woman moking
RESUMO
A pandemia SARS-CoV-2 e
Covid-19 tem sido uma ameaça à vida em todo o planeta. O objetivo deste estudo
foi identificar os fatores de risco associados à infecção e mortalidade por
Covid-19 em nível global. Foi realizada uma análise ecológica dos fatores
associados em 91 países pertencentes aos cinco continentes do planeta. Os dados
foram retirados do banco de dados de acesso aberto criado pela organização Our
World in Data anexada à University of Oxford para três datas 30 de junho e 30
de novembro de 2020, bem como 4 de junho de 2021. Foram analisadas 11 variáveis
preditoras para Covid 19 infecção e morte por correlação e regressão linear
múltipla no programa SPSS 25.0. Houve uma correlação de 7 variáveis; no
entanto, apenas alguns têm poder explicativo. Os modelos para as três datas
eram diferentes. A fração de adultos com mais de 65 anos foi a única variável
que explica as infecções por país nas três datas estudadas. As mortes foram
explicadas pelo IDH em junho de 2020, proporção de adultos com mais de 65 anos
no mês de novembro de 2020 e junho de 2021. A fração de mulheres fumantes
também foi explicativa em junho de. Os resultados da pesquisa corroboram e
contradizem pesquisas anteriores, mostrando a heterogeneidade e complexidade na
interação dos determinantes da saúde no campo da pandemia de Covid-19.
Palavras-chave: Covid 19; mortalidade; infecção; era;
fumar em mulheres
INTRODUCCIÓN
La pandemia de
Covid-19, con su impacto epidémico, sanitario, económico y social ha situado a
las enfermedades infecciosas emergentes a la cima de la lista de desafíos
mundiales. Reportes iniciales de la pandemia en el mes de febrero del 2020
mostraron un total de 82623 casos y 2858 muertes. El crecimiento de infectados
y muertes ha sido tal que en la actualidad sobrepasan los millones de personas
(1). Los datos de los CDC revelaron una tasa de muerte del 0.25% al 3%. Las
estimaciones varían según la ubicación de la enfermedad: oscilan entre el 1,17%
en Corea del Sur, el 2,3% en China 25 y el 7,2% en Italia 2,6. Las tasas de
mortalidad pueden ser más altas en los epicentros de la enfermedad debido a un
fallo sistémico o reducción de recursos para los programas de salud, lo que
conduce al aumento de la mortalidad (2). Las estimaciones de mortalidad también
pueden verse influidas por diferentes variables como la demografía de la
población, las diferencias en los programas de detección, estado de salud entre
otros(3). Como otras enfermedades infecciosas, el Covid-19 muestra un cuadro
clínico muy variable, que va desde asintomático hasta la muerte. En países
europeos, los hombres mayores, con una o más comorbilidades, han sido el grupo más
sensible con mayor mortalidad y morbilidad, incluido el síndrome de dificultad
respiratoria fatal como complicación más frecuente (4).
Estudios sugieren que
los estilos de vida pueden impactar en el riesgo de enfermar y morir de Covid
19. Se plantea que la sintomatología del enfermo de Covid-19 puede ser una
interacción de variables biológicas y estilos de vida como pueden ser la edad,
las comorbilidades, hábito de fumar, actividad física entre otros (5). También
se ha documentado la asociación de variables sociales como el desarrollo
social, PIB, estado de salud de la población y COVID-19 cuando coexiste con
enfermedades crónicas no transmisibles como diabetes mellitus, hipertensión
arterial, insuficiencia renal crónica y obesidad (6). La OMS y los gobiernos
locales ha intentado disminuir la pandemia y sus efectos letales; sin embargo,
los reportes científicos son heterogéneos y no concluyentes en identificar qué
factores sociodemográficos pudiesen estar asociados a la infección y mortalidad
por Covid-19. Por ello, el objetivo de la investigación fue asociar factores
sociodemográficos y de salud de la población con la infección y muerte por
COVID 19.
MATERIALES
Y MÉTODOS
Se empleó un diseño de
análisis ecológico de tipo longitudinal. Las variables dependientes fueron
Infectados/106 habitantes y Muertes/106 habitantes. El análisis consideró 11
variables independientes: % población en inactividad física, % población con 65
años de edad o más, PIB per cápita, % pobreza extrema, tasa de mortalidad
cardiovascular, prevalencia de diabetes, mujeres fumadoras, % fumadores
masculinos, instalaciones para lavarse las manos, camas de hospital/103
habitantes, esperanza de vida, índice de desarrollo humano. Los datos fueron
obtenidos de la organización Our World in Data con el patrocinio de la
Universidad de Oxford, que son de acceso completamente abierto bajo la licencia
Creative Commons. Esta organización autoriza a cualquier investigador a usar,
distribuir y reproducir la información sobre el Covid 19 en cualquier medio.
