Epidemiological and clinical analysis of covid-19: impacts of comorbidities, vaccination, and population-specific outcomes
- Autores: Rafael García Carretero
- Directores de la Tesis: Ángel Gil de Miguel (dir. tes.)
- Lectura: En la Universidad Rey Juan Carlos ( España ) en 2025
- Idioma: español
- Tribunal Calificador de la Tesis: Elena Ronda Pérez (presid.), Jesús M. San Román Montero (secret.), Teresa Moreno Casbas (voc.)
- Programa de doctorado: Programa de Doctorado en Epidemiología y Salud Pública por la Universidad Autónoma de Madrid; la Universidad de Alcalá y la Universidad Rey Juan Carlos
- Materias:
- Enlaces
- Tesis en acceso abierto en: TESEO
- Resumen
Este trabajo aborda un análisis estadistico sobre el impacto de la pandemia de COVID-19 a nivel epidemiológico y clínico en los pacientes que precisaron ingreso hospitalario debido a la infección aguda. También aborda el impacto a nivel asistencial que el sistema sanitario español experimentó. Por ello, esta tesis doctoral se centra principalmente en las hospitalizaciones, mortalidad, datos demográficos, el efecto de las estrategias de vacunación y el uso de métodos avanzados de análisis para predecir resultados en pacientes con COVID-19. Esta tesis incluye seis estudios que recopilan datos de diferentes periodos y aspectos de la pandemia. De este modo, se explora cómo las olas sucesivas de COVID-19 afectaron al sistema sanitario español, partiendo de un caso particular, un hospital de la periferia de Madrid, hasta llegar a examinar el impacto sobre el territorio nacional y cómo evolucionó la pandemia, la presión sobre las unidades de cuidados intensivos (UCI), y las diferencias entre olas epidémicas de características demográficas y clínicas de los pacientes.
Antecedentes La pandemia de COVID-19, causada por el virus SARS-CoV-2, ha representado una de las mayores crisis de salud pública a nivel mundial. En España, uno de los países europeos con mayor incidencia y mortalidad, la pandemia impuso una presión sin precedentes sobre el sistema sanitario y sobre sus trabajadores, particularmente durante las primeras olas de contagio. A lo largo de los meses cubiertos en los estudios incluidos en esta tesis, se observó una evolución significativa en la forma en que los hospitales manejaron la pandemia, desde la saturación inicial de recursos hasta la implementación de estrategias de vacunación masiva, que cambiaron la dinámica de las hospitalizaciones y la mortalidad.
El primer caso de COVID-19 en España fue confirmado el 31 de enero de 2020, y desde entonces, el sistema de salud español se enfrentó a múltiples olas de infecciones que variaron en intensidad, tanto por la respuesta del sistema de salud como por la aparición de nuevas variantes del virus. La respuesta hospitalaria incluyó la expansión de las UCI y la adopción de medidas de emergencia, como el uso de quirófanos y áreas de recuperación como unidades críticas. Sin embargo, la primera ola resultó en una elevada mortalidad, con casi un tercio de los pacientes fallecidos en el hospital, lo que evidenció la vulnerabilidad inicial del sistema ante el impacto de la pandemia.
Objetivos principales de la investigación Toda la investigación presentada tiene como objetivo general analizar el impacto de la pandemia de COVID-19 en el sistema sanitario español en términos de carga asistencial, es decir, cómo evolucionaron los ingresos hospitalarios y la mortalidad. Inicialmente se planteó como un estudio descriptivo de carga asistencial. Posteriormente se analizó el perfil demográfico de los pacientes. Con la evolución en el tiempo de la pandemia, se pudieron establecer patrones epidemiológicos y demográficos que alteraron la propia evolución. Estos análisis se basaron en el análisis de datos epidemiológicos, el uso de modelos predictivos avanzados y la evaluación de factores de riesgo en distintas poblaciones vulnerables.
Evaluar el impacto epidemiológico del COVID-19 en los hospitales: Uno de los objetivos centrales era cuantificar la carga asistencial que la pandemia supuso para los hospitales, especialmente durante las primeras olas, cuando el sistema sanitario experimentó una saturación crítica. Este objetivo incluye el análisis del número de ingresos hospitalarios, la ocupación de las UCI, duración de las estancias hospitalarias y las tasas de mortalidad.
