📄 salud pública y global

Large-scale assessment of socioeconomic, demographic and health system structures with US county excess mortality, 2020-2024

Este estudio ecológico a gran escala de 2.745 condados de EE. UU. revela que las estructuras socioeconómicas y la demografía, en lugar de los recursos del sistema de salud, fueron los principales impulsores de la mortalidad excesiva durante los años de la pandemia de 2020–2021, con estas correlaciones disminuyendo significativamente en los años posteriores.

Autores originales: Levitt, M., Marten, B., Oren, G., Ioannidis, J.

Publicado 2026-10-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Levitt, M., Marten, B., Oren, G., Ioannidis, J.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Cuando una pandemia estalla, no impacta con la misma fuerza en todas las comunidades. Algunos vecindarios sufren pérdidas devastadoras, mientras que otros, a menudo a solo millas de distancia, ven muchas menos muertes. Este patrón desigual no es aleatorio; es el resultado de condiciones profundas y preexistentes que moldean cómo las personas viven, trabajan y acceden a la atención médica. Los científicos llaman a estas condiciones determinantes sociales de la salud. Estos incluyen factores como cuánto dinero gana una familia, si una persona tiene un título universitario, si tiene seguro médico y la calidad de la vivienda que ocupa. Durante años, los investigadores han sabido que estos factores importan, pero generalmente han observado solo unos pocos a la vez, intentando adivinar qué elemento individual era el más importante. La pregunta seguía siendo: si pudiéramos observar todo a la vez, ¿qué revelaría el panorama completo sobre por qué algunos lugares sufrieron más que otros durante la crisis?

Un equipo de investigadores se propuso responder a esto examinando todo el panorama de los condados estadounidenses. No eligieron un puñado de sospechosos para investigar; en su lugar, recopilaron una lista masiva de casi tres mil datos diferentes sobre cada condado de los Estados Unidos. Estos datos variaban desde el número de médicos y camas de hospital hasta el porcentaje de residentes que están desempleados, la proporción de la población que vive en la pobreza y la composición racial de la comunidad. Luego compararon estos datos con el número de muertes en exceso en cada condado desde 2020 hasta 2024. Las muertes en exceso son una medida específica que cuenta cuántas personas más murieron en un año determinado de lo que se habría esperado basándose en la propia historia del condado antes de la pandemia. Al realizar estas comparaciones, los investigadores pudieron ver qué características de los condados estaban más estrechamente vinculadas al aumento de las muertes.

Los resultados pintaron un cuadro claro y consistente. Los vínculos más fuertes con las tasas de mortalidad se encontraron en el tejido social y económico de una comunidad, no en la infraestructura médica. Los condados con mayores tasas de pobreza, niveles más bajos de educación y más personas sin seguro médico vieron significativamente más muertes en exceso. De hecho, los investigadores descubrieron que la proporción de personas que vivían en la pobreza fue el predictor más fuerte por sí solo, seguido de cerca por el porcentaje de adultos con un título universitario y la proporción de hogares con ingresos altos. Sin embargo, incluso la variable individual más fuerte compartía menos del 42% de la variación de la muerte en exceso entre los condados, lo que significa que ninguna característica individual está cerca de ser determinante. En contraste, la disponibilidad de recursos médicos, como el número de médicos por persona o el número de camas de hospital, mostró conexiones muy débiles con la cifra de muertes. Los datos sugirieron que tener más médicos o camas de hospital no protegía a una comunidad tan eficazmente como tener una población financieramente estable y educada.

Este patrón fue más intenso durante los dos primeros años de la pandemia, 2020 y 2021, cuando las vacunas aún no estaban disponibles y el virus era más letal. Durante este tiempo, la brecha entre los condados más desfavorecidos y los más favorecidos fue abismal. Los investigadores crearon una puntuación única que combinaba los factores sociales más fuertes para clasificar los condados según su nivel de ventaja. En el quinto de la población más desfavorecida, las muertes en exceso fueron 2.0 veces más altas que en el quinto más favorecido (0.274 frente a 0.136). A medida que la pandemia avanzaba hacia 2022, 2023 y 2024, el número total de muertes en exceso disminuyó y el vínculo con estos factores sociales se debilitó, aunque no desapareció por completo. El estudio también verificó su trabajo observando los datos de diferentes maneras, utilizando diferentes años para la información de base y diferentes métodos estadísticos, y la conclusión principal se mantuvo igual: el entorno social era el motor dominante de la cifra de muertes.