Los datos mostraron la información oficial de cada país como fuente original
documentada, desde que se reportó el primer caso de la pandemia hasta la última
actualización realizada en el mes de junio del año 2021 considerando cada día
reportado como un corte transversal. Se estudiaron tres momentos desde que
inició la pandemia: hasta el 30 de junio del año 2020, hasta el 30 de noviembre
del año 2020 y hasta el 4 de junio del año 2021. Todos los momentos
corresponden a picos de infección conocidos como olas de infección (7). La
población estuvo conformada por 219 países pertenecientes a los cinco
continentes. La muestra se conformó por 91 países que presentaron datos
completos en los 3 cortes temporales estudiados.
Los resultados se
presentan en dos secciones. La primera presentó las correlaciones entre
variables. Se utilizó un modelo de correlación de Pearson. Las correlaciones
por debajo de 0,20 se consideraron muy bajas, las superiores a este valor y por
debajo de 0,40. se consideran bajas. Las correlaciones bilaterales fueron
significativas en el nivel 0,010 (**) y 0,050 (*). La segunda sección fue
inferencial y presentó los valores predictivos de los dos modelos. Se utilizó
un modelo de regresión lineal múltiple (R2 ajustado) obtenido mediante el
software SPSS 25. Se desarrolló un modelo para la variable Infectados/106
habitantes y otro para la variable Muertes/106 habitantes. Se utilizó el método
escalonado para elegir las variables que mejor explican el modelo (p˂0,050). Se
interpretaron los resultados mediante los coeficientes no estandarizados según
cada variable explicativa.
RESULTADOS
La Tabla 1 muestra la
correlación existente entre las variables independientes e Infectados - Muerte
por Covid-19 (Tabla 1). Por otro lado, se generó el modelo de regresión lineal
multivariado para las variables Infectados y Muertes por Covid -19 (Tablas 2 y
3) para cada corte temporal. Se encontró correlaciones significativas positivas
y negativas entre la mayoría de las variables independientes y dependientes
para los diferentes momentos estudiados (Tabla 1). Un total de siete variables
presentaron correlación positivas débiles y moderadas con Infectados y Muerte
por Covid-19: porcentaje de personas con edad igual o superior a los 65 años,
el PIB per cápita, el porcentaje de mujeres fumadoras, la presencia de
instalaciones para lavarse las manos, la cantidad de camas de hospital por mil
habitantes, la esperanza de vida, así como el Índice de Desarrollo Humano
(IDH). Se observaron correlaciones negativas significativas de baja fortaleza
para Infectados y Muertes con la pobreza extrema de los países y la tasa de
mortalidad cardiovascular. No se encontró correlación significativa de
Infectados o Muertes con los fumadores masculinos y prevalencia de diabetes.
Tabla 1.
Coeficientes de correlación de Pearson de las variables independientes con
respecto a Infecciones totales por millón de habitantes y Muertes totales por
millón de habitantes debido a Covid-19. N=180.
**. La correlación es significativa en el nivel 0,01
(bilateral). *. La correlación es significativa en el nivel 0,05 (bilateral).
Fuente: Our World in Data.
El análisis temporal de
las correlaciones entre Infectados/106 habitantes mostraron una tendencia al
aumento de la fortaleza de asociación para todas las variables independientes
con excepción del PIB, la cual tuvo una disminución de la asociación. Similar
comportamiento fue encontrado para las correlaciones entre Muertes/106
habitantes y las variables independientes estudiadas.
Modelos
de regresión lineal múltiple para Infectados y muertes por Covid-19
Los resultados de la
modelación mediante Regresión lineal múltiple para las variables Infectados/106
habitantes y Muertes/106 habitantes para los tres cortes temporales se muestran
en las Tablas 2 y 3 respectivamente. El número de Infectados/106 habitantes es
modelado exclusivamente por la variable independiente porcentaje de la
población con edad igual o mayor a 65 años en los tres cortes temporales
realizados. El resto de las variables fueron excluidas por ser no
significativas. El poder explicativo del modelo se fue incrementando para los
diferentes momentos desde junio 2020, noviembre 2020 y junio 2021 al apreciarse
un aumento del coeficiente de determinación (R2 ) de 0,263 hasta 0,563. El
efecto de la variable independiente sugiere que por cada incremento del 1% en
la proporción de la población con edad igual o mayor a 65 años se producen
5.269 nuevos Infectados/106 habitantes.
