IndiceCompuesto

Se diseñó un estudio epidemiológico, ecológico, con fundamento territorial para analizar el riesgo de enfermar y de morir por covid-19, de manera combinada, utilizando el Índice Compuesto de Riesgo, desde la perspectiva geoespacial y con enfoque de los Determinantes Sociales de la Salud. Se identificaron conglomerados calientes del Índice Compuesto de Riesgo (alto riesgo) ubicados en la Gran Área Metropolitana, y fríos (bajo riesgo) flanqueando o limitándolo. El incremento del promedio de vacunas por habitantes en una unidad se asoció con un 2% menos en el ICR. El aumento del porcentaje de viviendas hacinadas, de personas no aseguradas, de personas nacidas en el exterior, así como de la densidad poblacional y el Índice de Desarrollo Social, incrementaron en 1% o 2% el ICR. El ICR aporta conocimiento sobre la gravedad de la epidemia por covid-19, su comportamiento en el espacio geográfico es claramente diferenciado, así como la capacidad explicativa de los DSS. La vecindad geográfica jugó un papel muy importante en la epidemia de covid-19 en Costa Rica.

Escuela de Tecnologías en Salud. Facultad de Medicina. Universidad de Costa Rica. San José. Costa Rica. ORCID ID: https://orcid.org/0000-0001-7442-0671. Correo: horacio.chamizo@ucr.ac.cr

Escuela de Medicina Veterinaria. Universidad Nacional de Costa Rica. Heredia. Costa Rica. ORCID ID: https://orcid.org/0000-0002-5252-1604. Correo: juan.romero.zuniga@una.ac.cr

An epidemiological, ecological, and territorial study was designed. Morbidity and mortality data between March 2020 and May 2022 were combined to build the district Composite Risk Index, from the geospatial perspective and with a focus on the Social Determinants of Health. Hot clusters of the Composite Risk Index (high risk) located in the Greater Metropolitan Area and cold (low risk) clusters were identified flanking or limiting. The increase in the average number of vaccines per inhabitant in one unit was associated with a 2% decrease in the ICR. The increase in the percentage of overcrowded housing, uninsured people, foreign-born people, population density, and the Social Development Index increased the ICR by 1% or 2%. The ICR provides knowledge about the severity of the covid-19 epidemic, their behavior in geographical space is clearly differentiated, as well as the explanatory capacity of social determinants. Geographical proximity played a very important role in the covid-19 epidemic in Costa Rica.

Pandemic, epidemiology, geographic information systems, spatial analysis, Social Determinants of Health

Source: DeCS/MeSH

La investigación a partir de datos secundarios, con diseño ecológico y base territorial, fue un abordaje recurrente que colaboró en la toma de decisiones durante la emergencia sanitaria atribuida al covid-19 (1–5). Se comprobó que, en la medida que la pandemia se extendió en el tiempo en los países, y se hizo necesario reanudar las actividades cotidianas, sociales y particularmente las productivas, el reconocimiento de patrones geoespaciales (6–8) fue fundamental para ajustar la acción política a las situaciones específicas de cada territorio local.

Los sistemas de información geográfica (SIG), empleados para la identificación y análisis de patrones geoespaciales, ha sido parte del menú de herramientas efectivas en la investigación epidemiológica del covid-19 (1,9). Ese es el caso del reconocimiento de patrones y procedimientos geoestadísticos correlacionales, pero también del diseño de índices sintéticos (10,11), la construcción de otros que permiten la clasificación multivariada (12), el desarrollo de tipologías (13), y el análisis a partir de la vulnerabilidad social (10).

Los Determinantes Sociales de la Salud (DSS) como perspectiva teórica-epistemológica explicativa de las epidemias de covid-19 en los países, es habitual en la investigación epidemiológica de cara a la prevención de la enfermedad (14). Es un valioso aprendizaje sobre la realidad epidemiológica nacional de gran de utilidad para gestionar la respuesta del Estado en futuras contingencias. Los estudios previos señalan que los factores socioeconómicos ligados al desarrollo humano (15), la privación material de la población (16), y los aspectos socioculturales como la educación (17), son determinantes del riesgo de enfermar y de morir por covid-19. También los factores demográficos como la edad (17), la movilidad poblacional (18) y los ambientales como la densidad poblacional (19) y el hacinamiento en el ámbito doméstico (15), han sido considerados como predictores.

En el abordaje de los DSS no es menos importante el acceso a servicios de salud y, particularmente, los que tienen que ver con la prevención por parte de los sistemas de salud: la vacunación contra la covid-19 a lo largo de sus diferentes momentos (20), el avance de su cobertura y su efectividad frente a la contención del riesgo de enfermar y de morir (21), han sido aspectos explicativos de los riesgos asociados a la enfermedad de especial interés científico y sanitario.

En la presente investigación se propuso analizar, a partir de los DSS, el comportamiento geoespacial de

la morbilidad y la mortalidad por covid-19 en Costa Rica, de manera combinada e integrada en el Índice Compuesto de Riesgo (ICR), para el periodo entre marzO 2020 y mayo 2022

METODOLOGÍA

Se plantea una investigación epidemiológica de diseño ecológico con fundamento territorial y geográfico, que consideró los 489 distritos del país. Se trabajó con datos secundarios sobre casos nuevos y defunciones por covid-19, obtenidos del Ministerio de Salud, para el período del 9 de marzo del 2020 al 30 de mayo del 2022. La base de datos del Ministerio de Salud ha sido anonimizada y es accesible en línea para el público general (22). Las proyecciones demográficas se tomaron del Instituto Nacional de Estadística y Censos de Costa Rica (INEC) (23).

