1
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51679, enero-diciembre 2023 (Publicado Mar. 30, 2023)
Efecto de factores sociodemográficos en la mortalidad del COVID-19
en Costa Rica: un enfoque geográfico
Roger Bonilla-Carrión 1*; https://orcid.org/0000-0002-8789-4494
Ronald Evans-Meza 2; https://orcid.org/0000-0002-0875-9770
Roberto Salvatierra-Durán 3; https://orcid.org/0000-0003-4442-7877
1. Coordinación de Investigación, Escuela de Medicina, Universidad Hispanoamericana, San José, Costa Rica;
roger.bonilla@uhispano.ac.cr (*Correspondencia)
2. Coordinación de Investigación, Escuela de Medicina, Universidad Hispanoamericana, San José, Costa Rica;
revans@uhispano.ac.cr
3. Coordinación de Investigación, Escuela de Medicina, Universidad Hispanoamericana, San José, Costa Rica;
roberto.salvatierra@uhispano.ac.cr
Recibido 04-VII-2022. Corregido 09-I-2022. Aceptado 28-III-2023.
ABSTRACT
The Effect of Sociodemographic Factors on COVID-19 Mortality in Costa Rica: A Geographic Approach
Introduction: The coronavirus disease (COVID-19) has spread among the population of Costa Rica and has had
a great global impact. However, there are important geographic differences in mortality from COVID-19 among
world regions and within Costa Rica.
Objective: To explore the effect of some sociodemographic factors on COVID-19 mortality in the small geo-
graphic divisions or cantons of Costa Rica.
Methods: We used official records and applied a classical epidemiological Poisson regression model and a
geographically weighted regression model.
Results: We obtained a lower Akaike Information Criterion with the weighted regression (927.1 in Poisson
regression versus 358.4 in weighted regression). The cantons with higher risk of mortality from COVID-19 had
a denser population; higher material well-being; less population by health service units and are located near the
Pacific coast.
Conclusions: A specific COVID-19 intervention strategy should concentrate on Pacific coast areas with denser
population, higher material well-being and less population by health service units.
Key words: COVID-19; socio-demographic factors; generalized linear models (GLM); Poisson regression;
geographically weighted regression (GWR); Costa Rica.
RESUMEN
Introducción: La enfermedad por coronavirus (COVID-19) se ha extendido entre la población de todo el país
y ha tenido un gran impacto a nivel mundial. Sin embargo, existen diferencias geográficas importantes en la
mortalidad de COVID-19 entre las diferentes regiones del mundo y en Costa Rica.
Objetivo: Explorar el efecto de algunos de los factores sociodemográficos en la mortalidad de COVID-19 en
pequeñas divisiones geográficas o cantones de Costa Rica.
Métodos: Usamos registros oficiales y aplicamos un modelo de regresión clásica de Poisson y un modelo de
regresión ponderada geográficamente.
https://doi.org/10.15517/rev.biol.trop..v71i1.51679
OTROS
2Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51679, enero-diciembre 2023 (Publicado Mar. 30, 2023)
INTRODUCCIÓN
El COVID-19 también conocido como
enfermedad por nuevo coronavirus es causada
por el coronavirus 2 del síndrome respiratorio
agudo severo (SARS-CoV-2). Los síntomas del
COVID-19 aparecen entre dos y catorce días
(período de incubación), con un promedio de
cinco días, después de la exposición al virus.
La pandemia de la enfermedad empezó a fina-
les del 2019 y se ha extendido entre la pobla-
ción, teniendo un gran impacto a nivel mundial
(Carr, 2020; Evans et al. 2022; Lai et al. 2020;
Guan et al. 2020; Huang et al. 2020; Velavan &
Meyer, 2020; Zhang et al. 2021).
Para controlar la pandemia, es importante
analizar los factores de riesgo del COVID-
19. Aunque muchos estudios han investigado
acerca de la epidemiología, diagnóstico y trata-
miento del COVID-19 (Pan et al. 2020; Wu &
McGoogan, 2020), pocos han informado sobre
la distribución geográfica del COVID-19 en
relación con los factores sociodemográficos de
las diferentes regiones.
En epidemiología, la mayoría de las inves-
tigaciones utilizan modelos de regresión clási-
cos, como los modelos lineales generalizados
(GLM) (Blume et al. 2007; Ludbrook, 2010).
Sin embargo, estos modelos clásicos generan
un sesgo al estimar parámetros promedios
sobre todas las regiones estudiadas, sin consi-
derar una eventual variación geográfica. Los
modelos de regresión ponderada geográfica-
mente (GWR) son un enfoque robusto para
analizar las variaciones geográficas de los
fenómenos epidemiológicos como la mortali-
dad y otros problemas de salud en la geografía
(Thapa & Estoque, 2012; Fotheringham et al.,
2002; Wheeler & Páez, 2010).
Los objetivos principales de este artículo
fueron: a) Describir las características geográ-
ficas de la mortalidad por COVID-19 entre
los cantones de Costa Rica y b) Explorar la
variante relación espacial de la mortalidad por
COVID-19 y variables sociodemográficas.
