Cambios estructurales en la demanda de urgencias respiratorias en Chile (2017–2024): un análisis retrospectivo mediante modelamiento bayesiano de series temporales
Barra lateral del artículo
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
La publicación se distribuye bajo la Licencia Creative Commons Atribución- 4.0 Internacional (CC BY 4.0). Los derechos de los trabajos publicados en esta revista son propiedad del autor, los cuales son libres de distribuir y difundir las mismas, siempre que cite correctamente la fuente.
Contenido principal del artículo
Resumen
Objetivo: Identificar cambios estructurales en la demanda de urgencias respiratorias en Chile entre 2017 y 2024 mediante un enfoque bayesiano de series temporales que incorpora estacionalidad, efectos de día de la semana y puntos de cambio suaves.
Materiales y métodos: Se realizó un estudio ecológico de series temporales a partir de registros administrativos oficiales de 33.597.638 atenciones de urgencia respiratoria en Chile entre el 1 de enero de 2017 y el 31 de diciembre de 2024. Los conteos diarios fueron estratificados por nivel asistencial: atención primaria de urgencia (APS) y servicios de urgencia hospitalarios. Se ajustaron modelos bayesianos de regresión binomial negativa con estacionalidad anual mediante términos de Fourier, efectos de día de la semana y dos puntos de cambio estructural con transición suave definidos a priori según hitos epidemiológicos de la pandemia por COVID-19. Los efectos estructurales se resumieron mediante razones multiplicativas e intervalos creíbles del 90%, y se compararon con métodos clásicos: CUSUM, medias móviles con umbral Z y segmentación determinista.
Resultados: De las 33.597.638 atenciones registradas, 24.617.474 correspondieron a atención primaria y 8.980.164 a servicios hospitalarios. La serie presentó marcada estacionalidad anual y dos transiciones estructurales coherentes con las fases inicial y posterior de la pandemia. Ambos niveles asistenciales mostraron razones multiplicativas inferiores a la unidad en el primer punto de cambio y superiores en el segundo. En la comparación retrospectiva, el enfoque bayesiano presentó menor latencia de detección respecto a los métodos clásicos.
Conclusiones: La demanda de urgencias respiratorias en Chile entre 2017 y 2024 presentó cambios estructurales claramente distinguibles de la variación estacional, con patrones diferenciados entre niveles de atención. El modelamiento bayesiano de series temporales permitió una caracterización más precisa de las transiciones en la demanda asistencial, respaldando su utilidad como herramienta analítica para la vigilancia de sistemas de salud en contextos de alta variabilidad.
Citas
Hartnett KP, Kite-Powell A, DeVies J, Coletta MA, Boehmer TK, Adjemian J, et al. Impact of the COVID-19 Pandemic on Emergency Department Visits - United States, January 1, 2019-May 30, 2020. MMWR Morb Mortal Wkly Rep. 2020 Jun 12;69(23):699–704. doi:10.15585/mmwr.mm6923e1 PubMed PMID: 32525856.
Jeffery MM, D’Onofrio G, Paek H, Platts-Mills TF, Soares WE, Hoppe JA, et al. Trends in Emergency Department Visits and Hospital Admissions in Health Care Systems in 5 States in the First Months of the COVID-19 Pandemic in the US. JAMA Intern Med. 2020 Oct 1;180(10):1328–33. doi:10.1001/jamainternmed.2020.3288 PubMed PMID: 32744612.
Moon J, Choi YY, Min HS, Sung HK, Lee KS. Time-series evaluation of an ED-based syndromic alarm system before and during the COVID-19 pandemic. J Infect Public Health. 2026 Mar 1;19(3):103149. doi:10.1016/j.jiph.2026.103149
Schranz M. Syndromic surveillance using emergency department data for the monitoring of unspecific acute gastrointestinal infections. Dissertation. Berlin: Robert Koch Institute; 2019. doi:10.25646/9364
Jones SS, Thomas A, Evans RS, Welch SJ, Haug PJ, Snow GL. Forecasting daily patient volumes in the emergency department. Acad Emerg Med. 2008 Feb;15(2):159–70. doi:10.1111/j.1553-2712.2007.00032.x PubMed PMID: 18275446.
Adeoye M, Didelot X, Spencer SEF. Bayesian spatio-temporal modelling for infectious disease outbreak detection. Epidemics. 2026 Mar 1;54:100879. doi:10.1016/j.epidem.2025.100879 PubMed PMID: 41418592.
Brookmeyer R, Stroup DF. Monitoring the health of populations: statistical principles and methods for public health surveillance. New York: Oxford University Press; 2003. p. 1–32.
Cárdenas CM, Sovier CV, Pérez U, González S. Consultas de urgencia general y por causa respiratoria en la red de establecimientos del Sistema Nacional de Servicios de Salud (SNSS): un modelo predictivo en el Servicio de Salud de Chiloé. Rev Chil Enferm Respir. 2014;30:133-141.
Toro L, Parra A, Alvo M. COVID-19 epidemic in chile: Impact on emergency services care and specific pathologies. Rev Med Chil. 2020 Apr 1;148(4):558–60. doi:10.4067/s0034-98872020000400558 PubMed PMID: 32730468.
Tinoco YO, Osman TS, Ampuero JS, Gazo M, Ocaña V, Chávez E, et al. Respiratory Disease Surveillance in the Middle East and Latin America during the COVID-19 Pandemic, 2020-2022. Emerg Infect Dis. 2024 Nov 1;30(14):S26–32. doi:10.3201/eid3014.240303 PubMed PMID: 39530856.
