Predictores de Mortalidad en Ancianos con Síndrome de Dificultad Respiratoria Aguda Confirmados por Influenza A(h1n1)pdm09

Mônica Tilli Reis Pessoa Conde; Nícolas Volgarine Scaraboto

DOI: 10.22167/2675-6528-202603298

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

La infección por el virus de la influenza A(H1N1)pdm09 puede evolucionar a Síndrome de Dificultad Respiratoria Aguda (SDRA), con mayor riesgo de muerte en ancianos. El objetivo fue analizar los factores predictivos de muerte en casos de SDRA confirmados para influenza A(H1N1)pdm09, en ancianos de 60 años o más, considerando factores individuales y contextuales de las Regiones Administrativas (RA) del Estado de São Paulo (ESP), y comparar el desempeño de modelos de regresión. Se realizó un estudio descriptivo y analítico en el ESP, de 2023 a 2024, utilizando datos del SIVEP-Gripe y de la Fundación SEADE. Se incluyeron 714 casos confirmados por RT-PCR de influenza A(H1N1)pdm09 en residentes del ESP de 60 años o más. Se analizaron variables sociodemográficas, clínicas, de hospitalización, tratamiento, vacunación y lugar de residencia. Se empleó regresión logística binaria y logística jerárquica, con el desenlace de evolución a muerte. De los 714 casos, 202 resultaron en muerte. El modelo final de regresión logística binaria asoció mayor probabilidad de muerte al sexo masculino, edad avanzada, saturación de oxígeno inferior al 95%, hospitalización en UCI y uso de soporte ventilatorio invasivo. La presencia de tos y el uso de antiviral se asociaron a menor probabilidad de muerte. El modelo jerárquico logístico presentó un desempeño similar, con una pequeña contribución contextual residual de las RA. Se concluyó que el modelo de regresión logística binaria fue suficiente y más simple para representar los datos, siendo adoptado como modelo final.

Palabras clave: Influenza A(H1N1)pdm09; Modelado jerárquico logístico; Muerte por Influenza A(H1N1)pdm09; Regresión logística; Síndrome de Dificultad Respiratoria Aguda.

1. Introducción

El virus de la influenza, perteneciente a la familia Orthomyxoviridae, es un virus de ARN de cadena simple clasificado en cuatro tipos: A, B, C y D (Brasil, 2024). De estos, el tipo A se destaca por su capacidad de infectar tanto a humanos como a animales, siendo subdividido en subtipos basándose en las proteínas hemaglutinina (H) y neuraminidasa (N) presentes en su superficie (CDC, 2021). Un ejemplo notable es el virus Influenza A (H1N1), que posee hemaglutinina H1 y neuraminidasa N1. La capacidad de mutación genética de los virus de la influenza, a través de procesos como el drift y el shift, es un factor crucial para su epidemiología. Mientras que el drift implica pequeñas alteraciones genéticas que justifican la reformulación anual de las vacunas, el shift se refiere a grandes cambios genéticos, frecuentemente resultantes de recombinaciones entre virus, que pueden llevar a pandemias. Un ejemplo histórico es la emergencia del virus influenza A(H1N1)pdm09 en 2009, que se diseminó rápidamente por más de 200 países, resultando en un elevado número de casos graves y fallecimientos (WHO, 2025b).

El cuadro clínico de la infección por Influenza A(H1N1)pdm09 es bastante variable, pudiendo manifestarse desde síntomas leves, como fiebre y tos, hasta evolucionar a un Síndrome Respiratorio Agudo Grave (SRAG). El SRAG se caracteriza por hipotensión, disnea y saturación de oxígeno inferior al 95%, requiriendo frecuentemente hospitalización y, en casos más severos, asistencia ventilatoria e intubación. Las complicaciones más comunes incluyen neumonía e infecciones bacterianas, siendo particularmente prevalentes y graves en ancianos (Talbot, 2017). Los factores de riesgo para el desarrollo de cuadros graves y fallecimientos incluyen edad avanzada (60 años o más), niños menores de dos años, embarazadas e individuos con enfermedades crónicas como cardiopatías, neumopatías, enfermedades renales, obesidad e inmunosupresión. La población anciana presenta un riesgo elevado debido a la mayor prevalencia de comorbilidades y a la inmunosenescencia, que es el envejecimiento del sistema inmunológico (Braga, 2024; Talbot, 2017).

