Servicios personalizados
Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Citado por Google 
Similares en
SciELO 
Similares en Google 
Permalink
INTRODUCCIÓN
La COVID-19 es una infección respiratoria causada por el virus SARS-CoV-21. Surgió en Wuhan (China) en diciembre de 2019, y dada su velocidad de expansión por todo el mundo, la Organización Mundial de la Salud (OMS) la declaró pandemia el 11 de marzo de 20202. Desde entonces, la enfermedad ha supuesto una crisis sanitaria mundial, que ha puesto a prueba los sistemas sanitarios de los diferentes países y ha provocado una elevada mortalidad: Según datos oficiales3, hasta el 13 de junio de 2020 se notificaron 7.625.883 casos de COVID-19 en el mundo y se registraron 425.931 fallecidos; en España, el número de afectados y fallecidos ascendió a 243.209 y 27.136, respectivamente.
El SARS-CoV-2 se manifiesta con síntomas variados y de diferente gravedad, desde un cuadro clínico de resfriado común con tos y fiebre (80% de los casos) hasta neumonías graves con síndrome de distrés respiratorio agudo (SDRA) y disfunción multiorgánica4. Actualmente, se desconoce el porcentaje de pacientes que no desarrollan síntomas. La edad avanzada y ciertas afecciones médicas crónicas se han asociado con mayor gravedad y mortalidad por COVID-195; sin embargo, se desconoce el impacto de cada uno de estos factores en el desarrollo de enfermedad grave.
Las características del ámbito rural incluyen una mayor vulnerabilidad socioeconómica y de comorbilidad de los individuos, así como una menor capacidad de adaptación del sistema sanitario ante una sobrecarga asistencial como la sufrida en los primeros momentos de la pandemia. Todo ello ha podido influir en una mayor demanda de atención en los servicios de Urgencias y de ingreso hospitalario en este ámbito y, sin embargo, son pocos los estudios realizados en el ámbito rural acerca de la COVID-196.
Si bien se están desarrollando modelos para predecir la probabilidad de enfermedad crítica en pacientes hospitalizados con COVID-19, no existen criterios fijos para la admisión hospitalaria de pacientes7, ya que estos varían según el país, la región y la disponibilidad de terapia específica para la COVID-19. Con el objetivo de dar una respuesta efectiva a una situación clínica tan rápidamente cambiante es necesario adaptar los recursos disponibles y aplicar distintas estrategias. Por ello, el presente estudio pretendió analizar los factores asociados a la gravedad de la enfermedad y crear sendos modelos predictivos de riesgo de hospitalización y exitus de pacientes diagnosticados de COVID-19 en ámbito rural.
MATERIAL Y MÉTODOS
Diseño.
Se realizó un estudio descriptivo a partir de una cohorte retrospectiva representativa de la población, siguiendo las recomendaciones STROBE para estudios observacionales8.
Pacientes y ámbito de estudio.
La muestra estuvo compuesta por pacientes mayores de dieciocho años diagnosticados de la COVID-19, mediante prueba de Reacción en Cadena de la Polimerasa (PCR) positiva, realizada en el laboratorio centralizado de un área preferentemente rural en Talavera de la Reina (Toledo, España), del 1 de marzo al 31 de mayo de 2020. No existieron criterios de exclusión.
Variables.
La variable principal, Gravedad de la Enfermedad, fue creada a partir de la bibliografía disponible9, considerando tres categorías: Enfermedad Leve (pacientes asintomáticos o pauci-asintomáticos que no requirieron ingreso hospitalario); Enfermedad Moderada (pacientes ingresados en Hospital, pero no en Unidad de Cuidados Intensivos -UCI-, que fueron finalmente dados de alta por mejoría); y Enfermedad Severa (pacientes ingresados en UCI o que fallecieron durante el ingreso). Se analizaron variables sociodemográficas como edad, sexo, procedencia (comunidad frente a residencia de ancianos), actividad laboral (sanitario, trabajador esencial en pandemia, trabajador no esencial, jubilado). Se recogieron variables sanitarias (hospitalización, ingreso en UCI y exitus), clínicas (antecedentes patológicos, medicación crónica y síntomas presentes), analíticas y radiográficas. Se creó la variable Comorbilidad a partir del Índice de Charlson Abreviado que comprende las variables: Accidente cerebrovascular (ACV), Diabetes mellitus (DM), Enfermedad pulmonar obstructiva crónica (EPOC), Insuficiencia cardíaca o Cardiopatía isquémica, Demencia, Enfermedad arterial periférica (EAP), Enfermedad renal crónica (ERC) en fase de diálisis y Cáncer. Se consideró ausencia de comorbilidad entre 0 y 1 puntos, comorbilidad baja con 2 puntos y comorbilidad alta con 3 o más puntos10.
