- Nada es Gratis - https://nadaesgratis.es -

COVID-19 en Italia: un análisis del registro de defunciones

Por Gabriele Cimineli y  Silvia Garcia-Mandicó

Estamos entrando en el quinto mes desde que se reportó la primera victima por Coronavirus (COVID-19), y aún nos queda mucho por descubrir. No conocemos la verdadera tasa de mortalidad del virus, aunque hay cada vez más evidencia que las cifras oficiales están sesgadas negativamente (véase aquí, aquí, y aquí). Tampoco conocemos el modo y la velocidad en que el virus se transmite entre comunidades, ni cuales son sus factores de riesgo. Todo eso es crucial en determinar y diseñar las políticas adecuadas para combatir el Coronavirus. En nuestro recién artículo (Ciminelli and Garcia-Mandicó, 2020), intentamos dar respuestas a algunas de estas cuestiones.

Obtenemos datos de defunciones diaria para una muestra de 4,000 municipios en las ocho regiones italianas más afectadas por el COVID-19 (Emilia-Romagna, Friuli-Venezia Giulia, Liguria, Lombardia, Piemonte, Trentino, Valle d'Aosta y Veneto).[1] En total, esta base de datos cubre una población de más de 27 millones de habitantes, 45% del total de Italia. En la figura 1, comparamos la tendencia de las defunciones diarias en 2020 (indicada por la línea roja) con las de los cinco años precedentes. La línea vertical indica la fecha del primer caso de contagio local en Italia, el 21 de febrero. En total, el Coronavirus parece haber causado más de 24,000 victimas en la región, casi el 0.1% de la población, en sólo cinco semanas.

Figura 1 Defunciones diarias en 2020 comparadas con los años precedentes

Fuente: cálculos propios con datos de mortalidad del ISTAT

Comparación con datos oficiales de defunciones

Medimos el exceso de mortalidad restándole a los decesos en 2020 los del 2016.[2] Este método nos permite comparar las muertes con y por Coronavirus con los datos de defunciones oficiales. La figura 2 muestra la diferencia entre el exceso de mortalidad y los datos oficiales de decesos, por sexo y grupos de edad. El exceso de mortalidad es, de media, 2.3 veces más elevado que los datos oficiales. Destacamos en la figura que el sesgo aumenta con la edad, es más elevado para las mujeres, y que la diferencia en sesgo entre mujeres y hombres aumenta con la edad. Esto nos revela que son principalmente las muertes de personas mayores (sobretodo mujeres) que no están registradas en los datos oficiales. Como resultado, el efecto diferencial del COVID-19 por sexo, que se estima en los datos oficiales ser de 2 hombres por cada mujer, parece ser mucho menor (1.3 hombres por cada mujer). Uno de los motivos podría ser la mayor proporción de mujeres ancianas, que fallecen por o con Coronavirus sin estar contabilizadas en las estadísticas oficiales.

 

Figura 2 Diferencia entre el exceso de mortalidad y los datos oficiales por grupo de edad y sexo

 

Factores de riesgo

Hay numerosas discusiones sobre la posibilidad de que ciertos factores afecten la transmisión, así como la letalidad del Coronavirus. Por ejemplo, algunos argumentan que la densidad de la población explica los altos números de contagios en áreas urbanas, como New York y Madrid. Otros explican que la comorbilidades y la contaminación ambiental son factores que incrementan la letalidad del virus. En este articulo, evaluamos sistemáticamente el efecto de potenciales factores de riesgo.  Nos centramos en analizar cuatro categorías de características principales, para las regiones de Lombardia y Emilia-Romagna, que fueron las dos más afectadas por el COVID-19: (i) características socio-demográficas, (ii) características del mercado de trabajo, (iii) características del sector de salud, y (iv) características territoriales y ambientales.[3]

Para medir el efecto del Coronavirus sobre la tasa de mortalidad, cruzamos los datos del registro de defunciones con datos censales sobre la población. Esos datos nos proporcionan información sobre la población residente, a nivel de municipio, por edad y sexo el 1 de enero del 2015 al 2019.[4] Empezamos por estimar, usando un método de diferencias en diferencias y el año 2016 como grupo de control, que el virus ha causado, de media, 3.5 muertes diarias por cada 100,000 habitantes en el periodo del 21 de febrero al 31 de marzo.

La figura 3 reporta los efectos de los distintos factores de riesgo. Los resultados nos permiten ver que el dinamismo de la economía, caracterizado por una tasa de empleo elevada, y un movimiento considerable de entradas y salidas de municipios por trabajo y estudios, podría ser un factor explicativo el elevado numero de victimas en la región. Otros factores que explican el impacto del virus son la congestión de los hospitales (en particular de la UCI) y la administración de las residencias de ancianos en zonas cercanas en los epicentros de contagio, características que exploramos en más detalle en la siguiente sección.

Nuestro análisis revela también que la composición del mercado del trabajo ha sido determinante para la difusión del virus. En municipios con grandes empresas de servicios, donde es posible trabajar desde casa, y pequeñas empresas industriales, donde el contacto entre personas es limitado, el virus causó menos víctimas. De otra parte, en municipios con mayor tasa de empleo en pequeñas empresas de servicios, dónde el contacto físico entre trabajadores y clientes es muy frecuente, la mortalidad fue más alta. Al diseñar nuevas políticas de distanciamiento social, los gobiernos tendrían que tener en cuenta los diferentes efectos de la tipología del mercado laboral sobre la mortalidad inducida por el COVID-19.