Las medidas de salud pública para el manejo de la influenza incluyen el tratamiento específico con antivirales, como el oseltamivir, recomendado por el Ministerio de Salud para grupos de riesgo, idealmente en las primeras 48 horas tras el inicio de los síntomas (Brasil, 2024). La prevención se refuerza con campañas anuales de vacunación con la vacuna trivalente contra la influenza, que incluye el virus de la influenza A(H1N1)pdm09, el virus de la influenza A H3N2 y uno de los tipos de influenza B, dirigidas a grupos prioritarios como ancianos de 60 años o más y personas con enfermedades crónicas (Brasil, 2024). En Brasil, la vigilancia epidemiológica de la influenza se realiza mediante la notificación obligatoria de casos de SRAG y muertes sospechosas en el Sistema de Vigilancia Epidemiológica de la Gripe (SIVEP-Gripe). En el Estado de São Paulo (ESP), en 2024, se notificaron 58.811 casos hospitalizados de SRAG, de los cuales 6494 (11,0%) fueron confirmados para el virus de la influenza, con una letalidad del 11,0% (744 muertes) para influenza A (ESP, 2025a).

Considerando la importancia y la gravedad de la infección por influenza A(H1N1)pdm09 en adultos mayores de 60 años, especialmente en los casos de SDRA hospitalizados, y la existencia de tratamientos antivirales, medidas preventivas y protocolos de atención en el ESP, resulta relevante profundizar el análisis de los factores predictores de fallecimientos en este grupo etario. Este análisis debe ir más allá de los factores de riesgo individuales, incorporando también los factores contextuales regionales de las Regiones Administrativas (RA) del ESP, a través de un estudio de modelado jerárquico. Los modelos jerárquicos son ventajosos por capturar diferencias tanto a nivel individual como entre grupos, permitiendo la inclusión de efectos aleatorios en cada capa del análisis (Fávero y Belfiore, 2024). Así, el objetivo de este estudio fue analizar los factores predictores de fallecimiento en personas de 60 años o más, entre los casos de SDRA confirmados por influenza A(H1N1)pdm09, considerando factores individuales y los factores contextuales de grupo relacionados con las Regiones Administrativas [RA] del ESP, así como comparar el desempeño del modelo de regresión logística binaria y del modelo jerárquico logístico en el análisis de este desenlace.

2. Material y Métodos

El presente estudio se caracterizó como descriptivo y analítico, empleando análisis de regresión logística binaria y modelado jerárquico logístico. El objetivo fue predecir factores asociados a la evolución a óbito en casos específicos. La investigación se realizó en el período del 1 de enero de 2023 al 31 de diciembre de 2024, abarcando el Estado de São Paulo (ESP).

La población de estudio consistió en individuos de 60 años o más, residentes en el ESP. El ESP, ubicado en la región Sudeste de Brasil, cuenta con 645 municipios, los cuales se agrupan en dieciséis Regiones Administrativas (RA) (SEADE, 2025a). La población de adultos mayores representa el 17,8% de la población total del estado (SEADE, 2023).

Se incluyeron todos los casos de Síndrome Respiratoria Aguda Grave (SRAG) y fallecimientos confirmados por influenza A(H1N1)pdm09, notificados en el Sistema de Vigilancia Epidemiológica de la Gripe (SIVEP-Gripe) durante el período del estudio. Los participantes debían tener sesenta años o más, independientemente del sexo, y residir en el ESP. Se excluyeron los casos con edad inferior a sesenta años o que no residían en el estado.

La IRA fue definida como un individuo con síndrome gripal (fiebre, tos o dolor de garganta, y síntomas como mialgia, artralgia y cefalea) que presentara disnea/dificultad respiratoria, presión persistente en el tórax, saturación de oxígeno inferior al 95% en aire ambiente o cianosis (Brasil, 2024). Un caso fue confirmado por influenza A(H1N1)pdm09 cuando el virus fue detectado por RT-PCR en secreción respiratoria u otro material biológico, siendo esta la técnica estándar de oro (Brasil, 2024).

Las fuentes de datos para esta investigación fueron las bases de datos abiertas de Vigilancia de SRAG, disponibles en el portal OpenDATASUS (OpenDATASUS, 2025), correspondientes a los años 2023 y 2024. Adicionalmente, se utilizó la base de datos del repositorio de la Fundación SEADE (SEADE, 2025b) para obtener información sobre las Regiones Administrativas del ESP.

Las variables explicativas analizadas para los individuos incluyeron datos sociodemográficos (sexo, edad, nivel educativo y lugar de residencia), clínicos (comorbilidades, historial de vacunación contra la gripe, atención en unidad de cuidados intensivos [UCI], uso de soporte ventilatorio invasivo y no invasivo), y relativos a la atención (tiempo hasta la hospitalización y uso de antivirales). La variable dependiente del estudio fue la evolución a óbito.

