Un análisis estadístico comparativo de la evidencia de subregistro para COVID-19 en Brasil

Autores/as

DOI:

https://doi.org/10.26512/gs.v11i3.32425

Palabras clave:

Notificación de Enfermedades, Estadística & Datos Numéricos, Cómputos matemáticos, Transmisión de Enfermedad Infecciosa

Resumen

Este artículo investigó el subregistro de COVID-19 en los estados brasileños, utilizando datos de Corea del Sur e Italia como referencias de prueba y evaluando el subregistro relativo en función de sus respectivas tasas de letalidad. Se desarrolló un modelo estadístico que incorpora aspectos temporales y espaciales, que analizó la dispersión de COVID-19 de un epicentro a 3 unidades federativas brasileñas y cuatro estados norteamericanos; También se verificó la influencia relativa de la red de carreteras para la dispersión de COVID-19 en estos estados. Los resultados indican que 16 de las 27 unidades federativas brasileñas reportaron niveles más altos que los observados en Italia, pero todas mostraron evidencia de subregistro en comparación con los niveles observados en Corea del Sur. También se discutió la evidencia de subregistro desde el interior en relación con la capital del estado. Los resultados del presente estudio pueden contribuir a una mejor comprensión de las heterogeneidades de subregistro para diferentes regiones de Brasil, así como ayudar a diagnosticar la demanda de los sistemas de salud regionales y estimar la duración de la pandemia a nivel regional.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Istituto Superiore di Sanità . Integrated surveillance of COVID-19 in Italy. Disponível em: https://www.epicentro.iss.it/en/coronavirus/bollettino/Infografica_15maggio%20ENG.pdf. Acesso em 27/06/2020.

Cota W. Monitoring the number of COVID-19 cases and deaths in Brazil at municipal and federative units level. SciELO Preprints. 2020; 362: 1-7. Disponível em: https://preprints.scielo.org/index.php/scielo/preprint/view/362. Acesso em 05/06/2020.

Dudel C, Riffe T, Acosta E, van Raalte AA, Myrskyla M. Monitoring trends and differences in COVID-19 case fatality rates using decomposition methods: Contributions of age structure and age-specific fatality. Preprint medRxiv. 2020. Disponível em: https://www.medrxiv.org/content/medrxiv/early/2020/04/08/2020.03.31.20048397.full.pdf . Acesso em 22/05/2020.

Jagodnik K, Ray F, Giorgi FM, Lachmann A. Correcting under-reported COVID-19 case numbers: estimating the true scale of the pandemic. Preprint medRxiv. 2020; 14. Disponível em: https://ravikollimd.com/resources/COVID/2020.03.14.20036178v2.full.pdf. Acesso em 19/05/2020.

Kim DH, Choe YJ, Jeong JY. Understanding and interpretation of case fatality rate of coronavirus disease. 2019. Journal of Korean Medical Science. 2020; 35(12): 1-3.

Krantz SG, Rao ASS. Level of under-reporting including under-diagnosis before the first peak of COVID-19 in various countries: Preliminary retrospective results based on wavelets and deterministic modeling. Infection Control & Hospital Epidemiology. 2020: 1-8.

Prado M, et al Análise de subnotificação do número de casos confirmados da COVID-19 no Brasil. 2020. Disponível em: http://www.supersuporte.com/myRpubs/NT7_Subnotificacao_notaDia11-abr-2020.pdf. Acesso em 23/04/2020.

Reis, RF, et al. Characterization of the COVID-19 pandemic and the impact of uncertainties, mitigation strategies, and underreporting of cases in South Korea, Italy, and Brazil. Chaos, Solitons & Fractals. 2020: 109888.

Ribeiro LC, et al. Estimate of underreporting of COVID-19 in Brazil by Acute Respiratory Syndrome hospitalization reports. IDEAS. 2020. Disponível em: https://saci2.ufop.br/data/solicitacao/18528_nt_estimativa_subnotificacao.pdf. Acesso em 15/06/2020.

Richardson, S, et al. Presenting characteristics, comorbidities, and outcomes among 5700 patients hospitalized with COVID-19 in the New York City area. Jama. 2020.

Rivas, AL., et al. Lessons from Nigeria: the role of roads in the geo-temporal progression of avian influenza (H5N1) virus. Epidemiology & Infection. 2010; 138 (2): 192-198.

Roda WC, Varughese MB, Han D, Li MY, Why is it difficult to accurately predict the covid-19 epidemic?. Infectious Disease Modelling. 2020.

Russell TW, et al., Estimating the infection and case fatality ratio for coronavirus disease (covid-19) using age-adjusted data from the outbreak on the Diamond Princess cruise ship. 2020. Eurosurveillance; 25: 2000256.

Salje H, et al., Estimating the burden of SARS-CoV-2 in France, Science. 2020.

Tobler WR, A computer movie simulating urban growth in the Detroit region. Economic geography. 1970; 46: 234”“240.

World Health Organization, Coronavirus disease 2019 (COVID-19): situation report. 2020; 1: 1-5.

Center for Systems Science and Engineering (CSSE) at Johns Hopkins University, COVID-19 Data Repository. Disponível em: https://github.com/CSSEGISandData/COVID-19. Acesso em 01/08/2020.

Hale T, Petherick A, Phillips T, Webster S, Variation in government responses to COVID-19. Blavatnik. School of government working paper. 2020; 31: 1-23.

Verelst F, Kuylen E, Beutels P, Indications for healthcare surge capacity in European countries facing an exponential increase in coronavirus disease (COVID-19) cases, March 2020. Eurosurveillance. 2020; 25 (13): 2000323.

Arabi YM, Murthy S, Webb S, COVID-19: a novel coronavirus and a novel challenge for critical care. Intensive care medicine. 2020; 46: 833-836.

Cordes J, Castro MC, Spatial analysis of COVID-19 clusters and contextual factors in New York City. Spatial and Spatio-temporal Epidemiology. 2020; 34: 100355.

Archivos adicionales

Publicado

2020-12-21

Cómo citar

1.
Ferreira do Nascimento I, Rodrigues do Nascimento A, Yaohao P. Un análisis estadístico comparativo de la evidencia de subregistro para COVID-19 en Brasil. Rev. G&S [Internet]. 21 de diciembre de 2020 [citado 22 de diciembre de 2024];11(3):261-80. Disponible en: https://periodicos.unb.br/index.php/rgs/article/view/32425

Número

Sección

Artigos de Pesquisa