página
1
Gestión en Salud y Seguridad Social • ISSN: 2215-6216 • Vol. 5 (1): e2026263, Enero-Diciembre, 2026
(Publicado Set. 09, 2026)
Modelos bayesianos espacio-temporales para analizar hospitalizaciones
evitables por diabetes mellitus tipo 2 en Costa Rica, 2019-2024
Bayesian spatio-temporal models for analyzing preventable
hospitalizations due to type 2 diabetes mellitus in Costa Rica, 2019–2024
Margarita Rojas Pérez1; https://orcid.org/0009-0000-6419-3946
1. Bachiller en estadística, Dirección Compra de Servicios de Salud, Caja Costarricense de Seguro Social; San José, Costa Rica; mrojaspe@ccss.sa.cr
Recibido 05 de diciembre de 2025 • Aceptado 04 de setiembre de 2026
RESUMEN
Objetivo: analizar el riesgo de hospitalizaciones evitables por diabetes mellitus tipo 2 (DM2) en la Caja Costarricense de
Seguro Social durante el período 2019-2024, mediante modelos bayesianos jerárquicos espacio-temporales.
Métodos: estudio ecológico longitudinal usando resultados de la Evaluación de la Prestación de Servicios de Salud de las
áreas de salud (AS) y registros de egresos hospitalarios por DM2 (CIE-10: E11). Se ajustaron modelos bayesianos espacio-
temporales, con Integrated Nested Laplace Approximation (INLA), incorporando efectos espaciales estructurados y no
estructurados, así como dependencia temporal. La selección del modelo se realizó con Deviance Information Criterion
(DIC) y Watanabe-Akaike Information Criterion (WAIC). Se evaluó la asociación entre las hospitalizaciones evitables por
DM2 y factores geográficos, temporales, clínicos y comunitarios.
Resultados: el mejor ajuste correspondió a una estructura espacial BYM2 e incluyó las variables no control óptimo, obe-
sidad, población rural y cobertura del primer nivel de atención (PNA). Todas mostraron asociaciones positivas y estadís-
ticamente significativas con el riesgo de hospitalización. La población rural presentó el mayor efecto relativo, seguida
de la cobertura, el no control óptimo y la obesidad. El análisis espacio-temporal evidenció una disminución de las AS
clasificadas con riesgo alto hacia 2024; aunque persistieron AS con riesgo elevado (Coto Brus, Golfito, Limón, Quepos y
Turrialba-Jiménez).
Conclusiones: las hospitalizaciones evitables por DM2 presentan un comportamiento heterogéneo en el territorio, aso-
ciado a factores individuales, comunitarios y de los servicios de salud. Los modelos bayesianos espacio-temporales cons-
tituyen una herramienta útil para identificar áreas prioritarias y fortalecer la toma de decisiones dirigidas a mejorar la
efectividad de la atención y el control en el PNA.
Palabras clave: Diabetes Mellitus Tipo 2, Atención Primaria de Salud, Teorema de Bayes, Hospitalización, Análisis Espacio-
Temporal.
ABSTRACT
Objective: To analyze the risk of avoidable hospitalizations due to type 2 diabetes mellitus (DM2) within the Costa Rican
Social Security Fund (CCSS) during the period 2019–2024 using Bayesian hierarchical spatio-temporal models.
Methods: A longitudinal ecological study was conducted using data from the Health Services Performance Evaluation of
health areas and hospital discharge records for DM2 (ICD-10: E11). Bayesian spatio-temporal models were fitted using the
Integrated Nested Laplace Approximation (INLA) approach, incorporating structured and unstructured spatial effects as
well as temporal dependence. Model selection was based on the Deviance Information Criterion (DIC) and the Watanabe–
Akaike Information Criterion (WAIC). The association between avoidable hospitalizations due to DM2 and geographic,
temporal, clinical, and community-level factors was assessed.
https://doi.org/10.62999/p5k9br35
página
2
Gestión en Salud y Seguridad Social • ISSN: 2215-6216 • Vol. 5 (1): e2026263, Enero-Diciembre, 2026
(Publicado Set. 09, 2026)
INTRODUCCIÓN
En Costa Rica, el primer nivel de atención (PNA) forma
parte de la estructura del sistema de salud pública, el cual se
basa en un modelo solidario y universal administrado por la
Caja Costarricense de Seguro Social (CCSS). Desde los años
noventa, esta institución ha experimentado sucesivas re-
formas que han fortalecido el rol de los Equipos Básicos de
Atención Integral en Salud (Ebáis) como eje del modelo de
atención (1). En este nivel se desarrollan acciones de promo-
ción de la salud y prevención de enfermedades, como la dia-
betes mellitus tipo 2 (DM2), con el fin de mantener su control
y evitar mayores complicaciones en la persona atendida.
En este contexto, la efectividad del PNA puede evaluarse
a través de indicadores como las hospitalizaciones evitables,
entendidas como aquellas asociadas a enfermedades que de-
berían ser atendidas oportunamente en este nivel y que, en
principio, no tendrían que culminar en hospitalización. Este
indicador parte del supuesto de que una atención primaria
efectiva y oportuna puede prevenir, tratar o controlar enfer-
medades, reduciendo así el riesgo de hospitalización (2).
El análisis de las hospitalizaciones evitables constituye
un indicador indirecto tanto de los problemas de accesibili-
dad a la atención, en especial a los cuidados efectivos en la
atención primaria de salud (3), como de la capacidad reso-
lutiva del PNA. Asimismo, permite identificar desigualdades
territoriales en el acceso o en la calidad de los servicios de
salud (4).
