Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
INTRODUCCIÓN
El 31 de diciembre de 2019, en la ciudad de Wuhan (China), se notificaron casos de neumonía causada por un virus nuevo, que luego recibiría el nombre de coronavirus de tipo 2 del síndrome respiratorio agudo grave (SARS-CoV-2, por su sigla en inglés). El nuevo coronavirus se diseminó de manera muy rápida a todo el mundo. Ante esta situación, el 11 de marzo de 2020 la Organización Mundial de la Salud (OMS) declaró a la enfermedad por el coronavirus de 2019 (COVID-19, por su sigla en inglés) como una pandemia1.
En Argentina, el 22 de enero de 2020 se emitió una alerta epidemiológica y se inició la vigilancia de COVID-19 a través del Sistema Nacional de Vigilancia en Salud (SNVS 2.0). El 3 de marzo de ese mismo año se registró el primer caso confirmado de coronavirus, un residente en la Ciudad Autónoma de Buenos Aires (CABA). En la provincia de Buenos Aires (PBA), el primer caso confirmado de COVID-19 fue un paciente con antecedentes de viaje al extranjero que comenzó con síntomas a fines de febrero2.El 20 de marzo se decretó el confinamiento estricto hasta el 31 de marzo como consecuencia de la situación epidemiológica (decreto 297/2020). En la provincia de Buenos Aires, se llegó a los 188 949 casos, de los cuales fallecieron 35613,mientras que, en Argentina, para esa misma fecha, el número de infectados aumentó a 158, con tres fallecidos4.
La infección por coronavirus puede tener varias manifestaciones clínicas: fiebre, dolor de cabeza, mialgias, anosmia y disgeusia, entre otras; y puede traer complicaciones trombóticas, neurológicas, cardiorrespiratorias e, incluso, llevar a la muerte5.Las consecuencias graves se asocian con diversos factores como la edad, el sexo masculino y factores de riesgo presentes al momento de la infección6.
El presente trabajo tiene como objetivo principal evaluar el riesgo de defunción, según la presencia de uno o más factores de riesgo, en pacientes con infección confirmada por SARS-CoV-2 residentes en la provincia de Buenos Aires (PBA) durante 2020. Los secundarios fueron caracterizar dichos factores desde el punto de vista clínico epidemiológico y evaluar la calidad de los datos del sistema de vigilancia.
MÉTODOS
Estudio transversal, descriptivo, correlacional de personas mayores de 18 años residentes en la PBA con diagnóstico confirmado de COVID-19 por laboratorio o criterio clínico-epidemiológico que hayan iniciado síntomas desde el mes de marzo hasta diciembre de 2020.
FUENTE DE INFORMACIÓN
La información se obtuvo del Sistema Nacional de Vigilancia de Salud (SNVS 2.0). La notificación de casos sospechosos de COVID-19 es de carácter obligatorio a partir del 22 de abril de 2020. El evento “caso sospechoso de COVID-19, influenza y otros virus respiratorios”, incluye a los casos sospechosos, a los confirmados y a los descartados. Este evento se encuentra en el grupo de eventos “infecciones respiratorias agudas (IRA)”7. Los casos confirmados se definieron como tales según los criterios de diagnóstico dados por el Ministerio de Salud de la Provincia de Buenos Aires8.
El registro de los casos en el SNVS 2.0 se realiza en una ficha clínico-epidemiológica impresa diseñada por el Ministerio de Salud de la Provincia de Buenos Aires. En la ficha se registran los datos del paciente, la sintomatología y la ausencia o presencia de factores de riesgo (definidos como comorbilidades). La ficha es completada por los efectores de salud al momento de la atención y luego se notifica el caso al SNVS 2.0. Es relevante destacar que los datos clínicos se obtienen a partir de la anamnesis oral, como ocurre en general con todas las fichas de vigilancia. Asimismo, se registra toda la información epidemiológica correspondiente: cuándo fue la última vez que asistió al trabajo, si convive con un caso confirmado, si ha visitado algún lugar fuera de lo habitual en los últimos 14 días y si concurrió a un centro de salud en los últimos 14 días y cuál fue el motivo.