Los datos se obtuvieron de conjuntos de datos secundarios, anonimizados y disponibles para su descarga. Tras la descarga, las bases de datos de SRAG de 2023 y 2024 se prepararon para su unión, considerando la estructura y las variables comunes. La nueva base se sometió a transformaciones para su adecuación a los análisis y la selección de las variables de interés. Una etapa de limpieza incluyó la exclusión de datos faltantes y la aplicación de los criterios de inclusión y exclusión.

La integración de los datos del conjunto de datos de SRAG se realizó en un sistema de gestión de bases de datos relacionales (SQL), consolidando las notificaciones individuales en una única tabla analítica. Esta tabla se enriqueció con la variable contextual (RA del ESP), vinculada a través del código del municipio del Instituto Brasileño de Geografía y Estadística (IBGE), estructurando la base de datos final para los análisis exploratorios.

El preprocesamiento y el análisis exploratorio de los datos se llevaron a cabo en el lenguaje de programación R, con la ayuda del paquete tidyverse. Se realizó la selección de las variables de interés y el tratamiento de los datos ausentes, codificados como “9” en la base de datos original. Las variables categóricas se convirtieron al tipo factor, y las numéricas se ajustaron para el cálculo del intervalo de tiempo en días.

Los análisis descriptivos se realizaron, presentando las variables continuas mediante medidas de tendencia central y de dispersión (media, desviación estándar, mediana, valores mínimos y máximos). Las variables categóricas se describieron en frecuencias absolutas y relativas. La asociación entre las variables de interés, la variable de grupo y la evolución clínica de los pacientes se evaluó mediante la prueba de chi-cuadrado (X²) o la prueba exacta de Fisher.

Para el análisis de los factores asociados a la muerte, se propuso inicialmente un modelo de regresión logística binaria (Fávero y Belfiore, 2024), donde la variable dependiente fue cualitativa y binaria. Se evaluó el modelo nulo, sin variables explicativas, utilizando la función glm del paquete stats de R, con distribución binomial. A continuación, se incluyeron secuencialmente las variables explicativas, evaluándose la significancia estadística de los coeficientes mediante la estadística z de Wald, con criterio de selección de p inferior a 0,20.

El modelo se estimó por máxima verosimilitud. Para la elección del modelo final, se evaluaron el pseudo-R² de McFadden, los criterios Akaike Information Criterion (AIC) y Bayesian Information Criterion (BIC), y la máxima verosimilitud, calculados con el paquete stats. También se analizaron la sensibilidad y especificidad, y la curva Receiver Operating Characteristic (ROC), obtenidas con el paquete pROC. El área bajo la curva ROC (AUC) se utilizó para evaluar la capacidad discriminatoria y comparar los modelos (Fávero y Belfiore, 2024).

Tras la definición del modelo de regresión logística binaria, se realizó la modelización logística jerárquica. Este análisis permitió evaluar la relación de la variable dependiente con factores predictivos a nivel individual, considerando que los individuos estaban insertos en grupos (RA de residencia) con características propias (Fávero y Belfiore, 2024). El modelo logístico jerárquico se probó basándose en dos niveles: el nivel uno para el individuo y el nivel dos para la Región Administrativa de residencia.

Inicialmente se estimó el modelo logístico jerárquico nulo, utilizando la función gimer del paquete lme4, para verificar la existencia de varianza entre los grupos y la pertinencia del modelo. Posteriormente, se probaron los coeficientes de las variables explicativas del nivel uno, empleando los mismos métodos de la Regresión Logística binaria. El modelo logístico jerárquico se estimó entonces con la inserción de la variable de grupo, también con el paquete lme4.

La elección del mejor modelo final se realizó de manera análoga a la regresión logística binaria, considerando la significancia estadística y la plausibilidad biológica. Para la comparación entre los modelos, se construyeron las curvas ROC y se calculó el Coeficiente de Correlación Intraclase (ICC) con el paquete performance, a fin de estimar el porcentaje de varianza atribuida a las diferencias entre los grupos.

Los análisis se realizaron en los softwares MySQL Workbench 8.0.41 Community, RStudio® 2026.1.0.392 y R® versión 4.5.2.