A pesar de los esfuerzos de la CCSS por mantener una
atención homogénea en el territorio nacional, se han presen-
tado variaciones regionales en las tasas de hospitalización
por causas que se podrían considerar prevenibles. Para ana-
lizar estas variaciones se requieren herramientas analíticas
robustas, que integren la dimensión espacial y temporal.
En este sentido, los modelos bayesianos espacio-tempo-
rales se han consolidado como una estrategia metodológica
idónea para analizar la distribución geográfica del riesgo y su
evolución temporal, ofreciendo estimaciones suavizadas y
cuantificando la incertidumbre de manera explícita (5).
Por tanto, el objetivo del presente trabajo es aplicar un
modelo bayesiano jerárquico espacio-temporal para analizar
el riesgo de hospitalizaciones evitables por DM2, con el fin de
identificar patrones espaciales y tendencias temporales en el
comportamiento de la patología.
MARCO TEÓRICO
La Atención Primaria de Salud (APS), desde la Declara-
ción de Alma-Ata (OMS/UNICEF, 1978), se concibe como la
estrategia fundamental para alcanzar la cobertura universal,
articulando promoción, prevención y atención curativa (1).
La Organización Panamericana de la Salud (OPS) la defi-
ne como “un enfoque de la salud que incluye a toda la socie-
dad y que tiene por objeto garantizar el mayor nivel posible
de salud y bienestar y su distribución equitativa mediante
la atención centrada en las necesidades de las personas tan
pronto como sea posible a lo largo del proceso continuo que
va desde la promoción de la salud y la prevención de enfer-
medades hasta el tratamiento, la rehabilitación y los cuidados
paliativos, y tan próximo como sea posible del entorno coti-
diano de las personas” (6).
En el contexto costarricense, la APS se materializa prin-
cipalmente a través de los Ebáis. Estos se encuentran orga-
nizados administrativamente dentro de las áreas de salud
(AS) y articulan la atención médica, la educación sanitaria, la
prevención de enfermedades y la participación comunitaria.
Una forma de evaluar el desempeño de la APS es me-
diante el análisis de las hospitalizaciones evitables, cuyo es-
tudio permite observar su comportamiento en las distintas
AS. Desde esa perspectiva, las altas tasas de hospitalizaciones
evitables podrían reflejar deficiencias en la prevención, la de-
tección temprana o la continuidad de la atención (4).
Para un análisis de esta índole, el uso de estadística baye-
siana resulta de gran utilidad. Este enfoque de la estadística
combina información previa del parámetro de interés con los
datos observados, con el fin de actualizar el conocimiento so-
bre el fenómeno en estudio, generando así una distribución
de probabilidad a posteriori (7). Además, permite incorporar
al modelo información conocida proveniente de estudios
Results: The best-fitting model corresponded to a BYM2 spatial structure and included suboptimal glycemic control,
obesity, rural population, and primary health care (PHC) coverage as covariates. All variables showed positive and
statistically significant associations with hospitalization risk. Rural population exhibited the largest relative effect,
followed by PHC coverage, suboptimal glycemic control, and obesity. The spatio-temporal analysis revealed a reduction
in the number of health areas classified as high risk by 2024; however, several areas remained at elevated risk, including
Coto Brus, Golfito, Limón, Quepos, and Turrialba-Jiménez.
Conclusions: Avoidable hospitalizations due to DM2 showed heterogeneous spatial patterns and were associated with
individual, community, and health service-related factors. Bayesian spatio-temporal models constitute a useful tool for
identifying priority areas and supporting decision-making aimed at improving the effectiveness of primary health care
and DM2 management.
Keywords: Diabetes Mellitus, Type 2, Primary Health Care, Bayes Theorem, Hosptalization, Spatio-Temporal Analysis.
página
3
Gestión en Salud y Seguridad Social • ISSN: 2215-6216 • Vol. 5 (1): e2026263, Enero-Diciembre, 2026
(Publicado Set. 09, 2026)
anteriores o de la experiencia de personas expertas sobre el
parámetro de interés a estimar.
El cálculo de la distribución a posteriori es posible por
medio del Teorema de Bayes.
Teorema de Bayes: sea y = (y1, y2, …… yn) una muestra
con densidad [y|θ] dependiente de un parámetro θ. Entonces,
si suponemos que θ tiene densidad [θ], se tiene que su densi-
dad a posteriori es (8):
Donde la densidad a posteriori se expresa como: π (θ|y) ∞
f(y|θ) π (θ), ya que el término del denominador es una cons-
tante. Por lo tanto, la a posteriori es el cálculo del producto
de la verosimilitud de los datos dado el parámetro de interés
f(y|θ) por la información previa conocida del parámetro, re-
presentada por la distribución π (θ).
Esta combinación permite actualizar el conocimien-
to sobre el parámetro θ a partir de la evidencia empírica,
lo que constituye el principio más importante de la infe-
rencia bayesiana.
La estadística bayesiana contempla modelos jerárquicos
bayesianos o multinivel, que permiten estructurar el modelo
en varios niveles, incluyendo efectos fijos y aleatorios. Dentro
de este tipo de modelos se encuentran los modelos bayesia-
nos jerárquicos espacio-temporales, los cuales incorporan
efectos espaciales y temporales, es decir, capturan la depen-
dencia entre áreas o puntos geográficos y en el tiempo o pe-
riodos, así como el efecto de la interacción entre ambos (8,9).
Los modelos bayesianos espaciales se basan en la auto-
correlación espacial, que es el grado en que un valor obser-
vado en un lugar está correlacionado con valores observados
en lugares cercanos. Este concepto se fundamenta en la pri-
mera Ley de la Geografía de Tobler: “Todo está relacionado
con todo lo demás, pero las cosas cercanas están más relacio-
nadas que las lejanas” (10). Dichos modelos incluyen explíci-
tamente esta estructura con el fin de captar esa dependencia.
