Patrones geoespaciales de la morbilidad por covid-19 en Costa Rica: marzo 2020 a mayo 2022
Introducción: En distintos países, la epidemia de covid-19 se ha manifestado en el espacio geográfico como conglomerados de alta morbilidad o zonas calientes, y como conglomerados de puntos fríos de baja incidencia, los que han sido explicados a partir de variables sociales. Objetivo: Caracterizar l...
| Autores principales: | , , , |
|---|---|
| Formato: | Online |
| Idioma: | spa |
| Publicado: |
Universidad de Costa Rica
2024
|
| Acceso en línea: | https://revistas.ucr.ac.cr/index.php/rbt/article/view/58835 |
| id |
RBT58835 |
|---|---|
| record_format |
ojs |
| institution |
Universidad de Costa Rica |
| collection |
Revista de Biología Tropical |
| language |
spa |
| format |
Online |
| author |
Chamizo, Horacio Alejandro Romero-Zúñiga, Juan José Alonso Ubieta, Suyén Quirós-Arias, Lilliam |
| spellingShingle |
Chamizo, Horacio Alejandro Romero-Zúñiga, Juan José Alonso Ubieta, Suyén Quirós-Arias, Lilliam Patrones geoespaciales de la morbilidad por covid-19 en Costa Rica: marzo 2020 a mayo 2022 |
| author_facet |
Chamizo, Horacio Alejandro Romero-Zúñiga, Juan José Alonso Ubieta, Suyén Quirós-Arias, Lilliam |
| author_sort |
Chamizo, Horacio Alejandro |
| description |
Introducción: En distintos países, la epidemia de covid-19 se ha manifestado en el espacio geográfico como conglomerados de alta morbilidad o zonas calientes, y como conglomerados de puntos fríos de baja incidencia, los que han sido explicados a partir de variables sociales. Objetivo: Caracterizar los patrones la morbilidad de covid-19 en Costa Rica entre marzo del 2020 y mayo del 2022, y explicarlos desde los determinantes sociales de la salud en el contexto geográfico. Métodos: Se diseñó un estudio ecológico a nivel distrital, con datos sobre vacunación contra covid-19, reportes semanales sobre la velocidad de avance de la epidemia, el nivel de desarrollo, y otros datos demográficos. Se construyeron mapas temáticos, se identificaron y caracterizaron los patrones geoespaciales de la morbilidad explicados a partir de modelos de regresión lineal y geográficamente ponderada. Resultados: Se identificaron conglomerados de puntos calientes en la Gran Área Metropolitana y su entorno, y puntos fríos que flanquean esta zona de alta incidencia. El modelo de regresión lineal que incluyó el promedio de vacunas por persona, la velocidad en el reporte de casos semanal, el desarrollo social en sus dimensiones económica, educacional y sanitaria, así como la proporción de viviendas hacinadas y de personas nacidas en el exterior, explicó más del 70 % de las variaciones espaciales de la incidencia de casos (bruta y estandarizada por edad y sexo). El modelo geográficamente ponderado corrigió problemas de autocorrelación mejorando la capacidad explicativa a un 82 %. Conclusiones: La morbilidad durante la epidemia de covid-19, en Costa Rica, durante el período evaluado, se configuró mediante conglomerados espaciales de puntos calientes y fríos muy bien establecidos. Esta estructura se pudo explicar desde los determinantes sociales de la salud, comprobando que se generan efectos en la morbilidad, diferenciados territorialmente. |
| title |
Patrones geoespaciales de la morbilidad por covid-19 en Costa Rica: marzo 2020 a mayo 2022 |
| title_short |
Patrones geoespaciales de la morbilidad por covid-19 en Costa Rica: marzo 2020 a mayo 2022 |
| title_full |
Patrones geoespaciales de la morbilidad por covid-19 en Costa Rica: marzo 2020 a mayo 2022 |
| title_fullStr |
Patrones geoespaciales de la morbilidad por covid-19 en Costa Rica: marzo 2020 a mayo 2022 |
| title_full_unstemmed |
Patrones geoespaciales de la morbilidad por covid-19 en Costa Rica: marzo 2020 a mayo 2022 |
| title_sort |
patrones geoespaciales de la morbilidad por covid-19 en costa rica: marzo 2020 a mayo 2022 |
| title_alt |
Geospatial patterns of morbidity due to covid-19 in Costa Rica: March 2020 to May 2022 |
| publisher |
Universidad de Costa Rica |
| publishDate |
2024 |
| url |
https://revistas.ucr.ac.cr/index.php/rbt/article/view/58835 |
| work_keys_str_mv |
AT chamizohoracioalejandro geospatialpatternsofmorbidityduetocovid19incostaricamarch2020tomay2022 AT romerozunigajuanjose geospatialpatternsofmorbidityduetocovid19incostaricamarch2020tomay2022 AT alonsoubietasuyen geospatialpatternsofmorbidityduetocovid19incostaricamarch2020tomay2022 AT quirosariaslilliam geospatialpatternsofmorbidityduetocovid19incostaricamarch2020tomay2022 AT chamizohoracioalejandro patronesgeoespacialesdelamorbilidadporcovid19encostaricamarzo2020amayo2022 AT romerozunigajuanjose patronesgeoespacialesdelamorbilidadporcovid19encostaricamarzo2020amayo2022 AT alonsoubietasuyen patronesgeoespacialesdelamorbilidadporcovid19encostaricamarzo2020amayo2022 AT quirosariaslilliam patronesgeoespacialesdelamorbilidadporcovid19encostaricamarzo2020amayo2022 |
| _version_ |
1822055509662892032 |
| spelling |
