Skip to main content
Tag

CORONAVIRUS

EL PREOCUPANTE NIVEL DE CONTAGIO DE LAS COMUNAS MINERAS

By Noticias

Antofagasta, Calama y Rancagua son las comunas con más casos COVID/19 fuera de la RM. Esta columna grafica cómo se llegó a esta situación y lo atribuye a las erráticas decisiones de las autoridades, que han impuesto cuarentenas tardías o las han levantado antes de tiempo. Los autores llaman a las empresas mineras, uno de los focos de contagio, a “disminuir la interacción de sus trabajadores”.

Por GEMVEP USACH

Antofagasta, Calama y Rancagua no solo son zonas que comparten el alto porcentaje de producción minera en Chile, sino que, además, son las comunas con mayor número de casos confirmados de COVID- 19 en regiones (sin considerar la Región Metropolitana, la cual acumula a la fecha 248.352 casos). Esto, según el Informe Epidemiológico emitido el 17 de julio por el Ministerio de Salud.

En dicho informe se detalla que los confirmados acumulados desde el inicio de la pandemia en Antofagasta equivalen a 6.134 contagios. Luego, sigue Calama, con 5.711 casos y en Rancagua la cifra es levemente menor: 5.169 contagios (Figura 1). Asimismo, estas tres localidades también lideran en cuanto a la cantidad de casos activos con cifras que van desde los 585 a los 966 casos.  Estos dos indicadores – casos confirmados acumulados y casos activos- nos muestran una mirada global y actual de los contagios. Es decir, Antofagasta, Calama y Rancagua son las comunas de regiones que más casos acumulan desde el inicio de la pandemia y, además, la cantidad de personas que iniciaron síntomas en las dos semanas previas a este reporte (casos activos) es alta e indica que la pandemia aún no está controlada en estos lugares.

Figura 1: Diez  comunas con mayor cantidad de casos confirmados acumulados de regiones  (excepto Región Metropolitana).

Fuente: GEMVEP USACH

Este dato es preocupante ya que, si analizamos el total de casos por región, se puede notar que la Región de Antofagasta y la del Libertador Bernardo O’Higgins están dentro de las cinco con mayor cantidad de casos confirmados a nivel nacional (Figura 3) y, además, con tasas por habitantes superiores a las que presentan la Región del Bío-Bío y Valparaíso.

Figura 2: Cinco regiones con mayor cantidad de casos confirmados acumulados del país. Tasa Confirmados se calcula como tasa por habitantes cada 100.000 habitantes (datos al 22 de julio)


Fuente: GEMVEP USACH.

Ahora bien, hay que tener presente que los casos activos se encuentran subestimados por el rezago que existe entre que una persona inicia sus síntomas hasta que es confirmada como positivo, por lo que las cifras aquí presentadas podrían aumentar. Para anticiparse a esto, el Grupo Epidemiológico- Matemático para la Vigilancia de Epidemias y Pandemias (GEMVEP) de la Universidad de Santiago, aplicó una corrección al rezago en el reporte ajustado por las tendencias de las incidencias propuesto por Yan y Chowell (2019). Como resultado de ese ejercicio se obtuvo, para las comunas de Antofagasta y Calama, un comportamiento de crecimiento en el número de casos de personas que iniciaron síntomas en la semana epidemiológica 28 (que va del 5 al 11 de julio, ver Figura 2). En cuanto a la comuna de Rancagua, se observa un peak en la semana epidemiológica 25 y luego un descenso en las posteriores. Es decir, teniendo en cuenta el rezago con que la información es reportada por el ministerio, es probable que sigamos observando una importante cantidad de casos nuevos en las comunas de la región de Antofagasta en los próximos informes.