Metodología:
Fuentes de información.
Los pacientes se reclutaron a partir de los resultados de PCR positivas para COVID-19 obtenidas en el laboratorio centralizado de Talavera de la Reina (Toledo, España). Las variables sociodemográficas y sanitarias se obtuvieron utilizando en todos los casos tres fuentes de información: los registros informatizados de Atención Primaria, de Hospitalaria y la historia clínica electrónica de Urgencias.
Muestreo.
A partir de las 709 PCR positivas registradas en el laboratorio en el periodo de estudio, se obtuvo una muestra aleatorizada simple de 275 pacientes mediante programa Epidat, versión 4.1. Tomando la máxima indeterminación (prevalencia del 50%), una precisión del 5% y nivel de confianza del 95% (p<0,05), el tamaño muestral mínimo fue de 250 pacientes y se incrementó un 10% como tasa de no respuesta.
Aspectos éticos.
El estudio respetó los principios de la Declaración de Helsinki y la normativa legal sobre confidencialidad de los datos mediante pseudoanonimización de pacientes. El protocolo del estudio fue aprobado por el Comité Ético de Investigación del Área Integrada de Talavera de la Reina (Código CEIm:50/2020), previo a su puesta en marcha.
Análisis estadístico de los datos.
En el estudio descriptivo se detallaron los totales y la distribución por sexo de las variables cualitativas mediante sus frecuencias absolutas y relativas, y de las variables cuantitativas a través de media y desviación estándar (DE) o mediana con rango intercuartílico (RI). Se estableció la significación estadística en 0,05. Se realizó un análisis bivariado de los factores asociados a la gravedad de la enfermedad mediante ANOVA para variables cuantitativas y X2 de Pearson para variables cualitativas. Para calcular la probabilidad de ingreso hospitalario y la probabilidad de exitus, se crearon sendos modelos multivariantes de regresión logística, incluyendo todas las variables y empleando el método backward. Se obtuvo una fórmula de predicción. La bondad del ajuste de los modelos se expresó con la R2 de Nagelkerke y la prueba de Hosmer y Lemeshow (p>0,05). La probabilidad de hospitalización y exitus se determinó con el área bajo la curva ROC. Para el análisis de datos se empleó el programa SPSS, versión 29.0.
RESULTADOS
Se recogieron datos de 275 pacientes. La edad media fue de 64,1 años (DE=17,8) y el 55,6% eran mujeres.
Las características de la muestra se detallan en la Tabla 1. Fueron hospitalizados el 50,9%, permaneciendo ingresados una media de 15,6±15,3 días y una mediana de once días [RI 7,0-18,0]. En UCI ingresó el 7,3%, con una media de 25,9±17,8 días y una mediana de 27,5 días [RI 12,3-33,3]. Los varones ingresaron en mayor proporción que las mujeres tanto en planta (55,7% frente a 38,6%; p=0,001) como UCI (10,7% frente a 4,6%; p=0,045). Tras un año de seguimiento, habían muerto el 17,1%, con una edad media de 81,5 años (DE 11,5), habiendo además fallecido el 50% en los siete primeros días tras el diagnóstico [RI 3,0-84,0].
Presentaron Enfermedad Grave el 18,9%, en mayor proporción varones (55,8%). Los individuos de la muestra fueron asintomáticos en el 16% de los casos. Los síntomas más relevantes fueron fiebre (68,4%), tos (58,5%) y disnea (43,6%). Los resultados radiográficos, analíticos y gasométricos se detallan en la Tabla 2.
La gravedad aumentó con la edad, siendo la edad media en los pacientes con Enfermedad Leve de 58,6 años (DE 20,5) y con Enfermedad Grave de 72,7 años (DE 15,8; p<0,001). Ser mujer y trabajador sanitario o esencial se asoció a menor gravedad de la enfermedad [Tabla 3]. Los datos radiográficos, analíticos y gasométricos asociados a gravedad de la enfermedad se detallan en la Tabla 4.