Identificar los factores de riesgo asociados a la severidad de la COVID-19: Otro objetivo clave fue determinar los factores demográficos y clínicos que predisponen a los pacientes a desarrollar formas graves de COVID-19. Las publicaciones incluidas en esta tesis analizan cómo el síndrome metabólico, las enfermedades cardiovasculares, las neoplasias hematológicas y la coinfección por VIH afectan los resultados clínicos de los pacientes hospitalizados.
Evaluar el impacto de la vacunación en la reducción de hospitalizaciones y muertes: Un objetivo fundamental fue medir la efectividad de las vacunas en la reducción de hospitalizaciones y mortalidad por COVID-19. Utilizando técnicas de aprendizaje automático (machine learning), esta tesis busca estimar cuántas hospitalizaciones y muertes se pudieron prevenir gracias a la vacunación.
Aplicar modelos predictivos para mejorar la gestión clínica y de recursos: Como objetivo secundario, esta tesis buscaba desarrollar y aplicar modelos predictivos basados en machine learning para predecir la gravedad de la COVID-19 en pacientes infectados y la carga futura sobre el sistema hospitalario. Estos modelos permiten a los profesionales sanitarios priorizar a los pacientes de mayor riesgo y optimizar la asignación de recursos sanitarios.
Proporcionar recomendaciones para la planificación de respuestas ante futuras pandemias: Finalmente, otro objetivo secundario, pero no menos importante, fue proporcionar recomendaciones basadas en la experiencia clínica adquirida durante la pandemia de COVID-19 con el fin de mejorar la preparación y respuesta del sistema de salud ante futuras emergencias sanitarias. Esto incluye el diseño de estrategias de vacunación más eficientes, el refuerzo de la capacidad hospitalaria y la creación de planes de contingencia para mitigar los efectos de futuras crisis de salud pública.
Resultados Los estudios realizados primero en un hospital de la periferia de Madrid y más tarde aplicados a todo el territorio nacional recopilaron datos de medio millón de pacientes hasta diciembre de 2021, que se convirtió en 1,2 millones de pacientes para final de diciembre de 2022. Se cubrieron varias olas de la pandemia. Los resultados reflejan la evolución de la situación epidemiológica en función de las estrategias de salud pública, el comportamiento del virus y la implementación de campañas de vacunación.
Uno de los hallazgos más importantes fue la significativa disminución de la mortalidad a medida que se avanzaba en la pandemia. Durante la primera ola, la tasa de mortalidad fue del 16.6%, con una mayor prevalencia de fallecimientos en hombres (19.5% frente al 13.2% en mujeres). No obstante, para la quinta ola, la mortalidad se redujo al 4%, lo que coincide con la implementación de la vacunación masiva entre los grupos más vulnerables. A partir de la cuarta ola, se observó una reducción en la edad media de los hospitalizados, que cayó a 47 años, en contraste con los 70 años observados durante la primera ola. Este cambio en la edad de los hospitalizados se atribuye a la protección otorgada por la vacunación en las personas mayores.
Los análisis también revelaron que la duración de la estancia hospitalaria disminuyó con el tiempo, con una mediana de 7 días en total, que fue consistentemente más corta en las mujeres que en los hombres. Los ingresos en la UCI mostraron un patrón similar, con un pico durante las primeras olas y una tendencia decreciente en las olas posteriores. La mortalidad en la UCI fue alta durante la primera ola, pero mostró una mejora considerable a medida que avanzaba la pandemia y se mejoraban las estrategias de manejo clínico.
En cuanto a los factores demográficos, se observó una mayor afectación en hombres que en mujeres, no solo en cuanto a hospitalizaciones, sino también en términos de mortalidad. Los hombres representaron el 55% de los hospitalizados y tuvieron una mayor probabilidad de fallecer a causa del COVID-19. Además, los pacientes mayores de 70 años fueron los más vulnerables, particularmente durante las primeras olas. Sin embargo, a partir de la cuarta ola, el número de hospitalizaciones en personas mayores disminuyó significativamente, lo que evidencia la efectividad de las vacunas en este grupo de alto riesgo.
