📊 epidemiología

Mortality Baselines and Excess Mortality Events in Belgian and Greek Cities Using Singular Spectrum Analysis

Este estudio utiliza el Análisis de Espectro Singular con selección automatizada de componentes e interpolación de valores atípicos para establecer líneas de base de mortalidad reproducibles para seis ciudades belgas y griegas, revelando que, si bien los periodos pandémicos explicaron la mayoría de los excesos de mortalidad, un número significativo de eventos permaneció sin explicación por extremos de temperatura o epidemias conocidas.

Autores originales: Delforge, D., Charalampous, P., Bustos Sierra, N., De Clercq, E., Katragkou, E., Konstantinoudis, G., Kostoulas, P., Lambrou, A., Masquelier, B., Paraskevis, D., Thiery, W., Tonnelier, M., Speybroeck

Publicado 2026-10-07

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Delforge, D., Charalampous, P., Bustos Sierra, N., De Clercq, E., Katragkou, E., Konstantinoudis, G., Kostoulas, P., Lambrou, A., Masquelier, B., Paraskevis, D., Thiery, W., Tonnelier, M., Speybroeck, N.

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

Para entender cómo le va a una sociedad, los funcionarios de salud pública suelen observar el número de personas que mueren cada semana. No se trata solo de contar a los muertos; se trata de detectar la diferencia entre lo que es normal y lo que es peligroso. Cada año, las tasas de mortalidad aumentan y disminuyen con las estaciones, alcanzando su punto máximo en invierno, cuando circula la gripe y el frío muerde, y bajando en verano. Este ritmo predecible se llama línea base. Cuando el número de muertes sube repentinamente muy por encima de esta línea esperada, señala un evento de mortalidad excesiva. Estos picos pueden ser causados por un nuevo virus, una ola de calor severa o una combinación de ambos. El desafío para los científicos es trazar esa línea de "normalidad" con precisión. Si la línea se traza demasiado baja, un invierno rutinario podría parecer una crisis. Si se traza demasiado alta, un desastre real podría pasar desapercibido. Los métodos tradicionales suelen depender de fórmulas matemáticas rígidas que asumen que el pasado se repetirá de una manera simple, pero tienen dificultades cuando los datos son desordenados o cuando un evento masivo, como una pandemia global, distorsiona el panorama.

Un equipo de investigadores en Bélgica y Grecia se propuso probar una forma diferente de trazar esta línea. Se centraron en seis ciudades principales: Bruselas, Amberes y Lieja en Bélgica, y Atenas, Tesalónica y Larisa en Grecia. Estos lugares fueron elegidos porque ofrecen una mezcla de climas y tamaños de población, lo que permite al equipo ver si su método podía manejar diferentes condiciones del mundo real. En lugar de forzar los datos en una fórmula preestablecida, utilizaron una técnica llamada Análisis de Espectro Singular. Piense en este método como una forma de escuchar una canción compleja y separar el ritmo constante de la melodía y el ruido de fondo. Al descomponer los registros semanales de defunciones de 2015 a 2024 en sus patrones centrales, los investigadores pudieron identificar el verdadero ritmo a largo plazo de la mortalidad sin adivinar cómo debería ser ese ritmo. Para asegurarse de no incluir accidentalmente el caos de la pandemia en su definición de "normal", eliminaron temporalmente esas semanas extremas de los datos, reconstruyeron el patrón y luego verificaron si el resultado tenía sentido estadísticamente.

Los resultados revelaron que el ritmo de la muerte no es el mismo en todas partes. En las ciudades belgas, el patrón era sencillo: un único ciclo fuerte donde las muertes aumentan en invierno y disminuyen en verano. Sin embargo, en las ciudades griegas, el patrón era más complejo. Además del pico invernal, los datos mostraron un segundo aumento significativo de las muertes durante los meses de verano. Este ciclo semestral, que se ha vuelto más pronunciado en los últimos años, sugiere que el calor estival es un motor recurrente de la mortalidad en Grecia que los modelos estándar podrían pasar por alto. Al utilizar este enfoque flexible y basado en datos, los investigadores pudieron crear una línea base fiable para cada ciudad que respetara su historia local única.