Los datos sobre los DSS se obtuvieron del Ministerio de Planificación, correspondientes al Índice de Desarrollo Social del 2017, organizados por dimensiones. Se trabajó también con la cobertura de vacunación contra covid-19 por distritos, según reporte obtenido de la Caja Costarricense de Seguro Social (CCSS). La cartografía básica proviene del Instituto Geográfico Nacional (24).

La Tabla 1 detalla la definición operacional de variables que fueron consideradas en los modelos de análisis. Las variables incluidas son aquellas que cuentan con los datos sobre DSS más actualizados a nivel distrital para todo el país.

Tabla No. 1. Variables y su definición operacional

Variable

Definición operacional

Índice de

Desarrollo Social (IDS)

Dimensión Económica

Razón promedio de consumo de electricidad (en zonas residenciales)

Porcentaje de viviendas con conexión a internet (por cada 100 viviendas)

Dimensión Educativa

Cobertura territorial de programas educativos especiales

Estado técnico de la infraestructura educativa (agua para consumo humano, servicio eléctrico), escuelas unidocentes

Tabla No. A 1(continuación). Variables y su definición operacional

Variable	Definición operacional
	Porcentaje de personas con cobertura de educación secundaria estatal Dimensión Salud Personas con bajo peso, obesidad y desnutrición Mortalidad en personas < 5 años Porcentaje de nacimientos en madres solteras Presencia de personas < de 19 años Agua potable, cobertura doméstica
Cobertura de vacunación contra covid-19	Promedio de vacunas recibidas contra covid-19 por habitante (hasta mayo 2022)
Densidad poblacional territorial	Habitantes por kilómetro cuadrado
Porcentaje de viviendas hacinadas por dormitorio	Número de viviendas hacinadas definidas por el número de habitantes por dormitorios de la vivienda (por cada 100 viviendas)
Porcentaje de personas nacidas fuera del país	Número de personas que nacieron fuera Costa Rica (por cada 100 personas)
Porcentaje de personas no aseguradas	Número de personas sin cobertura de la CCSS (por cada 100 personas)

El ICR toma en cuenta la incidencia acumulada (Ia) y la mortalidad (Mt), a partir del reporte oficial del Ministerio de Salud.

la = Cantidad de casos nuevos porunidad geográfica * 100 hab

Total de población a riesgo por unidad geográfica

Mt = Cantidad de funciones por unidad geográfica * 100 hab

Total de población a riesgo por unidad geográfica

Los Índices compuestos han sido utilizados para comprender fenómenos complejos de naturaleza multidimensional; estos incorporan variables que pueden señalar sus dimensiones explicativas (25).

En el presente trabajo, el ICR intenta responder a la pregunta sobre cuánto enfermar (incidencia acumulada: Ia) y el de morir (mortalidad: Mt), por covid-19, en cada distrito, de manera integrada o compuesta. Esto, da una medida de la emergencia sanitaria vivida en cada territorio -en sentido geográfico-, utilizando dos indicadores fundamentales de la presencia de la enfermedad en el ámbito geográfico (distrito).

La construcción del ICR se realizó en tres momentos: se escalaron las variables en una matriz de preprocesamiento, se combinaron en una sola (ICR) y finalmente, se clasificaron los individuos para la cartografía.

El método de preprocesamiento es el de mínimo-máximo que respeta la estructura previa de los datos de morbilidad y mortalidad

x’= ( x -min(x))

max (x) - min(x)

Donde x’ es el valor estandarizado de la Ia y la Mt, x es el valor que toma para cada distrito la Ia y la Mt, min(x) es el mínimo de los datos, max(x) es el máximo de los datos.

La combinación de ambas variables no implicó asignar pesos (importancia) diferenciados. Se consideró un método multiplicativo, utilizando el promedio geométrico, para evitar que valores altos de una variable compense a los bajos de la otra. Finalmente, la clasificación para la cartografía del ICR utilizó quintiles. El programa ArcGis (25), se empleó en la construcción del índice, en la redacción de mapas y el análisis espacial.

La identificación y exploración de la autocorrelación espacial del ICR a nivel global (de todo el modelo cartográfico) se fundamenta en el Índice de Moran (Índice de Moran y Getis Ord, con sus respectivas pruebas de hipótesis). Además, de manera específica para cada unidad territorial en su entorno inmediato (Índice de Anselin).

En el mapa del Índice de Anselin se señalan los puntos fríos (IRC bajo) y los calientes (IRC alto), observándose si forman puntos y conglomerados geoespaciales a partir de pruebas de hipótesis locales que ofrecen diferentes niveles de certeza (99%, 95% y 90%). En la redacción del mapa del Índice de Anselin se han añadido gráficas que aportan sobre la evaluación global de la vecindad geográfica.

Respeto al Índice de Anselin, se lleva a cobo una prueba de hipótesis para cada distrito, para compro

bar si su ICR es significativamente superior (punto caliente) o inferior (punto frio), respecto a sus vecinos cercanos. Si varios distritos contiguos se señalan como significativos en el modelo espacial, se reconocen como conglomerado.

Además, para explicar el comportamiento espacial del ICR a partir de los DSS, se realizaron dos tipos de modelos de análisis: el global (GLR, Global Linear Regression) y el local (GWR, Geographically Weighted Regression) (25). El modelo GLR se enfocó en la regresión de Poisson:

y = eax+axd+b

La variable “y” es la dependiente, y las “x” (xd es la enésima) son las predictoras admitidas en la ecuación; “b” es el intercepto, y “a” expresa la razón de riesgos. Para cada variable independiente se reporta la razón de riesgos (IRR) como medida de efecto. Este es un estadístico que permite comparar riesgos, para establecer el exceso (mayor que 1) o la protección (menor que 1), atribuido a cada uno de los factores en la ecuación, una vez controladas las influencias del resto de los factores considerados

El modelo GLR mediante Poisson, fue evaluado como pertinente frente a la regresión lineal. Se verificó el factor de inflación de la varianza (VIF), para evaluar la multicolinealidad. Asimismo, se tuvo en cuenta el criterio de información de Akaike (AIC) para evaluar el mejor ajuste, así como la sobre dispersión de los datos mediante la prueba de bondad de ajuste (Goodness-of-Fit) de Pearson.