Los investigadores fueron cuidadosos al señalar que su estudio analizó grupos de personas, no individuos, por lo que no puede probar que una persona específica muriera debido a que era pobre o carecía de seguro. Sin embargo, la magnitud del conjunto de datos y la consistencia de los resultados sugieren una realidad poderosa. Los hallazgos implican que la capacidad de un sistema de salud para salvar vidas está profundamente limitada por las condiciones en las que viven las personas. Un hospital no puede compensar fácilmente los peligros de la pobreza, la falta de educación o el estrés de la inseguridad financiera. El estudio sugiere que para comprender y prevenir verdaderamente futuras crisis sanitarias, debemos mirar más allá de las paredes de los hospitales y abordar las desigualdades económicas y sociales fundamentales que dejan a algunas comunidades más vulnerables que otras. Los datos muestran que la forma más efectiva de proteger a una población puede no ser construir más camas, sino elevar el nivel de las comunidades que se han quedado atrás.

Planteamiento del Problema
La pandemia de COVID-19 reveló una variabilidad geográfica significativa en la mortalidad entre los condados de EE. UU., y la literatura existente frecuentemente señala a la pobreza, la raza, la falta de seguro y el acceso deficiente a la atención médica como correlatos de resultados adversos. Sin embargo, análisis previos han sido fragmentados, examinando típicamente solo un puñado de predictores. Esta fragmentación plantea preocupaciones de que las conclusiones puedan depender de elecciones analíticas específicas en lugar de patrones subyacentes robustos. Además, existe la necesidad de estudiar exhaustivamente las exposiciones epidemiológicas a gran escala, extendiendo el paradigma de los "ómicos" a los determinantes sociales, ambientales y estructurales, mientras se prueban simultáneamente la robustez de los hallazgos frente a diferentes cronologías de datos, esquemas de ponderación y métricas de correlación.

Metodología
Los autores realizaron una evaluación ecológica a gran escala de 2,745 variables a nivel de condado contra la mortalidad en exceso ponderada por población y estandarizada por edad en los condados de EE. UU. de 2020 a 2024.

Fuentes de Datos: Las variables predictoras se extrajeron del Area Health Resources File (AHRF), utilizando columnas de datos brutos en lugar de índices compuestos preconstruidos. El resultado fue la proporción de exceso de muertes por año, calculada comparando las muertes observadas con las muertes esperadas derivadas de las tasas de mortalidad por edad específicas de cada propio condado de 2017–2019. Los datos de mortalidad se recuperaron de CDC WONDER mediante un método de consulta complementaria para evitar las reglas de supresión para recuentos de celdas pequeñas (1–9 muertes).
Procesamiento de Variables: El estudio aplicó una regla de "retención del último año", seleccionando el valor más reciente anterior a la pandemia (mediana de 2018) para cada variable. Las variables se normalizaron per cápita y se reescalaron. Los valores faltantes de los predictores se completaron con la media del condado.
Agrupamiento (Clustering): Los nombres de las variables se limpiaron y se incrustaron utilizando un modelo de transformador de oraciones MPNet. Estas incrustaciones se agruparon mediante el agrupamiento jerárquico de Ward, lo que resultó en 120 clústeres semánticos, que fueron posteriormente agregados en 11 "superclústeres" (por ejemplo, Socioeconómico, Demográfico, Sistema de Salud).
Análisis Estadístico: Se computaron coeficientes de correlación de Pearson (CC) ponderados entre cada variable y el resultado de exceso de muertes para cada año (2020–2024). Las correlaciones se categorizaron como débiles ( $|CC| \le 0.30$ ), moderadas ( $0.30 < |CC| \le 0.45$ ) y fuertes ( $|CC| > 0.45$ ).
Verificaciones de Robustez: El estudio realizó extensos análisis de sensibilidad, incluyendo:
- El uso de diferentes cronologías de variables (datos hasta 2015 frente a 2023–2024).
- La variación de la ponderación poblacional (sin ponderar, raíz cuadrada, potencia de 0.75, población total).
- La comparación de coeficientes de correlación de Pearson frente a Spearman.
- Pruebas de permutación (10,000 permutaciones) para establecer una distribución nula empírica y controlar los falsos descubrimientos.