En la misma figura se puede observar el período en que se han mantenido en cuarentena estas comunas. La comuna de Antofagasta ha tenido dos periodos de confinamiento. El primero se inició el martes 5 de mayo y terminó – de manera muy cuestionable por diversos expertos y autoridades- el viernes 29 de mayo. El segundo período de cuarentena empezó el 23 de junio y se ha mantenido hasta la actualidad. En cuanto a la comuna de Calama, ésta dio inicio a su cuarentena el martes 9 de junio y no se ha dado de baja a la fecha. Finalmente, la comuna de Rancagua y otras aledañas, como Machalí y Graneros en la Región de O’Higgins, empezaron su confinamiento el 19 de junio. De acuerdo a la figura, la decisión respecto a la cuarentena se tomó cuando la curva epidémica iba bajando en las comunas de Calama y Rancagua, es decir, de manera tardía, lo que en la actualidad pasó a convertirse en una de las razones por las que estas comunas lideran los contagios de Covid-19 en regiones.

En el caso de Antofagasta, se observa en la figura 2, que durante la primera cuarentena, la cantidad de personas que iniciaron síntomas se mantuvo constante. Sin embargo, inmediatamente después que se levantó el confinamiento, la cantidad de casos comenzó a crecer. Este es un ejemplo muy ilustrativo de las consecuencias de levantar una cuarentena en un mal momento. Aquí se tomó una decisión de levantar la cuarentena con una tasa de positividad semanal de la región del 26% (valor superior a los establecidos en el programa “Paso a Paso” del gobierno) y en alza.

Figura 3: Casos Confirmados por Semana Epidemiológica con inicio de síntomas corregido por el rezago en el reporte en las comunas de Antofagasta (Línea Negra), Calama (Línea Roja) y Rancagua (Línea Verde) usando como base el Informe Epidemiológico del 17 de Julio


Fuente: GEMVEP USACH.

Antofagasta, Calama y Rancagua son las comunas de regiones que más casos acumulan desde el inicio de la pandemia y, además, la cantidad de personas que iniciaron síntomas en las dos semanas previas a este reporte (casos activos) es alta e indica que la pandemia aún no está controlada en estos lugares.

Adicionalmente, en estas comunas, la tasa de fallecidos confirmados por PCR positivo son las más altas fuera de la Región Metropolitana. En la Figura 3 se observa que, entre las comunas con más de 25.000 personas, Calama tiene la mayor tasa de mortalidad en regiones, ya que de los 190.336 habitantes que residen en esta localidad, han fallecido 155 por Covid-19, es decir, 81 de cada 100.000 personas. Además, Rancagua ocupa el quinto puesto entre las más altas tasas de mortalidad, con una cifra de 27,15.

Figura 4: Cinco comunas de más de 25.000 habitantes de regiones (excepto Región Metropolitana) con mayor tasa de fallecidos con confirmación de PCR. Tasa Mortalidad se obtiene como la tasa de fallecidos cada 100.000 habitantes. La tasa de letalidad se obtiene como la tasa de fallecidos cada 100 contagiados confirmados.

Fuente: GEMVEP USACH.

Para GEMVEP, es preocupante el nivel de positividad que poseen las dos comunas de la Región de Antofagasta, puesto que han presentado cifras superiores al 40% y éstas no han disminuido con el paso del tiempo. Por ejemplo: el 6 de julio, la positividad para Calama era de un 43%, mientras que la de Antofagasta alcanzaba un 45% – según lo informado por el infectólogo de la Seremi de Salud, Javier Mena-. Una semana después, 15 de julio, la positividad de la primera comuna alcanzó un 46,6% y Antofagasta disminuyó tres puntos porcentuales en relación a la fecha anterior situándose en un 42%, cifras muy superiores al 15% registrado a nivel nacional.

Por otro lado, en cuanto a los casos confirmados dentro de la industria minera, en un análisis realizado por el Consejo Minero, se informó que hasta el 9 de julio, el total de la cifra de trabajadores contagiados activos equivale a 1.554, siendo Codelco la que lidera con un total de 913 casos, seguido por BHP con 228 y Antofagasta Minerals con 86 contagios[1]. Ahora bien, la Superintendencia de Seguridad Social (Suseso) indicó que en el sector minero existía un total del 2% de casos confirmados de entre todo el sector productivo del país. Sin embargo, tres días después, los trabajadores de Codelco anunciaron que la cifra de contagios sería de 2.842 casos y los fallecidos (de todo el sector minero) correspondería a 10 personas[2].