MATERIALES Y MÉTODOS
Fuente de datos: Usando los datos dispo-
nibles acerca del COVID-19 en Costa Rica, se
realizó un estudio epidemiológico y geográfi-
co, en donde el cantón de Costa Rica es la uni-
dad básica geográfica (82 cantones), los cuales
estaban geo-referenciados con el sistema de
referencia de latitud/longitud, los cuales fueron
obtenidos de Google Earth (Google, s.f.). Se
utilizaron los datos de las defunciones totales
por COVID-19 entre el 18 de marzo del 2020 al
18 de marzo del 2022 disponibles en el Minis-
terio de Salud de Costa Rica (Ministerio de
Salud, 2022). Del Atlas de Desarrollo Humano
cantonal, 2021 desarrollado por la Escuela de
Estadística de la Universidad de Costa Rica
(UCR) y el Programa de las Naciones Unidas
para el Desarrollo (PNUD, 2021), se obtuvie-
ron los datos del índice de bienestar material
(IBM). El IBM fue usado como una variable
proxy del nivel socioeconómico de cada cantón
y es un indicador que está entre cero y uno
(valor más alto). También se obtuvieron datos
de población, el área en kilómetros cuadrados y
el número de unidades de recursos humanos de
primera línea en la prestación de servicios de
Resultados: Obtuvimos un criterio de información de Akaike (AIC) más bajo con la regresión ponderada (927.1
en la regresión de Poison versus 358.4 en la regresión ponderada). Los cantones con un mayor riesgo de morta-
lidad por COVID-19 tuvo una población más densa; bienestar material más alto; menor proporción de cobertura
de salud y están ubicadas en el área del Pacífico de Costa Rica.
Conclusiones: Una estrategia de intervención de COVID-19 específica debería concentrarse en áreas de la costa
pacífica con poblaciones más densas, mayor bienestar material y menor población por unidad de salud.
Palabras clave: COVID-19; factores socio-demográficos; modelos lineales generalizados (GLM); regresión de
Poisson; regresión ponderada geográficamente (GWR); Costa Rica.
3
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51679, enero-diciembre 2023 (Publicado Mar. 30, 2023)
salud (EBAIS) para cada uno de los cantones
en Costa Rica. Dicha información fue obtenida
del contenido de los indicadores para el Índice
de Progreso Social Cantonal, desarrollado por
la Escuela de Negocios del Instituto Centro-
americano de Administración de Empresas
(INCAE, 2020). Para cada cantón, se dividió la
población entre el área en kilómetros cuadrados
para obtener la densidad poblacional.
Análisis de datos: La mortalidad por
COVID-19 fue medida como el número de
defunciones por COVID-19 en los cantones
de Costa Rica, que fueron compensadas por
la población del cantón (offset). Las variables
explicativas fueron: (1) La densidad poblacio-
nal, que es una variable que aumenta el riesgo
de mortalidad de COVID-19 (Carozzi, 2020;
Kadi & Khelfaoui, 2020; Khavarian-Garmsir
et al., 2021). (2) El índice de bienestar mate-
rial, que puede modificar la mortalidad por
COVID-19 (Carhuapoma-Yance et al., 2021;
Cruz-Castanheira & Monteiro da Silva, 2021;
Dorregaray-Farge et al., 2021; Varotsos, et al.,
2021). (3) Proporción de habitantes cubierta
por unidades de servicios de salud (EBAIS)
definida como el radio de los habitantes entre
el número de EBAIS y es una variable proxy
de la cobertura de salud. (4) La cercanía a los
centros turísticos del Océano Pacífico. Esto
último, es un factor que incrementa el riesgo
de mortalidad por COVID-19 (Bonilla-Carrión,
2022; Bonilla-Carrión & Zapata-Quintanilla,
2021; Bonilla-Carrión et al., 2021). El software
R 4.0.5 (R Core Team, 2021) fue utilizado para
mapear la distribución geográfica de la morta-
lidad por COVID-19 y las variables explicati-
vas por cantón. Los códigos de los cantones, las
defunciones por COVID-19, la población por
cantón, la densidad poblacional, el índice de
bienestar material y la cobertura por EBAIS se
procesaron en una hoja electrónica de Micro-
soft EXCEL exportada al software R 4.0.5 (R
Core Team, 2021). Los códigos de los cantones
fueron obtenidos en el Instituto Geográfico
Nacional y posteriormente la hoja electróni-
ca con los datos fue enlazada al archivo de
mapa para su graficación según los códigos
de los cantones.
El modelo GLM fue realizado con el soft-
ware R 4.0.5 (R Core Team, 2021) basado en el
supuesto que la mortalidad por COVID-19 se
ajusta a la distribución de Poisson. La fórmula
de ajuste del análisis se expresa como:
En donde Oi es la mortalidad por COVID-
19 en el cantón i, β0 es la constante del
modelo, βj (j = 1, 2, 3, 4) son los parámetros
del modelo correspondientes a las variables
explicativas: densidad poblacional, bienestar
material, cobertura por EBAIS y la cercanía
a los centros turísticos. DEN es la densidad
poblacional (habitantes por km2) del cantón
i; IBM es el índice de bienestar material del
cantón i; EBAIS es la proporción de habitantes
cubierta por EBAIS del cantón i; CPAC es una
variable binaria, en donde el cantón i tiene el
valor de 1 si posee costa en el Océano Pacífico
y 0 en el resto de los casos y εi es el término de
error para el cantón i.