Resultados Clave

Prevalencia de Correlaciones: En general, el 24.1% de las 2,745 variables alcanzaron al menos un nivel de correlación moderada ( $|CC| > 0.30$ ) en al menos un año, y el 7.4% (202 variables) alcanzó una correlación fuerte ( $|CC| > 0.45$ ).
Dinámicas Temporales: La concentración de correlaciones significativas fue más aguda en 2020 (11.4%) y 2021 (14.8%). Esta señal disminuyó significativamente en los años subsiguientes (3.3% en 2022, 1.3% en 2023 y 4.1% en 2024), particularmente en la población menor de 65 años.
Factores Dominantes: Las correlaciones más fuertes se observaron para las variables socioeconómicas y demográficas. Los tres principales fueron la participación de la pobreza ( $+0.64$ en 2021), el nivel de estudios universitarios ($-0.62$ en 2021) y los ingresos altos ($-0.61$ en 2021). De las 656 variables con $|CC| > 0.30$ , la gran mayoría pertenecía a los superclústeres socioeconómicos y demográficos.
Factores del Sistema de Salud: En contraste, solo el 10.4% de las variables del sistema de salud (conteo de médicos, capacidad hospitalaria, etc.) alcanzaron el umbral de correlación moderada, en comparación con el 42% de las variables socioeconómicas/demográficas. Solo dos variables del sistema de salud alcanzaron una correlación fuerte ( $|CC| > 0.45$ ): "Número de empleados de 16 años o más" ($-0.50$) e "médicas inactivas" ($-0.46$).
Patrones Geográficos: Un "índice de ventaja" construido a partir de las 200 variables socioeconómicas y demográficas que alcanzaron $|CC| > 0.45$ mostró un gradiente monotónico: los condados más desfavorecidos tuvieron una proporción de exceso de muertes de 0.274 en 2020–2021, en comparación con 0.136 en los condados más favorecidos. Este gradiente persistió en 2022–2024, aunque con una magnitud reducida.
Robustez: Los hallazgos cualitativos fueron altamente robustos. Los principales correlatos (pobreza, seguro, educación) se mantuvieron consistentes a través de diferentes cronologías de datos, esquemas de ponderación y métodos de correlación (Pearson frente a Spearman). Si bien la magnitud de las correlaciones escalaba con el peso dado a los condados grandes, el ranking de las variables líderes y el contraste entre los factores socioeconómicos y del sistema de salud se mantuvieron estables.

Significancia y Reivindicaciones
El artículo afirma proporcionar una visión integral, de "vista de pájaro", de los correlatos de la mortalidad en exceso, yendo más allá de la selección de unos pocos predictores específicos para examinar un conjunto exhaustivo de casi 3,000 variables.

Gradiente Socioeconómico: El estudio concluye que la estructura socioeconómica y la demografía de un condado están más estrechamente relacionadas con la mortalidad en exceso que la oferta o capacidad base del sistema de salud. Los autores sugieren que la desventaja socioeconómica opera en una raíz más profunda de lo que puede abordarse mediante intervenciones tradicionales a nivel hospitalario.
Especificidad Temporal: La fuerte asociación entre los factores socioeconómicos y la mortalidad en exceso fue más prominente durante la fase inicial de la pandemia (2020–2021), antes de la vacunación generalizada y la aparición de variantes menos letales.
Naturaleza Ecológica: Los autores advierten explícitamente contra la inferencia causal o las inferencias a nivel individual debido a la naturaleza ecológica de los datos (falacia ecológica). Enmarcan sus hallazgos como hipótesis generadas a partir de datos ecológicos en lugar de evidencia definitiva de mecanismos de riesgo individual.
Utilidad: Los autores sugieren que estos patrones son útiles para la planificación de la preparación, señalando que clasificar los condados por camas de hospital o suministro de médicos no clasifica eficazmente el riesgo; en cambio, los gradientes socioeconómicos ofrecen un mejor predictor del riesgo de exceso de muerte. Proponen que tales estudios de "exposoma externo" a gran escala pueden guiar investigaciones específicas y dirigidas hacia la arquitectura del riesgo para los principales resultados de salud.

Más como este