Tabla 2. Modelo de
regresión lineal para infectados por cada millón de habitantes. n= 91 países.
La Tabla 3 expone los
resultados de los modelos de regresión lineal que explican las muertes/106
habitantes en las tres fechas estudiadas. En junio del 2020 se observó que la
única variable incluida con significación estadística fue el IDH, con un poder
explicativo bajo R2 (ajustado)= 0,212. Sin embargo, en noviembre del 2020, la
variable explicativa del modelo fue la fracción de la población con 65 o más
años con R2 (ajustado)= 0,470, mientras que en junio del año 2021 se advierten
dos variables explicativas en el modelo: la fracción de la población con 65 o
más años y el porcentaje de mujeres fumadoras del país, R2 (ajustado)= 0,598.
Según este último modelo, por cada punto porcentual en la edad mayor a los 65
años se incrementa 131 muertes por Covid-19, así como, por cada punto
porcentual en el número de mujeres fumadoras, se aumenta 35 muertes por Covid
19.
Tabla 3. Modelo de
regresión lineal para la cantidad de muertos por cada millón de habitantes.
a. Variable dependiente: V. Dependiente 1= Casos totales por
millón. Fuente: Our World in Data.
Discusión
El comportamiento de la
salud de las poblaciones se define por un conjunto de factores determinantes de
salud de variada naturaleza. Existen diversas investigaciones que han intentado
establecer los principales factores asociados a la Infección y Muerte por
Covid-19. Los resultados aún no son concluyentes por existir divergencia y
discrepancias en los hallazgos científicos. Las fortalezas y signo positivo de
las correlaciones de variables indicadoras de desarrollo con la Infección y
Muerte por Covid-19 sugieren que el epicentro de la pandemia ha estado
alrededor de los países con indicadores de alto nivel de desarrollo.
Altos niveles de PIB o
de IDH deberían tener una correlación negativa con las infecciones y muertes
por enfermedades trasmisibles. Las evidencias empíricas sobre la relación entre
el IDH y la infección y muerte por Covid 19 es escasa. Un estudio realizado en
Italia coincide con los hallazgos, demostrando la asociación con la tasa de
infección y la tasa de letalidad de COVID-19 (2). Estudios previos han
encontrado una correlación entre el IDH con eventos de salud relacionados a
enfermedades crónicas trasmisibles y no trasmisibles como el cáncer. El
metaanálisis y estudio ecológico referido evidenció la correlación negativa entre
diferentes tipos de cáncer y el PIB, mientras que el cáncer de mama y ovario lo
hicieron de manera positiva. El valor explicativo del IDH ha sido significativo
para enfermedades como tuberculosis, malaria y suicidio; sin embargo no ha sido
relevante en explicar las diarreas infecciosas, las enfermedades
cardiovasculares y la infección por leishmaniasis (8). Al ser el IDH un
indicador multidimensional que integra la educación, la esperanza de vida y el
PIB/persona, su valor como marcador de salud es inespecífico. Esto sugiere que
el IDH es una variable a considerar según la enfermedad, sus particularidades y
los determinantes propios que orientan el progreso de la enfermedad en la
población. Similar a los resultados encontrados, otras investigaciones a nivel
local asocian el PIB con la infección y muerte por Covid-19. En Italia se
encontró correlación positiva en un estudio de 21 regiones y provincias
italianas (9). Esto reafirma a los países desarrollados como el epicentro de la
pandemia a nivel mundial. También pudiese parecer contradictorio que
indicadores de la infraestructura en salud como el número de camas/103
habitantes y sitios donde lavarse las manos se asocien a la infección y la
muerte. Estudios encontraron asociación inversa entre estas variables en
momentos alejados de los picos de infección y muerte a nivel mundial, lo cual
es opuesto a la investigación realizada y puede explicar la diferencia de
resultados. Sin embargo, si el análisis se realiza en los momentos picos de
infectados o muertes la correlación se debilita y la razón de momios disminuye
a un valor cercano a 1 (10).
¿Cómo
explicar esta aparente paradoja que asocia positivamente el desarrollo y la
infraestructura en salud con el aumento de la infección y muerte por Covid-19?