En el modelo GWR, los coeficientes cam-
bian según la ubicación geográfica, lo que
significa que el modelo GWR puede captar la
inestabilidad espacial de los datos y encontrar
la asociación local entre la variable dependien-
te y las variables explicativas. La fórmula del
modelo GWR está expresada como:
En donde (ui,vi) son las dos coordenadas
para cada cantón y las definiciones de los otros
parámetros del modelo son similares a los del
modelo GLM mencionado anteriormente. El
software GWR 4.0 (Nakaya et al. 2005) fue
usado para calibrar el modelo GWR con el
método iterativo de mínimos cuadrados re-pon-
derados. Se utilizó un esquema de ponderación
4Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51679, enero-diciembre 2023 (Publicado Mar. 30, 2023)
basado en la distancia para asignar pesos a cada
cantón, en donde el peso es mayor entre canto-
nes más cercanos y a medida que los cantones
se alejan, la ponderación disminuye. El tipo de
kernel y la función de ponderación geográfica
para estimar los coeficientes locales para cada
cantón y el tamaño del ancho de banda (band-
width) fue bicuadrado adaptativo. El mejor
ancho de banda fue determinado automática-
mente usando el método de búsqueda de la
sección dorada (Golden-section search) basada
en los criterios de información de Akaike más
bajos (AIC).
El análisis completo consistió en ejecutar
un modelo GLM usando el software R 4.0.5
(R Core Team, 2021) para estimar el efecto
de las variables explicativas en la mortalidad
por COVID-19 entre los 82 cantones de Costa
Rica. Considerando que la auto-correlación
espacial no puede ser ajustada por el modelo
GLM, todas las variables explicativas fueron
usadas en el modelo GWR en el software GWR
4.0® (Nakaya, 2005) para explorar las diferen-
cias geográficas en el efecto de las variables
dependientes e independientes. Finalmente, se
utilizó el software R 4.0.5 para representar la
distribución de la mortalidad por COVID-19
y las variables sociodemográficas en el mapa
de Costa Rica, para reflejar las diferencias geo
gráficas en la relación entre los facto-
res sociodemográficos y la mortalidad por
COVID-19.
RESULTADOS
Al 18 de marzo del 2022, se confirmaron
8 197 defunciones por COVID-19 en los 82
cantones de Costa Rica, con una tasa de mor-
talidad de 158.8 por 100 mil habitantes. De los
cantones estudiados, San José tiene la mortali-
dad más alta por COVID-19 (263.4 por cien mil
habitantes), mientras otros cantones hacia el
norte, el noroeste y al sur tienen la mortalidad
más baja (Fig. 1). Los 12 cantones con la mor-
talidad más alta por COVID-19 se muestran
en la Tabla 1. La I de Moran es una medida
de autocorrelación espacial, la correlación de
una señal entre otras regiones en el espacio. Al
calcular la I de Moran (I = 0.235, P < 0.05),
la mortalidad de COVID-19 tuvo patrones
de conglomeración. El centro de Costa Rica
presenta una mayor densidad poblacional (Fig.
2A), el bienestar material es mayor en el centro,
norte y noroeste de Costa Rica (Fig. 2B) y la
proporción de habitantes cubiertos por EBAIS
es mayor en varios cantones costeros, donde
destacan algunos con mucha actividad turística
(Fig. 2C). Los cantones que pertenecen a la
costa Pacífica de Costa Rica se presentan en
Fig. 2D. La Tabla 2 muestra una descripción de
estas variables.
El modelo GLM muestra que la constante
y las cuatro variables explicativas son significa-
tivas al 5% (Tabla 3). La densidad poblacional
está positivamente asociada con la mortalidad
por COVID-19. Cuando la densidad poblacio-
nal aumenta en mil habitantes por kilómetro
cuadrado, la tasa de mortalidad por COVID-
19 aumenta en un factor de 0.1 unidades. El
bienestar material muestra una relación posi-
tiva con la tasa de mortalidad por COVID-19
y dicha asociación es significativa, la tasa de
mortalidad por COVID-19 se incrementa en
0.38 unidades frente cambios unitarios del
bienestar material.
Fig. 1. Distribución espacial de la mortalidad por COVID-
19 en Costa Rica. (Los colores más rojos son las tasas
de mortalidad más altas). / Fig. 1. Spatial distribution of
mortality from COVID-19 in Costa Rica. (The redder
colors are the higher death rates).
5
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51679, enero-diciembre 2023 (Publicado Mar. 30, 2023)
TABLA 1 / TABLE 1
Resumen de los 12 cantones de Costa Rica con la mortalidad más alta por COVID-19 (18-Mar-2020 al 18-Mar-2022). /
Summary of the 12 cantons of Costa Rica with the highest mortality from COVID-19 (Mar 18, 2020 to Mar 18, 2022).