La implementación del GWR tomó en cuenta el mapa de residuos de la regresión para verificar que no existan remanentes de autocorrelación espacial a partir del Índice de Moran. También, consideró, de manera comparativa, la varianza del ICR explicada por GLR frente a la explicada por GWR, así como el AIC. Todo ello permitió evaluar el nivel de autocorrelación espacial y la conveniencia del uso de GWR (25).

El modelo GWR no gaussiano para variables de conteo, se define (25):

LnOi = B0 (ui vi) + Σ K ( B1 (ui vi) ) + e

B=1

Se reporta una ecuación para cada individuo (distrito). Así, u y v, son coordenadas espaciales del centroide del polígono (distrito), y K se refiere a la vecindad (regulada por el peso de la cercanía del vecino). La “B” se refiere a las variables independientes admitidas en el modelo, “B0” es el intercepto y “e” se refiere al error (aquella parte de la varianza del ICR,

Figura 1. Distribución espacial del ICR

Fuente: Elaboración propia

Al evaluar la autocorrelación espacial como parte del reconocimiento de patrones y la identificación de conglomerados, el Índice de Moran alcanza un valor de z=18.91 y un p<0.05 (p=0.00), lo que sugiere que existe un patrón concentrado de ICR, estadísticamen-

no explicada).La presente investigación no requiere autorización por parte del Comité Ético Científico ya que no trabajada con personas sino con datos agregados a nivel de distritos, anonimizados, ubicados en un sitio web de dominio público.

Los hallazgos de la presente investigación se limitan a plantear hipótesis sobre posibles factores de riesgo, que deberán ser verificadas en estudios individualizados. Al tratarse de una investigación epidemiológica ecológica fundamentada en datos agregados y no individuales, las correlaciones descritas no deben interpretarse como causales a nivel individual.

Además, es importante mencionar que la interpretación realizada es válida a nivel de distritos, pero no necesariamente se verifica a otro nivel de análisis territorial.

En la Figura 1. se presenta la distribución en el espacio geográfico del ICR por covid-19. Se observa que los valores más altos están ubicados en la Gran Área Metropolitana (GAM), también hacia el norte y norte noroeste no se si la posición está bien en la doble columna creo que no (hacia la provincia de Guanacaste), en la costa oeste (del Océano Pacífico). Las zonas de menor riesgo se ubican fuera de la GAM y hacia la costa este (del Mar Caribe).

te significativo. Los valores obtenidos de la prueba de Getis Ord (z=10.44, p=0.00), evidencian que estos conglomerados son de altos valores de ICR.

La Figura 2 expone del Índice Anselin, para identificar conglomerados a nivel local. Los puntos calientes y fríos del ICR respectivamente, tienden a formar.

En la Tabla 2. se reportan las variables asociadas al IRR, según el GLR. Se asume que el resto de los predictores incluidos permanecen constantes.

Tabla No. 2. Resultados del GLR para explicar el ICR a partir de los DSS

Fuente: Elaboración propia

Variables explicativas	IRR	IC 95%	P
Promedio de dosis de vacunas por persona (mayo 2022)	0.98	0.98-0.99	0.04
IDS	1.02	1.01-1.02	0.00
Hacinamiento (aposento)	1.02	1.01-1.02	0.00
Porcentaje de personas no aseguradas	1.02	1.01-1.02	0.01
Densidad Poblacional	1.01	1.00-1.01	0.00
Porcentaje de personas nacidas fuera del país	1.01	1.01-1.02	0.04

RR: razón de riesgos, IC 95%: intervalos de confianza de IRR al 95%. Estadísticos del modelo: p (chi2)=0.00, p (chi2, Bondad de Ajuste de Pearson para sobredispersión) =0.97

Figura 2. Puntos calientes y fríos del ICR Fuente: Elaboración propia

conglomerados. El único conglomerado caliente se localiza hacia el centro de la GAM, con valores de alta certeza de presentar un comportamiento parecido a su vecindad, (sobre el 90%). Los conglomerados de puntos fríos flanquean a la zona de alto ICR, en su sector sur y este, con certezas altas y significativas.

Los resultados de IRR obtenidos evidencian el nivelde asociación espacial, esto no implica relación causal.

En la Tabla 2 se observa que un efecto notable en el ICR se le atribuye a la cobertura de vacunación alcanzada en mayo del año 2022: por cada unidad de incremento el promedio de la cobertura de vacunas se redujo el ICR en dos puntos porcentuales (2%). Se reporta también que, por cada unidad de incremento en el IDS en el porcentaje de personas en viviendas hacinadas y en el porcentaje de personas no aseguradas por la CCSS, se asocia con el aumento del ICR, dos puntos porcentuales (2%). Se observa, que al aumentar en una unidad, la densidad poblacional y la presencia de personas nacidas fuera del país, aumenta el ICR en un 1%.

Las Figuras 3, 4 y 5 presentan los resultados del modelo de GWR (considerando las seis variables incluidas en las ecuaciones de regresión). Los residuos del modelo GWR no auto correlacionan (no se aprecian altos niveles de dependencia de los territorios vecinos) por lo que el efecto de la vecindad ha sido controlado en una forma aceptable: significancia de la prueba de Moran (p> 0.05).