La paradoja puede ser
explicada desde la novedad de la infección y la falta de preparación de los
sistemas sanitarios y de salud. Los sistemas de salud de todo el planeta fueron
sorprendidos por el virus. Existió un total desconocimiento sobre el agente
etiológico y sus vías de contagio. Tampoco existían conocimientos sobre la
patogénesis y su posible tratamiento. El diagnóstico fue incierto en un inicio
y a posteriori la diversidad de métodos y su interpretación diversa provocó
discrepancias en cuanto al uso clínico y epidemiológico. Aún persiste la
ausencia de fármacos específicos contra el Covid-19. El volumen de trabajo en
las UCI fue desbordante con respecto a la demanda de camas y respiradores. No
existían políticas ni infraestructura en salud que intervinieran la epidemia
por el SARS-CoV-2. Tampoco existían vacunas preventivas o curativas contra el
virus. Todo ello hizo que, aunque los países desarrollados tuviesen indicadores
de salud óptimos, estos no lograron impactar en el diagnóstico, tratamiento y
prevención de la infección y muerte por Covid-19. Es por ello, que las
búsquedas de otros determinantes de salud pueden ser más relevantes para
explicar el comportamiento de la pandemia a nivel global.
La identificación de
determinantes de salud como poblaciones susceptibles, grupos etáreos más
afectados y variables biomédicas como enfermedades crónicas no trasmisibles
también han sido objeto de estudio. Investigaciones de cohortes y metaanálisis
en población de diferentes países han confirmado a los adultos mayores como un
factor de riesgo para la infección y muerte por Covid-19 (3). Estudios durante
la pandemia señalaron que el 90% de casos mortales fueron de personas mayores a
50 años, sugiriendo que a medida que aumenta la edad de los adultos mayores
también aumenta la letalidad de la enfermedad (11). Sin embargo, estudios
ecológicos a nivel local o regional han detectado que la población joven
incrementa el número de infectados, contradiciendo los hallazgos anteriores
(12).
La presencia de
factores de salud predisponentes como enfermedades cónicas ha sido ampliamente
explorada por diversas investigaciones. Enfermedades como diabetes (13),
hipertensión arterial, obesidad (14), insuficiencia renal (15) han sido
asociadas a una mayor infección y mortalidad ante Covid-19 en estudios
empíricos con diferentes poblaciones. Las estimaciones de China muestran que la
mortalidad sin comorbilidades fue del 0,9%, lo que aumentó a 10,5% con
enfermedad cardiovascular, 6,3% con enfermedad pulmonar obstructiva crónica, 6%
con hipertensión arterial y 5,6% con cáncer (16).
Estudios ecológicos
realizados a nivel global en 185 países confirman la asociación positiva entre
enfermedades crónicas no transmisibles y la infección y muerte por Covid-19
(17). Otras investigaciones contradicen los hallazgos anteriores. En Irán no se
encontró que las comorbilidades como diabetes, obesidad y asma explicaran la
evolución clínica tórpida del Covid-19 (14).
Investigaciones en
China e Italia han demostrado un curso más severo de la infección por SARS-CoV-2
en pacientes diabéticos, que requiere traslado a la unidad de cuidados
intensivos (UCI) y ventilación mecánica. Un estudio de una serie de casos en el
área de Nueva York mostró una incidencia de diabetes de aproximadamente el 34%
entre 5.700 pacientes hospitalizados con COVID-19 (18). Las observaciones
realizadas con pacientes con COVID-19 en todo el mundo deberían llevar a la
probable conclusión de que los pacientes con diabetes como enfermedad comórbida
tienen un mayor riesgo de experimentar efectos secundarios graves a causa de
una infección, sin embargo, ello no se puede corroborar con los resultados del
presente estudio.
Algunos autores han
propuesto que, aunque la diabetes mellitus provoca cambios en la expresión de
ACE-2 y DPP-4, su repercusión no es relevante en el contagio y la muerte (19).
El mecanismo propuesto, de manera similar a lo que ocurre con otras
enfermedades infecciosas, plantea que los pacientes diabéticos tienen un
sistema inmune debilitado lo que favorece la infección de virus y
microorganismos. Esta situación repercute en el curso de la enfermedad
incrementando la severidad clínica y la mortalidad.
Las enfermedades
cardiovasculares asociadas al Covid-19 incluyen lesión miocárdica aguda,
miocarditis, síndromes coronarios agudos, arritmias y tromboembolismo venoso
(20). Por otro lado, las terapias utilizadas para tratar la enfermedad COVID-19
pueden tener interacciones farmacológicas, complicando el pronóstico de los
pacientes (21). La ausencia de correlación y poder explicativo en ciertas
investigaciones puede relacionarse con el momento del estudio, donde el pico de
muerte e infección relacione otras variables con mayor poder explicativo (22).