Los pacientes que viven con VIH han mostrado una mayor susceptibilidad a desarrollar formas graves de COVID-19 y experimentar peores resultados clínicos en comparación con la población general. En los estudios incluidos en esta investigación, se observó que los pacientes con VIH presentaron tasas más elevadas de hospitalización y mortalidad. La tasa de mortalidad entre estos pacientes fue un 25% mayor que la observada en individuos sin VIH, lo que sugiere que la inmunosupresión crónica asociada al VIH, junto con otras comorbilidades frecuentes en estos pacientes, los coloca en un grupo de alto riesgo frente al SARS-CoV-2.
Un hallazgo destacado es que estos pacientes presentan comorbilidades poco frecuentes en la población general, como enfermedades hepáticas y pulmonares, y que contribuyeron significativamente a los malos resultados clínicos. No obstante, se especula que probablemente la vacunación jugó un papel clave en reducir el impacto de la COVID-19 en estos pacientes, aunque se ha documentado que la respuesta inmunitaria a las vacunas puede ser menos efectiva en pacientes con VIH, especialmente aquellos con bajo nivel de CD4+ o sin supresión viral completa.
Los pacientes con neoplasias hematológicas, como linfomas, leucemias y trastornos de células plasmáticas, se identificaron como uno de los grupos más vulnerables durante la pandemia de COVID-19. Los estudios incluidos en esta investigación muestran que estos pacientes presentaron tasas significativamente más altas de hospitalización y mortalidad en comparación con la población general. En concreto, la tasa de mortalidad global en pacientes con neoplasias hematológicas fue del 19.8%, lo que refleja el alto riesgo, probablemente en relación con la inmunosupresión inherente a su enfermedad y los tratamientos agresivos como la quimioterapia y la inmunoterapia.
Entre los subgrupos de neoplasias hematológicas, los pacientes con linfomas no Hodgkin y leucemias fueron los más afectados, con un riesgo de mortalidad hasta 1.7 veces mayor que otros pacientes hematológicos con COVID-19. Estos hallazgos subrayan la vulnerabilidad de estos pacientes ante infecciones graves, agravada por la disminución de la respuesta inmunitaria. A pesar de la reducción de la mortalidad en las olas posteriores de la pandemia, en parte debido a la vacunación, los pacientes con neoplasias hematológicas continuaron presentando un riesgo elevado debido a su respuesta inmunitaria limitada a las vacunas.
Los resultados también indican que la vacunación, aunque crucial, no fue tan efectiva en este grupo como en la población general, lo que resalta la necesidad de considerar estrategias adicionales, como dosis de refuerzo más frecuentes o tratamientos preventivos específicos. La investigación concluye que es fundamental seguir desarrollando intervenciones personalizadas para mejorar los resultados clínicos en pacientes con neoplasias hematológicas, especialmente durante futuras pandemias o brotes de enfermedades infecciosas.
El estudio dedicado a la estimación de la efectivdad de las vacunas mostró que la vacunación contra el COVID-19 ha tenido un impacto significativo en la reducción de las hospitalizaciones y la mortalidad en España. A medida que la vacunación se implementó de manera masiva a partir de finales de 2020 y principios de 2021, se observó una disminución notable en las tasas de hospitalización y muerte en todas las olas subsiguientes. Las olas cuarta y quinta fueron particularmente reveladoras, ya que la edad media de los pacientes hospitalizados disminuyó drásticamente, lo que indica que las personas mayores, quienes inicialmente fueron las más afectadas, estaban mejor protegidas gracias a las vacunas.
Los modelos predictivos utilizados en el análisis estimaron que se evitaron entre 115,000 y 170,000 hospitalizaciones, así como entre 24,000 y 25,000 muertes, en probable relación con la campaña de vacunación. Estos hallazgos subrayan la importancia de las vacunas no sólo para reducir la gravedad de la enfermedad, sino también para aliviar la presión sobre el sistema de salud, permitiendo a los hospitales manejar la carga asistencial de manera más efectiva.