Cantón Defunciones
confirmadas
Tasa de
mortalidad 1
Densidad
poblacional 2IBM 3EBAIS 4Costa
pacífica
San José, SJ 921 263.4 7 836.8 0.7013 0.2533 No
Goicoechea, SJ 301 215.5 4 434.2 0.7044 0.1472 No
Montes de Oro, PU 30 207.5 59.1 0.7917 0.5176 No
Corredores, PU 108 204.0 85.3 0.7214 0.1443 No
Tibás, SJ 169 197.7 10 489.1 0.5760 0.3210 No
Guatuso, AL 38 195.3a 25.7 0.6470 0.2722 No
Zarcero, AL 28 193.3 93.4 0.7991 0.5164 No
Alajuela, AL 610 191.8 818.9 0.8035 0.1918 No
Limón, LI 189 188.9 56.7 0.6994 0.4048 No
Alajuelita, SJ 179 186.7 4 528.5 0.6447 0.1396 No
Santo Domingo, HE 91 184.0 1 991.2 0.8548 0.3250 No
Puntarenas, PU 258 181.7 77.1 0.7396 0.4459 Sí
1 Por cien mil habitantes. 2 Habitantes por km2. 3 Índice de bienestar material. 4 Proporción de habitantes cubiertos por
EBAIS. / 1 Per 100 thousand population. 2 Population per km2. 3 Material wellbeing index. 4 Proportion of population covered
by health system. / SJ: San José, PU: Puntarenas, AL: Alajuela, HE: Heredia, LI: Limón.
TABLA 2 / TABLE 2
Resumen de las estadísticas descriptivas de las variables del modelo GLM para la mortalidad por COVID-19 en Costa Rica
(18-Mar-2020 al 18-Mar-2022). / Summary of the descriptive statistics of the variables of the GLM model for mortality from
COVID-19 in Costa Rica (Mar 18, 2020 to Mar 18, 2022).
Estadística Defunciones confirmadas Tasa de mortalidad 1Densidad poblacional 2IBM 3EBAIS 4
Mínimo 3 28.8 15.7 0.5625 0.0000
Percentil 25 35 105.2 48.4 0.6524 0.1648
Mediana 59 145.2 89.2 0.7217 0.2699
Percentil 75 108 172.5 814.5 0.7929 0.3759
Máximo 921 263.4 10 489.1 0.9388 1.0000
1 Por cien mil habitantes. 2 Habitantes por km2. 3 Índice de bienestar material. 4 Proporción de habitantes cubiertos por
EBAIS. / 1 Per 100 thousand population. 2 Population per km2. 3 Material wellbeing index. 4 Proportion of population covered
by health system.
TABLA 3 / TABLE 3
Estadísticas resumen del modelo GLM para la mortalidad por COVID-19 en Costa Rica (18-Mar-2020 al 18-Mar-2022). /
Summary statistics of the GLM model for COVID-19 mortality in Costa Rica (Mar 18, 2020 to Mar 18, 2022).
Variable Coeficiente Error estándar Valor z p
Densidad poblacional 10.0001 0.0000 16.6600 0.0000
IBM 20.3831 0.1567 2.4450 0.0145
EBAIS 3-0.2432 0.0868 -2.8020 0.0051
Costa pacífica 0.1491 0.0346 4.3100 0.0000
Constante -6.8010 0.1221 -55.6940 0.0000
AIC= 927.1. 1 Habitantes por km2. 2 Índice de bienestar material. 3 Proporción de habitantes cubiertos por EBAIS. / AIC=
927.1. 1 Population per km2. 2 Material wellbeing index. 3 Proportion of population covered by health system.
6Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51679, enero-diciembre 2023 (Publicado Mar. 30, 2023)
La proporción de habitantes cubiertos por
EBAIS muestra una relación inversa con la
tasa de mortalidad por COVID-19 y dicha
asociación es significativa. Esto sugiere que el
aumento de cobertura por EBAIS podría refle-
jar un deterioro en la atención de la salud, que
hace que la tasa de mortalidad por COVID-19
aumente en los cantones. Finalmente, a mayor
pertenencia de los cantones a las zonas turísti-
cas en la costa Pacífica de Costa Rica se dan
mayores tasas de mortalidad por COVID-19,
el coeficiente es 0.1491 es significativo al 5%,
el pertenecer a la costa Pacífica hace que la
tasa de mortalidad por COVID-19 aumente en
0.1491 unidades.
El ajuste del modelo GWR con constante
y variables explicativas que varían geográfica-
mente de un cantón a otro es mejor (Tabla 4)
pues se encontró un AIC significativamente
más bajo que el del modelo GLM (358.4 en
GWR versus 927.1 en GLM, respectivamente).
En la tabla 4 se muestran los valores mínimos,
Fig. 2. Distribución espacial de las variables explicativas para mortalidad por COVID-19 en Costa Rica. A. Densidad
poblacional (Habitantes por km2, en log), B. Índice de bienestar material (IBM), C. Proporción de habitantes cubiertos por
EBAIS, D. Costa pacífica, tiene valor de 1 si el cantón tiene costa en el Océano Pacífico. / Fig. 2. Spatial distribution of the
explanatory variables for mortality from COVID-19 in Costa Rica. A. Population density (Population per km2, in log), B.
Material wellbeing index (MBI), C. Proportion of population covered by health system, D. Pacific coast, has a value of 1 if
the canton has a coast on the Pacific Ocean.
7
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51679, enero-diciembre 2023 (Publicado Mar. 30, 2023)
promedio, máximo y desviación estándar de los
82 coeficientes estimados.
