Por Adrián Rubli* (ITAM) y Emilio Gutiérrez (ITAM)
Durante la pandemia de Covid-19, hemos escuchado hablar repetidamente sobre el riesgo de la congestión o saturación hospitalaria. Cuando un hospital tiene demasiada carga de pacientes, no solamente existe un problema de disponibilidad de servicios para pacientes que lo requieran, sino que también es posible que disminuya la calidad de la atención por el menor número de recursos por paciente y por el estrés y cansancio que la carga de trabajo puede provocar en el personal médico.
Sin embargo, estimar el impacto causal de la congestión hospitalaria en la salud de sus pacientes es complicado. La decisión de buscar atención médica es endógena, pues depende de varios factores como la calidad de la atención esperada. Diversos estudios que han intentado superar este problema se fijan en variaciones en el momento exacto en que suceden ciertos eventos que requieren de hospitalización, como accidentes y nacimientos no inducidos.
Una pregunta importante en este contexto es si la congestión hospitalaria puede llevar a una disminución en la calidad de atención al grado de aumentar la mortalidad de los pacientes hospitalizados. Dado el reto empírico, en un artículo de investigación recientemente aceptado para publicación en la revista Management Science, Emilio Gutiérrez y yo nos enfocamos en analizar la epidemia provocada por el virus H1N1 en México en 2009 para contestar esta pregunta.
Dicha epidemia comenzó en marzo de 2009 y un estudio epidemiológico calcula un total de 12,500 a 16,000 muertes en exceso para diciembre de 2009. Utilizando datos del sistema mexicano de vigilancia epidemiológica, la Figura 1 muestra la evolución de infecciones respiratorias agudas (IRAs) durante varios años. El 2009 destaca como un año claramente atípico. Cabe mencionar que utilizamos datos de todas las IRAs, sin enfocarnos en casos específicos de H1N1. Esto se debe a potenciales problemas de diagnóstico, correlacionados con la tasa de implementación de pruebas de laboratorio (tal como ha sucedido con el Covid-19).
Nuestro estudio analiza uno de los más grandes sistemas hospitalarios de carácter público en México, adscrito directamente a la Secretaría de Salud (SSA). Los hospitales SSA atienden a la población empleada en el mercado informal y desempleada. Los datos públicos de hospitalizaciones en hospitales SSA registran la fecha de cada ingreso, el diagnóstico inicial asignado por un médico y el motivo por el egreso (básicamente, por mejora o defunción). En 2009 observamos 612 hospitales SSA, cada uno de ellos georreferenciado.
Aprovechando el choque inesperado de la epidemia H1N1, nos enfocamos en datos hospitalarios de 2009 solamente. Para aproximar la magnitud del brote epidémico alrededor de cada hospital, asignamos a cada uno de ellos dos grupos distintos de unidades de salud cercanas: las diez más cercanas y todas las que se encuentran en un radio de 5 km. Contando los casos de IRAs en estas unidades vecinas, tenemos entonces una medida del brote epidémico local.
Nuestra relación de interés es entonces el impacto que tiene el aumento en hospitalizaciones por IRAs en la mortalidad hospitalaria por otras causas distintas a las IRAs. Implementamos una estimación de mínimos cuadrados en dos etapas, instrumentando las hospitalizaciones por IRAs con la prevalencia de IRAs en unidades médicas vecinas. Este método nos ayuda a aislar el impacto causal de un aumento en hospitalizaciones sobre la mortalidad hospitalaria. Los supuestos necesarios son: (i) que las IRAs en unidades vecinas están correlacionadas con hospitalizaciones por IRAs en el hospital SSA, y (ii) que la mortalidad hospitalaria por causas distintas a las IRAs solamente se vea afectada por el brote local a través de su impacto en hospitalizaciones por IRAs. Para nuestras estimaciones, utilizamos variables de IRAs, hospitalizaciones y muertes normalizadas, restando la media a nivel hospital y dividiendo entre la desviación estándar.