Viboud C, Bjørnstad ON, Smith DL, Simonsen L, Miller MA, Grenfell BT. Synchrony, waves, and spatial hierarchies in the spread of influenza. Science. 2006 Apr 21;312(5772):447–51. doi:10.1126/science.1125237 PubMed PMID: 16574822.
Daoud A, Ronen O. Decline in emergency department visits during the COVID-19 quarantine. Am J Emerg Med. 2023 Sep 1;71:74. doi:10.1016/j.ajem.2023.06.002 PubMed PMID: 37352578.
Thornton J. Covid-19: A&E visits in England fall by 25% in week after lockdown. BMJ. 2020 Apr 6;369:m1401. doi:10.1136/bmj.m1401 PubMed PMID: 32253175.
Fanourgiakis J, Papadakis E, Dimotikalis I, Papadakis E, Kanoupakis E. The effect of COVID-19 on emergency department visits: Real-world data from Greece, 2016-2024. The European Journal of Public Health. 2025 Nov 1;35(Suppl 5):ckaf165.125. doi:10.1093/eurpub/ckaf165.125
Knudsen SV, Jensen H, Mainz J, Baandrup L, Gögenur I, Jensen JW, et al. Indirect effects of the COVID-19 pandemic on healthcare contacts, quality of care, and social disparities across essential healthcare domains. Int J Qual Health Care. 2025;37(1). doi:10.1093/intqhc/mzaf013 PubMed PMID: 39936327.
Isba R, Edge R, Jenner R, Broughton E, Francis N, Butler J. Where have all the children gone? Decreases in paediatric emergency department attendances at the start of the COVID-19 pandemic of 2020. Arch Dis Child. 2020 Jul 1;105(7):704. doi:10.1136/archdischild-2020-319385 PubMed PMID: 32376695.
de Jorna C, Liber M, Khalifi S El, Neggia G, Martinot A, Dubos F. Changes in pediatric emergency department visits during a COVID-19 lockdown period: An exhaustive single-center analysis: Impact of the 2020 lockdown on admissions to a pediatric emergency department. Archives de Pediatrie. 2022 Nov 1;29(8):604–9. doi:10.1016/j.arcped.2022.08.003 PubMed PMID: 36167618.
Starfield B. Primary Care: Balancing Health Needs, Services, and Technology [Internet]. 1998 Oct 29. doi:10.1093/oso/9780195125429.001.0001
Kringos D, Boerma W, Bourgueil Y, Cartier T, Dedeu T, Hasvold T, et al. The strength of primary care in Europe: an international comparative study. Br J Gen Pract. 2013 Nov;63(616). doi:10.3399/bjgp13x674422 PubMed PMID: 24267857.
Mantica G, Riccardi N, Terrone C, Gratarola A. Non-COVID-19 visits to emergency departments during the pandemic: the impact of fear. Public Health. 2020 Jun 1;183:40. doi:10.1016/j.puhe.2020.04.046 PubMed PMID: 32417567.
Sartini M, Carbone A, Demartini A, Giribone L, Oliva M, Spagnolo AM, et al. Overcrowding in Emergency Department: Causes, Consequences, and Solutions—A Narrative Review. Healthcare. 2022 Sep 1;10(9):1625. doi:10.3390/healthcare10091625 PubMed PMID: 36141237.
Liu P, Xu M, Cao L, Su L, Lu L, Dong N, et al. Impact of COVID-19 pandemic on the prevalence of respiratory viruses in children with lower respiratory tract infections in China. Virol J. 2021 Dec 1;18(1):159. doi:10.1186/s12985-021-01627-8 PubMed PMID: 34344406.
Olsen SJ, Azziz-Baumgartner E, Budd AP, Brammer L, Sullivan S, Pineda RF, et al. Decreased influenza activity during the COVID-19 pandemic—United States, Australia, Chile, and South Africa, 2020. American Journal of Transplantation. 2022 Dec 1;20(12):3681. doi:10.1111/ajt.16381 PubMed PMID: 33264506.
Hyndman RJ, Athanasopoulos G. Forecasting: Principles and Practice. 3rd ed. Melbourne: OTexts; 2021. https://otexts.com/fpp3/
West M, Harrison J. Bayesian Forecasting and Dynamic Models. 2nd ed. New York: Springer; 1997.
Montgomery DC. Introduction to statistical quality control. 8th ed. Hoboken (NJ): John Wiley & Sons; 2020. p. 5.
Hawkins DM, Olwell DH. Cumulative Sum Charts and Charting for Quality Improvement. Cumulative Sum Charts and Charting for Quality Improvement. 1998. doi:10.1007/978-1-4612-1686-5
MacNab YC. Bayesian disease mapping: Past, present, and future. Spat Stat. 2022 Aug 1;50:100593. doi:10.1016/j.spasta.2022.100593 PubMed PMID: 35075407.
Van de Schoot R, Kaplan D, Denissen J, Asendorpf JB, Neyer FJ, van Aken MAG. A Gentle Introduction to Bayesian Analysis: Applications to Developmental Research. Child Dev. 2014;85(3):842–60. doi:10.1111/cdev.12169 PubMed PMID: 24116396.
Horváth L, Rice G. Change Point Analysis for Time Series [Internet]. 2024;Springer Series in Statistics. doi:10.1007/978-3-031-51609-2