RBT588352024-09-03T17:54:06Z Geospatial patterns of morbidity due to covid-19 in Costa Rica: March 2020 to May 2022 Patrones geoespaciales de la morbilidad por covid-19 en Costa Rica: marzo 2020 a mayo 2022 Chamizo, Horacio Alejandro Romero-Zúñiga, Juan José Alonso Ubieta, Suyén Quirós-Arias, Lilliam Introduction: The COVID-19 epidemic has manifested geographically as clusters of high morbidity (hot zones) and as cold spots of low incidence, which have been explained based on social variables. Objective: To characterize morbidity patterns due to COVID-19 in Costa Rica from March 2020 to May 2022 and to explain them through social determinants of health in the geographical context. Methods: An ecological study at the district level was designed with data on vaccination against COVID-19, weekly reports on speed of advance of the epidemic, development level, and other demographic data. Thematic maps were constructed, and spatial morbidity patterns were identified and characterized, which were explained using linear and geographically weighted regression models. Results: In the Greater Metropolitan Area and surrounding area, clusters of hot spots were identified, and cold spots flanked these high-incidence areas. The linear regression model, built from the variables: average number of vaccines per person, speed in weekly case reporting, social development in its economic, educational, and health dimensions, as well as the proportion of overcrowded homes and people born in the outside, explained more than 70 % of the spatial variations of the incidence of cases (crude and standardized by age and sex). The geographically weighted model corrected autocorrelation problems, improving the explanatory capacity to 82 %. Conclusions: morbidity during the COVID-19 epidemic until May 2020 was configured spatially through well-established clusters of hot and cold spots. This structure could be explained from the social determinants of health, proving that effects on morbidity are generated, differentiated territorially. Introducción: En distintos países, la epidemia de covid-19 se ha manifestado en el espacio geográfico como conglomerados de alta morbilidad o zonas calientes, y como conglomerados de puntos fríos de baja incidencia, los que han sido explicados a partir de variables sociales. Objetivo: Caracterizar los patrones la morbilidad de covid-19 en Costa Rica entre marzo del 2020 y mayo del 2022, y explicarlos desde los determinantes sociales de la salud en el contexto geográfico. Métodos: Se diseñó un estudio ecológico a nivel distrital, con datos sobre vacunación contra covid-19, reportes semanales sobre la velocidad de avance de la epidemia, el nivel de desarrollo, y otros datos demográficos. Se construyeron mapas temáticos, se identificaron y caracterizaron los patrones geoespaciales de la morbilidad explicados a partir de modelos de regresión lineal y geográficamente ponderada. Resultados: Se identificaron conglomerados de puntos calientes en la Gran Área Metropolitana y su entorno, y puntos fríos que flanquean esta zona de alta incidencia. El modelo de regresión lineal que incluyó el promedio de vacunas por persona, la velocidad en el reporte de casos semanal, el desarrollo social en sus dimensiones económica, educacional y sanitaria, así como la proporción de viviendas hacinadas y de personas nacidas en el exterior, explicó más del 70 % de las variaciones espaciales de la incidencia de casos (bruta y estandarizada por edad y sexo). El modelo geográficamente ponderado corrigió problemas de autocorrelación mejorando la capacidad explicativa a un 82 %. Conclusiones: La morbilidad durante la epidemia de covid-19, en Costa Rica, durante el período evaluado, se configuró mediante conglomerados espaciales de puntos calientes y fríos muy bien establecidos. Esta estructura se pudo explicar desde los determinantes sociales de la salud, comprobando que se generan efectos en la morbilidad, diferenciados territorialmente. Universidad de Costa Rica 2024-09-18 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion application/pdf text/html application/epub+zip https://revistas.ucr.ac.cr/index.php/rbt/article/view/58835 10.15517/rev.biol.trop..v72i1.58835 Revista de Biología Tropical; Vol. 72 No. 1 (2024): Revista de Biología Tropical (Rev. Biol. Trop.) RBT: Continuous publication (open issue) - 01 January - 31 December, 2024; e58835 Revista de Biología Tropical; Vol. 72 Núm. 1 (2024): Revista de Biología Tropical (Rev. Biol. Trop.) RBT: Publicación contínua (número abierto) - 01 Enero - 31 diciembre, 2024; e58835 Revista Biología Tropical; Vol. 72 N.º 1 (2024): Revista de Biología Tropical (Rev. Biol. Trop.) RBT: Continuous publication (open issue) - 01 January - 31 December, 2024; e58835 2215-2075 0034-7744 10.15517/rev.biol.trop..v72i1.2024 spa https://revistas.ucr.ac.cr/index.php/rbt/article/view/58835/61323 https://revistas.ucr.ac.cr/index.php/rbt/article/view/58835/61324 https://revistas.ucr.ac.cr/index.php/rbt/article/view/58835/61325 Copyright (c) 2024 Revista de Biología Tropical http://creativecommons.org/licenses/by/4.0 |