El efecto del
tabaquismo en los enfermos de Covid-19 ha sido documentado como un factor de
riesgo de infección y muerte. Revisiones sobre la literatura han sistematizado
el incremento del riesgo de infección y muerte por Covid-19 en modelos in vivo,
in vitro y epidemiológicos con seres humanos (23). Un estudio desarrollado en
España sugiere que la reducción del consumo de tabaco se asocia a una reducción
del riesgo de la mortalidad (24). El acto de fumar implica actividades
riesgosas que pueden promover la difusión viral como son toser, estornudar,
llevarse las manos a la boca, intercambio de sustancias con superficies y
aerosoles. Los autores también plantean que el humo del tabaco provoca daño
celular y tisular del epitelio pulmonar por acción viral, vinculándolo a la
disminución de la respuesta inmune innata en los tejidos expuestos al humo del
tabaco. Se ha encontrado también un incremento del uso del tabaco en
poblaciones de diversos países como China, Inglaterra, Italia y Estados Unidos
durante la pandemia, lo que pudiese enmascarar el efecto de esta variable. Sin
embargo, otras investigaciones no han podido comprobar que existe riesgo de
infección o muerte por el hábito de fumar (25) o reportan mayor hospitalización
en pacientes exfumadores que fumadores actuales (26).
La influencia de fumar
sobre la infección y mortalidad según el sexo también arroja resultados
diferentes a la presente investigación. Resultados en cohortes del norte de
África han encontrado un incremento del riesgo de muerte y el tiempo de
estancia en UCI en pacientes masculinos fumadores enfermos de Covid-19. El sexo
femenino no mostró cambios en el OR calculado (27). Se propone que mecanismos
hormonales como la secreción de estrógenos y testosterona puedan estar
relacionados a un peor pronóstico en el sexo masculino.
¿Cuáles fueron las
causas que desencadenaron que la pandemia haya tenido su epicentro en los
países desarrollados? Quizás profundizar en variables relacionadas con la
movilidad humana (migración y turismo), la demografía como la densidad
poblacional y variantes étnicas pudiese ser la respuesta. Investigaciones
ecológicas ajustadas al turismo por países (17) y la densidad poblacional (28)
han encontrado una correlación positiva con las muertes por Covid 19, lo que
reafirma la idea planteada. La búsqueda de modelos que reflejen los
determinantes no muestra unicidad de criterios, donde el efecto de múltiples
variables es coherente con un fenómeno complejo. Estudios realizados a nivel
global han identificado variables como la vacunación con BCG y los viajeros que
arriban al país (4), baja densidad poblacional, población con mayor proporción
de sexo femenino (29) lo que contradice hallazgos de otras investigaciones. Las
contradicciones y heterogeneidad de los determinantes alrededor de la infección
o muerte por Covid-19 refuerzan la concepción de la integralidad de la atención
en salud, donde existen un conjunto de determinantes en el orden biológico,
social, cultural y político que se integran de manera compleja en la salud de
la población. Lograr un equilibrio entre los determinantes por acción
coordinada de los gobiernos y las políticas en salud, permitirá potenciar las
fortalezas y minimizar las debilidades en aras de incrementar la salud y el
bienestar de las poblaciones en el marco de la pandemia de Covid-19
Limitaciones
La matriz de Our World
In Data aporta datos de más de 200 países, sin aportar los valores individuales
relacionados a cada contagio y muerte para establecer los factores de riesgo.
La presencia de variables confusoras o mediadoras del efecto son de difícil
control. En tal sentido, los hallazgos, se limitan a exponer los resultados
ecológicos reportados por las cantidades de infectados y fallecidos a partir
del primer caso hasta la última actualización realizada en junio del año 2021.
De este modo, las unidades de análisis constituyen cada país que ha reportado
datos en estas fechas y los resultados no pueden ser extrapolados a casos
individuales. CONCLUSIONES La existencia de determinantes de salud de orden
biológico, social, cultural y político impactan de manera diversa sobre la
infección y muerte por Covid-19. La compleja relación entre estas y el impacto
temporal sobre el fenómeno estudiado hacen que su generalización sea
científicamente no adecuada. Las similitudes y contradicciones con otras
investigaciones reafirman el carácter complejo de la infección y muerte por
Covid 19 dentro de las ciencias de la salud replanteando la jerarquía de los
determinantes en salud en época de pandemia.