Sin embargo, por su complejidad estructural y número
de parámetros, la estimación directa de los modelos espacio-
temporales puede resultar computacionalmente difícil si no
se dispone de equipos y software adecuados. Para abordar
esta dificultad, una de las alternativas más recomendadas es
el Integrated Nested Laplace Approximation (INLA), una téc-
nica de inferencia bayesiana que combina aproximaciones
analíticas e integración numérica para obtener distribucio-
nes posteriores de manera eficiente (11), y que destaca por
su rapidez y por la precisión de las estimaciones obtenidas.
A diferencia de los métodos tradicionales basados en Monte
Carlo con Cadenas de Markov (MCMC), INLA reduce de ma-
nera significativa el costo computacional y el tiempo de pro-
cesamiento, lo que lo convierte en una herramienta óptima
para el análisis de este tipo de modelos.
JUSTIFICACIÓN METODOLÓGICA
En el análisis de hospitalizaciones evitables por DM2, el
componente geográfico resulta fundamental. Al respecto,
cabe mencionar que las AS se distribuyen a lo largo del te-
rritorio nacional y, al pertenecer a diferentes regiones, pre-
sentan diferencias estructurales en factores socioeconómicos
como la pobreza, la desigualdad, la educación y el desarrollo
regional, entre otros indicadores (12). Estas variaciones pue-
den incidir en los procesos de salud y en la accesibilidad a los
servicios sanitarios. En este sentido, capturar la heterogenei-
dad territorial permite explorar de manera más precisa cómo
el entorno geográfico influye en el riesgo de hospitalizacio-
nes evitables.
Por otra parte, la dimensión temporal también resulta
esencial en este tipo de análisis, ya que posibilita observar
tendencias y cambios a lo largo del tiempo, los cuales refle-
jan la evolución de las condiciones de salud. De tal forma,
identificar variaciones temporales permite valorar el com-
portamiento de las diferentes AS en distintos periodos, lo
cual es particularmente útil para monitorear los efectos de
programas y estrategias de fortalecimiento de la APS. Este
componente también contribuye a evaluar la continuidad
y la sostenibilidad de la atención, tanto a nivel nacional
como regional.
Otro aspecto fundamental es la baja frecuencia de casos
en algunas AS y en años específicos, e incluso la existencia
de conteos en cero cuando no se registran hospitalizaciones
durante un periodo determinado. Ignorar esta característica
podría conducir a la subestimación del riesgo en dichas zo-
nas. En estos casos, los modelos bayesianos espacio-tempo-
rales resultan de gran utilidad, ya que permiten suavizar las
estimaciones y estabilizar los valores en regiones con pocos
datos, aprovechando la información de áreas y periodos veci-
nos (13). De esta forma, se evita interpretar que la ausencia de
casos implica necesariamente un riesgo bajo o nulo.
Considerando estos elementos, los modelos jerárquicos
bayesianos espacio-temporales constituyen una herramienta
metodológica idónea para el monitoreo, el mapeo y la eva-
luación de enfermedades en salud pública. Estos modelos
integran simultáneamente las dependencias espaciales y
temporales, aportando robustez estadística y mayor pre-
cisión en la estimación de los riesgos. Además, los avances
recientes en herramientas estadísticas, como el método In-
tegrated Nested Laplace Approximation (INLA), facilitan el
ajuste rápido y eficiente de modelos complejos, reduciendo
la carga computacional.
En específico, con este enfoque metodológico es posible
abordar de manera integral las variaciones espaciales, tem-
porales y estructurales (características económicas, sociales
y de salud) que caracterizan a las hospitalizaciones evitables
por DM2, fortaleciendo el análisis y la toma de decisiones
orientadas a mejorar la efectividad de la APS en Costa Rica.
página
4
Gestión en Salud y Seguridad Social • ISSN: 2215-6216 • Vol. 5 (1): e2026263, Enero-Diciembre, 2026
(Publicado Set. 09, 2026)
MATERIALES Y MÉTODOS
Fuente de datos
Los datos para el PNA se obtuvieron de los registros, lista-
dos y resultados de la Evaluación de la Prestación de Servicios
de Salud (EPSS) anual realizada por la Dirección Compra de
Servicios de Salud (DCSS) en el período 2019-2024. Los datos
del segundo y tercer nivel, por su parte, se tomaron de los ar-
chivos anuales del egreso hospitalario reportados por el Área
de Estadísticas de Salud (AES) para ese período.
Los datos de la variable “egreso” corresponden a la pa-
tología DM2 (CIE-10: E11), cuando esta fue reportada como
diagnóstico principal en el registro del egreso hospitalario.
Variables de estudio
Se tomaron en cuenta 12 variables independientes (tanto
clínicas como sociodemográficas) y una variable dependien-
te. Para efectos del modelo, todas las variables independien-
tes corresponden a valores promedios quinquenales, con
excepción de la cobertura, la cual se incluyó de forma anual.
Las variables se definen a continuación:
• Acceso: indicador quinquenal definido como el porcen-
taje de la población que recibió atención en el AS duran-
te el período de estudio. Se calculó a partir del promedio
quinquenal de personas atendidas y del promedio quin-
quenal de la población reportada por el INEC.
• Área de salud: unidad administrativa y operativa de la
CCSS responsable de gestionar los servicios de salud de
primer nivel en un territorio geográfico definido.
• Ampliación de horario: cantidad de horas de extensión
en la jornada de atención de los Ebáis de las AS, destina-
das a incrementar el acceso y la capacidad de atención.
• Cobertura: porcentaje anual de la población estimada
de 20 años y más con DM2 que fue atendida en las AS.