3. Resultados y Discusión

El análisis de los datos de Síndrome Respiratorio Agudo Grave (SRAG) para los años 2023 y 2024, provenientes del OpenDATASUS, reveló un panorama significativo de la infección por influenza A(H1N1)pdm09 en el Estado de São Paulo (ESP). En Brasil, se notificaron 518.738 casos sospechosos de SRAG, de los cuales 142.122 (27,4%) eran residentes en el ESP. De entre los casos confirmados para influenza A(H1N1)pdm09, el país registró 7.413 ocurrencias y 1.149 fallecimientos. En el ESP, los casos confirmados totalizaron 1.710, con 304 fallecimientos, resultando en una letalidad del 17,8%. Específicamente para el grupo de edad de 60 años o más en el ESP, que fue el foco de este estudio, se identificaron 714 casos confirmados, de los cuales 202 evolucionaron a fallecimiento, configurando una letalidad del 28,3%. La distribución anual de estos casos en el ESP mostró 297 registros y 74 fallecimientos en 2023, y 417 casos y 128 fallecimientos en 2024, indicando una persistencia de la gravedad de la enfermedad en este grupo.

Las características sociodemográficas de los 714 casos de IRA grave confirmados por influenza A(H1N1)pdm09 en ancianos en el ESP revelaron que el 56,7% eran del sexo femenino. Sin embargo, en el análisis logístico univariado, el sexo masculino presentó una Odds Ratio (OR) de 1,46 (intervalo de confianza del 95% [IC95%]: 1,05-2,03; p=0,023) para evolución a la muerte, en comparación con el sexo femenino. Este hallazgo, aunque la predominancia femenina es consistente con estudios anteriores (Braga, 2024; Mata-Marin et al., 2025; Sumner et al., 2023), apunta a una mayor vulnerabilidad masculina al desenlace fatal. La edad media de los pacientes fue de 74,5 años (desviación estándar=9,3), y el análisis univariado indicó una OR de 1,01 (IC95%: 0,99-1,02; p=0,542) para la muerte, sugiriendo que la edad avanzada es un factor relevante.

En relación a la raza, la mayoría de los casos (79,6%) fueron de individuos blancos, seguida por pardos (14,9%). La raza parda, en comparación con la blanca, mostró una mayor probabilidad de fallecimiento en el análisis univariado, con OR de 1,66 (IC95%: 1,05-2,61; p=0,029). En cuanto a la escolaridad, la educación primaria (1º y 2º ciclo) predominó en el 63,0% de los pacientes, sin diferencia estadísticamente significativa entre los grupos de curación y fallecimiento en el análisis logístico univariado. Es importante notar que la variable escolaridad presentaba datos completados en solo el 43% de los casos, lo que pudo haber influido en la ausencia de significancia estadística, aunque el perfil de los casos no difirió de la población anciana del ESP, que posee en promedio 8,3 años de estudio (ESP, 2023).

La ocurrencia de infección nosocomial fue baja, con solo 18 (2,8%) de los 641 casos con datos disponibles adquiriendo la infección dentro del hospital. De estos, 3 (16,7%) evolucionaron a la muerte, mientras que 15 (83,3%) evolucionaron a la curación. Aunque el número es pequeño, estos datos refuerzan la importancia de la vacunación contra la influenza en profesionales de la salud, especialmente en entornos hospitalarios, como medida protectora para los pacientes, según lo destacado por Talbot (2017) en un estudio que reveló mayor letalidad en instituciones con profesionales de la salud no vacunados. La ausencia de significancia estadística para la infección nosocomial en el análisis univariado puede atribuirse al bajo número de eventos.

En cuanto a los aspectos clínicos, la tos fue el síntoma más prevalente, presente en el 81,2% de todos los casos, y más frecuente entre los pacientes que evolucionaron a la curación (87,5%). El análisis univariado demostró que la presencia de tos fue un factor protector, asociado a una menor probabilidad de fallecimiento, con OR de 0,26 (IC95%: 0,17-0,39; p<0,001). En contraste, la dificultad respiratoria fue significativamente más común entre los casos que evolucionaron a fallecimiento (86,3%) que entre los que se curaron (69,4%), con una OR de 2,78 (IC95%: 1,75-4,41; p<0,001) en el análisis univariado. La saturación de oxígeno inferior al 95% también fue un predictor significativo de fallecimiento, con OR de 2,53 (IC95%: 1,56-4,11; p<0,001) en el análisis univariado, observándose en el 87,6% de los fallecimientos.