REFERENCIAS
BIBLIOGRÁFICAS
1.
Wang Y, Wang Y, Chen Y, Qin Q. Unique epidemiological and clinical features of
the emerging 2019 novel coronavirus pneumonia (COVID-19) implicate special
control measures. Journal
of Medical Virology [Internet]. 2020 [citado 21 de septiembre de
2021];92(6):568-76. Disponible en: https://onlinelibrary.wiley.
com/doi/abs/10.1002/jmv.25748
2.
Liu Z, Magal P, Webb G. Predicting the number of reported and unreported cases
for the COVID-19 epidemics in China, South Korea, Italy, France, Germany and
United Kingdom. Journal
of Theoretical Biology [Internet]. 21 de enero de 2021 [citado 21 de septiembre
de 2021];509:110501. Disponible en: https://
www.sciencedirect.com/science/article/pii/ S0022519320303568
3.
Parohan M, Yaghoubi S, Seraji A, Javanbakht MH, Sarraf P, Djalali M. Risk
factors for mortality in patients with Coronavirus disease 2019 (COVID-19)
infection: a systematic review and meta-analysis of observational studies. The Aging Male [Internet]. 4 de
diciembre de 2020 [citado 1 de septiembre de 2021];23(5):1416- 24. Disponible
en: https://doi.org/10.1080/136
85538.2020.1774748
4. Pana TA, Bhattacharya S, Gamble DT,
Pasdar Z, Szlachetka WA, Perdomo-Lampignano JA, et al. Country-level
determinants of the severity of the first global wave of the COVID-19 pandemic:
an ecological study. BMJ
Open [Internet]. 1 de febrero de 2021 [citado 19 de septiembre de
2021];11(2):e042034. Disponible en: https://bmjopen.bmj.com/content/11/2/
e042034
5.
Rozenfeld Y, Beam J, Maier H, Haggerson W, Boudreau K, Carlson J, et al. A
model of disparities: risk factors associated with COVID-19 infection. International Journal for Equity in
Health [Internet]. 29 de julio de 2020 [citado 1 de septiembre de
2021];19(1):126. Disponible en: https://doi.org/10.1186/s12939- 020-01242-z
6. Izcovich A, Ragusa MA, Tortosa F,
Marzio MAL, Agnoletti C, Bengolea A, et al. Prognostic
factors for severity and mortality in patients infected with COVID-19: A
systematic review. PLOS
ONE [Internet]. 17 de noviembre de 2020 [citado 1 de septiembre de
2021];15(11):e0241955. Disponible en: https://
journals.plos.org/plosone/article?id=10.1371/ journal.pone.0241955
7. González-Castro A, Cuenca Fito E,
Fernandez A, Escudero Acha P, Rodríguez Borregán JC, Peñasco Y. Primera y
segunda oleada de enfermedad por coronavirus-19: un estudio comparativo en
pacientes hospitalizados en una UCI de un hospital universitario de tercer
nivel. Med Intensiva [Internet]. [citado 21 de septiembre de 2021]; Disponible
en: http://www.medintensiva.org/
es-primera-segunda-oleada-enfermedad-poravance-S0210569121000292
8. Higuita-Gutiérrez LF, Cardona-Arias
JA, Higuita-Gutiérrez LF, Cardona-Arias JA. Índice de desarrollo humano y
eventos de salud pública: revisión sistemática de la literatura 1990-2015.
Revista Facultad Nacional de Salud Pública [Internet]. abril de 2018 [citado 17
de septiembre de 2021];36(1):5-16. Disponible en:
http://www.scielo.org.co/scielo. php?script=sci_abstract&pid=S0120-386X2018
000100005&lng=en&nrm=iso&tlng=es
9.
Lippi G, Henry BM, Mattiuzzi C, Bovo C. The death rate for COVID-19 is
positively associated with gross domestic products: Coronavirus and gross
domestic product. Acta
Bio Medica Atenei Parmensis [Internet]. 11 de mayo de 2020 [citado 18 de
septiembre de 2021];91(2):224-5. Disponible en: https://doi.org/10.23750/abm.
v91i2.9514
10. Arsang-Jang S, Belasi MT, Najafi F,
Darbandi M, Raza MZ, Akhuanzada H, et al. The
association between healthcare resources, non-communicable diseases, and
Covid-19 mortality: an epidemiological study of 139 countries [Internet]. In Review; 2021 abr [citado 17 de
septiembre de 2021]. Disponible en: https://www.researchsquare.com/article/
rs-379944/v1
11.