ANÁLISIS
Se consideró como evento adverso el óbito. Los factores de riesgo analizados fueron la edad (60 años o más), el sexo al nacer, hipertensión arterial, diabetes, insuficiencia cardíaca, enfermedad pulmonar obstructiva crónica (EPOC), hepatopatía crónica, fumador (fumadores activos), insuficiencia renal y obesidad. En el caso de “insuficiencia renal”, se consideró a todos los pacientes que tenían antecedentes de diálisis aguda, diálisis crónica e insuficiencia renal. Se seleccionaron los factores de riesgo priorizados por el Ministerio de Salud de la Nación como asociados a mayor letalidad del paciente al presentarse de manera simultánea con COVID-19.
Se consideraron cuatro escenarios de análisis con base en la calidad del dato y la condición de gravedad del paciente. Para formar dichos escenarios se analizó la variable “Comorbilidades” en el informe sobre coronavirus del SNVS 2.0. Idealmente, esta variable podría tomar dos valores posibles en la ficha del paciente: con comorbilidad (y consignarla) o sin comorbilidad (y consignarla). En los escenarios 1 y 3, aquellos casos que no tenían consignado el dato fueron considerados como sin comorbilidades. En los restantes escenarios, estos casos fueron excluidos:
• Escenario 1 (E1): pacientes mayores de 18 años con diagnóstico confirmado de COVID-19, residentes en la PBA, con y sin datos de comorbilidad. Aquellos casos que no contaban con el dato de comorbilidad fueron asignados como sin comorbilidad (n = 622 084).
• Escenario 2 (E2): pacientes mayores de 18 años con diagnóstico confirmado de COVID-19, residentes en la PBA, con datos de comorbilidad. Aquellos casos que no contaban con el dato de comorbilidad fueron excluidos (n = 222 813).
• Escenario 3 (E3): pacientes mayores de 18 años que fueron internados con diagnóstico confirmado de COVID-19, residentes en la PBA, con y sin datos de comorbilidad. Aquellos casos que no contaban con el dato de comorbilidad fueron asignados como sin comorbilidad (n = 56 955).
• Escenario 4 (E4): pacientes mayores de 18 años que fueron internados con diagnóstico confirmado de COVID-19, residentes en la PBA, con datos de comorbilidad. Aquellos casos que no contaban con el dato de comorbilidad fueron excluidos (n = 37 652).
La posibilidad de contar con estas cuatro realidades del sistema de información permitió observar la variación que el sistema ofrece al usuario que analiza los datos de la vigilancia.
La edad se estratificó en dos grupos: menores de 60 y 60 años o más. El sexo al nacer fue tomado dicotomiza-do en masculino = 1 y femenino = 0. La variable internación fue dicotomizada en sí = 1 y no = 0. Los casos sin datos sobre internación y sexo no fueron considerados. Cada síntoma fue dicotomizado en presencia y ausencia y los casos que no tenían información sobre los síntomas no fueron considerados.
El análisis estadístico incluyó la descripción de las características clínico-epidemiológicas de la población. Para las variables continuas se usaron medidas de tendencia central y de dispersión, mientras que para las variables categóricas se usaron frecuencias relativas. Las variables categóricas se compraron con la prueba de chi cuadrado. Las variables continuas se compararon mediante el análisis de la media. La tasa de letalidad se calculó como la proporción entre los casos fallecidos y el total de casos confirmados.
Para la estimación del riesgo de fallecimiento y factores de riesgo se consideró la estimación del OR y sus intervalos de confianza para cada escenario propuesto. A su vez, se realizó un análisis multivariado. Este consistió en regresión logística binaria sobre el grupo de pacientes del escenario 4; es decir, todos los pacientes internados con asignación de comorbilidad. El criterio para evaluar finalmente las covariables ajustadas sobre el escenario 4 posibilitó contar con el sistema ideal de vigilancia; es decir, con todos los campos completos. Se introdujo cada covariable en forma escalonada y se evaluó, mediante la razón de máxima verosimilitud, la incorporación de cada una de ellas. En el modelo multivariado se incluyeron los descriptores cuya p <0,05 resultara significativa. Se exploraron factores de confusión a partir de los valores de los coeficientes G, considerando como punto de corte una variación mayor al 19%. Asimismo, se testearon los resultados del modelo mediante la eliminación retrógrada de Wald para contrastarlos. La discriminación y la calibración se obtuvieron mediante la prueba de Hosmer-Lemeshow y obtención de la curva ROC. Las covariables potencialmente fuera de tendencia e influyentes se calcularon mediante el valor de delta chi cuadrado y delta beta, respectivamente. El ajuste del modelo se evaluó mediante una curva ROC en base a los estadísticos de predicción finales. Se calcularon los exponenciales de beta (exp G) y sus intervalos de confianza del 95%. El exp G puede interpretarse como el valor de la razón de momios (OR, por su sigla en inglés) en la regresión logística. Se utilizó el paquete estadístico SPSS 23®.
RESULTADOS
CALIDAD DEL DATO DEL SISTEMA DE VIGILANCIA EPIDEMIOLÓGICA
El análisis de calidad de llenado de la variable “Comorbilidad” del sistema de informe mostró que el 35,8% de todos los pacientes estudiados presentan el dato. Asimismo, dentro del grupo de pacientes fallecidos, el 60,6% cuenta con el dato completo de comorbilidad y, en los no fallecidos, el 34,9%. En los pacientes internados, el 66,3% tuvieron el dato completo y, en los no internados, el 32,8% (ver Tabla 1). A su vez, 214 679 casos (34,5% del total) no contaban con el dato completo de signos y síntomas.
CARACTERÍSTICAS DEMOGRÁFICAS Y DISTRIBUCIÓN DE FACTORES DE RIESGO
En la Tabla 2 se describen las características de la población estudiada según cada uno de los cuatro escenarios propuestos.
TABLA 1: Distribución de la presencia o ausencia del dato de comorbilidad según el desenlace y la condición del paciente, provincia de Buenos Aires, Argentina, marzo a diciembre de 2020 (n = 622 084).
TABLA 2: Características demográficas y distribución de los factores de riesgo de la población estudiada en cada escenario propuesto, provincia de Buenos Aires, Argentina, marzo - diciembre de 2020.
La media de edad de la población analizada fue de 41,2 ± 15,2 años. Del total de casos (n = 94 501), 15,2% corresponde a pacientes de 60 años o más. Con respecto a la distribución por sexo, el 50,6 % fueron pacientes de sexo masculino. En cuanto a los factores de riesgo, la hipertensión fue el factor más prevalente, seguido por diabetes, ser fumador y obesidad.
SIGNOS Y SÍNTOMAS EN EL MOMENTO DEL DIAGNÓSTICO CLÍNICO
En la Tabla 3 se muestran los síntomas en su frecuencia absoluta y relativa. Los síntomas más frecuentes fueron fiebre (54,9%), tos (52%), cefalea (49,7%) y odinofagia (42,1%). Se informó la presencia de anosmia y la disgeusia de reciente aparición en el 29,1% y el 21,1% de los pacientes, respectivamente. Cabe aclarar que estos dos últimos síntomas fueron incluidos como marcadores de caso de COVID-19 a partir de abril de 2020, con lo cual la frecuencia de estos no es comparable a la de los demás síntomas.
GRAVEDAD CLÍNICA
La tasa de internación fue del 13,2%, con diferencias significativas en la edad respecto de los pacientes internados versus los no internados (media: 58 años versus 40,4 años; p <0,001). La cantidad de hombres que requirieron internación fue mayor que las mujeres (54,2% versus 45,6%; p <0,05). El tiempo medio transcurrido entre el inicio de síntomas y la internación fue de 4,5 días (rango intercuartílico RIC: 1-6 días).
Se informaron 21 706 fallecidos, que se corresponde con una tasa de letalidad de 3,5%. La edad de los casos fallecidos fue mayor que la de no fallecidos (72,8 ± 13,8 versus 41,2 ± 15,2 años). El número de hombres fallecidos fue mayor (56% versus 43,9%; p <0,05). De los fallecidos con dato de internación, el 82,6% fueron hospitalizados. El tiempo medio entre el fallecimiento y el inicio de síntomas fue 17,4 días (RIC: 8-22 días).
FACTORES DE RIESGO ASOCIADOS CON LETALIDAD POR COVID-19
En la Tabla 4 se resumen los valores de OR para cada factor de riesgo analizado en forma independiente con respecto al riesgo a morir por COVID-19, según los escenarios propuestos. A excepción de ser fumador, los factores de riesgo analizados en los cuatro escenarios propuestos presentaron una asociación positiva (OR >1) con el evento de óbito.
En la Tabla 5 se resume el ajuste del modelo con las ocho covariables que resultaron estadísticamente significativas en la predicción de muerte de acuerdo con las características clínicas y demográficas de los pacientes. El modelo muestra una capacidad predictiva del 77,3% (entre 76,8% y 77,8%). La edad mayor o igual a 60 años fue el predictor más fuerte.
TABLA 3: Frecuencia absoluta y relativa de signos o síntomas en la población estudiada, provincia de Buenos Aires, Argentina, marzo - diciembre de 2020 (n = 407 405)*.
TABLA 4: Análisis de riesgo de mortalidad mediante razón de momios para cada factor de riesgo estudiado en la población según los escenarios propuestos, provincia de Buenos Aires, Argentina, marzo - diciembre de 2020.
TABLA 5: Factores de riesgo con resultado estadísticamente significativo en la predicción de muerte por COVID-19 en el escenario 4 (n = 37 652), provincia de Buenos Aires, Argentina, marzo - diciembre de 2020.
Al ajustar por el modelo multivariado, se observa cómo varían en relación con el modelo individual del cuarto escenario: aquel que tiene todos los datos completos de la condición clínica del paciente. Cuando se comparan los valores de OR del modelo univariado con los producidos por el ajuste multivariado, se puede observar cómo se modifican los estadísticos predictivos y esto obedece a la presencia de los demás factores de riesgo.
DISCUSIÓN
El presente estudio incluyó a todos los pacientes con diagnóstico confirmado de COVID-19 durante el año 2020, lo que permitió estimar los factores de riesgo asociados al fallecimiento por esta enfermedad. Los resultados en la provincia de Buenos Aires muestran que la mayoría de los casos sintomáticos en 2020 tuvieron una evolución favorable. La tasa de letalidad provincial derivada del estudio fue similar a la tasa nacional9.
El análisis de los datos, teniendo en cuenta los cuatro escenarios descritos, permite considerar la variabilidad en los resultados según la calidad de aquellos. A partir del análisis de los factores de riesgo individuales, se observa que la calidad del dato en cada escenario propuesto hace que la magnitud del riesgo calculada mediante el OR para cada factor sea variable. Sin embargo, se observa que la tendencia del riesgo para cada factor se mantiene entre los escenarios, teniendo en cuenta que los mismos no son comparables entre sí. Vale decir, se podría considerar cada escenario de pacientes como una población en sí misma para analizar.
A partir del modelo ajustado, se observa que ocho factores terminaron explicando la mayoría de los casos. Tener 60 años o más o ser de sexo masculino incrementa la posibilidad de fallecer por COVID-19. La edad fue el factor que mayor riesgo presentó entre todos los evaluados en este trabajo. Si bien se conoce que a mayor edad las personas suelen tener mayor número de comorbilidades, lo que aumenta su riesgo de fallecer10, el ajuste del modelo permite visualizar y cuantificar el efecto de la edad sobre la letalidad ajustado según comorbilidades. Un estudio de similar metodología realizado en Argentina a nivel nacional11 y otro realizado en el Reino Unido12 tuvieron resultados similares. Revisiones sistemáticas de estudios en otros países también tuvieron los mismos resultados13,14.
La evidencia disponible muestra que tanto la hipertensión como la diabetes comprometen la supervivencia de los pacientes con COVID-19. Nuestros hallazgos se sitúan en la misma línea15-19. Esto se asocia no solo con la edad avanzada, sino con mecanismos fisiopatológicos. En el caso de la diabetes, se asocia con debilidad en el sistema inmunitario a causa de la enfermedad, y de manera indirecta con las dificultades en la provisión y el acceso a los medicamentos para el tratamiento de estos pacientes en el contexto de la pandemia16. La hipertensión arterial podría estar asociada con lesiones a nivel cardiovascular. En aquellos pacientes internados con diagnóstico de COVID-19 (E3 y E4), se vio que la prevalencia de diabetes fue similar a los resultados obtenidos en la última Encuesta Nacional de Factores de Riesgo (ENFR)10.
Las personas obesas podrían tener un mayor riesgo de sufrir infecciones debido a su estado de inflamación crónica como consecuencia del exceso de tejido adiposo acumulado, la falta de vitamina D que disminuye la respuesta inmunitaria y de otros micronutrientes y la dificultad respiratoria propia de los pacientes con un índice de masa corporal elevado (>29,9)20. Los resultados que se obtuvieron en cuanto al riesgo de un peor cuadro de la enfermedad por COVID-19 son similares a los obtenidos en los estudios citados realizados en Argentina y en el Reino Unido11-12, llegando así a la conclusión de que la obesidad supone un factor de riesgo.
En cuanto al riesgo de fallecer incrementado por la presencia de EPOC, los resultados obtenidos son similares a los analizados en el estudio realizado en Argentina11; lo mismo se observa en un estudio clínico multicéntrico efectuado en España21. Un estudio de pacientes fumadores o que han fumado y han desarrollado EPOC muestra que dichos pacientes tienen un aumento de los receptores para la enzima convertidora de angiotensina 2 (ECA 2) en el epitelio pulmonar, lo cual podría explicar este mayor riesgo22. Si bien en el presente estudio ser fumador activo no resultó ser un factor de riesgo a nivel individual, revisiones sistemáticas de estudios clínicos en otros países mostraron resultados contrarios23-24. En otro estudio con similar metodología al aquí presentado, se observó lo mismo, y se considera que dichos resultados estarían asociados con el registro de hábito tabáquico12, lo cual podría explicar también los resultados propios. En nuestro estudio, la frecuencia de fumadores fue menor a la presentada en la PBA según la ENFR10.
La situación de pandemia de COVID-19 presentó un desafío para los sistemas nacionales de vigilancia epidemiológica por el gran volumen de casos a notificar en tiempo y forma. Argentina cuenta con el SNVS 2.0, que se caracteriza por ser un sistema federal en el cual cada provincia habilita a usuarios individuales para que realicen las notificaciones. En la PBA, el aumento del número de usuarios permitió alcanzar una mejor cobertura territorial para el reporte de casos. La situación actual permitió un aumento en el número de usuarios, que permite tener una mejor cobertura territorial. Sin embargo, el presente trabajo hace notar que la calidad de los datos aún es un aspecto para mejorar.
Desde junio de 2020, se logró cruzar los datos del sistema de gestión de camas (SGC) de la PBA y los del Registro Provincial de las Personas (RPP) con los datos del SNVS 2.0, lo que permitió recuperar y notificar fallecidos que no estaban en el sistema nacional de vigilancia y, por lo tanto, no se contabilizaban a nivel provincial y nacional. Los datos de mortalidad y letalidad son de suma importancia para evaluar el impacto de la pandemia en la población argentina. Por lo tanto, el cruce de estos tres registros de información permitió la recuperación de datos con valor agregado.
La calidad del dato de comorbilidad resultó ser mejor en los pacientes internados y en los pacientes fallecidos, tal como se planteó en la metodología. Como se mencionó, en el caso de los fallecidos, hubo un constante seguimiento en el recupero de datos, teniendo en cuenta la sensibilidad e importancia de estos. La mayor limitación del presente trabajo se relaciona con la calidad de los registros del sistema de vigilancia. Si bien se sabe que la información recolectada con fines de vigilancia puede no tener la misma calidad que la información que se recoge en una investigación, donde se cuidan más los posibles sesgos y detalles, el planteo del análisis en los distintos escenarios intentó abordar esta situación. La baja calidad del dato se refleja en la menor prevalencia de algunos factores de riesgo en el estudio que no se condicen con los resultados en la ENFR10.
Teniendo en cuenta que se trata de un análisis de bases de datos vigilancia epidemiológica, todos los casos confirmados fueron los incluidos en el análisis según el criterio imperante al momento de incluirse como tal en el sistema de vigilancia, independientemente de las modificaciones que la definición de caso tuvo a lo largo de la pandemia. Esto es una limitación en cuanto a la comparación de los casos.
RELEVANCIA PARA POLÍTICAS E INTERVENCIONES SANITARIAS
Las ECNT son una epidemia global y constituyen la principal amenaza para la salud humana. En Argentina, estas enfermedades son responsables del 73,4% de las muertes. En este estudio, si bien tener 60 años o más fue el mayor factor de riesgo, la mayoría de las ECNT analizadas también contribuyeron a que la infección por COVID-19 se agrave. Esta información es relevante para pensar políticas de salud para dicha población. Tal como plantea la OMS, la estrategia más efectiva para prevenir las ECNT es la aplicación de políticas poblacionales que regulen los entornos y los productos, a fin de proteger el derecho humano a la salud y así facilitar la adopción de hábitos saludables.
RELEVANCIA PARA LA INVESTIGACIÓN EN SALUD
Este estudio se limita a la población de casos confirmados de COVID-19 ocurridos en la provincia de Buenos Aires, la cual es representativa de una gran parte de la población argentina. Supondría un desafío comparar los datos obtenidos con los de otra provincia, considerando que las realidades sociales y económicas son disímiles entre las provincias. Asimismo, este estudio se limita al análisis de factores de riesgo, sin profundizar en la relevancia de los determinantes de la salud, por lo que sería interesante realizar un análisis que tenga en cuenta la perspectiva del complejo proceso de salud-enfermedad-atención-cuidado.