• Equipo Básico de Atención Integral en Salud (Ebáis):
unidad funcional básica de atención primaria encargada
de brindar atención integral a un sector de la población
específico, conformada mínimamente por un médico ge-
neral, un auxiliar de enfermería y un asistente técnico de
atención primaria (ATAP).
• Hipertensión: porcentaje de personas con DM2 que
presentan diagnóstico de hipertensión arterial (HTA).
• Índice de Desarrollo Social: indicador sintético que
resume las condiciones sociales y económicas de la po-
blación adscrita a las AS, calculado a nivel de estas uni-
dades a partir de los datos distritales publicados por el
Ministerio de Planificación Nacional y Política Económica
(MIDEPLAN).
• No control: porcentaje de personas con DM2 que no
alcanzan un control metabólico óptimo, definido este
como un nivel de hemoglobina glicosilada ≥7 % en po-
blación general y ≥8 % en personas mayores de 80 años.
• Número de Ebáis: cantidad total de Ebáis habilitados en
cada AS.
• Obesidad: porcentaje de personas con DM2 con un índi-
ce de masa corporal (IMC) ≥30 kg/m2.
• Personas adultas mayores: proporción de la población
de 65 años o más respecto a la población total del AS,
expresada como porcentaje.
• Población rural: proporción de la población residente
en zonas rurales del área de adscripción de cada AS, ex-
presada como porcentaje.
• Primer nivel de atención (PNA): corresponde a la aten-
ción primaria y constituye el punto de contacto inicial
entre los individuos, la familia y la comunidad con los es-
tablecimientos de salud de la CCSS. Está conformado por
los Ebáis.
• Razón de masculinidad: cociente entre el número de
hombres y el número de mujeres con DM2 en cada AS.
• Sobrepeso: porcentaje de personas con DM2 con un
IMC ≥25 y <30 kg/m².
Por último, la variable dependiente, egresos totales, se
definió como la cantidad absoluta de egresos hospitalarios
registrados por cada AS y año del período de estudio. Su es-
timación requirió la aplicación de los porcentajes de adscrip-
ción distrital a los registros de egresos, con el fin de asignar
el total correspondiente a cada AS. Este procedimiento fue
necesario debido a que los registros institucionales de egre-
sos hospitalarios no incluyen una variable que identifique
el AS de adscripción de las personas usuarias al momento
del egreso.
Ajuste del modelo
Como primer paso, se realizó un análisis exploratorio de
los datos, con el objetivo de identificar patrones espaciales y
temporales en las hospitalizaciones evitables por DM2.
Se calcularon las tasas observadas de hospitalización por
AS y año. Para evaluar la autocorrelación espacial global se
utilizó el Índice de Moran con 999 permutaciones de Mon-
te Carlo, mientras que para explorar los patrones espaciales
por AS se utilizó Local Indicators of Spatial Association (LISA).
página
5
Gestión en Salud y Seguridad Social • ISSN: 2215-6216 • Vol. 5 (1): e2026263, Enero-Diciembre, 2026
(Publicado Set. 09, 2026)
Este análisis permitió identificar la presencia de dependen-
cia espacial entre las AS, justificando el uso de modelos es-
paciales jerárquicos.
El cálculo de los valores esperados, por el método de
estandarización indirecta, se realizó por medio del paquete
INLA, con la función expected.
Se analizaron las correlaciones entre las covariables y su
asociación con la variable dependiente (ver anexo 2 y 3), con
el fin de detectar problemas de multicolinealidad y seleccio-
nar las variables más relevantes para el modelo. Además, se
estandarizaron las covariables para facilitar la comparación
de los efectos estimados.
Se ajustó un modelo mixto bayesiano espacio-temporal
con Oit el número observado de egresos hospitalarios por
diabetes mellitus tipo 2, en el área de salud i = 1, … , n y año
t = 1, … , T.
Se asume que:
Oit ~ Poisson (Eit * λit)
Donde Eit se consideran los casos esperados de egresos,
y λit el riesgo relativo de hospitalización en el área i y año t.
Donde el riesgo relativo (RR) se define como la razón en-
tre los valores observados de hospitalizaciones y los valores
esperados. De esta manera, un valor de RR = 1 indica que el
área de salud presenta un riesgo equivalente al promedio
nacional; valores menores a 1 reflejan un riesgo bajo (menor
ocurrencia de hospitalizaciones que la esperada); y valores
mayores a 1 representan un riesgo alto.
El modelo calcula el riesgo relativo suavizado como:
log (λit) = α + βk X + uit + vit + γt
α es el intercepto global.
βk son los coeficientes de la k-enésima covariable
(k=1,…..,12)
X Matrix de covariables
uit es el efecto espacial estructurado.
vit es el efecto espacial no estructurado.
γt representa el efecto temporal, modelado como un pro-
ceso autorregresivo de primer orden AR(1), el cual asume
que la tasa en un año determinado depende linealmente
de la tasa del año anterior.
Se eligieron las variables más adecuadas con base en el
análisis de correlación entre las covariables, y se evaluaron
distintas combinaciones modelos con dichas variables, para
elegir el modelo que tuviera un mejor ajuste a los datos; ade-
más, se tomó en cuenta la pertinencia teórica de cada varia-
ble para el estudio.
Adicionalmente, se probaron cuatro estructuras espacia-
les alternativas: Modelo independiente (sin correlación espa-
cial), Modelo Besag (efecto condicional autorregresivo CAR),
Modelo BYM (Besag–York–Mollié), que combina un efecto
estructurado y otro no estructurado y, por último, el Modelo
BYM2, que es una reparametrización reescalada del BYM que
mejora la interpretación de la varianza espacial y la estabili-
dad numérica.