Pijls BG, Jolani S, Atherley A, Derckx RT, Dijkstra JIR, Franssen GHL, et al.
Demographic risk factors for COVID-19 infection, severity, ICU admission and
death: a meta-analysis of 59 studies. BMJ
Open [Internet]. 1 de enero de 2021 [citado 1 de septiembre de
2021];11(1):e044640. Disponible en: https://
bmjopen.bmj.com/content/11/1/e044640
12.
Whittle RS, Diaz-Artiles A. An ecological study of socioeconomic predictors in
detection of COVID-19 cases across neighborhoods in New York City. BMC Medicine [Internet]. 4 de
septiembre de 2020 [citado 21 de septiembre de 2021];18(1):271. Disponible en:
https://doi. org/10.1186/s12916-020-01731-6
13. Pérez-Martínez P, Carrasco Sánchez
FJ, Carretero Gómez J, Gómez-Huelgas R. Resolviendo una de las piezas del
puzle: COVID-19 y diabetes tipo 2. Revista Clínica Española [Internet]. 1 de
noviembre de 2020 [citado 18 de septiembre de 2021];220(8):507- 10. Disponible
en: https://www.sciencedirect. com/science/article/pii/S0014256520301351
14.
Khorrami Z, Nili S, Sharifi H, Eybpoosh S, Shokoohi M. Association of cigarette
smoking, obesity, and underlying medical conditions with COVID-19
hospitalization and mortality in Iran: A nationwide retrospective ecological
study. Med J Islam Repub
Iran [Internet]. 8 de octubre de 2020 [citado 18 de septiembre de 2021];34:133.
Disponible en: https://www.ncbi. nlm.nih.gov/pmc/articles/PMC7787023/
15. Bhargava A,
Fukushima EA, Levine M, Zhao W, Tanveer F, Szpunar SM, et al. Predictors for
severe Covid-19 infection. Clinical
Infectious Diseases [Internet]. 5 de noviembre de 2020 [citado 1 de septiembre
de 2021];71(8):1962- 8. Disponible en: https://doi.org/10.1093/cid/ ciaa674
16. Yang J, Zheng Y, Gou X, Pu K, Chen Z,
Guo Q, et al. Prevalence of comorbidities and its effects in
patients infected with SARS-CoV-2: a systematic review and meta-analysis. Int J
Infect Dis. mayo de 2020;94:91-5.
17.
Azarpazhooh MR, Morovatdar N, Avan A, Phan TG, Divani AA, Yassi N, et al.
Covid-19 pandemic and burden of noncommunicable diseases: an ecological study
on data of 185 countries. Journal
of Stroke and Cerebrovascular Diseases [Internet]. 1 de septiembre de 2020
[citado 16 de septiembre de 2021];29(9):105089. Disponible en: https://
www.sciencedirect.com/science/article/pii/ S1052305720305073
18. Gasmi A, Peana
M, Pivina L, Srinath S, Gasmi Benahmed A, Semenova Y, et al. Interrelations
between COVID-19 and other disorders. Clin
Immunol [Internet]. marzo de 2021 [citado 21 de septiembre de 2021];224:108651.
Disponible en: https://www.ncbi.nlm.nih.gov/ pmc/articles/PMC7833539/
19. Peric S,
Stulnig TM. Diabetes and COVID-19. Wien Klin Wochenschr [Internet]. 1 de julio de 2020 [citado 18 de
septiembre de 2021];132(13):356-61. Disponible en: https://
doi.org/10.1007/s00508-020-01672-3
20.
Clerkin KJ, Fried JA, Raikhelkar J, Sayer G, Griffin JM, Masoumi A, et al. Covid-19 and cardiovascular disease.
Circulation [Internet]. 19 de mayo de 2020 [citado 19 de septiembre de
2021];141(20):1648-55. Disponible en:
https://www.ahajournals.org/doi/full/10.1161/ CIRCULATIONAHA.120.046941
21. Alfonso Rodriguez E, Llerena Rojas
LD, Rodríguez Nande LM, Alfonso Rodriguez E, Llerena Rojas LD, Rodríguez Nande
LM. Consideraciones para pacientes con enfermedades cardiovasculares durante la
pandemia de la COVID-19. Revista Cubana de Investigaciones Biomédicas
[Internet]. septiembre de 2020 [citado 5 de junio de 2021];39(3). Disponible
en: http://scielo.sld. cu/scielo.php?script=sci_abstract&pid=S0864-
03002020000300023&lng=es&nrm=iso&tlng= es
22. DuPre NC, Karimi S, Zhang CH, Blair
L, Gupta A, Alharbi LMA, et al. County-level demographic, social,
economic, and lifestyle correlates of COVID-19 infection and death trajectories
during the first wave of the pandemic in the United States. Science of The Total Environment
[Internet]. 10 de septiembre de 2021 [citado 19 de septiembre de
2021];786:147495. Disponible en: https://www.sciencedirect.com/science/article/pii/
S0048969721025663
23.