La desviación estándar del ICR explicada por el modelo global fue de 0,1359 (AIC= 3716.52) frente a 0 5184 explicada por el modelo local GWR (AIC=1283,57), que además muestra una AIC más bajo. Estas circunstancias sugieren que se alcanza un mejor ajuste a partir del control de la vecindad geográfica.

En la Figura 3 se observa que la disminución del ICR, a expensas del incremento del promedio de vacunas contra covid-19, se produce sobre todo fuera de la GAM, hacia la zona costera del Pacífico Central, en territorios fronterizos del Pacífico Sur y el Caribe Sur, así como en distritos ubicados al noroeste de la GAM. En la GAM, así como en la costa del Pacífico Norte se aprecia un efecto contrario, un incremento del promedio de vacunas se asocia con un incremento del ICR.

El aumento del porcentaje de personas no aseguradas por la CCSS se correspondió, en general, con el incremento del ICR en territorios externos a la GAM. En la GAM se evidencia una tendencia contraria, así como en algunos de los distritos de la costa del Caribe Norte y del Pacífico Central.

En la Figura 4 se evidencia que el incremento del porcentaje de viviendas hacinadas se corresponde con un aumento del ICR, en la GAM, en los distritos del Caribe Centro y Sur, así como en la costa del Pacífico Norte, como tendencias más notables. En tanto, el comportamiento de los coeficientes de la variable densidad poblacional, muestra que, en una buena parte del país, no tuvo capacidad explicativa

Figura 3. Distribución espacial de los coeficientes de regresión del ICR: promedio de vacunas contra covid-19 por habitantes hasta mayo del 2022 y el porcentaje de personas no aseguradas por la CCSS, obtenidos mediante el modelo GWR.

Fuente: Elaboración propia

(incluyendo en la GAM), sin embargo, en los distritos cos teros del Pacífico Sur y Norte, así como los del Caribe Norte, se correspondió con un aumento del ICR.

Figura 4. Distribución espacial de los coeficientes de regresión para el ICR: porcentaje de viviendas hacinas y la densidad poblacional, obtenidos mediante el modelo GWR.

Fuente: Elaboración propia

En la Figura 5, el incremento del IDS se asoció con un menor nivel del ICR en la GAM y el Pacífico Central; también en los distritos del Pacífico Norte y territorios fronterizos del norte, en tanto en territorios de la frontera noreste, el Caribe Sur y otros territorios contiguos a la frontera sur, se aprecia que un mayor IDS se correspondió con un mayor ICR. Finalmente, el porcentaje de personas nacidas en el exterior explica un incremento del ICR en territorios meridionales de la GAM o al exterior de la misma

Figura 5. Distribución espacial de los coeficientes de regresión para el ICR: Índice de Desarrollo Social y el porcentaje de personas nacidas en el exterior, obtenidos mediante el modelo GWR

Fuente: Elaboración propia

En el presente estudio, la combinación de la morbilidad y la mortalidad por covid-19, expresada en el ICR, tiene un comportamiento geoespacial claramente diferenciado. Los valores de ICR son muy altos en la GAM del país, así como el noroeste; especialmente, en una buena parte de los distritos de la provincia de Guanacaste. Sin embargo, solo se constituyen en un conglomerado de alto riesgo (con certeza estadística) en un sector de distritos del centro de la GAM: los territorios más urbanos del país.

Los puntos fríos o territorios de bajo ICR, se establecen hacia el exterior de la GAM, flanqueando y delimitando, en buena medida, al conglomerado de alto riesgo señalado. Sobresale un sector alargado de elevado ICR que no constituye un conglomerado caliente por su disposición alineada a lo largo de toda la costa del Pacífico. Probablemente, se asocie a zonas de alta movilidad e interacción poblacional, por su vocación turística.

Los SIG y el análisis espacial global y local fueron de gran utilidad para localizar zonas de riesgo de covid-19 en Indonesia (26) y en la India (27), se integró en el diseño de estudios a nivel internacional estableciendo patrones entre países del sur oeste de Asia (28). La morbilidad y la mortalidad presentaron patrones geoespaciales coincidentes, con puntos calientes, susceptibles de acciones de respuesta sanitaria prioritaria en la India (29). En Costa Rica también se ha modelado, en el espacio geográfico, la dinámica en el tiempo de la epidemia con evidencia fundamentada sobre conglomerados de territorios calientes y fríos (30). La identificación de patrones de comportamiento espacial del ICR distintos del azar, en la presente investigación, se alinea con los hallazgos previos mencionados.

En el actual estudio, los modelos GLR y GWR aportan a la explicación del comportamiento espacial del ICR en Costa Rica. En general, la cobertura de vacunación alcanzada a finales de mayo del 2022 se asoció con una disminución del ICR. Esta tendencia se verifica localmente con un mayor valor predictivo en distritos externos a la GAM. Sin embargo, en la GAM, no se observa la tendencia señalada: un aumento del promedio de vacunas se asocia con un aumento del ICR, en el período de estudio.

La tendencia contradictoria sobre la asociación entre cobertura de vacunas y el riesgo, se ha reportado en distintas investigaciones (faltan referencias). Los resultados de la evaluación del impacto de los programas de vacunación son controversiales. Por ejemplo, en Brasil

varió en el espacio y en el tiempo. A través de las crestas de la epidemia, se reporta una disminución del riesgo en aquellos sectores con mayor cobertura y también en la medida que se avanzó con las inmunizaciones a través del tiempo (31). Sin embargo, el impacto de los programas de vacunación está sujeto a las variantes del SARS-CoV-2 (21); también, al escaso avance temporal de la cobertura de la vacunación (20), o de la presencia del bolsas demográficas no cubiertas. Así se señala en Alemania para el caso de personas jóvenes (32), y para personas afronorteamericanas o de bajos ingresos en Carolina del Norte, Estado Unidos de América (33).