Ahora bien, estas cifras no son algo reciente, sino que se vienen observando desde hace semanas y, por lo mismo, las autoridades locales han pedido al Gobierno implementar medidas más estrictas para combatir la pandemia. Karen Rojo, Alcaldesa de Antofagasta, indicó que “el ministro de Salud debe extremar las medidas de seguridad. Por ejemplo: cerrar ahora ya el aeropuerto de Antofagasta y Calama, incluso en terminales de buses, tiene que paralizar por completo las faenas mineras y sólo operar en casos de emergencia”[3]. En esta misma línea van las exigencias del Alcalde de Calama, Daniel Agusto, quien además  -en conversaciones con CNN- señaló que “en los cambios de turno se sigue dando una aglomeración terrible de personas. Eso sí que es un contagio de rebaño, pero de un rebaño que va al matadero”3.

Pese a que el pasado jueves 16 de julio la Subsecretaría de Salud Pública, Paula Daza, informara que “nos hemos reunido y estamos en conversaciones permanente con el consejo minero que está muy preocupado por la situación. Ellos han disminuido su actividad en un 50% principalmente en todas las nuevas construcciones y han limitado su actividad minera”, las cuarentenas no han influido en los trabajadores de la industria, ya que igualmente han debido seguir con sus funciones durante este periodo al ser considerada la industria como una actividad esencial.

En consecuencia, como grupo planteamos que las empresas mineras deben extremar medidas para el cuidado de sus trabajadores, aislando oportunamente tanto a los contagiados nuevos como a sus contactos estrechos, ampliando las distancias entre los trabajadores en las faenas y disminuyendo la interacción entre ellos. Si bien el daño a los habitantes de estas comunas es irreparable, esperamos que estas empresas tomen medidas prontamente, para al fin controlar la pandemia  lo antes posible en estas comunas.

Share on facebook
Share on twitter
Share on linkedin

Notas y referencias

Yan P., & Chowell G. Quantitative Methods for Investigating Infectious Disease Outbreak. Text in Applied Mathematics.  August 2019. Springer Nature. (Book) ISBN: 978-3-030-21923-9; 978-3-030-21922-2.

[1] Casos activos de Covid-19 en mineras superan los 1.500 y más de la mitad son de Codelco (13/07/2020). Recuperado el 15 de julio. Disponible aquí.

[2] “Estamos produciendo cobre manchado”: Trabajadores de Codelco denuncian 2.843 contagios y 8 fallecidos (12/07/2020). Recuperado el 15 de julio. Disponible aquí.

[3] Karen Rojo pide extremar medidas: Cierre de aeropuertos, paralización de faenas mineras e hibernación (29/06/2020). Recuperado el 15 de julio. Disponible aquí.

RAZONES PARA DUDAR DE LA “LEVE MEJORÍA”

By Noticias
linea_vertical_100px

Gestión de prensa: Unidad de Estudios e Instrumentos VIME

“Creemos que hablar de una “leve mejoría” o “incipiente mejoría” podría no ser apropiado cuando no se consideran factores tan importantes como el número de exámenes que se realizan, la tasa de positividad, el rezago en los reportes o la heterogeneidad de la pandemia dentro de la Región Metropolitana”, sostienen los investigadores del Grupo Epidemiológico-Matemático para la Vigilancia de Epidemias y Pandemias (USACH).