Finalmente, los resultados hacen hincapié en el efecto agravante de la desigualdad de esta crisis. La educación de la población es uno de los factores clave en reducir la tasa de mortalidad, mientras que una tasa elevada de pobreza es un factor que crucialmente incrementa la mortalidad. ¿Qué tienen en común estos dos factores? Una tasa de comorbilidades elevada, actitudes menos saludables y una menor compresión de los riesgos, así como la imposibilidad de implementar medidas de distanciamiento social. Las políticas para combatir el virus no pueden ignorar estos factores.

Figura 3 Efectos diferenciales de las características municipales sobre la mortalidad por COVID-19

 

 

Mortalidad y disponibilidad de UCI

La congestión de los hospitales y de las UCI, la falta de ventiladores, personal y ambulancias hacen muy difícil el cuidado de los pacientes con Coronavirus. Cuando los recursos son tan limitados, el orden en el qué los pacientes llegan al hospital puede determinar su acceso a los cuidados necesarios. Los que viven cerca de una UCI podrían llevar ventaja.[5]

¿Cuál sería la mortalidad del Coronavirus si hubiese una UCI en cada municipio? La figura 4 muestra los resultados de esta situación hipotética, de la que extraemos dos conclusiones principales. La primera es que la falta de UCI (o la congestión de las UCI que existen) ha causado que la mortalidad asociada con el COVID-19 sea del 50% más alta para hombres y mujeres mayores. La segunda es que el impacto del virus ha tenido en la mortalidad de personas menores de 50 años podría haberse evitado sin la congestión de las UCI.

Figura 4 Efecto del Coronavirus por sexo, grupos de edad y distancia de la UCI

 

Mortalidad en residencias de ancianos

Las residencias para ancianos están en el punto de mira durante esta crisis de la salud. El numero de muertes en estos centros se esta revelando una catástrofe, que puede explicarse por dos factores principales: la naturaleza de las residencias, que aloja personas particularmente vulnerables y lo hace difícil aislar enfermos de COVID-19, y su mala administración durante la crisis. En la región de Lombardía, por ejemplo, se trasladaron pacientes enfermos de COVID-19 con síntomas leves a residencias de ancianos para liberar espacio en hospitales congestionados (véase aquí). En casos menos extremos, las residencias no se han preparado adecuadamente para gestionar la crisis (aquí).

Exploramos la variación municipal en las camas disponibles en residencias para calcular el efecto del COVID-19 si no hubiese ninguna residencia para ancianos.[6] La figura 4 revela que, en ausencia de residencias, la mortalidad en mayores de 85 hubiera sido entre un cuarto (para hombres) y un tercio (para mujeres) menor que la observada. Este resultado es importante, ya que este grupo de edad representa más de la mitad de las muertes por COVID-19 y de los ancianos que viven en residencias. La magnitud del efecto está alineada con la “tragedia” que se describe en las noticias.

Figura 5 Efecto del COVID-19 por sexo, grupo de edad, y residencias de ancianos

 

Los datos italianos ponen de relieve la situación crítica causada por el Coronavirus. Pero también conllevan una nota de optimismo: con las políticas públicas adecuadas, los gobiernos tienen herramientas para combatir la epidemia. Es necesario pensar en medidas de distanciamiento social en un modo estratégico, dando soporte a empresas para favorecer el trabajo a distancia, y permitiendo que ciertos sectores con menor riesgo retomen sus actividades. Es de particular importancia educar a la población sobre los riesgos y las buenas actitudes de salud. Y es crucial abastecer hospitales, centros médicos y residencias de ancianos con test y material de protección adecuados.

-----------------------

Notas:

[1] El registro de defunciones esta publicado por ISTAT, la agencia estatal italiana de estadística, y proporciona información de las defunciones diarias por sexo y edad en 4,000 municipios italianos, desde el primero de enero al 31 de marzo, y para los años 2015-2020. Los municipios incluidos en esta muestra representan el 91% de los municipios actuales en las regiones del Norte, cubriendo el 93% de la población. Unos 380 municipios han sido excluidos por no reportar datos de mortalidad fiables.

[2] La figura 1 revela que la mortalidad en 2020 en los meses antes del COVID-19 es muy similar a la del 2016. Además, usando el programa desarrollado en Abadie et al. 2011, el grupo de control sintético que resulta está formado únicamente por datos del 2016. Mostramos que los resultados son robustos a varias definiciones del grupo de control en nuestro papel.

[3] La mayoría de estas características no están disponibles para el 2020. Las tratamos como características invariantes, que obtenemos haciendo la media de los años 2015-2019, e cruzamos con el efecto del COVID-19 en nuestro especificación de diferencias en diferencias (véase la nota de la figura 3 para más detalle).

[4] Como los datos censales más recientes son del 2019, imputamos la población en 2020 usando la tasa de crecimiento de la población en 2019.

[5] Notamos los efectos del Coronavirus por sexo y grupos de edad en la figura 4, indicados por un punto.  Tanto para hombres como mujeres, el efecto del COVID-19 aumenta exponencialmente con la edad. Por cada grupo de edad, el virus afecta a los hombres más que a las mujeres, y los afecta desde más jóvenes (40 años para hombres, y 45 para mujeres).

[6] Para valorar esta situación hipotética, primero construimos una variable de la proporción de ancianos en residencias por municipio, edad y sexo con datos de la composición de los ancianos en residencias, del número de camas por municipio, y asumiendo que las residencias están llenas. En Lombardia, esta suposición parece muy probable, ya que se estima que, para cada cama disponible, hay una lista de espera de 157 personas (aquí).