Selección del modelo y herramientas
de software utilizadas
Los modelos se compararon mediante el Criterio de Infor-
mación de Deviance (DIC), el Criterio de Información Watana-
be–Akaike (WAIC) y el Conditional Predictive Ordinates (CPO).
El procesamiento y análisis de los datos se realizó en el
software R versión 4.5.1 (14), mediante el entorno RStudio
(15). Para la manipulación y depuración de datos se emplea-
ron los paquetes dplyr y tidyr del ecosistema tidyverse (16,17),
mientras que la visualización de resultados se efectuó con
ggplot2 (18). Los resultados tabulares fueron elaborados con
el paquete flextable (19). En cuanto al componente espacial,
la construcción de las estructuras de vecindad y la estimación
de los indicadores de autocorrelación se realizaron con el pa-
quete spdep (20), y el manejo de información geográfica con
sf (21) siguiendo las metodologías para datos de salud geo-
espacial propuestas por Moraga (10,11). Finalmente, el ajuste
de los modelos espacio-temporales se efectuó mediante el
paquete INLA (22).
RESULTADOS
El modelo que mejor se ajustó a los datos fue el modelo
con una estructura espacial BYM2 y las covariables: no con-
trol, obesidad, población rural y cobertura.
Análisis de las covariables
Los coeficientes de la Tabla 1 corresponden a covariables
estandarizadas, por lo que representan el cambio esperado
en el logaritmo de la tasa de hospitalización ante un aumento
de una desviación estándar en cada variable.
Tabla 1
CCSS: Estimación de los efectos fijos, media a posteriori, media exponencial, desviación estándar y límites del intervalo de credibilidad.
Estudio de hospitalizaciones evitables por DM2, 2019-2024.
Variable Media Media exponencial sd 2,5 % 97,5 %
Población rural 0,16 17 0,03 0,11 0,21
No control 0,13 14 0,03 0,08 0,18
Obesidad 0,08 8 0,02 0,03 0,12
Cobertura 0,15 16 0,03 0,10 0,20
página
6
Gestión en Salud y Seguridad Social • ISSN: 2215-6216 • Vol. 5 (1): e2026263, Enero-Diciembre, 2026
(Publicado Set. 09, 2026)
En el caso de los porcentajes reportados, estos se ob-
tuvieron a partir de la exponenciación de los coeficientes
estimados del modelo bayesiano para covariables estanda-
rizadas y representan el cambio porcentual en el riesgo de
hospitalización asociado a un incremento de una desviación
estándar en cada variable explicativa.
En general, todas las covariables contempladas mostra-
ron efectos positivos y no incluyen el cero en sus intervalos
de credibilidad, lo cual es evidencia de que son estadística-
mente significativas en relación con la tasa de hospitalizacio-
nes evitables por DM2.
La variable Población rural tiene un efecto positivo, tal
como se muestra en la Tabla 1, por lo que un aumento en una
desviación estándar en esta variable se asocia a un incremen-
to del 17 % en el riesgo de hospitalización. Esto indica que las
AS con un mayor porcentaje de población rural en el quin-
quenio tienden a registrar más hospitalizaciones evitables, lo
cual podría reflejar desigualdades en el acceso o en la conti-
nuidad de la APS.
Por otra parte, la variable No control, que refleja la pro-
porción de personas con diabetes sin un control glucémico
óptimo durante el quinquenio analizado, también mostró
un efecto positivo, lo que implica que un aumento en una
desviación estándar en la variable incrementa el riesgo de
hospitalización en un 14 %. De tal forma, un menor control
se asocia con un incremento en el riesgo de hospitalización.
La variable Obesidad también se asocia positivamen-
te a las hospitalizaciones evitables, por lo que un aumento
de una desviación estándar en esta variable se relaciona
con un incremento del 8 % en el riesgo de hospitalización.
Esto sugiere que las AS con una mayor prevalencia de obe-
sidad tienen un riesgo levemente superior de registrar hos-
pitalizaciones evitables.
Por último, la Cobertura del primer nivel de atención
mostró una asociación positiva con las hospitalizaciones evi-
tables, observándose un aumento del 16 % en el riesgo por
cada incremento de una desviación estándar en esta variable.
Dado que esta variable corresponde al porcentaje estimado
de personas de 20 años y más con DM2 que fueron atendi-
das en las AS, este resultado no necesariamente implica que
una mayor cobertura incremente el riesgo de hospitalización.
Una posible explicación es que las AS con mayor cobertura
logran captar y dar seguimiento a una mayor proporción de
personas con DM2, lo que favorece una identificación y un
registro más completos de los casos y sus eventos asociados.
En contraste, las AS con menor cobertura podrían tener una
menor captación de pacientes o subregistro, influyendo en la
asociación observada.
Riesgo relativo
Para el análisis espacial y temporal del riesgo relativo (RR)
de hospitalización por DM2, se obtuvieron los valores ajusta-
dos del modelo, con el fin de determinar el RR por AS y año
del periodo analizado. Los valores de RR obtenidos se clasifi-
caron en tres categorías: bajo si RR es menor que 0,9; medio
si RR está entre 0,9 y 1,5; y alto si RR es mayor o igual que 1,5.
En la Figura 1 se muestra la distribución espacial y tem-
poral del RR a lo largo del periodo 2019–2024, según la
Figura 1. Distribución geográfica y evolución del riesgo relativo de hospitalizaciones evitables por DM2 por AS y año, 2019-2024.
Fuente: DCSS. Evaluación de la prestación de Servicios de Salud, 2019-2024.
página
7
Gestión en Salud y Seguridad Social • ISSN: 2215-6216 • Vol. 5 (1): e2026263, Enero-Diciembre, 2026
(Publicado Set. 09, 2026)
categoría creada. En esta se observa que aunque el patrón de
riesgo varía entre los años, existe una reducción visible de las
zonas con riesgo alto hacia 2024, lo que podría sugerir una
mejora general en la atención o en el control de la enferme-
dad en diversas AS.