Es esperable una contención del riesgo, en general, sobre todo de los casos graves (que ingresan a unidades de cuidados intensivos), y la mortalidad (21). Sin embargo, otros estudios reportan un impacto positivo de la cobertura de vacunación en Brasil, incluso en la morbilidad (34); no obstante, las tendencias no son generalizables en todo el espacio geográfico.

En la presente investigación se observó el papel de la cobertura del seguro de salud, particularmente de la CCSS. Se señaló, en términos generales, la tendencia al incremento del ICR en la medida que aumentó el porcentaje de personas no aseguradas. No contar con seguro sanitario puede significar en Costa Rica, un deterioro en el acceso a los servicios a todo nivel. No obstante, se reconoce que esta tendencia no se aprecia en la GAM, donde al parecer, un incremento del promedio de vacunas y de la población asegurada se correspondió con el aumento del ICR. Es probable que otras variables como el hacinamiento en la vivienda que se explica más adelante y otras no consideradas en el estudio, como es por ejemplo la movilidad poblacional o una baja percepción del riesgo motivada por el avance en inmunizaciones y la reapertura comercial, estén explicando la tendencia identificada.

La cobertura de servicios de atención en salud frente al tamaño poblacional ha sido un aspecto fundamental para la respuesta del Estado durante la epidemia de covid-19 (35). Particularmente los retrasos en la vacunación contra la enfermedad en zonas remotas, se asoció con puntos calientes de alto riesgo en Australia (36) y la heterogeneidad organizativa de los servicios de salud también explicó las variaciones en el riesgo en Brasil (37,38), y en los Estados Unidos (39).

La presente investigación evidencia que un incremento en el IDS se correspondió con aumento en el ICR. Localmente, se constató en distritos de la GAM, en la costa del Pacífico y al noroeste en la península de Nicoya (provincia de Guanacaste). Un comportamiento distinto se observó en distritos del sector del Pacífico Sur y el Caribe Sur, así como al Noreste del territorio nacional, donde el aumento

del IDS se corresponde con un menor ICR.

Un mayor nivel de desarrollo supone mejores oportunidades y recursos sociales y sanitarios, pero también mejores condiciones de vida suponen estrechos vínculos productivos y comerciales, incentivos para la movilidad y el contacto entre personas, como se señala en investigaciones anteriores (18). Esta es una característica de algunos territorios del país, ya reportada en Costa Rica en estudios previos (40,41), vinculada también a la actividad turística (15). La incorporación de variables que modelen la movilidad poblacional en futuros estudios, podría aportar pruebas sobre su impacto en el patrón espacial de comportamiento del ICR.

Otros estudios reportan comportamientos divergentes del riesgo de enfermar y de morir en función de las condiciones de vida y la actividad socioeconómica que distingue al contexto geográfico. La presencia de hogares vulnerables y en pobreza se les atribuye el mayor riesgo de enfermar (42), sobre todo en el caso de personas mayores de edad (43), con impacto en las defunciones (44). Un menor índice de pobreza favoreció la epidemia en el nordeste de Brasil (37). A nivel internacional, a partir de la comparación entre países, se reporta que un mayor nivel de desarrollo se correlacionó con mayor mortalidad (45).

En la presente investigación se observó que el incremento del porcentaje de viviendas en condición de hacinamiento (personas por aposento) y el aumento de la densidad poblacional se asociaron con un aumento del ICR. Esta tendencia es más clara en el caso del hacinamiento en la GAM y particularmente en su sector centro-este y en el caso de la densidad poblacional, en la costa del Pacífico Norte, en Nicoya (provincia de Guanacaste) y en el Pacífico central y sur. En otras investigaciones se señala el papel del ambiente urbano más denso en la explicación de patrones geoespaciales (26,28), incluso en Costa Rica para el caso de la mortalidad (15) y en la morbilidad (41). El porcentaje de viviendas hacinadas (con más de cuatro personas) fue una variable explicativa de la morbilidad y la letalidad en Brasil (46), también se asoció fuertemente a la mortalidad en Los Ángeles, Estados Unidos (39). El porcentaje de personas nacidas en el exterior se incluyó como variable, en el presente estudio, por su plausibilidad en la comprensión del vínculo territorial y de la movilidad internacional que, en el caso de Costa Rica, se asocia sobre todo con Nicaragua. De manera general, el incremento del porcentaje de personas nacidas fuera del país se asoció con el incremento del ICR. Esta tendencia se observa con mayor capacidad predictiva, sobre todo, fuera de la GAM. Ahí, la presencia de estos grupos poblacionales tiende a ser más prominente. Los lugares de-

mográficamente más relevantes por su movilidad poblacional y vínculos extraterritoriales han sido más dinámicos en la difusión de la epidemia (47). Un ejemplo de esto fueron las métricas de movilidad diaria a nivel de condado en los EE. UU. que explicaron ciertos patrones geoespaciales de la epidemia (48).

El riesgo de enfermar y de morir por covid-19 en Costa Rica, combinados en el ICR, ofrece una medida de la gravedad de la epidemia a nivel distrital. Su comportamiento durante el período de estudio varió en el espacio geográfico de manera evidente. Se lograron identificar patrones geoespaciales de alto y bajo riesgo, conformando conglomerados ver la distribución de la doble columna calientes y fríos, con niveles de certeza superiores al 90%.

