ISSN electrónico: 2215-6216 https://www.binasss.sa.cr/ojssalud/index.php/index

Vol. 5 Núm. 1 (2026): Número regular, Enero-Diciembre 2026
Artículos originales

Modelos bayesianos espacio-temporales para analizar hospitalizaciones evitables por diabetes mellitus tipo 2 en Costa Rica, 2019-2024

PDF HTML EPUB
PDF Suppl 1 DOC-Suppl 1
  • Margarita Rojas Pérez
Margarita Rojas Pérez
Bachiller en estadística, Dirección Compra de Servicios de Salud, Caja Costarricense de Seguro Social; San José, Costa Rica

Publicado 2026-09-09

Palabras clave

  • Diabetes Mellitus Tipo 2, Atención Primaria de Salud, Teorema de Bayes, Hospitalización, Análisis Espacio-Temporal.
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Cómo citar

Rojas Pérez, M. (2026). Modelos bayesianos espacio-temporales para analizar hospitalizaciones evitables por diabetes mellitus tipo 2 en Costa Rica, 2019-2024. Gestión En Salud Y Seguridad Social, 5(1), e2026263. https://doi.org/10.62999/p5k9br35

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, obesidad, población rural y cobertura del primer nivel de atención (PNA). Todas mostraron asociaciones positivas y estadísticamente 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, asociado a factores individuales, comunitarios y de los servicios de salud. Los modelos bayesianos espacio-temporales constituyen 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.

PDF HTML EPUB
PDF Suppl 1 DOC-Suppl 1

Referencias

  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.
  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/ DOI: https://doi.org/10.3390/ijerph16224460
  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. DOI: https://doi.org/10.1201/9781032641522
  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 DOI: https://doi.org/10.6339/JDS.2010.08(2).581
  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 DOI: https://doi.org/10.1007/978-3-319-24277-4_9
  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 DOI: https://doi.org/10.32614/RJ-2018-009
  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 DOI: https://doi.org/10.1111/j.1467-9868.2008.00700.x