La Figura 2, por otro lado, presenta la evolución tempo-
ral de las categorías de RR de hospitalizaciones evitables por
DM2 en AS que iniciaron el período con categorías de riesgo
medio o alto y finalizaron con riesgo bajo, independiente-
mente de las variaciones observadas en los años interme-
dios. En general, estas AS tuvieron diferentes variaciones en
el periodo, pero finalizaron con un riesgo bajo. La evolución
completa de las 105 AS se muestra en el Anexo 5.
El ordenamiento desde el año inicial (2019) hasta el año
final (2024) permite visualizar de forma complementaria la
trayectoria de las AS que mostraron una reducción global del
riesgo a lo largo del período de estudio, lo que facilita la iden-
tificación de trayectorias de mejoría y patrones de transición
temporal del riesgo relativo entre AS.
Los resultados obtenidos permitieron caracterizar las AS
según el comportamiento del RR a lo largo del período de
estudio. Con base en ello, se identificaron las AS que presen-
taron de forma constante categorías de riesgo alto y aquellas
que se mantuvieron en riesgo bajo. Esta diferenciación per-
mite analizar posibles factores asociados a estas trayectorias
y aportar evidencia útil para orientar la toma de decisiones
en salud pública.
En total, cinco áreas de salud se han mantenido con un
RR alto: Coto Brus, Golfito, Limón, Quepos y Turrialba-Jiménez
(Figura 3). En contraste, 21 áreas de salud se han mantenido
Figura 2. Evolución temporal del riesgo relativo de hospitalizaciones evitables por DM2 en las áreas de salud que iniciaron con riesgo medio y alto y
culminaron con riesgo bajo en el periodo 2019-2024. Fuente: DCSS. Evaluación de la prestación de Servicios de Salud, 2019-2024.
Figura 3. AS con riesgo relativo alto de hospitalizaciones evitables por DM2,
2019-2024. Fuente: DCSS. Evaluación de la prestación de Servicios de Salud,
2019-2024.
página
8
Gestión en Salud y Seguridad Social • ISSN: 2215-6216 • Vol. 5 (1): e2026263, Enero-Diciembre, 2026
(Publicado Set. 09, 2026)
con un RR bajo: Bagaces, Carmen-Montes de Oca, Cartago,
Concepción-San Diego-San Juan (UNIBE), Coronado, Corrali-
llo-La Sierra, Curridabat, Desamparados 3, El Guarco, Escazú,
Goicochea 1, Goicochea 2, Los Santos, Moravia, Oreamuno-
Pacayas-Tierra Blanca, Puriscal-Turrubares, San Francisco-San
Antonio (COOPESANA), San Sebastián-Paso Ancho (ASEME-
CO), Santa Ana, Tilarán y Zapote-Catedral (Figura 4).
Esta información resulta de utilidad, ya que el cálculo del
RR mediante modelos bayesianos espacio-temporales per-
mite obtener estimaciones más precisas y estables, incluso
en AS con pocos casos o con valores cero, lo que contribuye
a una mejor identificación de territorios prioritarios para la
toma de decisiones en salud pública.
positivos del riesgo. Un incremento en la proporción de per-
sonas con DM2 sin control glucémico óptimo y con obesidad
eleva de manera estadísticamente significativa el riesgo de
egresos hospitalarios por complicaciones agudas o crónicas
de la enfermedad.
Respecto a la dimensión comunitaria, la población rural
también mostró una relación positiva con el riesgo de hospi-
talización. Esto sugiere que los cantones con mayor propor-
ción de población rural tienden a registrar mayor cantidad de
casos de hospitalizaciones evitables. En el contexto de Costa
Rica, este fenómeno se encuentra estrechamente vinculado
con las asimetrías socioeconómicas y del desarrollo territo-
rial que persisten entre la Región Central y las regiones pe-
riféricas del país, tal como lo describen Benavides y Artavia
(12). Asimismo, este comportamiento refleja las barreras de
acceso geográfico, la dispersión poblacional y los desafíos
históricos en la continuidad del seguimiento clínico que en-
frentan las áreas de salud rurales para garantizar una cober-
tura efectiva (1,3).
Por otra parte, la cobertura del PNA presentó un efecto
positivo sobre el riesgo de hospitalización por DM2. Aunque
este resultado podría parecer contradictorio frente a la pre-
misa teórica tradicional de que una mayor oferta de atención
primaria reduce linealmente los ingresos hospitalarios (6),
algunos estudios realizados en el contexto de la seguridad
social costarricense han demostrado que aproximadamente
una de cada diez hospitalizaciones clasifica como evitable
(2,4). En este punto, es importante considerar que la consoli-
dación de las redes de atención primaria mediante el modelo
de Ebáis fortaleció la cobertura de servicios, la captación de
usuarios y el seguimiento de pacientes en el PNA (1). En este
contexto, es posible que los territorios con mayor cobertu-
ra presenten una mejor identificación y registro de perso-
nas con DM2 y sus complicaciones, visibilizando perfiles de
morbilidad que en zonas con menor cobertura podrían per-
manecer subregistrados en los sistemas institucionales. Este
hallazgo plantea la necesidad de evaluar no solo la cobertura
de los servicios, sino también la efectividad de la atención
brindada y la calidad de la organización asistencial en su con-
junto, aspectos que han sido señalados como determinantes
relevantes en la ocurrencia de hospitalizaciones evitables (3).