La Fig. 3 muestra una representación visual
de los coeficientes que varían geográficamen-
te para las cuatro variables explicativas en el
modelo GWR. Cada uno de los cuatro mapas
refleja la relación entre la variable explicativa y
la mortalidad por COVID-19, distribuida según
cantones del país. Un tono más oscuro implica
una mayor relación entre la mortalidad y la
variable. La densidad poblacional está asociada
siempre de forma positiva con la mortalidad
por COVID-19, cuyos más altos coeficientes se
encuentran al sur del Gran Área Metropolitana
y hacia el Pacífico central (Ej: Parrita, Dota,
Quepos, El Guarco) (Fig. 3A). El bienestar
material y la tasa de mortalidad por COVID-19
están asociados en promedio de forma positiva
(modelo GLM) y esta asociación se ve más
incrementada en el noroeste de Costa Rica
(Ej: La Cruz, Liberia, Carrillo, Upala) y se
presenta con debilidad en los cantones al sur y
fronterizos con Panamá (Fig. 3B). La cobertura
por EBAIS tiene, en promedio, una asociación
negativa con la tasa de mortalidad por COVID-
19 y dicha asociación es más significativa en
los cantones del Pacífico central (Ej: Garabito,
Parrita, Turrubares, Puriscal) y la mayoría de
los coeficientes disminuyen hacia el noreste de
Costa Rica y hacia el sur (Fig. 3C). Los canto-
nes más cercanos a la costa Pacífica hacen que
la mortalidad por COVID-19 se incremente y
en particular en los cantones del sur de Costa
Rica (Ej: Pérez Zeledón, Dota, Quepos, Paraí-
so) y dicha asociación disminuye en la zona
norte del país (Guanacaste y la Zona Norte, San
Carlos) (Fig. 3D). En resumen, existen efectos
de estos cuatro factores sociodemográficos en
la mortalidad por COVID-19 en los cantones
de Costa Rica.
DISCUSIÓN
Para analizar los factores de riesgo poten-
ciales del COVID-19, se diseñó un Sistema de
Información Geográfica (SIG) para mostrar las
distribuciones geográficas de la mortalidad por
COVID-19 con factores sociodemográficos: la
densidad poblacional, el bienestar material, la
cobertura de salud y la pertenencia a la costa
Pacífica. En este artículo se comparó el mode-
lo GWR y el modelo GLM para identificar el
modelo idóneo para describir la relación entre
las variables sociodemográficas y la mortalidad
por COVID-19. En comparación con el modelo
GLM, el ajuste del modelo GWR muestra un
mejor ajuste.
Con respecto a la densidad poblacional, el
modelo GWR y el modelo GLM mostraron una
relación positiva entre la densidad poblacional
de los cantones y la mortalidad por COVID-
19. En el modelo GWR, este efecto disminuye
desde el noroeste de Costa Rica, que tiene una
menor densidad de población, hacia el centro
y el Pacífico central del país, que tienen una
mayor densidad. La mortalidad por COVID-19
TABLA 4 / TABLE 4
Estadísticas resumen del modelo GWR para la mortalidad por COVID-19 en Costa Rica (18-Mar-2020 al 18-Mar-2022). /
Summary statistics of the GWR model for COVID-19 mortality in Costa Rica (Mar 18, 2020 to Mar 18, 2022).
Variable Mínimo Promedio Desv. estándar Máximo
Densidad poblacional 10.0671 0.1101 0.0188 0.1471
IBM 2-0.0607 0.0372 0.0470 0.1323
EBAIS 3-0.1055 -0.0375 0.0302 0.0508
Costa pacífica 4-0.0251 0.0464 0.0379 0.1469
Constante -6.6415 -6.5206 0.0523 -6.4377
AIC = 358.4. 1 Habitantes por km2. 2 Índice de bienestar material. 3 Proporción de habitantes cubiertos por EBAIS 4 Costa
pacífica, tiene valor de 1 si el cantón tiene costa en el Océano Pacífico. / AIC = 358.4. 1 Population per km2. 2 Material
wellbeing index. 3 Proportion of population covered by health system. 4 Pacific coast, has a value of 1 if the canton has a
coast on the Pacific Ocean.
8Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51679, enero-diciembre 2023 (Publicado Mar. 30, 2023)
es mayor en los cantones con mayor densidad
poblacional. Este patrón ha sido documentado
en estudios que afirman que la mayor pobla-
ción y la aglomeración de personas favorecen
el contagio por COVID-19 (Zazo-Moratalla
& Álvarez-Agea, 2020). Zhang & Schwartz
(2020) afirman que la densidad poblacional
es una variable que predice la mortalidad por
COVID-19 para las áreas metropolitanas, como
las del centro de Costa Rica. Se requieren
mayores estudios para analizar en detalle la
relación de la densidad poblacional con la mor-
talidad por COVID-19.
Según el modelo GLM y el modelo GWR,
los cantones con un bienestar material más
alto tienen un mayor riesgo de COVID-19.