Las variaciones geoespaciales del ICR fueron explicadas utilizando dos tipos de modelos multivariados, global (GLR) y local (GWR), a partir de los DSS. El mejor modelo GLR obtenido evidenció que el incremento del promedio de vacunas por habitantes se asoció con un menor ICR. El aumento del porcentaje de viviendas en condición de hacinamiento, el de personas nacidas en el exterior, y el de personas no aseguradas por la CCSS, así como el aumento de la densidad poblacional, se correspondió con el incremento del riesgo. Sin embargo, una mejor condición de desarrollo, medida a través del IDS, se asoció con un incremento del ICR.

El modelo de regresión local (GWR, geográficamente ponderado) aportó claridad sobre el papel diferenciado de los DSS y su capacidad explicativa en cada territorio y zona. La evidencia obtenida apoya el importante papel y necesidad de comprensión de la vecindad geográfica en el comportamiento de la epidemia de covid-19, y de otros eventos similares.

Estos elementos resultan relevantes en la toma de decisiones en políticas públicas sanitarias y sociales, de manera más ajustada a las necesidades locales.

Se agradece a la Escuela de Tecnologías en Salud de la Universidad de Costa Rica, por el apoyo académico brindado para la realización de este trabajo, también a la Universidad Nacional de Costa Rica y particularmente al Posgrado Regional en Ciencias Veterinarias Tropicales.

CONFLICTO DE INTERESES

Los autores no presentan conflicto de intereses con los datos utilizados y el conocimiento generado producto de la presente investigación

FUENTES DE FINANCIAMIENTO

La presente investigación ha sido financiada parcialmente por la Universidad de Costa Rica a través del proyecto Determinantes Sociales de la Salud en Costa Rica: perspectiva geográfica, ambiental y políticas, código C3180.

1. Maroko AR, Nash D, Pavilonis BT. COVID-19 and Inequity: a Comparative Spatial Analysis of New York City and Chicago Hot Spots. J Urban Health. agosto de 2020;97(4):461-70.

2. Almeida PD, Araújo TME de, Araújo Filho ACA de, Ferreira AF, Fronteira I, Melo Júnior EB de, et al. Análise espaço-temporal da covid-19 em um estado brasileiro. Rev baiana enferm [Internet]. 8 de junio de 2021 [citado 28 de abril de 2022];35. Disponible en: https://periodicos.ufba.br/index.php/enfermagem/article/view/42740

3. Ismail SNS, Abidin EZ, Rasdi I, Ezani NE, Che N, Shamsuddin AS. COVID-19: the Epidemiological Hotspot and the Disease Spread in Malaysia. Malaysian Journal of Medicine and Health Sciences. 2021;17:10.

4. Almendra R, Santana P, Costa C. Spatial inequalities of COVID-19 incidence and associated socioeconomic risk factors in Portugal. BAGE [Internet]. 9 de diciembre de 2021 [citado 2 de mayo de 2022];(91). Disponible en: https://bage.age-geografia.es/ojs/index.php/bage/article/view/3160

5. Kabir K, Taherinia A, Ashourloo D, Khosravi A, Karim H, Salehi Shahrabi H, et al. Epidemic size, trend and spatiotemporal mapping of SARS-CoV-2 using geographical information system in Alborz Province, Iran. BMC Infect Dis. diciembre de 2021;21(1):1185.

6. Bilal U, Tabb LP, Barber S, Diez Roux AV. Spatial Inequities in COVID-19 Testing, Positivity, Confirmed Cases, and Mortality in 3 U.S. Cities: An Ecological Study. Ann Intern Med. julio de 2021;174(7):936-44.

7. Buffalo L, Rydzewski AL. Dinámica territorial de pandemia COVID-19 en la provincia de Córdoba Argentina. BAGE [Internet]. 4 de noviembre de 2021 [citado 4 de mayo de 2022];(91). Disponible en: https://bage.age-geografia.es/ojs/index.php/bage/article/view/3149

8 Jesri N, Saghafipour A, Koohpaei A, Farzinnia B, Jooshin MK, Abolkheirian S, et al. Mapping and Spatial Pattern Analysis of COVID-19 in Central Iran Using the Local Indicators of Spatial Association (LISA). BMC Public Health. diciembre de 2021;21(1):2227.

9. Zhang H, Suepa T, Hong L, Naydim P, Mot L, Chikpor. Geospatial Analysis of Covid-19 to Respond to Pandemic Outbreaks: A Case Study in Bangkok Metropolitan Region, Thailand. IJG. 1 de octubre de 2021;68-80.

1 10. Martines MR, Ferreira RV, Toppa RH, Assunção LM, Desjardins MR, Delmelle EM. Detecting space–time clusters of COVID-19 in Brazil: mortality, inequality, socioeconomic vulnerability, and the relative risk of the disease in Brazilian municipalities. J Geogr Syst. enero de 2021;23(1):7-36.

11. Malagón-Rojas JN, Ibáñez Pinilla EA, Toloza Pérez YG, Téllez E, Almentero J, Parra E, et al. COVID-19 más allá de los casos y atenciones. Una aproximación a la desigualdad en el acceso al diagnóstico en Bogotá, 2020. RGYPS. 2 de febrero de 2022;20:1-15.

12. Habibi Y, Guellouh S, Filali A, Berchiche R. Analysis of social resilence to the novel coronavirus (COVID-19) in Algeria. GLL. 2020;3:19-29.

13. Vicente Ferreira R, Carvalho DM, Souza AL de P, Martines MR, Assunção LM de. Covid-19 Na Região De Saúde Triângulo Sul, Mg: Uma Perspectiva Cartográfica. Hygeia. 17 de junio de 2020;49-59.