El uso de técnicas avanzadas de análisis estadístico desempeñó un papel crucial en la estimación precisa del impacto de la vacunación en la reducción de hospitalizaciones y muertes. Modelos como ElasticNet y RandomForest permitieron simular escenarios hipotéticos en los que no se hubieran implementado las vacunas, comparándolos con los datos reales observados, lo que permitió estimar el número de hospitalizaciones y fallecimientos evitados. Estas técnicas permitieron analizar grandes cantidades de datos clínicos y epidemiológicos de manera eficiente, identificando las variables clave que influyen en los resultados, como la edad, las comorbilidades y el estado de vacunación.
Machine learning no solo ayudó a mejorar la precisión de las predicciones, sino que también permitió una mayor comprensión de cómo diferentes factores de riesgo interactúan para influir en la gravedad de la COVID-19. Estas herramientas analíticas avanzadas son fundamentales para la planificación de recursos en salud pública y para la toma de decisiones informadas, ya que proporcionan una base sólida para evaluar el impacto de intervenciones como la vacunación y para predecir el curso de futuras pandemias.
Discusión Los estudios incluidos en esta investigación destacan varias conclusiones importantes sobre la dinámica de la pandemia y la efectividad de las respuestas implementadas. La primera ola de COVID-19 fue la más devastadora para los hospitales, con altos niveles de saturación en las UCI y una tasa de mortalidad alarmante, especialmente en personas mayores y en aquellos con comorbilidades como la hipertensión, la diabetes y las enfermedades cardíacas. La falta inicial de preparación, junto con la alta transmisibilidad del virus y la limitada capacidad de pruebas diagnósticas, contribuyeron a la gravedad de esta ola.
Con la introducción de las vacunas a finales de 2020, se observó un cambio drástico en la evolución de la pandemia. Las vacunas redujeron significativamente las hospitalizaciones y las muertes, lo que permitió al sistema de salud aliviar la carga sobre sus recursos críticos. Los datos de este estudio confirman que la vacunación fue el factor determinante en la disminución de la mortalidad, incluso cuando surgieron nuevas variantes más transmisibles del virus, como Delta y Omicron.
Además, el uso de técnicas avanzadas de análisis, como el aprendizaje automático, permitió predecir con precisión los resultados en los pacientes hospitalizados. Estas herramientas proporcionaron estimaciones robustas del número de hospitalizaciones y muertes evitadas gracias a la vacunación. Nuestra investigación estimó que entre 115,000 y 170,000 hospitalizaciones y entre 24,000 y 25,000 muertes fueron prevenidas por las vacunas en España durante el periodo de estudio. Estos hallazgos subrayan la importancia del uso de modelos predictivos para la planificación de recursos en futuras pandemias y para mejorar la toma de decisiones en salud pública.
La variabilidad regional en el impacto de la pandemia también es un tema destacado en esta investigación. Las regiones más densamente pobladas y con mayores desafíos socioeconómicos experimentaron mayores tasas de hospitalización y mortalidad. Este hallazgo refuerza la necesidad de políticas de salud pública más equitativas y una mejor distribución de recursos para enfrentar crisis sanitarias, asegurando que los sistemas de salud puedan responder eficazmente en todas las regiones del país.
Conclusiones En conjunto, toda esta investigación examina y analiza la carga asistencial que sufrieron los hospitales españoles como respuesta inicial a la pandemia. Se demuestra el impacto clínico en los hospitales. También se demuestra que las medidas de salud pública implementadas posteriormente, especialmente la vacunación, fueron fundamentales para reducir la carga de la enfermedad. La introducción de las vacunas no solo disminuyó la mortalidad y las hospitalizaciones, sino que también cambió el perfil demográfico de los pacientes hospitalizados, con una menor afectación en las personas mayores y una mayor concentración de hospitalizaciones en personas más jóvenes a medida que avanzaba la pandemia.
El uso de modelos predictivos avanzados permitió una mejor comprensión del impacto potencial de la pandemia en diferentes escenarios, lo que subraya la importancia de utilizar técnicas de análisis de datos en tiempo real para mejorar las respuestas ante futuras crisis de salud pública. Estos modelos proporcionaron información clave para la planificación de recursos y la priorización de intervenciones, como las campañas de vacunación.