Jeanne et al. (2022) afirman que el COVID-
19 tiende a aparecer primero en las regiones
Fig. 3. Distribución espacial de los coeficientes de las variables explicatorias en el modelo de regresión ponderada
geográficamente (GWR) para mortalidad por COVID-19 en Costa Rica. A. Densidad poblacional (Habitantes por km2, en
log), B. Índice de bienestar material (IBM), C. Cobertura de habitantes por EBAIS, D. Costa pacífica, tiene valor de 1 si
el cantón tiene costa en el Océano Pacífico. / Fig. 3. Spatial distribution of the coefficients of the explanatory variables in
the geographically weighted regression (GWR) model for mortality from COVID-19 in Costa Rica A. Population density
(Population per km2, in log), B. Material wellbeing index (MBI), C. Proportion of inhabitants covered by EBAIS, D. Pacific
coast, has a value of 1 if the canton has a coast on the Pacific Ocean.
9
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51679, enero-diciembre 2023 (Publicado Mar. 30, 2023)
económicamente más desarrolladas y tras la
propagación inicial, el virus se propaga más
tarde a las áreas en desarrollo. En este trabajo,
los coeficientes más altos del modelo GWR
están en el noroeste del país, particularmente
en la provincia de Guanacaste. Es importante
recordar que en estas zonas existen las llama-
das zonas azules, lugares en el mundo donde
se encuentran las personas más longevas, con
un porcentaje alto de personas que superan los
100 años de edad (Madrigal-Leer et al., 2020).
Aunque la alta longevidad obedece a múltiples
factores, es posible que ésta produzca valores
más altos del índice de bienestar material y
que se ejerza una influencia más significativa
en la provincia de Guanacaste, aunado a la
presencia de cantones con alta actividad turís-
tica y en consecuencia, aumente la mortalidad
por COVID-19. Se requiere más estudios para
conocer las causas en detalle.
El modelo GLM mostró que la cobertura
por EBAIS está asociada de manera negativa
con la mortalidad por COVID-19. El modelo
GWR mostró que dicha asociación es más fuer-
te en los cantones del Pacífico central y dis-
minuye hacia el noreste de Costa Rica y hacia
el sur, lo que indica que la cobertura podría
mitigar la propagación del COVID-19 en deter-
minadas regiones del país. Esto apunta a que
existe una disparidad regional de la cobertura
de salud en Costa Rica. Para controlar efi-
cientemente la mortalidad por COVID-19, es
necesario promover el uso de los recursos de
salud disponibles y accesibles en las regiones
de Costa Rica. Esta situación podría generar
una guía sobre cómo prepararse para posibles
brotes locales.
El estudio finalmente mostró que los can-
tones más cercanos a la costa Pacífica hacen
que la mortalidad por COVID-19 se incremen-
te, particularmente en los cantones del sur de
Costa Rica y esa mortalidad disminuye en la
zona norte del país. En la provincia de Gua-
nacaste, en donde existe mucho turismo, la
relación con la mortalidad por COVID-19 es
mayor. El estudio muestra que la cercanía a los
centros turísticos, es un factor que incrementa
el riesgo de contagio por COVID-19 en algunas
regiones específicas (Bonilla-Carrión, 2022;
Bonilla-Carrión & Zapata-Quintanilla, 2021;
Bonilla-Carrión et al., 2021). Para el control
de la mortalidad por COVID-19, es necesario
incentivar las medidas de prevención de la
enfermedad en las regiones turísticas (vacu-
nación esquema completo, uso de mascarilla,
lavado de manos, distanciamiento, etc.).
El presente estudio tiene algunas limita-
ciones. En primer lugar, las diferencias pueden
explicarse a factores de confusión no observa-
dos, como la edad, sexo, altitud de las ciudades
de Costa Rica y otros factores no tomados en
cuenta en el análisis. En segundo lugar, como
los datos de mortalidad por COVID-19 se basan
en datos de vigilancia, no es posible demostrar
la relación causal entre las variables sociode-
mográficas y la mortalidad por COVID-19. En
tercer lugar, debido a que en cada país existen
diferentes políticas para manejar el tema de la
pandemia del COVID-19, estos resultados no
pueden ser generalizados. Sin embargo, desde
la literatura actual, este estudio es el primero en
combinar los datos de mortalidad por COVID-
19 y la información sociodemográficos en un
SIG y analizar los posibles factores de riesgo
de la mortalidad por COVID-19 en Costa Rica,
desde un enfoque geográfico.
Declaración de ética: los autores declaran
que todos están de acuerdo con esta publica-
ción y que han hecho aportes que justifican
su autoría; que no hay conflicto de interés de
ningún tipo; y que han cumplido con todos los
requisitos y procedimientos éticos y legales
pertinentes. Todas las fuentes de financiamien-
to se detallan plena y claramente en la sección
de agradecimientos. El respectivo documento
legal firmado se encuentra en los archivos de
la revista.
AGRADECIMIENTOS
Los autores agradecen a la Universidad
Hispanoamericana por el apoyo administrativo
para la ejecución de este trabajo. Al Ministerio
de Salud de Costa Rica, la Escuela de Estadís-
tica de la Universidad de Costa Rica (UCR), el
10 Revista de Biología Tropical, ISSN: 2215-2075 Vol. 71: e51679, enero-diciembre 2023 (Publicado Mar. 30, 2023)
Programa de las Naciones Unidas para el Desa-
rrollo (PNUD) y la Escuela de Negocios del
Instituto Centroamericano de Administración
de Empresas (INCAE) por suministrar la infor-
mación base para la redacción de este artículo.
REFERENCIAS
Blume, J. D., Su, L., Olveda, R. M., & McGarvey, S. T.