14. Organización Mundial de la Salud. Determinantes Sociales de la Salud. Informe del Director General. [Internet]. Organización Mundial de la Salud; 2021. Disponible en: https://apps.who.int/gb/ebwha/pdf_files/EB148/B148_24-sp.pdf

15. Bonilla-Carrión R, Evans-Meza R, Salvatierra-Durán R. Efecto de factores sociodemográficos en la mortalidad del COVID-19 en Costa Rica: un enfoque geográfico. Rev Biol Trop. 30 de marzo de 2023;71(1):e51679.

16. Grekousis G, Lu Y, Wang R. Exploring the socioeconomic drivers of COVID‐19 mortality across various spatial regimes. Geographical Journal. junio de 2022;188(2):245-60.

17. Pablos-Méndez A, Villa S, Monti MC, Raviglione MC, Tabish HB, Evans TG, et al. Global ecological analysis of COVID-19 mortality and comparison between “the East” and “the West”. Sci Rep. 28 de marzo de 2022;12(1):5272.

18. Castro-Alves J, Silva LS, Lima JP, Ribeiro-Alves M. Were the socio-economic determinants of municipalities relevant to the increment of COVID-19 related deaths in Brazil in 2020? Odoi A, editor. PLoS ONE. 28 de abril de 2022;17(4):e0266109.

19. Turner NA, Pan W, Martinez-Bianchi VS, Panayotti GMM, Planey AM, Woods CW, et al. Racial, Ethnic, and Geographic Disparities in Novel Coronavirus (Severe Acute Respiratory Syndrome Coronavirus 2) Test Positivity in North Carolina. Open Forum Infectious Diseases. 1 de enero de 2021;8(1):ofaa413.

20. Topf KG, Sheppard M, Marx GE, Wiegand RE, Link-Gelles R, Binder AM, et al. Impact of the COVID-19 Vaccination Program on case incidence, emergency department visits, and hospital admissions among children aged 5–17 Years during the Delta and Omicron Periods—United States, December 2020 to April 2022. Okda FA, editor. PLoS ONE. 9 de diciembre de 2022;17(12):e0276409.

21. OMS. Recomendaciones actualizadas sobre las vacunas contra la COVID-19 del Grupo de Expertos en Asesoramiento Estratégico de la Organización Mundial de la Salud, 30 de marzo del 2023 [Internet]. 2023. Disponible en: https://www.paho.org/es/documentos/recomendaciones-actualizadas-sobre-vacunas-contra-covid-19-grupo-expertos-asesoramiento

22. Ministerio de Salud. Ministerio de Salud. Costa Rica [Internet]. Disponible en: https://www.ministeriodesalud.go.cr/

23. Instituto Nacional de Estadística y Censos. Proyecciones de Población 2000-2025 [Internet]. Disponible en: https://inec.cr/estadisticas-fuentes/estadisticas-demograficas?filtertext=proyecciones%2520de%2520poblaci%25C3%25B3n

24. Instituto Geográfico Nacional. Instituto Geográfico Nacional. Sistema Nacional de Información Territorial [Internet]. Sistema Nacional de Información Territorial. 2025. Disponible en: https://www.snitcr.go.cr/ign_ign

25. Environmental Systems Research Institute. Autocorrelación espacial [Internet]. 2021. Disponible en: https://pro.arcgis.com/es/pro-app/latest/tool-reference/spatial-statistics/spatial-autocorrelation.htm

26. Saputra A, Ibrahim MHB, Ali SSS, Gomez C, Priyana Y, Jumadi, et al. Jakarta and Greater Kuala Lumpur Urban Heat Island During the Pandemic of Covid-19. GT. 30 de octubre de 2024;19(2/2024):182-96.

27. Gupta M, Sharma A, Sharma DK, Nirola M, Dhungel P, Patel A, et al. Tracing the COVID-19 spread pattern in India through a GIS-based spatio-temporal analysis of interconnected clusters. Sci Rep. 8 de enero de 2024;14(1):847.

28. Thammaboribal P, Nitin KT, Junpha J, Lipiloet S. Examining the Correlation between COVID-19 Prevalence and Patient Behaviors, Healthcare, and Socioeconomic Determinants: A Geospatial Analysis of ASEAN Countries. IJG [Internet]. 31 de marzo de 2024 [citado 28 de enero de 2025]; Disponible en: https://journals.sfu.ca/ijg/index.php/journal/article/view/3159

29. Kanav A, Yadav B, Sharma R. Spatio-temporal Analysis of COVID-19 Hotspots in India Using Geographic Information Systems. IJG [Internet]. 31 de enero de 2024 [citado 28 de enero de 2025]; Disponible en: https://journals.sfu.ca/ijg/index.php/journal/article/view/3027

30. Chamizo Garcia H, Romero Zuñiga JJ, Alonso Ubiera S, Quirós Arias L. Geospatial patterns of the temporal dynamics of COVID-19 and its social determinants in Costa Rica. HS [Internet]. 2024;23(2). Disponible en: https://revistahorizonte.ujat.mx

31. Berra TZ, Alves YM, Popolin MAP, Da Costa FBP, Tavares RBV, Tártaro AF, et al. The COVID-19 pandemic in Brazil: space-time approach of cases, deaths, and vaccination coverage (February 2020 – April 2024). BMC Infect Dis. 18 de julio de 2024;24(1):704.

32. Hörnig L, Schaffner S, Schmitz H. The individual and ecological characteristics of parental COVID-19 vaccination decisions. Sci Rep. 15 de octubre de 2024;14(1):24194.

33. Sandborn H, Delamater P, Brewer NT, Gilkey MB, Emch M. The geography of COVID-19 vaccine completion by age in North Carolina, U.S. Wang X, editor. PLoS ONE. 9 de agosto de 2024;19(8):e0304812.