Machine learning ha desempeñado un papel clave en los recursos estadísticos de esta investigación por su capacidad para analizar, predecir y comprender los complejos patrones epidemiológicos del COVID-19. En esta tesis se resalta su importancia tanto para el diagnóstico temprano como para la predicción de la gravedad de la COVID-19, así como para estimar el impacto de las medidas preventivas como la vacunación. Una de las contribuciones más significativas de machine learning es su capacidad para manejar grandes volúmenes de datos de múltiples fuentes, como historiales clínicos electrónicos, bases de datos epidemiológicas y datos demográficos, lo que permite una evaluación precisa de los factores de riesgo que influyen en la progresión de la enfermedad y los resultados clínicos.
Los modelos predictivos basados en machine learning, particularmente ElasticNet y RandomForest, fueron utilizados en varios estudios incluidos en esta disertación para identificar los factores más relevantes que influyen en la gravedad del COVID-19, incluyendo edad, comorbilidades, sexo y otros parámetros clínicos. Estos modelos demostraron ser herramientas valiosas para estimar la probabilidad de hospitalización, ingreso en UCI y mortalidad, lo que permite a los profesionales de la salud priorizar el manejo de los pacientes de mayor riesgo. Además, el uso de técnicas avanzadas como el análisis de características y la selección de variables permitió afinar los modelos para centrarse en los factores clave, mejorando la interpretabilidad y aplicabilidad clínica de los resultados.
Una aplicación destacada de machine learning en esta investigación fue la estimación del número de hospitalizaciones y muertes evitadas gracias a la vacunación contra el COVID-19. Utilizando modelos predictivos, se estimó que entre 115,000 y 170,000 hospitalizaciones, así como entre 24,000 y 25,000 muertes, fueron prevenidas en España gracias a la campaña de vacunación. Estos resultados fueron posibles gracias a la capacidad del machine learning para comparar escenarios hipotéticos sin vacunación con los datos reales observados, lo que permitió cuantificar el impacto directo de las vacunas en la mitigación de la carga del COVID-19 en el sistema de salud.
Machine learning no solo ha permitido una mejor comprensión de la dinámica de la pandemia, sino que también ha proporcionado herramientas cruciales para la toma de decisiones en salud pública. La capacidad de estos modelos para simular diferentes escenarios epidemiológicos y predecir futuros brotes ha sido clave para planificar la asignación de recursos hospitalarios y diseñar estrategias de vacunación más efectivas. En conjunto, el uso de machine learning en el estudio del COVID-19 ha demostrado ser un avance revolucionario en la investigación de enfermedades infecciosas, proporcionando una mayor precisión en los diagnósticos y en la predicción de resultados clínicos.
El síndrome metabólico, que incluye condiciones como la obesidad, la hipertensión, la resistencia insulínica y la dislipemia, se identificó como un factor de riesgo importante para la hospitalización y la mortalidad en pacientes con COVID-19. A lo largo de los estudios presentados en esta investigación, se observó que los pacientes con síndrome metabólico tenían un mayor riesgo de desarrollar formas graves de la enfermedad, lo que resultó en una alta tasa de hospitalización y un aumento significativo en la mortalidad. El estado inflamatorio crónico asociado con el síndrome metabólico, sumado a la disfunción endotelial y la activación del sistema inmune, probablemente exacerba la gravedad del COVID-19, llevando a complicaciones como el síndrome de dificultad respiratoria aguda (SDRA) y el fallo multiorgánico.
Entre las comorbilidades cardiovasculares, la hipertensión y las enfermedades cardíacas preexistentes se destacaron como los principales predictores de malos resultados en pacientes hospitalizados por COVID-19. Los estudios incluyeron análisis multivariantes asociaban su prevalencia a la necesidad de cuidados intensivos y el riesgo de mortalidad. Los pacientes con antecedentes de insuficiencia cardíaca y enfermedad coronaria experimentaron tasas más altas de mortalidad, lo que resalta la necesidad de un manejo clínico riguroso de las comorbilidades cardiovasculares durante la infección por COVID-19. Estos hallazgos subrayan la importancia de identificar y tratar agresivamente los factores de riesgo cardiovascular en pacientes infectados, dado el impacto potencial en la evolución clínica de la enfermedad.