Con estas líneas base establecidas, el equipo catalogó cada semana en la que las muertes excedieron el número esperado por un margen significativo. Durante el periodo de nueve años, identificaron 170 eventos distintos de mortalidad excesiva, que representaron más de 14,000 muertes adicionales en las seis ciudades. La gran mayoría de estas muertes, aproximadamente el 77 por ciento, ocurrieron durante los años de la pandemia de COVID-19. Los investigadores también buscaron conexiones entre estos picos y el clima extremo. Encontraron que 96 de las semanas de exceso coincidieron con olas de calor o de frío severas. Por ejemplo, una ola de calor particularmente mortal en agosto de 2020, que afectó a Bélgica entre las olas de la pandemia, fue claramente capturada como un evento importante. En Grecia, un periodo prolongado de mortalidad excesiva en Tesalónica durante el otoño de 2020 se solapó tanto con una ola de frío como con la pandemia.

Curiosamente, no todos los picos tenían una causa clara. Los investigadores encontraron 56 eventos que no coincidían con la pandemia, las temperaturas extremas o las epidemias de gripe conocidas. Estos eventos "no emparejados" constituían una pequeña fracción del total de las muertes por exceso. Sin embargo, su existencia resalta que la mortalidad a menudo es impulsada por una mezcla de factores que son difíciles de separar. El estudio no pretende haber resuelto el misterio de cada pico de mortalidad, ni demuestra que un factor específico haya causado un evento específico. En cambio, ofrece una herramienta robusta y reproducible para mapear el panorama de la mortalidad. Al mostrar que diferentes países tienen diferentes ritmos estacionales y que los métodos flexibles pueden revelar patrones ocultos como el pico estival griego, el trabajo proporciona una forma más clara de monitorear la salud pública. Sugiere que para comprender verdaderamente cuándo una sociedad está en crisis, primero debemos comprender el ritmo único y cambiante de su propia normalidad.

Resumen Técnico: Líneas Base de Mortalidad y Eventos de Mortalidad Excedente en Ciudades Belgas y Griegas mediante el Análisis de Espectro Singular

Planteamiento del Problema
La estimación de la mortalidad excedente depende de la definición de una mortalidad esperada de referencia, una cantidad no observable que típicamente se deriva de modelos con formas funcionales prescritas (por ejemplo, modelos de Poisson log-lineales). Estos enfoques estándar suelen restringir los patrones estacionales y dependen de periodos de referencia cortos que excluyen eventos excepcionales, como la pandemia de COVID-19. Aunque existen alternativas semiparamétricas, estas pueden presentar dificultades en la extrapolación y el sobreajuste. Los métodos de descomposición de series temporales no lineales, específicamente el Análisis de Espectro Singular (SSA, por sus siglas en inglés), ofrecen una alternativa no paramétrica basada en datos capaz de identificar patrones complejos a lo largo de periodos extensos. Sin embargo, el SSA enfrenta dos desafíos prácticos en este contexto: la selección subjetiva de los componentes descompuestos y la alta sensibilidad a valores atípicos extremos (por ejemplo, los picos de mortalidad pandémica).

Metodología
El estudio analiza datos de mortalidad por todas las causas semanales de 2015 a 2024 en seis áreas metropolitanas: Bruselas, Amberes y Lieja (Bélgica), y Atenas, Tesalónica y Larisa (Grecia). Los autores emplean un marco de SSA modificado para abordar las limitaciones identificadas:

Preprocesamiento de Datos: Los recuentos de mortalidad se convirtieron en tasas utilizando datos de población interpolados. La serie temporal fue estandarizada y transformada logarítmicamente.
Implementación de SSA: Los autores aplicaron un SSA univariante (siguiendo a Broomhead & King, 1986) utilizando una longitud de ventana ( $L$ ) de 261 semanas (5 años) para maximizar la separabilidad de los componentes oscilatorios. La matriz de trayectoria se descompuso mediante la Descomposición en Valores Singulares (SVD).
Selección Automatizada de Componentes: Para eliminar la subjetividad, los componentes se seleccionaron mediante SSA de Monte Carlo (MCSSA). Esto implicó generar 5,000 series temporales de control basadas en un proceso AR(1) para establecer un intervalo de confianza del 95% para los valores singulares. Solo se retuvieron los componentes que superaban dicho intervalo. Se aplicó un corte de frecuencia de 4 ciclos por año (periodo de 3 meses) para asegurar líneas base suaves.
Gestión de Valores Atípicos: Para mitigar la influencia de los picos de mortalidad por COVID-19, se utilizó un enfoque de interpolación iterativa. Los valores observados durante los periodos pandémicos definidos fueron reemplazados inicialmente por medias no pandémicas. La reconstrucción del SSA se aplicó de forma iterativa, actualizando los valores pandémicos con la línea base reconstruida hasta alcanzar la convergencia (RMSE < $10^{-3}$ ).
Detección de Eventos de Mortalidad Excedente (EME): La línea base se transformó de nuevo a recuentos esperados. Los EME se definieron como semanas donde las muertes observadas excedieron la línea base en dos desviaciones estándar, calculadas mediante un modelo de varianza cuasi-Poisson ( $V(Y) = \phi\mu$ ) con un parámetro de sobredispersión estimado a partir de las semanas no pandémicas.
Análisis de Coincidencia: Los EME identificados fueron examinados para buscar solapamientos con eventos de temperaturas extremas (ETE). Las definiciones de olas de calor y de frío se optimizaron mediante la puntuación $F_1$ frente a los EME, resultando en las definiciones adoptadas de olas de calor (≥2 días a o por encima del percentil 99 de la temperatura máxima diaria) y olas de frío (≥4 días a o por debajo del percentil 2.5 de la temperatura mínima diaria).

Resultos Clave

Características de la Línea Base: La extracción automatizada por SSA reveló patrones consistentes específicos de cada país. Las regiones belgas exhibieron ciclos anuales dominantes con picos invernales. Las regiones griegas mostraron tanto ciclos anuales como ciclos semianuales significativos, reflejando picos de mortalidad estival pronunciados que se han vuelto más evidentes en años recientes.
Catálogo de Mortalidad Excedente: El estudio catalogó 170 EME que abarcan 456 semanas y 14,210 muertes excedentes.
- Impacto de la Pandemia: El 77% de la mortalidad excedente total ocurrió durante las semanas pandémicas.
- Extremos de Temperatura: 96 semanas coincidieron con eventos de temperaturas extremas.
- Eventos No Emparejados: 56 EME (que representan el 3.7% de la mortalidad excedente) no se vincularon con extremos de temperatura, influenza o la pandemia; 53 de estos fueron eventos de una sola semana.
Eventos Específicos: El análisis identificó eventos mayores, incluyendo las olas de COVID-19 de 2020, la ola de calor de agosto de 2020 en Bélgica (durante un periodo entre olas) y el periodo prolongado de 2021–2022 en Tesalónica, donde un solo EME (41 semanas) coincidió con olas de calor, olas de frío, la pandemia e influenza. Los grupos pre-pandémicos, como las olas de frío y las epidemias de influenza de 2016–2017, también fueron detectados con éxito en ambos países.

Significancia y Reivindicaciones
El artículo postula que el SSA, cuando se combina con MCSSA para la selección automatizada de componentes e interpolación iterativa para el manejo de valores atípicos, produce líneas base reproducibles y de bajos supuestos que capturan eficazmente la estacionalidad específica de cada país, incluyendo patrones complejos como el ciclo semianual en Grecia.

Los autores enfatizan que, si bien las líneas base flexibles pueden absorber la mortalidad estacional recurrente, la elección de qué componentes incluir en la línea base es una decisión metodológica sustantiva. Argumentan que tales elecciones, junto con su sensibilidad, deben reportarse explícitamente para garantizar la transparencia e interpretabilidad. El estudio no pretende proporcionar una atribución de causa específica, sino que ofrece un marco sistemático para catalogar anomalías de mortalidad y contextualizarlas frente a sus impulsores conocidos (temperatura, influenza, pandemias). Este enfoque sirve como una herramienta de cribado para identificar eventos compuestos y anomalías que puedan justificar una investigación epidemiológica explícita adicional, complementando el modelado tradicional basado en impulsores.

Más como este