El modelo predictivo de ingreso hospitalario se muestra en la Tabla 5 y la fórmula de predicción obtenida es:
logit (p)= -4,665 + 0,478*[Índice de Charlson] + 0,082*[Número de fármacos] + 1,472*[IAM] + 1,946*[Síntomas]
Tabla 5. Modelo predictivo del riesgo de hospitalización. Análisis multivariante de regresión logística.
Este modelo predice el 73,1% (IC95%: 66,3-79,8) de los casos correctamente, según el área bajo la curva ROC.
El riesgo de exitus se asocia de forma independiente con la edad [Tabla 6] y se calcula a partir de la fórmula:
logit (p)= -7,232 + 1,081*[Edad]
Este modelo predice el 66% (IC95% 57,2-74,9) de los casos correctamente, según la curva ROC.
DISCUSIÓN
El análisis de los factores asociados a la gravedad de la enfermedad muestra que el riesgo de hospitalización aumenta de forma lineal con la comorbilidad y con el número de fármacos crónicos del paciente. No todos los pacientes con una condición subyacente particular tienen un riesgo uniformemente alto de COVID grave; sin embargo, en pacientes con comorbilidad alta el riesgo de gravedad es muy superior11. De este modo, nuestro modelo predice que, por cada punto de comorbilidad del Índice de Charlson, aumenta un 61,3% el riesgo de hospitalización. Asimismo, pese a que una mayor comorbilidad implica mayor número de fármacos crónicos, resulta relevante que la polifarmacia se asocie de forma independiente a mayor riesgo de hospitalización, incrementando un 8,6% la probabilidad por cada fármaco añadido12.
Las personas con enfermedades cardiovasculares constituyen un grupo de mayor riesgo para desarrollar síntomas graves por la COVID-19. En esta línea, el modelo establece que el antecedente de IAM multiplica por cuatro el riesgo de hospitalización. En la patogenia de estas enfermedades se encuentra una reducción de receptores ACE2 y altos niveles de Angiotensina II, asociados a insuficiencia respiratoria y a distrés respiratorio agudo. La alta incidencia de síntomas cardiovasculares observada parece relacionada con la respuesta inflamatoria sistémica, el efecto de la desregulación de ACE2, junto con la propia disfunción pulmonar y la hipoxia13.
Finalmente, los pacientes asintomáticos tienen siete veces menor probabilidad de ingresar que aquellos con síntomas, dato que concuerda con que, ya desde los primeros momentos, los protocolos establecieran la cuarentena y vigilancia de síntomas sin necesidad de intervención en estos casos14. Con las variables expresadas, el modelo de riesgo de hospitalización tiene un alto valor predictivo (73,1%). No estarían incluidos en la fórmula, por ejemplo, aquellos pacientes que incluso sin tener factores de riesgo presentan enfermedad catastrófica15 o una carga viral elevada16.
En cuanto al modelo predictivo de exitus, nuestro estudio establece la edad como único predictor del riesgo de muerte, incrementándose un 8,1% por cada año del paciente, en clara consonancia con la mayoría de las publicaciones a nivel mundial17,18,19. Así, en un análisis del Reino Unido, el riesgo de muerte entre las personas de ochenta años o más fue veinte veces mayor que aquellos entre cincuenta y cincuenta y nueve años20. Tanto peso tiene la edad como factor de riesgo de mortalidad que otras variables quedan moduladas por ella, de forma que, por ejemplo, el efecto pronóstico de las comorbilidades clínicas de la COVID-19 puede variar en función de la edad media de los pacientes21.
La población de estudio pertenece a un ámbito preferentemente rural, con una edad media de sesenta y cuatro años. La edad avanzada, la vulnerabilidad socioeconómica y algunas enfermedades crónicas se asocian a mayor gravedad por COVID-1913. Nuestros resultados muestran que la DM, las afecciones cardiacas, la ERC, el cáncer, la obesidad y el tabaquismo se asocian a mayor gravedad; en consonancia a lo publicado por los Centros para el Control y Prevención de Enfermedades (CDC) en EE.UU.6 En esta línea, detectamos la presencia de DM en el 24% de los casos, en clara consonancia con otros estudios22, siendo esta una de las comorbilidades más frecuentes en aquellos pacientes que desarrollan neumonía grave o fallecen a causa de la enfermedad. La sobrexpresión de ACE2 implicada en la nefropatía y en el daño cardiovascular del paciente diabético a largo plazo parece ser el mecanismo subyacente a este incremento del riesgo13. Por otro lado, los pacientes con cáncer se deterioran más rápidamente y aumentan su riesgo, sobre todo si en el mes previo a la infección son sometidos a cirugía o quimioterapia13. La asociación de la obesidad con otras comorbilidades y con una mayor predisposición a fenómenos tromboembólicos justifica la peor evolución de la enfermedad. Asimismo, el tabaquismo también aumenta el riesgo, aunque no parece ser el factor más relevante13.