En conclusión, los pacientes con síndrome metabólico y otras comorbilidades cardiovasculares constituyen un grupo de alto riesgo que requiere un enfoque de atención integral. La vacunación, junto con el control estricto de los factores de riesgo cardiovascular, podría ser crucial para reducir la carga de la enfermedad y mejorar los resultados en estas poblaciones vulnerables. Esta tesis recomienda continuar investigando estrategias terapéuticas específicas que puedan abordar tanto el control de la infección viral como la gestión de las comorbilidades subyacentes.
Los pacientes con VIH representaron una población particularmente vulnerable durante la pandemia de COVID-19. En el estudio incluido en esta investigación se observó que los pacientes con VIH tenían un mayor riesgo de desarrollar complicaciones graves al contraer SARS-CoV-2 en comparación con la población general. Las hospitalizaciones y la mortalidad fueron significativamente más altas en este grupo, con un aumento del 25% en el riesgo de mortalidad ajustado por comorbilidades. Esto se debe en parte a la inmunosupresión crónica que experimentan los pacientes con VIH, lo que limita su capacidad para desarrollar una respuesta inmunitaria adecuada frente a infecciones virales graves como COVID-19. La disertación destaca la importancia de priorizar a las personas con VIH en las campañas de vacunación y en los tratamientos preventivos, así como la necesidad de un monitoreo estrecho y un manejo clínico proactivo de las comorbilidades asociadas, como las enfermedades hepáticas y pulmonares, que agravan el pronóstico en este grupo de pacientes.
A pesar de estos riesgos elevados, los resultados también sugieren que el acceso oportuno a la vacunación y la implementación de terapias antivirales y corticoesteroides ayudaron a mitigar la gravedad de la enfermedad en algunos casos. Sin embargo, se concluye que es necesario continuar investigando el efecto a largo plazo de la vacunación y la inmunosupresión en pacientes con VIH, así como explorar la posibilidad de administrar dosis de refuerzo adicionales o vacunas específicas para optimizar la respuesta inmunitaria en esta población.
Los pacientes con neoplasias hematológicas, como los linfomas, leucemias y trastornos de células plasmáticas, también enfrentaron un riesgo desproporcionadamente alto de complicaciones graves y mortalidad durante la pandemia. La disertación destaca que los pacientes con neoplasias hematológicas tuvieron una tasa de mortalidad significativamente más alta que aquellos sin estas afecciones, con una mortalidad general del 19.8%. La disfunción inmunitaria asociada a estas neoplasias, exacerbada por los tratamientos inmunosupresores como la quimioterapia y los agentes biológicos, contribuyó a este aumento del riesgo. Los datos de los estudios sugieren que subgrupos específicos, como los pacientes con linfomas no Hodgkin y leucemias, presentaron un riesgo de muerte hasta 1.7 veces mayor en comparación con otros pacientes hospitalizados por COVID-19.
La vacunación también tuvo un impacto positivo en esta población, aunque su respuesta inmunitaria a las vacunas fue más débil en comparación con la población general. A pesar de la reducción general de la mortalidad en las olas posteriores, estos pacientes continuaron presentando desafíos significativos debido a la reducción de la efectividad de la vacuna y el riesgo persistente de infecciones graves. La investigación concluye que es fundamental seguir investigando estrategias de manejo personalizado, incluyendo el uso de vacunas de refuerzo y la implementación de terapias dirigidas para mejorar los resultados en pacientes con neoplasias hematológicas durante brotes de enfermedades infecciosas.
Finalmente, los estudios incluidos en esta disertación refuerzan la importancia de estar preparados para futuras pandemias mediante la implementación de sistemas de salud flexibles, capaces de adaptarse rápidamente a aumentos en la demanda de cuidados críticos. La experiencia adquirida durante la pandemia de COVID-19 será crucial para enfrentar futuras emergencias de salud pública y para desarrollar estrategias que protejan a las poblaciones más vulnerables.