Por GEMVEP USACH

Desde la semana pasada el Gobierno ha instaurado un discurso apelando a una “leve mejoría” con respecto al panorama del COVID-19 en nuestro país. Esto, a raíz de declaraciones realizadas por el ministro de Salud, Enrique Paris, quien fue respaldado por el Presidente Sebastián Piñera al agregar que “estamos experimentando una leve mejoría”, pero ¿qué tan acertados son los dichos de las autoridades?

Sí, efectivamente hay indicadores que han ido a la baja en las últimas semanas y, por ende, dan una sensación de optimismo en cuanto al escenario actual de la pandemia. Un ejemplo de esto es el hecho de que en los últimos días se han observado entre 3.000 y 4.000 casos nuevos de coronavirus por día, lo cual es una disminución respecto a los casi 7.000 del domingo 14 de junio. Sin embargo, no se puede obviar que esta cantidad de casos confirmados se obtuvo en días donde también se realizaron menos exámenes PCR de lo habitual.

En este sentido, como Grupo Epidemiológico-Matemático para la Vigilancia de Epidemias y Pandemias (GEMVEP USACH), hemos observado la existencia de un ritmo hebdomadario – es decir, que se repite cada semana – en el número de exámenes PCR informados en los reportes diarios del Gobierno, donde los días lunes, martes y miércoles se muestra una baja en la cantidad de estos exámenes. Ahora bien, lo inquietante de este ritmo es que impide detectar, con mayor exactitud, la dimensión de la pandemia en el país, ya que solo demuestra que existe una baja en la cantidad de exámenes realizados y no en la tasa de positividad. Por lo tanto, si no se aclara, esta “mejoría” podría terminar desinformando a la población generando un “relajo” en cuanto a los precauciones a tomar contra el virus, como ya ha ocurrido en el pasado con la llamada “nueva normalidad”.

Siendo más específicos, si observamos el número de exámenes PCR y casos confirmados en la Región Metropolitana, podemos notar que en el informe del 24/06 se da claramente un ritmo hebdomadario, ya que se ve un descenso en los casos confirmados, pero -igualmente- los exámenes PCR disminuyeron en 2.000 aproximadamente respecto a la semana anterior (Figura 1).

Figura 1: Tasa de positividad Región Metropolitana

Fuente: GEMVEP (https://gemvep.cl – Reportes COVID-19 – Monitoreo Nacional -Seguimiento Cifras Acumuladas)


Una forma de controlar este efecto es a través del análisis de la tasa de positividad, que se calcula a partir del número de casos confirmados – que es entregado en el Informe Diario del Ministerio de Salud- dividido por la cantidad de exámenes que son realizados durante un periodo de tiempo. Siguiendo con el ejemplo del 24 de junio, se obtuvo una tasa de positividad del 36% (el valor más alto de las últimas dos semanas). Esto significa que aproximadamente 4 de cada 10 exámenes realizados dieron positivo, lo que hace difícil hablar de “leve mejoría”, sobre todo teniendo en cuenta que a nivel nacional la tasa de positividad se ha mantenido igualmente alta (entre un 20% y 30%), con cifras muy superiores a las recomendadas por la OMS, quienes proponen una tasa de positividad del 5% para hablar de un control de la epidemia1.

Por consiguiente, creemos que una manera más acertada de evaluar el comportamiento de la pandemia es a partir de la revisión de las curvas epidémicas por semana epidemiológica de inicio de síntomas. Para esto, son necesarios los Informes Epidemiológicos entregados por el Ministerio de Salud cada día lunes y viernes, ya que proporcionan información por comuna y semana epidemiológica de inicio de síntomas. Del análisis de la progresión de casos reportados por semana epidemiológica de inicio de síntomas, hemos notado que pueden pasar varios días, o incluso semanas, desde que el paciente inicia su periodo infeccioso hasta que deja huella en los datos.

Una consecuencia de este retraso es la subestimación de los casos activos reportados en estos informes, ya que deja fuera todos aquellos que ya iniciaron síntomas, pero aún no son contabilizados en EPIVIGILA (el sistema de registro informático electrónico para vigilancia epidemiológica del Minsal). Esta subestimación puede llegar a ser de hasta un 40 a 50%, por ende, además de la necesidad de realizar un análisis por semana de inicio de síntomas, es importante corregir esta subestimación.