Uno de cada tres afectados son sanitarios o trabajadores esenciales y presentan mayoritariamente un proceso benigno. Si bien pudo existir un elevado contagio con altas cargas virales entre este colectivo, en gran parte debido a su elevada exposición23, los datos oficiales del Ministerio de Sanidad en España establecen un curso clínico relativamente benigno, con cifras de hospitalización, UCI y letalidad equiparables al conjunto de la población de su misma estructura de edad13.
A pesar del elevado número de fallecidos en residencias de ancianos24, nuestros datos no reflejan mayor mortalidad en estos pacientes. Esto puede deberse a un infradiagnóstico de los pacientes procedentes de residencia, dado el colapso en la atención sanitaria en este ámbito y la falta de derivación al hospital.
Son hospitalizados el 50,9% e ingresan en la UCI el 7,3%. En España, entre los primeros 18.609 casos notificados, el 43% requieren ingreso hospitalario y el 3,9% ingreso en UCI13. Esta proporción tan elevada de ingresos hospitalarios y en la UCI puede estar sobrestimada, dado que durante el periodo de mayor presión del curso de una epidemia se detectan preferentemente los casos más graves. Aun así, el mayor grado de hospitalización y UCI hallado en nuestra muestra puede relacionarse con una mayor patología subyacente en el ámbito rural y una elevada vulnerabilidad social25, junto con el desbordamiento de la atención sanitaria en todos sus ámbitos y la falta de coordinación entre niveles asistenciales13.
Conocer la proporción de personas infectadas y asintomáticas es complejo. En nuestro estudio encontramos un 16% de asintomáticos, en consonancia a lo encontrado en el barco Diamond Princess, puesto en cuarentena en Japón, donde son verdaderos asintomáticos el 18% de sus 3.700 pasajeros26; sin embargo, el estudio de seroprevalencia de España realizado en julio de 2020 registra un 33% de asintomáticos27. Si bien la mayoría de los pacientes con la COVID-19 suelen presentar fiebre y/o síntomas de enfermedad respiratoria aguda, existen otros síntomas no específicos de COVID-19. El valor predictivo de un solo síntoma en el diagnóstico de COVID-19 es incierto28. En nuestro estudio, fiebre y disnea se asocian a gravedad. La fiebre se presenta en el 68,4%, porcentaje similar a los registros oficiales a nivel estatal. La disnea está presente en un 43,6%, dato muy superior al referido por la OMS en China (18,6%) o España (31%)13.
Entre las limitaciones del estudio, la validez externa puede verse afectada al incluir datos solamente de un área sanitaria extensa; sin embargo, el muestreo aleatorio del total de las PCR positivas facilita la validez interna. Por otro lado, el presente trabajo es relevante, ya que recoge resultados de un entorno preferentemente rural del que existen pocos estudios. El posible sesgo de información ante una historia clínica incompleta fue minimizado consultando los datos de cada paciente en tres fuentes de información diferentes (Atención Primaria, Urgencias y Hospitalización).
La pandemia de la COVID-19 nos ha permitido detectar las carencias del sistema sanitario. Se necesitan cambios estratégicos en la planificación y gestión de los procesos asistenciales. Por un lado, la creciente innovación científico-técnica desarrollada durante la pandemia a una velocidad sin precedentes favorecerá el desarrollo de procesos diagnósticos y terapéuticos más precisos y de mayor calidad. Por otro lado, el trabajo en equipos multidisciplinares y una mejor coordinación entre niveles asistenciales permitirá optimizar la organización de los procesos de cara a alcanzar una atención sanitaria de calidad21. El efecto disruptivo de la pandemia ha provocado la rápida desaparición de barreras para el uso de herramientas de atención remota, lo que convierte a la telemedicina en una buena opción para la atención de pacientes crónicos en el futuro22.
Como posibles estrategias de racionalización y mejora en la atención a estos pacientes podemos considerar el establecimiento de protocolos de actuación consensuados, el uso generalizado de nuevas herramientas informáticas que faciliten la recogida de información clínica y la optimización de la coordinación entre los diferentes niveles asistenciales30