En general, los resultados obtenidos son consistentes
con estudios previos que han aplicado modelos bayesianos
espacio-temporales en salud pública. Por ejemplo, en Costa
Rica Morera (4) utilizó este tipo de modelos para analizar hos-
pitalizaciones por problemas de salud susceptibles de cuida-
dos ambulatorios, evidenciando diferencias geográficas en
el riesgo y demostrando la utilidad de incorporar la depen-
dencia espacial para obtener estimaciones más estables. De
forma similar, el presente estudio identificó una distribución
heterogénea del riesgo de hospitalizaciones evitables por
DM2 entre las AS y permitió reconocer territorios con riesgo
persistentemente elevado a lo largo del período analizado.
Por otro lado, a nivel internacional, Asmarian et al (5)
mostraron que los modelos espaciales bayesianos ajustados
Figura 4. AS con riesgo relativo bajo de hospitalizaciones evitables por DM2,
2019-2024. Fuente: DCSS. Evaluación de la prestación de Servicios de Salud,
2019-2024.
DISCUSIÓN
El monitoreo del comportamiento de las enfermeda-
des crónicas no trasmisibles es de suma importancia en
epidemiología, ya que proporciona información clave para
el diseño y la implementación de políticas y programas de
salud pública adaptadas a la realidad local. En este escena-
rio, es cada vez más frecuente el uso de herramientas analí-
ticas avanzadas basadas en evidencia, que facilitan la toma
de decisiones a partir del análisis de datos y contribuyen al
fortalecimiento de los procesos mediante enfoques más
precisos y fundamentados.
En el presente estudio se analizó el riesgo de hospitali-
zaciones evitables por DM2, por medio del uso de modelos
mixtos bayesianos espacio-temporales, tomando en cuenta
la variación geográfica y temporal, así como factores indivi-
duales (covariables no control y obesidad), comunitarios (po-
blación rural) y de servicios de salud (cobertura).
Los hallazgos confirman que las variables de salud
de nivel individual actúan como determinantes directos y
página
9
Gestión en Salud y Seguridad Social • ISSN: 2215-6216 • Vol. 5 (1): e2026263, Enero-Diciembre, 2026
(Publicado Set. 09, 2026)
mediante INLA constituyen una herramienta robusta para el
mapeo de enfermedades, especialmente cuando se analizan
eventos poco frecuentes o datos con una elevada proporción
de ceros. Asimismo, Kim y Lim (13) mostraron que la incor-
poración conjunta de componentes espaciales y temporales
permite caracterizar de manera más adecuada los patrones
de mortalidad e incidencia de enfermedades crónicas al con-
siderar simultáneamente la variabilidad espacial y temporal
del riesgo. En concordancia con estos hallazgos, el presente
estudio evidenció que la modelación espacio-temporal per-
mitió caracterizar con mayor precisión la heterogeneidad
territorial y temporal de las hospitalizaciones evitables por
DM2, aportando información útil para la vigilancia epidemio-
lógica y la planificación de intervenciones en el PNA.
CONCLUSIONES
Los resultados de este estudio aportan evidencia de que
las hospitalizaciones evitables por DM2 pueden estar asocia-
das tanto con factores individuales como con determinantes
comunitarios y características de los servicios salud. Esto se
evidenció mediante las asociaciones identificadas entre las
covariables incluidas en el modelo y el riesgo de hospitaliza-
ción, lo que confirma el carácter multifactorial de este evento
y la necesidad de abordajes integrales para su comprensión
e intervención.
El análisis espacio-temporal permitió identificar variacio-
nes geográficas y temporales en el riesgo de hospitalización
entre las AS, mostrando la existencia de patrones diferencia-
les en el territorio. Estos hallazgos facilitan el reconocimiento
de AS prioritarias, donde las intervenciones pueden adaptar-
se según las necesidades locales y las características espe-
cíficas de la población, favoreciendo una planificación más
focalizada y potencialmente más efectiva.
Respecto a la asociación positiva observada entre la co-
bertura del PNA y el riesgo de hospitalización, los resultados
sugieren una relación compleja. Una mayor cobertura no
necesariamente implica una reducción inmediata del riesgo,
sino que favorece la capacidad institucional de captación,
diagnóstico oportuno y registro de casos. Por otra parte, las
hospitalizaciones pueden estar influenciadas por factores
adicionales relacionados con la severidad clínica, la adheren-
cia al tratamiento, los determinantes sociales o la capacidad
resolutiva de los servicios. Esto resalta que, para futuras polí-
ticas, es indispensable trascender la cobertura cuantitativa y
evaluar, además, la efectividad clínica, la capacidad resolutiva
y la adherencia al tratamiento.
Debe considerarse que las hospitalizaciones evitables
constituyen un indicador indirecto del desempeño del sis-
tema de salud, debido a que los egresos hospitalarios pue-
den verse influenciados por múltiples factores clínicos,
sociales y de acceso a los servicios. Sin embargo, pese a estas
limitaciones, los modelos bayesianos espacio-temporales de-
mostraron ser herramientas útiles para el monitoreo del com-
portamiento territorial del riesgo, permitiendo identificar
patrones espaciales y temporales relevantes para la vigilancia
y la gestión en salud pública.
Desde la perspectiva de política pública, los hallazgos
sugieren la necesidad de fortalecer estrategias diferenciadas
según el contexto territorial, priorizando AS con mayor riesgo
y considerando no solo la expansión de la cobertura de servi-
cios, sino también la calidad, la continuidad y la oportunidad
de la atención. El uso de herramientas analíticas espacio-tem-
porales puede contribuir a orientar la asignación de recursos,
apoyar la toma de decisiones y fortalecer estrategias de pre-
vención y manejo oportuno de la DM2.
Finalmente, para futuros estudios se recomienda ampliar
la serie temporal con un mayor número de años para mejorar
la estimación de la correlación y las tendencias temporales.