La Tabla 1 muestra nuestro resultado principal. Las primeras dos columnas muestran la primera etapa, es decir, la correlación entre IRAs en unidades vecinas y hospitalizaciones por IRAs. Encontramos una asociación positiva y significativa: un aumento de una desviación estándar en IRAs aledañas se tradujo en un aumento de 0.11 desviaciones estándar en hospitalizaciones por IRAs. En las siguientes dos columnas, mostramos el impacto de dichas hospitalizaciones en mortalidad hospitalaria por otras causas. El efecto es positivo y significativo: un aumento de una desviación estándar en hospitalizaciones por IRAs llevó a un aumento de 0.17 desviaciones estándar en muertes hospitalarias por causas distintas a IRAs. Dicho de otro modo, un aumento de 1% en hospitalizaciones por IRAs causó un aumento de 0.25% en muertes por otras causas en el mismo hospital.
Exploramos también dos resultados adicionales aquí. Primero, nos preguntamos si el impacto es lineal o si existe un punto de inflexión a partir del cual la saturación hospitalaria lleva a impactos en mortalidad. Dividiendo la muestra en quintiles del tamaño del brote local, encontramos que el impacto está concentrado en el último quintil (Figura 2). Cabe destacar que la relación de la primera etapa sí es lineal, por lo cual el punto de inflexión no puede explicarse por dicha asociación.
Segundo, nos preguntamos si los impactos difieren por infraestructura hospitalaria. Desafortunadamente no observamos estas variables en 2009 sino hasta 2013. Sin embargo, realizamos varios ejercicios de validación que sugieren que dichos datos son un buen proxy. Nos concentramos en el tamaño del hospital medido a partir del número de camas y si el hospital tiene una unidad de cuidados intensivos (UCI). Nuestros resultados muestran que los impactos están concentrados en hospitales pequeños y aquéllos que no tienen una UCI, lo cual sugiere que los recursos hospitalarios juegan un papel importante en esta relación (Tabla 2).
Por último, discutimos qué tipo de políticas o intervenciones administrativas pueden ser útiles para mitigar estos impactos. A partir de una serie de análisis auxiliares, sabemos que los hospitales SSA no implementaron una reasignación estratégica de pacientes para reducir la congestión hospitalaria durante el H1N1, pues los impactos no difieren por distancia al hospital SSA más cercano. A través de un simple cálculo, encontramos que era factible reasignar pacientes, pues durante 25% del tiempo existían al menos cinco camas disponibles en hospitales SSA a menos de 5 km de distancia. Sin embargo, la reasignación de pacientes no es una solución perfecta, pues varios hospitales SSA están demasiado aislados de otros: 42% de los hospitales pequeños y 18% de los que no tienen una UCI están a más de 50 km del siguiente hospital SSA grande o con UCI.
Una alternativa consiste entonces en aumentar la capacidad hospitalaria, ya sea temporal o permanentemente. Dado que no tenemos datos de expansión de capacidad para la epidemia de H1N1, analizamos los datos de la pandemia actual. En México, el gobierno federal realizó varios esfuerzos de reconversión hospitalaria durante el Covid-19 para intentar evitar la saturación en la infraestructura existente. Encontramos que los hospitales SSA pequeños o sin UCI más aislados son los que tuvieron una mayor probabilidad de recibir recursos del gobierno para expandir su capacidad durante esta pandemia, aunque también se designaron recursos a los hospitales SSA menos aislados.
En conclusión, nuestros resultados indican que la saturación de hospitales puede llevar a aumentos importantes en mortalidad hospitalaria y que la infraestructura hospitalaria puede mitigar estos impactos. Una política de relativo bajo costo consiste en reasignar pacientes entre hospitales para evitar alcanzar niveles de saturación críticos. Sin embargo, para los hospitales más aislados simplemente no es posible reasignar pacientes sin ponerles en riesgo, y, por tanto, es necesario designar recursos que permitan aumentar su capacidad.