34. Silva AP, Albuquerque Ribeiro M, Paiva Emídio M, Elena Guerrero Daboin B, Cristina Morais T, Inês Pelegrini De Oliveira Abreu C, et al. COVID-19 in the municipalities of Botucatu and Serrana, São Paulo, Brazil, the effects of lethality and mortality. jhgd. 23 de junio de 2022;32(2):302-14.

35. Sejati AW, Putri SNAK, Buchori I, De Vries WT, Barbarossa G, Margarena C, et al. The integration of GIS location‐based APIs and urban growth modeling for improved geographic access to hospital services. Transactions in GIS. junio de 2024;28(4):816-35.

36. McClymont H, Hu W. The effect of public health interventions on COVID-19 incidence in Queensland, Australia: a spatial cluster analysis. Infectious Diseases. 2 de junio de 2024;56(6):460-75.

37. Cangussú LR, Do Nascimento JAS, De Barros IRP, Cavalcanti RL, Dantas FG, Araujo DN, et al. Effects of primary health care and socioeconomic aspects on the dispersion of COVID-19 in the Brazilian Northeast: Ecological study of the first pandemic wave. Guimaraes RM, editor. PLoS ONE. 27 de marzo de 2024;19(3):e0296837.

38. Alexandre Trivilato R, Cristina Morais T, Elena Guerrero Daboin B, Paiva Emidio Cavalcant M, Cauê Jacintho L, Daminello Raimundo R, et al. Mortality and case fatality rates of covid-19 in the state of goiás, brazil. jhgd. 1 de diciembre de 2021;31(3):521-32.

39. Varshney K, Glodjo T, Adalbert J. Overcrowded housing increases risk for COVID-19 mortality: an ecological study. BMC Res Notes. diciembre de 2022;15(1):126.

40. Chamizo Garcia HA, Romero Zúñiga JJ, Alonso Ubieta S, Quirós Arias L. Patrones geoespaciales de mortalidad y letalidad por COVID-19 en Costa Rica y sus determinantes sociales: marzo 2020 a mayo 2022. PSM [Internet]. 20 de noviembre de 2024 [citado 20 de marzo de 2025]; Disponible en: https://revistas.ucr.ac.cr/index.php/psm/article/view/59255

41. Chamizo Garcia HA, Romero-Zúñiga JJ, Alonso Ubieta S, Quirós-Arias L. Patrones geoespaciales de la morbilidad por covid-19 en Costa Rica: marzo 2020 a mayo 2022. Rev Biol Trop. 18 de septiembre de 2024;72(1):e58835.

42. Dos Santos Alves JC, Ribeiro CJN, Lima SVMA, Morato GS, Andrade LA, Santos MB, et al. Did the COVID-19 Pandemic Disproportionately Affect the Most Socioeconomically Vulnerable Areas of Brazil? COVID. 20 de junio de 2023;3(6):924-36.

43. Leveau CM, Velázquez GA. Mortalidad por COVID-19: desigualdades educativas y contexto socio-espacial en dos provincias de Argentina. Rev Peru Med Exp Salud Publica. 21 de junio de 2024;171-7.

44. Fernández-Martínez NF, Ruiz-Montero R, Gómez-Barroso D, Rodríguez-Torronteras A, Lorusso N, Salcedo-Leal I, et al. Socioeconomic differences in COVID-19 infection, hospitalisation and mortality in urban areas in a region in the South of Europe. BMC Public Health. 12 de diciembre de 2022;22(1):2316.

45. Dhamnetiya DD, Shalini S, Mehra A, Jha RP. Correlation between COVID 19 and selected risk factors: an ecological study. Eastern J Med. 2023;28(1):87-93.

46. Alencar Do Nascimento CM, Freire De Souza CD, De Oliveira Silva LE, Oliveira Silva W, Amaro Barbosa N, Feliciano Do Carmo R, et al. COVID-19 risk areas associated with social vulnerability in northeastern Brazil: an ecological study in 2020. J Infect Dev Ctries. 30 de agosto de 2022;16(08):1285-93.

47. Silva AADPD, Reis RS, Iachecen F, Duarte F, Baena CP, Hino AAF. First year of COVID-19 in Brazil: Factors associated with the spread of COVID-19 in small and large cities. Matozinhos FP, editor. PLoS ONE. 3 de junio de 2024;19(6):e0298826.

48. Noi E, Rudolph A, Dodge S. VASA: an exploratory visualization tool for mapping spatio-temporal structure of mobility – a COVID-19 case study. Cartography and Geographic Information Science. 3 de marzo de 2024;51(2):275-96.

DECLARACIÓN DE LA CONTRIBUCIÓN DE AUTORES Y COLABORADORES
AUTORES	LABORES QUE REALIZÓ
Horacio Alejandro Chamizo Garcia	Dirigió la investigación y actuó de coordinador. Desarrolló la idea de la investigación, sus objetivos y la conceptualización. Participó activamente en la discusión de los resultado. Participó en la valoración estadística de los datos, análisis matemático, computacional u otra técnica para analizar o sintetizar los datos. Revisó y evaluó la literatura pertinente . Desarrolló la metodología de investigación. Participó en la redacción y revisión del manuscrito. Participó en la elaboración y diseño de las tablas del trabajo final. Revisó y aprobó la versión final del trabajo. Encargado de la búsqueda de fondos para la investigación.
Juan José Romero Zúñiga	Desarrolló la idea de la investigación, sus objetivos y la conceptualización. Participó activamente en la discusión de los resultados. Participó en la valoración estadística de los datos, análisis matemático, computacional u otra técnica para analizar o sintetizar los datos. Revisó y evaluó la literatura pertinente. Desarrolló la metodología de investigación. Participó en la redacción y revisión del manuscrito. Participó en la elaboración y diseño de las tablas del trabajo final Revisó y aprobó la versión final del trabajo