Otros síntomas como fiebre, dolor de garganta, disnea, diarrea, vómito, dolor abdominal, fatiga, pérdida del olfato y pérdida del gusto fueron evaluados. La fiebre se observó en el 56,7% de los casos, con una OR de 0,83 (IC95%: 0,58-1,18; p=0,291). La disnea se reportó en el 80,8% de los pacientes, con una OR de 1,55 (IC95%: 0,97-2,47; p=0,065). Estos hallazgos corroboran la literatura que señala la fiebre, la tos y el malestar respiratorio como síntomas frecuentes de la influenza (Braga, 2024; Braga y Ribeiro, 2024). Sin embargo, la significancia estadística varió entre los síntomas, con la tos y el malestar respiratorio presentando las asociaciones más robustas con el desenlace de muerte en el análisis univariado.

La evaluación de los factores de riesgo y comorbilidades no reveló diferencias estadísticamente significativas entre los pacientes que evolucionaron a curación o fallecimiento en el análisis de regresión logística univariada. Comorbilidades como enfermedad cardiovascular crónica (OR=0,82; p=0,366), diabetes (OR=0,67; p=0,060), asma (OR=0,48; p=0,070) y otras no mostraron asociación significativa con el fallecimiento. Esta divergencia en relación con la literatura, que frecuentemente asocia comorbilidades a un mayor riesgo de mortalidad por influenza A(H1N1)pdm09 (Braga, 2024; Braga y Ribeiro, 2024), puede explicarse por la alta prevalencia basal de comorbilidades en la población anciana estudiada, lo que tiende a reducir las diferencias entre los grupos de curación y fallecimiento. Además, la presencia de un número considerable de casos sin información sobre estas variables puede haber limitado la capacidad de detectar asociaciones.

Los aspectos relativos a la hospitalización también fueron cruciales. Se observó que 12 (6,0%) de las muertes ocurrieron sin hospitalización, lo que indica la gravedad de la enfermedad incluso fuera del entorno hospitalario. La hospitalización en Unidad de Cuidados Intensivos (UCI) fue significativamente más frecuente entre los casos que evolucionaron a la muerte (61,7%) en comparación con los que se curaron (21,9%), resultando en una OR de 5,74 (IC95%: 3,97-8,30; p<0,001) en el análisis univariado. El uso de soporte ventilatorio invasivo también se destacó como un fuerte predictor de muerte, presente en el 53,7% de los casos fatales y solo en el 7,8% de los casos de curación, con una OR de 16,43 (IC95%: 9,30-29,05; p<0,001) en el análisis univariado. El soporte ventilatorio no invasivo, por su parte, presentó una OR de 1,31 (IC95%: 0,79-2,18; p=0,289) en el análisis univariado. Estos resultados están en consonancia con estudios nacionales e internacionales que identifican la hospitalización en UCI y el uso de ventilación mecánica como factores de riesgo para la mortalidad por influenza A(H1N1)pdm09 (Braga y Ribeiro, 2024; Minney-Simmth et al., 2019; Sumner et al., 2023).

En relación con las medidas preventivas y de tratamiento, la vacunación contra la influenza no demostró una diferencia significativa entre los casos que evolucionaron a curación u óbito, con una OR de 0,79 (IC95%: 0,51-1,25; p=0,324). Solo el 62,5% de los casos tenían esta variable completa, y la baja adherencia a la vacuna entre los ancianos, tanto en los grupos de curación como de óbito, pudo haber influido en estos resultados, reflejando las bajas coberturas vacunales observadas en la población de 60 años o más en 2023 y 2024. La efectividad de la vacuna en ancianos puede verse afectada por la inmunosenescencia y la pérdida de inmunidad a lo largo del tiempo (Talbot, 2017).

Por otro lado, el uso de antivirales (oseltamivir) presentó una diferencia estadísticamente significativa, siendo un factor protector. Se utilizó en el 33,2% de los casos que evolucionaron a curación, pero en solo el 16,5% de los que evolucionaron a la muerte. El análisis univariado reveló una OR de 0,40 (IC95%: 0,25-0,63; p<0,001), lo que indica una menor probabilidad de muerte para quienes recibieron el tratamiento. Este hallazgo concuerda con metaanálisis que señalan la reducción de la mortalidad asociada al uso de antivirales inhibidores de la neuraminidasa para la influenza (Muthuri et al., 2014). La ausencia de diferencia significativa en el tiempo entre el inicio de los síntomas y el uso del antiviral entre los grupos de curación y muerte puede explicarse por la falta de información en el 20,9% de los pacientes.