Haddad C, Bou Malhab S, Sacre H, Salameh P. Smoking and COVID-19: A Scoping
Review. Tob Use Insights
[Internet]. 1 de enero de 2021 [citado 20 de septiembre de
2021];14:1179173X21994612. Disponible en:
https://doi.org/10.1177/1179173X21994612
24. López-Bueno R, Calatayud J, Casaña
J, Casajús JA, Smith L, Tully MA, et al. COVID-19
Confinement and Health Risk Behaviors in Spain. Front Psychol [Internet]. 2020 [citado 5 de junio de 2021];11.
Disponible en: https:// www.frontiersin.org/articles/10.3389/
fpsyg.2020.01426/full
25. Padilla-Raygoza N, Vega-Jimenez OU,
Juárez AG, Gallardo-Luna M de J, NavarroOlivos E, León-Verdin MG. Effect
of comorbidities on mortality from Covid-19 in Mexico: an ecological study. Biomedical and Pharmacology Journal
[Internet]. 30 de marzo de 2021 [citado 19 de septiembre de 2021];14(1):7-13. Disponible
en: https://
biomedpharmajournal.org/vol14no1/effectof-co-morbidities-on-mortality-from-covid-19-
in-mexico-an-ecological-study/
26.
Puebla Neira D, Watts A, Seashore J, Polychronopoulou E, Kuo Y-F, Sharma G.
Smoking and risk of COVID-19 hospitalization. Respiratory Medicine [Internet]. 1 de junio de 2021
[citado 20 de septiembre de 2021];182:106414. Disponible en: https://
www.sciencedirect.com/science/article/pii/ S0954611121001207
27.
Khalil A, Dhingra R, Al-Mulki J, Hassoun M, Alexis N. Questioning the
sex-specific differences in the association of smoking on the survival rate of
hospitalized COVID-19 patients. PLOS
ONE [Internet]. 5 de agosto de 2021 [citado 20 de septiembre de
2021];16(8):e0255692. Disponible en: https://
journals.plos.org/plosone/article?id=10.1371/ journal.pone.0255692
28.
Markovic S, Rodic A, Salom I, Milicevic O, Djordjevic M, Djordjevic M. COVID-19
severity determinants inferred through ecological and epidemiological modeling.
arXiv:210900038 [q-bio] [Internet]. 31
de agosto de 2021 [citado 19 de septiembre de 2021]; Disponible en: http://arxiv.org/abs/2109.00038
29.
Foo O, Hiu S, Teare D, Syed AA, Razvi S. A global country-level analysis of the
relationship between obesity and COVID-19 cases and mortality. Diabetes, Obesity and Metabolism
[Internet]. [citado 19 de septiembre de 2021];n/a(n/a). Disponible en: https://
onlinelibrary.wiley.com/doi/abs/10.1111/ dom.14523
Conflicto
de intereses: Ninguno
declarado por los autores.
Financiación: Ninguna declarada por los autores.
Agradecimiento: Ninguno manifestado por los autores
ACERCA
DE LOS AUTORES
Franz
Chumbi Sigcho.
Químico Farmaceuta de profesión. Maestrante en Diagnóstico Clínico y Molecular.
Universidad Católica de Cuenca, Ecuador.
Carlos
Román Collazo. PhD en
Bioquímica, Biología Molecular, Bioética y Metodología de la Investigación.
Director de proyectos de Investigación. Arbitro y editor de revistas
científicas. Universidad Católica de Cuenca, Ecuador.
Juan
Moreno Bravol. Médico
general. Cursando el Primer año de Residencia en la especialización de
pediatría en la Universidad del Azuay. Universidad Católica de Cuenca, Ecuador
Jessica
Velecela Chumbi.
Médico General, Universidad de Cuenca. Cursado una especialización en
Nefrología, Universidad Pontificia Católica de Rio de Janeiro. Médico residente
de Hemodiálisis en Fresenius Medical Care. Universidad Católica de Cuenca,
Ecuador.