Si analizamos los casos confirmados en cada informe epidemiológico por fecha de inicio de síntomas (Figura 2), notamos que durante las últimas semanas el crecimiento de las cifras ha sido más lento en la Región Metropolitana, en relación a las semanas previas. Ejemplo de esto es la semana 24, donde las cifras han parecido converger a un menor número de casos confirmados en comparación a las anteriores, ya que en la última actualización de la curva de esta semana epidemiológica el aumento de casos que iniciaron síntomas fue de un poco más de 1.000. Por lo tanto, la disminución de cifras en la semana 24 puede explicar esta sensación de leve mejoría en la Región Metropolitana.

Figura 2: Evolución casos PCR positivos según semana epidemiológica de inicio de síntomas en la Región Metropolitana.

Fuente: GEMVEP (https://gemvep.cl – Reportes COVID-19 – Monitoreo Comunal y Zonal – Evolución de brotes por semana epidemiológica)


Sin embargo, un análisis de la RM completa puede resultar engañoso para entender el comportamiento de la epidemia, ya que no en todas las comunas de ésta se puede apreciar un comportamiento de “leve mejoría”. Para analizar correctamente la curva por semana epidemiológica usamos el método de estimación del Rezago en el Reporte Ajustado por las tendencias de las incidencias (Pág 252, Yan & Chowell2), el cual nos permite estimar el número de casos confirmados en las últimas semanas corrigiendo los rezagos en el reporte.

Por ejemplo, una comuna donde aún no vemos la “leve mejoría”, es la de Puente Alto. En la figura 3, se puede observar que los casos estimados llegan a un peak en la Semana Epidemiológica 23, manteniéndose en este nivel durante las 3 semanas siguientes.

Por el contrario, en la comuna de Santiago sí se ha observado una mejoría, puesto que a pesar de que el peak se dio en la semana epidemiológica 21, la curva ha ido en un decrecimiento constante en el número de casos estimados (Figura 4).

Figura 3: Casos Observados y Estimados en la comuna de Puente Alto usando como base el Informe Epidemiológico del 28 de Junio

Figura 4: Casos Observados y Estimados en la comuna de Santiago usando como base el Informe Epidemiológico del 28 de Junio

Por estas razones, creemos que hablar de una “leve mejoría” o “incipiente mejoría” pareciese no ser apropiado cuando no se consideran factores tan importantes como el número de exámenes que se realizan, la tasa de positividad, el rezago en los reportes o la heterogeneidad de la pandemia dentro de la Región Metropolitana.

Por lo mismo, es de suma importancia que las autoridades del gobierno, y todos en general, comuniquen adecuadamente el panorama de la pandemia, para así no volver a caer en los mismos errores discursivos con respecto al tema, ya que frases como la “nueva normalidad” y “retorno seguro” han dejado consecuencias para el país, tales como brotes no controlados en la Región Metropolitana y otras regiones del país, con una expansión del virus a un nivel tal de estar al borde del colapso del sistema de salud, con alrededor del 95% de las camas UCI ocupadas, con traslado de pacientes a otras regiones, entre otros.

Share on facebook
Share on twitter
Share on linkedin

CONTRA LOS CASTILLOS DE NAIPES: POR QUÉ DEBEMOS CONOCER NUESTRA REALIDAD PARA PODER ENFRENTAR ESTA PANDEMIA

By Noticias

Los autores de esta columna buscan apoyar la toma de decisiones de la nueva autoridad sanitaria indicando las variables que se tienen que considerar para hacer modelos que predigan el comportamiento del Covid-19. Esas variables son aquellas que reflejan disparidades socioterritoriales, socioambientales, sociosanitarias y socioeconómicas. Como no han sido consideradas hasta ahora, dicen, los modelos predictivos se han derrumbado como castillos de naipes, según él ex ministro Mañalich dijo. Aquí se identifican zonas donde esas variables se concentran y pueden causar miles de muertes: Maipú, San Ramón, La Pintana, El Bosque, San Bernardo, Estación Central y Peñalolén entre otras comunas.

Por Ricardo Crespo, Nicole Leppe e Ignacio Hernández

Aún recordamos cuando el ex-ministro de Salud declaró en un medio de comunicación que “todos los ejercicios epidemiológicos, las fórmulas de proyección con las que yo mismo me seduje en enero, de proyectar, qué se yo, se han derrumbado como castillo de naipes”. Y en parte, es cierto. Todo modelo estadístico de predicción está calibrado sobre la base de una serie de supuestos, los cuales se derrumban como castillos de naipes en un sistema tan complejo como son las ciudades (grandes, medianas o pequeñas) y sobre todo en las sociedades que las componen y sus formas de organización. De ahí la frase también atribuible al ex-ministro “La realidad ha superado a cualquier modelo”.

Es tiempo, por lo tanto, de entender mejor la realidad, nuestra realidad, no la de Nueva Zelanda, China o Estados Unidos, sino la nuestra, con una amplia diferenciación socioterritorial y segregación. Una realidad con injusticias que se reflejan en el territorio.

No basta solo con una buena elección de algoritmos, sino también es necesario entender las complejidades geográficas de los sistemas urbanos de nuestro país si queremos elegir las mejores políticas públicas de control de la pandemia. El gobierno apostó por la inmunidad rebaño, postergando cuarentenas cuando los mismos municipios, que conocen mucho mejor sus realidades socioeconómicas, clamaban por declarar cuarenta en sus comunas. Inmunidad rebaño quiere decir que un alto porcentaje de la población (se habla de cifras entre un 50% a un 70%) se contagie de manera tal que se pueda detener la propagación del virus, asumiendo que los recuperados presentarán inmunidad. El Reino Unido la abandonó esta estrategia en marzo y está siendo fuertemente cuestionada en Suecia. Es claro que en Chile esta estrategia también fracasó, y al menos esperamos un giro o una modificación sustancial de esta luego del cambio de ministro de Salud.

¿Podría el gobierno haber previsto el fracaso de esta estrategia de haber considerado la gran heterogeneidad territorial de nuestras ciudades? O ¿podría haber considerado los supuestos más importantes detrás de cualquier estrategia o modelo matemático para evitar el derrumbe del castillo de naipes? No son preguntas fáciles de responder, pues son muchísimos los factores involucrados. Pero sin duda que hubiese contribuido a reducir la cantidad de muertes, la velocidad de propagación de la pandemia y el colapso del sistema hospitalario.

Un primer supuesto que debe abordarse dice relación con los patrones de movilidad de las personas. En períodos sin cuarentena, una cantidad importante de personas se desplazan diariamente a lo largo de las ciudades por diferentes motivos, laborales o trámites personales. Cada persona es o un portador que lleva el virus de un lugar a otro, o un receptor que viaja posiblemente a “contagiarse” lejos de su lugar de residencia. Los modelos actuales suelen considerar que los agentes (personas) no se mueven de su lugar de residencia, o de hacerlo, lo hacen en un radio pequeño medido a través de señales de sus teléfonos móviles.

Un segundo supuesto corresponde a una visión más bien homogénea del territorio desde el punto de vista socioeconómico y sociodemográfico. Los niveles de hacinamiento, la densidad de población, la distribución geográfica de las personas con enfermedad crónicas, la distribución del ingreso distan mucho de ser uniformes a lo largo del territorio. ¿Es lo mismo, para efectos de la propagación del virus, viajar de una zona con alta densidad de población a otra con baja densidad? o ¿Es lo mismo para efectos del sistema hospitalario los rangos etarios y las preexistencias de salud de los contagiados? Claramente no.

Si vamos a usar modelos predictivos, entonces comencemos por caracterizar nuestra realidad, y que no nos pase lo que reconocía el ex-ministro de Salud (que representa a un gobierno): “En un sector de Santiago hay un nivel de pobreza y hacinamiento, perdón que lo diga así, del cual yo no tenía conciencia de la magnitud que tenía. Esa es la verdad”. Una verdad que la academia y la comunidad científica conocían ya hace mucho tiempo.

Comencemos con una radiografía del Gran Santiago como ejemplo. Las siguientes figuras, que se muestran a continuación, fueron recientemente publicadas por los autores en la revista de planificación y ordenamiento territorial Letters in Spatialand Resources Science[1]. Se observa una ciudad altamente segregada de acuerdo al ingreso de su población, donde el sector nororiente concentra los ingresos más altos de la ciudad. A tan solo 20 kilómetros de esta zona, los ingresos promedios pueden llegar ser hasta ocho veces menores (ver primer intervalo en la leyenda).

Figura 1. Promedio del ingreso per cápita por zona censal

Fuente: elaboración propia basado en datos del Censo y Casen 2017.


Sabemos que esta injusticia territorial puede tener un efecto en la propagación de virus, pero veámoslo más detalladamente en otro mapa que nos muestra cómo se distribuyen geográficamente los niveles de hacinamiento de la población.

Como indicador de hacinamiento, utilizamos la tasa dada por el número personas habitando una vivienda, dividido por número dormitorios en la vivienda. Y como umbral de hacinamiento seguimos el utilizado por la Cepal en 2011[2], que define a una vivienda en condición de hacinamiento como aquella donde el indicador es igual o mayor a 3.

En la Figura 2 se observa el nivel de hacinamiento por zona censal para el Gran Santiago. La leyenda indica el porcentaje de viviendas en condición de hacinamiento. Como se podría esperar, los mayores niveles se localizan en las zonas con menor ingreso per cápita. Dada la alta capacidad de contagio observada del covid-19 (se estima un número de reproducción R0 entre 2 y 3) cada una de las zonas censales con alto nivel de hacinamiento corresponde en sí a un foco de rápida propagación de virus.

Figura 2. Porcentaje de hacinamiento por zona censal

Fuente: elaboración propia basado en datos del Censo 2017.


Pueden identificarse como comunas críticas a La Pintana, San Bernardo, San Ramón, La Granja, Lo Espejo, Santiago, Recoleta, Independencia, Cerro Navia y Estación Central, entre otras. El mapa muestra adicionalmente la variabilidad que existe incluso al interior de cada comuna (propia de los sistemas urbanos por lo demás) lo que nos permite poner a disposición de las autoridades de manera mucho más desagregada geográficamente los puntos más críticos de la ciudad.

Sin embargo, el nivel de hacinamiento no basta en sí para identificar polos geográficos de propagación del virus. Una alta densidad de población en zonas donde no necesariamente existan elevados niveles de hacinamiento también contribuye a una rápida propagación.

Mostramos en la siguiente figura la densidad de población por manzana expresada en número de personas por hectárea. Adicionalmente, para evaluar el impacto en la población crítica, agregamos por zona censal el porcentaje de personas con enfermedades crónicas. Este indicador fue obtenido mediante métodos avanzados de simulación espacial en base a la encuesta Casen y el Censo 2017. El mapa resalta aquellas zonas censales donde más del 50% de las personas se han atendido por alguna enfermedad crónica en los últimos 12 meses.

Figura 3. Densidad de población y enfermedades crónicas

Fuente: elaboración propia basado en datos del Censo 2017.


La figura nos permite visualizar zonas críticas de la ciudad donde la combinación de niveles de hacinamiento, alta densidad de población y altos niveles de enfermedades crónicas pueden convertir la actual pandemia en una catástrofe aún mayor lamentando miles de fallecimientos.

Observamos en particular sectores en las comunas de Maipú, San Ramón, La Pintana, El Bosque, San Bernardo, Estación Central y Peñalolén entre otras. Situación que ya comienza a perfilarse, tal como se indica en la información dada a conocer por Alejandra Matus en Twitter.

Es importante notar que la densidad está calculada sobre el área neta de los barrios residenciales por manzana. Es decir, el cálculo omite los sectores correspondientes a barrios industriales, comerciales, parques, zonas abandonadas, etc. Por este motivo, la cifras de densidad poblacional son mayores a las que de manera habitual se calculan en base a toda el área de una ciudad. Nos encontramos por lo tanto ante un escenario de densidad de población bastante mayor al que usualmente consideramos.

Sobre el escenario descrito por los mapas anteriores, proponemos modelar la evolución de la pandemia considerando ahora los factores de movilidad de las personas y teniendo siempre en cuenta factores claves que condicionan la propagación de cualquier pandemia de similares características a la actual. Estos factores, descritos a lo largo de la historia epidemiológica en la batalla contra las epidemias y pandemias son, entre otros:

  1. Las características propias del virus: número reproductivo básico (R0);
  2. El comportamiento de la movilidad de los individuos: ej. Origen, destino, frecuencia y propósito de los viajes, medio de transporte, distanciamiento social, uso de mascarilla;
  3. Las características socioeconómicas y sociodemográficas de la población: ej. Nivel de hacinamiento, densidad de población;
  4. La localización geográfica: ej. Nivel de contagio de la zona de origen y destino de los viajes;
  5. Las medidas de control dictaminadas por las autoridades: ej. Cuarentenas (totales o parciales), cordones sanitarios, apertura del comercio, regreso a clases escolares y universitarias.

Nuestra propuesta final es apoyar la toma de decisiones de las autoridades de manera de predecir la propagación del virus en la población, con el objetivo de evitar una situación aún más crítica. Nuestros próximos pasos son construir un modelo matemático que integre los factores mencionados anteriormente y que contribuya a responder las preguntas claves para la toma de decisiones. No basta con mostrar la situación día a día sin entender qué factores o combinación de ellos tienen más peso o influencia en el control de la pandemia. Se necesitan modelos complejos para abordar situaciones complejas. Esto es lo que queremos poner a disposición del país y las autoridades de gobierno.

 

Los autores agradecen el apoyo de Felipe Ulloa, Magister en Gerencia para el Desarrollo FLACSO, Licenciado en Ciencias de la ingeniería Universidad de Santiago, Geógrafo y Licenciado en Geografía Universidad de Chile, quien ha sido consultor internacional en desarrollo de infraestructura y transportes para CEPAL, OLADE, con residencia actual en Silicon Valley California EE.UU

Share on facebook
Share on twitter
Share on linkedin

Notas y referencias

[1]Crespo, R., Hernandez, I (2020). On the Spatially-Explicit Gini Coefficient: The Case Study of Chile, a High-Income   Developing Country, Letters in Spatial and Resource Sciences, 13, 37-47.

[2]CEPAL (2011). Seminario sobre Indicadores no monetarios de privación en América Latina: disponibilidad, comparabilidad y pertinencia. Disponible aquí.

Para obtener el porcentaje de población con defensas necesario para llegar a una inmunidad de rebaño se debe hacer el siguiente cálculo: Inmunidad de rebaño = 1-1/R_0. Donde R_0 es la tasa básica de reproducción. Es decir, para el caso en que se necesita que tengan defensas el 40% de la población asumimos que el R_0 es 1.67 y para el caso en que se necesita que tengan defensas el 70% asumimos un R_0 de 3.33. Esta definición la pueden encontrar en la página 292 y 293 del libro Modeling Infectious Diseases in Human and Animals de Matt J Keeling y Pejman Rohani. 3

Valores obtenidos usando la población de Chile el 30 de junio de 2020 estimada por el Instituto Nacional de Estadísticas (INE) (19.458.340 habitantes).4