Las características relacionadas con el lugar de residencia de los casos de IRA por influenza A(H1N1)pdm09 en el ESP mostraron una predominancia en las Regiones Administrativas (RA) de São José do Rio Preto (28,6%) y de la Región Metropolitana de São Paulo (24,9%). La letalidad varió entre las RA, siendo de 33,1% en la RM de São Paulo y 19,6% en la RA de São José do Rio Preto. En el análisis de regresión logística univariada, algunas RA presentaron mayores probabilidades de fallecimiento en comparación con la RA Central (São Carlos). La RA de Bauru tuvo una OR de 5,18 (IC95%: 1,15-23,29; p=0,032), asociada a características agroindustriales e indicadores de escolaridad por debajo de la media del ESP (Desenvolve SP, 2026).

La RA de Campinas también presentó una OR de 4,22 (IC95%: 1,15-15,45; p=0,030), reflejando una fuerza económica diversificada, pero con presiones sobre la infraestructura de salud debido al crecimiento poblacional (Desenvolve SP, 2026). La RA de Santos destacó con una OR muy elevada de 38,00 (IC95%: 3,30-436,94; p=0,004), posiblemente debido al pequeño número de casos y a la alta proporción de fallecimientos, además de ser un complejo portuario con indicadores sociales inferiores y necesidades de mejora en la red hospitalaria (Desenvolve SP, 2026). La RA de Itapeva presentó una OR muy elevada, probablemente sobreestimada por la presencia de un único caso que evolucionó a fallecimiento, mientras que la RA de Registro no notificó casos.

Para la modelización de los factores predictores de muerte, se ajustaron modelos de regresión logística binaria. El modelo final elegido, el Modelo 2, presentó un buen ajuste y plausibilidad biológica, con un área bajo la curva ROC (AUC) de 0,837 y un índice GINI de 0,67. En este modelo, las variables asociadas a una mayor probabilidad de muerte fueron el sexo masculino (OR ajustada=1,52; IC95%: 0,90-2,61; p=0,121), edad avanzada (OR ajustada=1,03; IC95%: 1,00-1,06; p=0,037), saturación de oxígeno inferior al 95% (OR ajustada=2,11; IC95%: 1,04-4,48; p=0,042), ingreso en UCI (OR ajustada=2,05; IC95%: 1,10-3,80; p=0,023) y uso de soporte ventilatorio invasivo (OR ajustada=11,35; IC95%: 4,91-27,65; p<0,001). Aunque el sexo masculino y el soporte ventilatorio no invasivo (OR ajustada=1,65; IC95%: 0,81-3,51; p=0,177) no alcanzaron significancia estadística en el modelo ajustado, el TCC original los mantuvo como factores de mayor probabilidad de muerte.

Por otro lado, la presencia de tos (OR ajustada=0,35; IC95%: 0,19-0,64; p<0,001) y el uso de antivirales (OR ajustada=0,50; IC95%: 0,26-0,91; p=0,023) se identificaron como factores protectores, asociados a una menor probabilidad de fallecimiento. Estos resultados del modelo de regresión logística binaria final se alinean con la literatura, que reconoce la importancia de la terapia antiviral temprana y la gravedad de los síntomas respiratorios severos (Braga, 2024; Braga y Ribeiro, 2024; Minney-Simmth et al., 2019; Sumner et al., 2023). La inclusión de la variable contextual de las Regiones Administrativas en la regresión logística binaria no se asoció con el desenlace tras el ajuste multivariado y, por lo tanto, no se incluyó en el modelo final.

Se realizó el modelado jerárquico logístico para evaluar la contribución de los factores contextuales de las Regiones Administrativas. El modelo jerárquico nulo indicó que el 5,8% de la variabilidad del resultado podría atribuirse a las RAs (ICC ajustado=0,058), con una varianza de los efectos aleatorios de 0,2035. Sin embargo, en el modelo jerárquico logístico completo, que incluyó las variables individuales y las RAs como nivel 2, la varianza de los efectos aleatorios disminuyó a 0,03413, y el AUC (0,836) y el índice GINI (0,672) fueron muy similares a los del modelo de regresión logística binaria. Esto sugiere que la contribución contextual residual de las RAs fue pequeña después del ajuste por las variables individuales y asistenciales.

En la comparación entre los modelos, se observó que, aunque las Odds Ratios ajustadas del modelo jerárquico logístico fueron similares a las del modelo de regresión logística binaria para la mayoría de las variables, algunas, como sexo masculino (OR=1,63; IC95%: 0,99-2,68; p=0,053), saturación de oxígeno inferior al 95% (OR=1,89; IC95%: 0,91-3,92; p=0,085) y uso de soporte ventilatorio no invasivo (OR=1,61; IC95%: 0,80-3,26; p=0,182), perdieron la significancia estadística. Esta pérdida de significancia, con intervalos de confianza cercanos a la unidad, refuerza la coherencia entre los dos modelos y la conclusión de que el modelo de regresión logística binaria fue suficiente y más simple para representar los datos, siendo adoptado como modelo final.