Asimismo, se sugiere utilizar covariables con variación anual
en lugar de agregaciones por quinquenios, con el fin de cap-
turar adecuadamente la dinámica temporal y evitar que parte
importante de la variabilidad sea absorbida por componen-
tes aleatorios del modelo. Estas consideraciones adquieren
especial relevancia si se pretende emplear este tipo de mo-
delos con fines predictivos.
AGRADECIMIENTOS
La autora expresa su agradecimiento a la Dirección Com-
pra de Servicios de Salud y, en particular, al equipo de Esta-
dística e Información, por la oportunidad de desarrollar este
estudio, así como por el apoyo brindado y por proporcionar
la información necesaria para su desarrollo.
CONFLICTO DE INTERESES
La autora declara no presentar conflictos de interés.
ASPECTOS ÉTICOS
El estudio utilizó bases de datos institucionales agrega-
das sin identificación individual, por lo que no implicó inter-
vención directa en personas.
Ver material suplementario
a01v5n1-Suppl 1
REFERENCIAS BIBLIOGRÁFICAS
1. Vargas W. Atención primaria de salud en acción: su contexto histórico,
naturaleza y organización en Costa Rica. San José: EDNASSS–CCSS;
2006.
2. Morera M, Aparicio A. En Costa Rica una de cada diez hospitalizaciones
es evitable. Rev Costarric Salud Pública. 2011;20(1):1–4.
3. Peritó S, Delgado E. Hospitalizaciones evitables. ¿Quién soporta la
carga de la prueba? Gac Sanit. 2003;17(5):419–25.
4. Morera M. Modelos bayesianos espacio-temporales aplicados a las
hospitalizaciones por problemas de salud susceptibles de cuidados
ambulatorios en Costa Rica [Tesis doctoral]. Las Palmas de Gran Canaria:
Universidad de Las Palmas de Gran Canaria; 2010.
página
10
Gestión en Salud y Seguridad Social • ISSN: 2215-6216 • Vol. 5 (1): e2026263, Enero-Diciembre, 2026
(Publicado Set. 09, 2026)
5. Asmarian N, Ayatollahi SMT, Sharafi Z, Zare N. Bayesian spatial joint
model for disease mapping of zero-inflated data with R-INLA: a
simulation study and an application to male breast cancer in Iran. Int
J Environ Res Public Health [Internet]. 2019;16(22):4460. Disponible en:
https://pubmed.ncbi.nlm.nih.gov/31766251/
6. Organización Panamericana de la Salud. Atención primaria de salud
[Internet]. Washington, D.C.: OPS; s.f. Disponible en: https://www.
paho.org/es/temas/atencion-primaria-salud
7. Correa JC, Barrera CJ. Introducción a la estadística bayesiana. Medellín:
Instituto Tecnológico Metropolitano; 2018.
8. Alcalde M. Modelos jerárquicos bayesianos [Trabajo de fin de grado].
Zaragoza: Universidad de Zaragoza; 2022.
9. Mirás B. Modelo espacial bayesiano para la estimación de la invalidez
en España con la metodología INLA [Trabajo fin de máster]. Madrid:
Universidad Carlos III de Madrid; 2019.
10. Moraga P. Datos de salud geoespacial: modelado y visualización con
R-INLA y Shiny. Boca Raton: Chapman & Hall/CRC; 2019.
11. Moraga P. Spatial statistics for data science: theory and practice with R.
Boca Raton: Chapman & Hall/CRC; 2023.
12. Benavides S, Artavia ML. Asimetrías en el desarrollo de los territorios
de Costa Rica. Atl Rev Econ [Internet]. 2018;1(1). Disponible en: https://
www.aroec.org/ojs/index.php/ARoEc/article/view/28
13. Kim H, Lim H. Comparison of Bayesian spatio-temporal models for
chronic diseases. J Data Sci [Internet]. 2010;8(2):189–211. Disponible
en: https://jds-online.org/journal/JDS/article/914/info
14. R Core Team. R: A language and environment for statistical computing
[Internet]. Vienna: R Foundation for Statistical Computing; 2024.
Disponible en: https://www.R-project.org
15. Posit Software. RStudio: Integrated development environment for R
[Internet]. Posit Software, PBC; 2024. Disponible en: https://posit.co
16. Wickham H, François R, Henry L, Müller K. dplyr: A grammar of data
manipulation [Internet]. CRAN; 2024. Disponible en: https://CRAN.R-
project.org/package=dplyr
17. Wickham H, Girlich M. tidyr: Tidy messy data [Internet]. CRAN; 2024.
Disponible en: https://CRAN.R-project.org/package=tidyr
18. Wickham H. ggplot2: Elegant graphics for data analysis [Internet]. New
York: Springer-Verlag; 2016. Disponible en: https://ggplot2.tidyverse.
org
19. Gohel D, Skintzos P. flextable: Functions for tabular reporting
[Internet]. CRAN; 2024. Disponible en: https://CRAN.R-project.org/
package=flextable
20. Bivand R. spdep: Spatial dependence: Weighting schemes, statistics and
models [Internet]. CRAN; 2024. Disponible en: https://CRAN.R-project.
org/package=spdep
21. Pebesma E. Simple features for R: Standardized support for spatial
vector data. R J [Internet] 2018;10(1):439–46. Disponible en: https://
journal.r-project.org/articles/RJ-2018-009/index.html
22. Rue H, Martino S, Chopin N. Approximate Bayesian inference for latent
Gaussian models by using Integrated Nested Laplace approximations.
J R Stat Soc Ser B Stat Methodol [Internet] 2009;71(2):319–92. Disponible
en: https://doi.org/10.1111/j.1467-9868.2008.00700.x