(2007). Statistical evidence for GLM regression
parameters: a robust likelihood approach. Statis-
tics in Medicine, 26(15), 2919–2936. https://doi.
org/10.1002/sim.2759
Bonilla-Carrión, R. (2022). Guatemala: Análisis geoesta-
dístico del COVID-19 en el primer año de pandemia.
Revista Médica (Colegio de Médicos y Cirujanos de
Guatemala), 161(1), 2–7. https://doi.org/10.36109/
rmg.v161i1.474
Bonilla-Carrión, R., & Zapata-Quintanilla, E. (2021).
Análisis geoespacial del COVID-19 en Honduras a
los 18 meses de pandemia. Revista Médica (Colegio
de Médicos y Cirujanos de Guatemala), 160(3),
212–223. https://doi.org/10.36109/rmg.v160i3.448
Bonilla-Carrión, R., Evans-Meza, R., & Salvatierra-Durán,
R. (2021). Análisis geográfico de la morbilidad del
COVID-19 en Costa Rica, 2020-2021. Revista His-
panoamericana de Ciencias de la Salud, 7(1), 3–10.
https://doi.org/10.56239/rhcs.2021.71.468
Carhuapoma-Yance, M., Apolaya-Segura, M., Valladares-
Garrido, M. J., Failoc-Rojas, V. E., & Díaz-Vélez,
C. (2021). Índice desarrollo humano y la tasa de
letalidad por Covid-19: Estudio ecológico en Amé-
rica. Revista del Cuerpo Médico Hospital Nacional
Almanzor Aguinaga Asenjo, 14(3), 362–366. https://
doi.org/10.35434/rcmhnaaa.2021.143.1258
Carozzi, F. (2020). Urban density and covid-19. SSRN
Electronic Journal, 13440. https://doi.org/10.2139/
ssrn.3643204
Carr, D. (2020). Sharing research data and findings
relevant to the novel coronavirus (COVID-19) out-
break. Wellcome Trust. https://wellcome.ac.uk/
press- release/sharing-research-data-and-findings-
relevant- novel-coronavirus-covid-19-outbreak
Cruz-Castanheira, H., & Monteiro da Silva, J. H. (2021).
Mortalidad por COVID-19 y las desigualdades por
nivel socioeconómico y por territorio. La Comi-
sión Económica para América Latina (CEPAL).
https://www.cepal.org/es/enfoques/mortalidad-covid-
19-desigualdades-nivel-socioeconomico-territorio
Dorregaray-Farge, Z. E., Soto, A., & De la Cruz Var-
gas, J. (2021). Correlación entre mortalidad por
covid-19, índices de riqueza y desarrollo huma-
no y densidad poblacional en distritos de Lima
Metropolitana durante el 2020. Revista de la Facultad
de Medicina Humana, 21(4), 780–789. https://dx.doi.
org/10.25176/rfmh.v21i4.3987
Evans, R., Bonilla, R., Salvatierra, R., & González, L. (2022).
Una Pandemia en Perspectiva 100. Universidad
Hispanoamericana. https://uh.ac.cr/investigaciones/
detalle/una-pandemia-en-perspectiva-100-
Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2007).
Geographically weighted regression: The analysis of
spatially varying relationships. John Wiley & Sons.
Google (s.f.). [Mapa Geográfico de los cantones de Costa
Rica mediante Google Earth]. Recuperado el 15 de
marzo del 2022, de https://www.google.com/earth/
Guan, W. J., Ni, Z. Y., Hu, Y., Liang, W. H., Ou, C. Q., He,
J. X., Liu, L., Shan, H., Lei, C. L., Hui, D. S. C., Du,
B., Li, L. J., Zeng, G., Yuen, K. Y., Chen, R. C., Tang,
C. L., Wang, T., Chen, P. Y., Xiang, J., … Zhong, N.
S. (2020). Clinical characteristics of 2019 novel coro-
navirus infection in China. New England Journal of
Medicine, 382, 1708–1720. https://doi.org/10.1056/
NEJMoa2002032
Huang, C., Wang, Y., Li, X., Ren, L., Zhao, J., Hu, Y.,
Zhang, L., Fan, G., Xu, J., Gu, X., Cheng, Z., Yu, T.,
Xia, J., Wei, Y., Wu, W., Xie, X., Yin, W., Li, H., Liu,
M., … Cao, B. (2020). Clinical features of patients
infected with 2019 novel coronavirus in Wuhan,
China. Lancet, 395(10223), 497–506. https://doi.
org/10.1016/S0140-6736(20)30183-5
INCAE. (2020). Índice de Progreso Social Cantonal
2019. INCAE Business School. https://www.incae.
edu/es/clacds/proyectos/indice-de-progreso-social-
cantonal-2019.html
Jeanne, L., Bourdin, S., Nadou, F., & Noiret, G. (2022).
Economic globalization and the COVID-19 pande-
mic: global spread and inequalities. GeoJournal, 1–8.
https://doi.org/10.1007/s10708-022-10607-6
Kadi, N., & Khelfaoui, M. (2020). Population density, a
factor in the spread of COVID-19 in Algeria: statistic
study. Bulletin of the National Research Centre, 44(1),
138. https://doi.org/10.1186/s42269-020-00393-x
Khavarian-Garmsir, A. R., Sharifi, A., & Moradpour, N.