El estudio presentó algunas limitaciones que merecen ser consideradas. El recorte temporal de dos años (2023-2024) puede haber introducido un sesgo, limitando la captación de patrones territoriales más amplios y la heterogeneidad necesaria de las Regiones Administrativas para influir en el resultado de forma más pronunciada. Además, la calidad de los datos analizados y la gran cantidad de variables con información ausente pueden haber restringido un análisis más completo y profundo. La presencia de datos faltantes, especialmente en variables como escolaridad y comorbilidades, puede haber impactado la capacidad de identificar asociaciones estadísticamente significativas para algunos factores.

En resumen, la investigación identificó que factores individuales como sexo masculino, edad avanzada, saturación de oxígeno inferior al 95%, ingreso en UCI y uso de soporte ventilatorio invasivo fueron predictores de mayor probabilidad de fallecimiento en ancianos con SIRA por influenza A(H1N1)pdm09 en el ESP. Por otro lado, la presencia de tos y el uso de antiviral se asociaron con una menor probabilidad de fallecimiento, actuando como factores protectores. Aunque el modelado jerárquico permitió la evaluación de la influencia contextual de las Regiones Administrativas, su contribución residual a la explicación del fallecimiento fue pequeña tras el ajuste por las variables individuales y asistenciales, lo que llevó a la adopción del modelo de regresión logística binaria como el más adecuado y parsimonioso para representar los hallazgos.

4. Conclusión

Este estudio analizó los factores predictores de muerte en ancianos de 60 años o más, afectados por Síndrome Respiratoria Aguda Grave (SRAG) confirmada para influenza A(H1N1)pdm09 en el Estado de São Paulo, considerando tanto aspectos individuales como contextuales de las Regiones Administrativas. Se verificó que, de los 714 casos incluidos, 202 evolucionaron a la muerte, resultando en una letalidad del 28,3% en esta franja etaria. Los hallazgos indicaron que el sexo masculino, la edad avanzada, la saturación de oxígeno inferior al 95%, la hospitalización en Unidad de Terapia Intensiva y el uso de soporte ventilatorio invasivo estuvieron asociados a una mayor probabilidad de muerte. En contrapartida, la presencia de tos y el uso de antiviral fueron identificados como factores protectores, asociados a una menor probabilidad de muerte. La principal contribución del estudio reside en la identificación de estos predictores de mortalidad en una población vulnerable, ofreciendo un modelo de regresión logística binaria más simple y parsimonioso que se mostró suficiente para representar los datos, con un desempeño predictivo equivalente al modelo jerárquico logístico.

A pesar de la relevancia de los resultados, el estudio presentó algunas limitaciones, como el recorte temporal de dos años (2023-2024), que pudo haber restringido la captación de patrones territoriales más amplios y la heterogeneidad necesaria de las Regiones Administrativas para influir en el desenlace de forma más pronunciada. Adicionalmente, la calidad de los datos y la presencia de información ausente en diversas variables pudieron haber limitado un análisis más profundo. Para estudios futuros, se recomienda la ampliación del período de observación, la inclusión de otras variables de agrupación y la evaluación de diferentes niveles de agregación territorial, a fin de profundizar el conocimiento sobre los predictores de muerte por influenza A(H1N1)pdm09 en ancianos en el Estado de São Paulo.

Referencias Bibliográficas

Braga, J.U. 2024. Clinical predictors of severe forms of influenza A (H1N1)pdm09 in adults and children during the 2009 epidemic in Brazil. PLoS ONE 19(2): e0291843.

Braga, J.U.; Ribeiro, A.F. 2024. Biological, social, and healthcare factors for death due to influenza A(H1N1) during the 2009 epidemic in Brazil. Revista de Saúde Pública 58(32): 1-11.

Brasil. Ministério da Saúde [MS]. 2024. Guia de vigilância em saúde. v.1. 6ed. rev. Ministério da saúde, Brasília, DF, Brasil. Disponível em:< https://www.gov.br/saude/pt-br/assuntos/saude-de-a-a-z/t/tetano-acidental/publicacoes/guia-de-vigilancia-em-saude-6a-edicao.pdf/view>. Acesso em: 1 mar. 2025.

