La presente investigación muestra los patrones geográficos de las hospitalizaciones por infarto agudo al miocardio en el seguro público de salud de Costa Rica en el trienio 2010-2012. Para el análisis geográfico por área de salud se utiliza un modelo bayesiano jerárquico espacial. Se estiman razones estandarizadas suavizadas y, como medida de precisión, la probabilidad de que cada área de salud registre un riesgo de hospitalización estadísticamente diferente al promedio nacional.En la determinación de presencia de autocorrelación espacial se utiliza el indicador de la I de Moran. La amplitud entre las variaciones observadas se estima mediante la razón interpercentil (percentil 95/percentil 5) y el coeficiente de variación. La tasa bruta de hospitalizaciones es de 5,8 por 10 mil habitantes en hombres y 2,6 / 10 mil en mujeres. Se registra un rango de variación de más de dos veces en las hospitalizaciones entre las áreas con mayores y menores egresos. Se presenta un patrón de bajas tasas de hospitalizaciones por infarto agudo al miocardio en áreas de salud fuera del Área Metropolitana, donde se encuentran los hospitales nacionales de mayor complejidad. Este elemento podría estar asociado a dificultades en el acceso de los servicios de hospitalización.
This research shows the geographic pattern of hospitalizations due to acute myocardial infarction in the public health care system in Costa Rica from 2010 to 2012.For the geographical analysis we used the geographic representation of the Bayesian smoothed standardized hospitalization ratio and the areas with hospitalization rate significantly different from the national average.Spatial autocorrelation was determined by Moran's I indicator. Amplitude between variations was performed using inter percentile ratio (percentile 95/percentile 5) and the variation coefficient.The gross rate is 5.8 hospitalizations per 10 000 population in men and 2.6/10 000 in women. The range of variation between areas with higher and lower hospitalizations is more than double. The most complex national hospitals are in the metropolitan areas. We found a pattern of low rates of hospitalization for acute myocardial infarction outside of metropolitan areas. This could be related to difficulties in accessing hospital services.
Keywords: Myocardial Infarction, Hospitalization, Geographical Distribution (fuente: POPIN, MeSH).
1.Introducción
Las enfermedades cardiovasculares son una de las principales causas de muerte en Costa Rica en los últimos 40 años. El porcentaje de muertes por estefactorpasó del 22% del total de defunciones en 1970 al 30,5% en el 2012, y se constituyó en la principal causa de muerte. Dentro de este ]]>
Fruto de la preocupación que generan estas patologías, se han elaborado guías de práctica clínica editadas por las principales sociedades científicas. Sin embargo, la variabilidad en su manejo no ha disminuido hasta ]]>
Las indicaciones de las diferentes intervenciones con valor terapéutico han sido establecidas a partir de ensayos clínicos en los que se ha ]]>
et ]]>
., 2005).
El objetivo de esta investigación es medir la variabilidad geográfica de las hospitalizaciones por infarto agudo al miocardio y procedimientos para su diagnóstico y tratamiento por área de salud, e identificar zonas de alto y bajo riesgo de hospitalización respecto al nivel nacional.
]]>
2.Materiales y Métodos
2.1 Fuentes de información
Los datos de hospitalización para el periodo 2010-2012 se obtienen del ]]>
2.1.1 Grupos de causas de hospitalización estudiadas
Se estudiaron los ]]>
2.2 Cálculo de medidas de hospitalización
El análisis ]]>
Para calcular el índice de hospitalización estandarizada suavizada (IHES), que mide el riesgo relativo de morbilidad por área de salud, se ajustó un modelo ]]>
El modelo incluye dos efectos aleatorios e incorpora información sobre la estructura geográfica de la región de estudio. El primero de los efectos induce dependencia en el IHES de zonas vecinas, ya sea por respuesta a ]]>
El resultado del modelo nos brinda un riesgo relativo suavizado que recoge tanto el efecto que puedan tener las áreas vecinas sobre la hospitalización evitable, como aquellos factores propios del área de salud que hacen ]]>
En términos algebraicos el modelo es el siguiente:
DondeOi son los casos observados, Eilos casos esperados, Si es el componente espacial que utiliza la aproximación conocida como modelo condicional autorregresivo (CAR) y ηi es el componente de efectos aleatorios para el cual se asume una distribución a priori normal.
En cuando a la modelización del componente Si, se asume una dependencia espacial en la cual las estimaciones del riesgo en un área determinada dependen de las áreas vecinas. De forma que los pesos (o ponderaciones espaciales) son máximos (igual a la unidad) si las áreas son adyacentes y mínimos (igual a cero) en otro caso (Besag, York y Mollié, 1991; Richardson et al., 2004).
En términos algebraicos el modelo es el siguiente:
Donde: es el conjunto de áreas vecinas (adyacentes) al área j, y mi es el número de vecinos.
El resultado del modelo brinda una tasa o razón suavizada que recoge tanto el efecto que puedan tener las áreas vecinas sobre los casos observados, como aquellos factores propios del área de salud que hacen que tenga un riesgo específico.
Junto con el IHES se estiman los intervalos de credibilidad al 95% y la probabilidad de que el IHES sea superior al promedio nacional, los cuales se utilizan para determinar si las hospitalizaciones en un área de salud son significativamente diferentes al nivel nacional.
En el análisis descriptivo se utiliza la prueba t-student (t-test) para determinar si existen diferencias substanciales en la edad de hospitalizaciones por IAM entre sexos.
2.3 Indicadores autocorrelación especial y de variabilidad geográfica
En el análisis de variabilidad se utilizan el rango interpercentil (percentil 95-percentil 5) y el coeficiente de variación (desviación estándar / promedio) (Librero et al., 2011). Además se utilizó el gráfico de puntos (dotplot) (Librero et al., 2011), donde cada punto representa un área de salud, para mostrar la variabilidad en el IHES del IAM por sexo.
La presencia de autocorrelación espacial se determinó mediante el estadístico global de la “I de Moran”. Este indicador permite determinar la existencia de conglomerados significativos en la distribución de los datos sin indicar dónde se encuentran ubicados (Anselin et al., 2004).
El estadístico de I de Moran se define como: ]]>
Donde N es el número de áreas de salud y Wij es la matriz de contigüidad, que para esta investigación se define como las áreas de salud que comparten frontera.
Los valores del estadístico I de Morán oscilan entre +1 y -1, donde el primer valor significa una autocorrelación positiva perfecta (perfecta concentración), y el segundo una autocorrelación negativa perfecta (perfecta dispersión); el cero significa un patrón espacial completamente aleatorio.
La prueba global es visualizada por medio de un gráfico de dispersión de Moran, en el que la pendiente de la recta de regresión corresponde a la significación de la “I Moran”, y se basa en una prueba de permutación (Anselin, 1996).
2.4 Guía de lectura e interpretación de mapas
La unidad geográfica primaria seleccionada para este estudio corresponde a las 103 áreas de salud. Se utiliza esta unidad geográfica, en lugar de las tradicionales de distrito o cantón, porque las áreas de salud corresponden a la mínima unidad administrativa de la CCSS, responsable de la atención en salud a las personas en el primer nivel (figura 1) y, por lo tanto, las unidades geográficas donde se pueden realizar intervenciones o modificaciones en la asignación de recursos por parte de las autoridades de salud de la CCSS.
Para la representación geográfica del IHES se utiliza el tipo de etiquetado empleado generalmente en la clasificación de atención a la urgencia, conocida internacionalmente como triage, la cual sigue un criterio ]]>
2.
Las áreas ]]>
]]>
2.5 Herramientas utilizadas
Para el cálculo de las medidas de hospitalización, los indicadores de variabilidad y la elaboración de mapas, fueron necesarios varios procesos y la utilización de diferentes herramientas de software.
La base de datos y cálculos de las medidas de hospitalizaciones y los indicadores de variabilidad geográfica se realizaron en Microsoft Excel y en el programa estadístico Stata 11.0. La estimación del IHES se corrió en WinBUGS 1.4.3. En la estimación del IHES mediante WinBUGS se corrieron ]]>
Se utilizó el análisis espacial univariante del programa estadístico OpenGeoDa3 ]]>
et al., 2004). Se comprobó si su valor era significativamente diferente de cero, mediante método de simulación que se ofrece ]]>
En cuanto a la representación geográfica se utilizó el mapa de Costa Rica segregado por área de salud (figura 1) mediante el sistema de información ]]>
3. Resultados
Durante el trienio 2010-2012 se registraron 5381 hospitalizaciones por infarto agudo al miocardio, para un promedio 1 794 egresos por año. El 68% de los casos registrados eran hombres y la media y desviación estándar de la edad fue 66 (13) años. Se encontraron diferencias ]]>
Se registra una tasa bruta de 5,8 hospitalizaciones por 10 mil habitantes en hombres y 2,6/ 10 mil en mujeres. Las tasas de hospitalización muestran un incremento constante conforme aumenta la edad del paciente (
figura 2). La razón de tasas hombre/mujer es superior en los hombres en todos los grupos de edad.
En el cuadro 1 y figura 3 se muestra la variabilidad por área de salud de las hospitalizaciones por IAM. Se registra una considerable variabilidad en ]]>
En la serie de gráficos de la figura 4 se observa autocorrelación ]]>
En la
figura 5 se presentan dos mapas con la representación geográfica del IHES agrupado en percentiles y dos mapas con tres categorías que clasifican a las áreas de salud en las que tienen mayor y menor riesgo de hospitalización por IAM, respecto al nivel nacional. Se observa una concentración de áreas con infrahospitalización en la periferia del ]]>
Por su parte, se muestra un patrón con alta hospitalización por IAM en el centro del país. Se registran 15 áreas de salud con sobrehospitalización en hombres y cinco en mujeres. Todas las áreas están en el Área Metropolitana del país, donde hay mayor acceso a hospitales ]]>
4. Discusión y conclusiones
Se registra una alta variabilidad en las hospitalizaciones entre áreas de salud, tanto en hombres como en mujeres. La magnitud de la variabilidad registrada en ]]>
et al., 2001; Márquez-Calderón et al., 2007).
Una de las posibles ]]>
Por lo cual, los ]]>
Las mayores tasas de ]]>
Una particularidad en el caso de esta patología es que compromete la vida de los ]]>
et al., 2003). ]]>
Dentro de las posibles líneas futuras de investigación se tiene el análisis del acceso a un sistema de urgencias 24 horas, donde se realice un diagnóstico inicial mediante una historia clínica dirigida (dolor torácico isquémico, contraindicaciones para fibrinólisis, diagnóstico ]]>
et al., 2012).
2 URL http://www.e-mergencia.com
3 ]]>
5. Bibliografía
Anselin, L., Kim Y-W.ySyabri, I. (2004). Web-based analytical tools for the exploration of spatial data. Journal of Geographical Systems, 6, 197–218. [ Links ]
Anselin, L. (1996). The Moran Scatterplot as an ESDA Tool to Assess Local Instability in Spatial Association. In Spatial Analytical Perspectives on GIS in Environmental and Socio-Economic Sciences, 111–25, edited by M. Fischer, H. Scholten, and D. Unwin. London: Taylor and Francis. [ Links ]
Anderson, J. L., Adams, C. D., Antman, E. M., Bridges, C. R. et al. (2007). ACC/AHA 2007 guidelines for the management of patients with unstable angina/non–ST-elevation myocardial infarction: a report of the American College of Cardiology/ American Heart Association Task Force on Practice Guidelines (Writing Committee to Revise the 2002 Guidelines for the Management of Patients With Unstable Angina/Non–ST-Elevation Myocardial Infarction). Circulation, 116, 148–304. [ Links ]
Aparicio, A., y Morera, M. (2009). Atlas de mortalidad por todas las causas Costa Rica 2000-2007. Editorial Nacional de Salud y Seguridad Social (EDNASSS). [ Links ] Besag, J., York, J. C. y Mollié, A. (1991). Bayesian image restoration, with two applications in spatial statistics (with discussion). Annals of the Institute of Statistical Mathematics, 43, 1-59. [ Links ]
Fiol, M., Cabadés, A., Sala, J., Marrugat, J. et al. (2001). Variabilidad en el manejo hospitalario del infarto agudo de miocardio en España. Rev.Esp.Cardiol, 54 (4), 443-452. [ Links ]
García, J., Elosúa, R., Tormo, M. J., Audicana, C. et al. (2003). Mortalidad poblacional por infarto agudo de miocardio. Estudio IBERICA. Med Clin (Barc), 121, 606-12. [ Links ]
Krumholz, H. M., Anderson, J. L., Bachelder, B. L., Fesmire, F. et al. (2008). ACC/AHA 2008 performance measures for adults with ST-elevation and non-ST-elevation myocardial infarction: a report of the American College of Cardiology/ American Heart Association Task Force on Performance Measures (Writing Committee to Develop Performance Measures for ST-Elevation and Non–ST-Elevation Myocardial Infarction). Circulation, 118, 2598–2648. [ Links ]
Lawson, A., Browne, W. y Vidal, C. (2003). Disease Mapping with WinBUGS and MLwiN.Statistics in Practice. John Wiley and Sons. [ Links ]
Librero, J., Peiró, S., Bernal-Delgado, E., Allepuz, A. et al. (2011). Metodología del Atlas de variaciones en hospitalizaciones potencialmente evitables en el Sistema Nacional de Salud. Atlas Var PractMedSistNac Salud, 4(2), 371-78. [ Links ]
Márquez-Calderón, S., Jiménez, A., Perea-Milla, E., Briones, E. et al. (2007). Variaciones en la hospitalización por problemas y procedimientos cardiovasculares en el Sistema Nacional de Salud. Atlas de Variabilidad en la Práctica Médica en el Sistema Nacional de Salud.VPM, 2(2), 1-24. [ Links ]
Richardson, S., Thomson, A., Best, N. y Elliott, P. (2004). Interpreting Posterior Relative Risk Estimates in Disease-Mapping Studies. Environmental Health Perspectives, 112(9), 1016-25. [ Links ]
Roe, M. T., Parsons, L. S., Pollack, C. V., Canto, J. G. et al. (2005). Quality of care by classification of myocardial infarction: Treatment patterns for ST-segment elevation vs non-ST-segment elevation myocardial infarction. Arch Intern Med, 165, 1630-1636. [ Links ]
Steg, G., James, S., Atar, D., Badano, L. et al. (2012). ESC Guidelines for the management of acute myocardial infarction in patients presenting with ST-segment elevation. European Heart Journal, 33, 2569–2619. [ Links ]
]]>
*Correspondencia a: Melvin Morera Salas: Dirección Compra de Servicios de Salud, Caja Costarricense de Seguro Social, Correo electrónico: mmoreras@ccss.sa.cr 1. Dirección Compra de Servicios de Salud, Caja Costarricense de Seguro Social, Correo electrónico: mmoreras@ccss.sa.cr
es el conjunto de áreas vecinas (adyacentes) al área j, y mi es el número de vecinos.