(2021). Are high-density districts more vulnera-
ble to the COVID-19 pandemic? Sustainable Cities
and Society, 70, 102911. https://doi.org/10.1016/j.
scs.2021.102911
Lai, Y. J., Chang, C. M., Lin, C. K., Yang, Y. P., Chien,
C. S., Wang, P. H., & Chang, C. C. (2020). Severe
acute respiratory syndrome coronavirus-2 and the
deduction effect of angiotensin-converting enzyme
2 in pregnancy. Journal of the Chinese Medical
Association, 83(9), 812–816. https://doi.org/10.1097/
jcma.0000000000000362
11
Revista de Biología Tropical, ISSN: 2215-2075, Vol. 71: e51679, enero-diciembre 2023 (Publicado Mar. 30, 2023)
Ludbrook, J. (2010). Linear regression analysis for com-
paring two measurers or methods of measurement:
but which regression? Linear regression for compa-
ring methods. Clinical and Experimental Pharma-
cology & Physiology, 37(7), 692–699. https://doi.
org/10.1111/j.1440-1681.2010.05376.x
Madrigal-Leer, F., Martínez-Montandón, A., Solís-Umaña,
M., Helo-Guzmán, F., Alfaro-Salas, K., Barrien-
tos-Calvo, I., Camacho-Mora, Z., Jiménez-Porras,
V., Estrada-Montero, S., & Morales-Martínez, F.
(2020). Clinical, functional, mental and social pro-
file of the Nicoya Peninsula centenarians, Costa
Rica, 2017. Aging Clinical and Experimental
Research, 32(2), 313–321. https://doi.org/10.1007/
s40520-019-01176-9
Ministerio de Salud. (2022). Situación Nacional COVID-
19. Ministerio de Salud de Costa Rica. https://geovi-
sion.uned.ac.cr/oges/
Nakaya, T., Fotheringham, A. S., Brunsdon, C., & Charl-
ton, M. (2005): Geographically weighted Poisson
regression for disease associative mapping. Statistics
in Medicine, 24, 2695–2717. https://doi.org/10.1002/
sim.2129
Pan, A., Liu, L., Wang, C., Guo, H., Hao, X., Wang, Q.,
Huang, J., He, N., Yu, H., Lin, X., Wei, S., & Wu,
T. (2020). Association of public health interventions
with the epidemiology of the COVID-19 outbreak
in Wuhan, China. Journal of the American Medi-
cal Association, 323(19), 1915–1923. https://doi.
org/10.1001/jama.2020.6130
Programa de las Naciones Unidas para el Desarrollo
(PNUD). (2021). Atlas de desarrollo humano canto-
nal, 2021. Programa de las Naciones Unidas para el
Desarrollo. https://www.cr.undp.org/content/costari-
ca/es/home/atlas-de-desarrollo-humano-cantonal.htm
R Core Team. (2021). R: A language and environment for
statistical computing. R Foundation for Statistical
Computing, Vienna, Austria. https://www.R-project.
org/
Thapa, R. B., & Estoque, R. C. (2012). Geographically
Weighted Regression in Geospatial Analysis. In Y.
Murayama (Ed.), Progress in Geospatial Analysis
(pp. 85–96). Springer Japan.
Varotsos, C. A., Krapivin, V. F., & Xue, Y. (2021). Diag-
nostic model for the society safety under COVID-19
pandemic conditions. Safety Science, 136(105164),
105164. https://doi.org/10.1016/j.ssci.2021.105164
Velavan, T. P., & Meyer, C. G. (2020). The COVID-19
epidemic. Tropical Medicine & International Health:
TM & IH, 25(3), 278–280. https://doi.org/10.1111/
tmi.13383
Wheeler, D. C., & Páez, A. (2010). Geographically
Weighted Regression. In M. Fishcer, & A. Getis
(Eds.), Handbook of Applied Spatial Analysis (pp.
461–486). Springer Berlin Heidelberg.
Wu, Z., & McGoogan, J. M. (2020). Characteristics of and
important lessons from the Coronavirus disease 2019
(COVID-19) outbreak in China: Summary of a report
of 72 314 cases from the Chinese center for disease
control and prevention. Journal of the American
Medical Association, 323(13), 1239–1242. https://
doi.org/10.1001/jama.2020.2648
Zazo-Moratalla, A., & Álvarez-Agea, A. (2020). CIUDAD
COVID-19: una nueva inequidad en el espacio y el
tiempo urbano. Urbano, 23(41), 04–09. https://doi.
org/10.22320/07183607.2020.23.41.00
Zhang, C. H., & Schwartz, G. G. (2020). Spatial disparities
in Coronavirus incidence and mortality in the United
States: An ecological analysis as of may 2020. The
Journal of Rural Health: Official Journal of the
American Rural Health Association and the Natio-
nal Rural Health Care Association, 36(3), 433–445.
https://doi.org/10.1111/jrh.12476
Zhang, H., Liu, Y., Chen, F., Mi, B., Zeng, L., & Pei,
L. (2021). The effect of sociodemographic factors
on COVID-19 incidence of 342 cities in China: a
geographically weighted regression model analysis.
BMC Infectious Diseases, 21(1), 428. https://doi.
org/10.1186/s12879-021-06128-1