Centers for Disease Control and Prevention [CDC]. 2021. Influenza. In: Hall E.; Wodi A.P.; Hamborsky J.; et al. In: Epidemiology and Prevention of Vaccine-Preventable Diseases. 2021. Public Health Foundation.14th ed. Washington, D.C., EUA. Disponível em: <https://www.cdc.gov/pinkbook/hcp/table-of-contents/chapter-12-influenza.html>. Acesso em: 20 fev. 2025.

Desenvolve SP. 2026. Mapa da Economia Paulista. Disponível em: <https://www.desenvolvesp.com.br/mapadaeconomiapaulista/>. Acesso 26 mar. 2026.

Estado de São Paulo [ESP]. 2023. Fundação para o Desenvolvimento da Educação – FDE. Educação e Escolaridade. PNAD Contínua 2023. Disponível em: <https://arquivo.fde.sp.gov.br/fde.portal/PermanentFile/File/Escolaridade%20e%20Escolariz a%C3%A7%C3%A3o%20-%20Pnad%20Cont%C3%ADnua%202023.pdf >. Acesso em: 05 abr. 2026.

Estado de São Paulo [ESP]. 2025a. Centro de Vigilância Epidemiológica. Sazonalidade Influenza- Semana epidemiológica (SE) 1 a 52/2024. Disponível em: <https://www.saude.sp.gov.br/resources/cve-centro-de-vigilancia-epidemiologica/areas-de-vigilancia/doencas-de-transmissao-respiratoria/influenza/2024/infoflu24_se0152.pdf>. Acesso em: 21 fev. 2025.

Fundação Sistema Estadual de Análise de Dados [SEADE]. 2023. Seade Municípios. Disponível em:< https://municipios.seade.gov.br/>. Acesso em: 1 de mar. 2025.

Fundação Sistema Estadual de Análise de Dados [SEADE]. 2025a. Códigos e nomes dos municípios e suas respectivas regiões do Estado de São Paulo. Disponível em: < https://repositorio.seade.gov.br/dataset/nomes-codigos-municipios-esp/resource/1871ac05-7b7f-4c13-9b4a-23c7d41fd988>. Acesso em: 1 mar. 2025.

Fundação Sistema Estadual de Análise de Dados [SEADE]. 2025b. Tema: demografia. Conjunto de dados. Disponível em:< https://repositorio.seade.gov.br/dataset/>. Acesso em: 22 de fev. 2025.

Fávero, L.P.; Belfiore, P. 2024. Manual de análise de dados: estatística e machine learning com Excel ®, SPSS ®, Stata ®, R® e Phyton®. 2ed. LTC, Rio de Janeiro, RJ, Brasil.

Mata-Marín L.A., Mata-Marín J.A., Vásquez-Mota V.C., Arroyo-Anduiza C.I., Gaytán-Martínez J.E., Manjarrez-Téllez B. et al. 2015.Risk factors associated with mortality in patients infected with influenza A/H1N1 in Mexico. BMC Res Notes 11; 8:432.

Minney-Smith C.A., Selvey L.A., Levy A., Smith D.W. 2019.Post-pandemic influenza A/H1N1pdm09 is associated with more severe outcomes than A/H3N2 and other respiratory viruses in adult hospitalisations. Epidemiol Infect 147:e310.

Muthuri S.G.; Venkatesan, S.; Myles, P.R.; Leonardi-Bee, J.; Al Khuwaitir, T.S.; Al Mamun, A. et al. 2014. Effectiveness of neuraminidase inhibitors in reducing mortality in patients admitted to hospital with influenza A H1N1pdm09 virus infection: a meta-analysis of individual participant data. Lancet Respir Med 2(5): 395-404.

OpenDATASUS. 2025.Conjunto de Dados. Síndrome Respiratória Aguda Grave (SRAG). Disponível em:< https://opendatasus.saude.gov.br/dataset/?groups=dados-sobre-srag>. Acesso em: 19 maio 2025.

Sumner, K.M.; Masalovich, S.; O’Halloran, A; Holstein, R.; Reingold. A.; Kirley, P.D. et al. 2023.Severity of influenza-associated hospitalizations by influenza virus type and subtype in the USA, 2010-19: a repeated cross-sectional study. Lancet Microbe (11): e903-e912.

Talbot, H.K. 2017. Influenza in Older Adults. Infect Dis Clin North Am 31(4): 757-766.

World Health Organization [WHO]. 2025b. The burden of Influenza. Disponível em: < https://www.who.int/news-room/feature-stories/detail/the-burden-of-influenza>. Acesso em: 1 Mar. 2025.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy