Cobertura
geográfica del sistema mexicano de salud y análisis espacial de la
utilización de hospitales generales de la SecretarÃa de Salud en 1998
Cobertura
geográfica del sistema mexicano de salud y análisis espacial de la
utilización de hospitales generales de la SecretarÃa de Salud en 1998
AUTORES
Juan E Hernández-Avila, M en C,(1) Mario H RodrÃguez, MC, Dr en FilosofÃa,(1) Norma E RodrÃguez, Lic en Inf,(1) René Santos, Ing Elec,(1) Evangelina Morales, Ing Ind,(1) Carlos Cruz, M en C,(2) Jaime Sepúlveda-Amor, Dr en C.(1)
(1)
Instituto Nacional de Salud Pública, Avenida Universidad 655, colonia
Santa MarÃa Ahuacatitlán, 62508 Cuernavaca, Morelos, México.
(2) Universidad Iberoamericana, Prolongación Paseo de la Reforma 880, colonia Lomas de Santa Fe, 01210 México, D.F., México.
RESUMEN
Objetivo. Determinar la cobertura geográfica del Sistema Mexicano de Salud y analizar la utilización en 1998 de los hospitales de la SecretarÃa de Salud (SSA). Material y métodos. Se desarrolló un Sistema de Información Geográfica (SIG) con información sociodemográfica por localidad y ubicación espacial de unidades de atención de todo el sector salud, asà como el registro de egresos por hospital de la SSA. Se determinó la utilización en 217 hospitales generales de la SSA mediante un modelo de estimación de máxima verosimilitud, que incluyó información sobre los recursos humanos, la infraestructura adicional y la población 25 km a la redonda. Resultados. En 1998, 10 806 localidades con 72 millones de habitantes contaban con al menos una unidad de atención de salud del sector público y 97.2% de la población se encontraba a menos de 50 km de una, pero más de 18 millones de personas vivÃan en localidades rurales sin unidades de atención. El promedio de ocupación fue de 48.5±28.5 por cada 100 camas/año, con gran variabilidad intra e interestatal. La utilización se asoció significativamente con el número de los médicos en la unidad, y en unidades del Instituto Mexicano del Seguro Social con la infraestructura adicional e Ãndice de marginación. Conclusiones. La utilización del SIG eleva la capacidad analÃtica y proporciona estimadores más realistas de la cobertura y utilización de hospitales del sector. El texto completo en inglés de este artÃculo está disponible en: http://www.insp.mx/salud/index.html
ABSTRACT
Objetive. To
describe the geographical coverage of the Mexican Healthcare System
(MHS) services and to assess the utilization of its General Hospitals. Material and Methods.
A Geographic Information System (GIS) was used to include
sociodemographic data by locality, the geographical location of all MHS
healthcare services, and data on hospital discharge records. A maximum
likelihood estimation model was developed to assess the utilization
levels of 217 MHS General Hospitals. The model included data on human
resources, additional infrastructure, and the population within a 25 km
radius. Results. In 1998,
10,806 localities with 72 million inhabitants had at least one public
healthcare unit, and 97.2% of the population lived within 50 km of a
healthcare unit; however, over 18 million people lived in rural
localities without a healthcare unit. The mean annual hospital
occupation rate was 48.5 ± 28.5 per 100 bed/years, with high
variability within and between states. Hospital occupation was
significantly associated with the number of physicians in the unit, and
in the Mexican Institute of Social Security units utilization was
associated with additional health infrastructure, and with the
population’s poverty index. Conclusions. GIS
analysis allows improved estimation of the coverage and utilization of
MHS hospitals.The English version of this paper is available at:
http://www.insp.mx/salud/index.html
Introducción
En el sector salud mexicano existen diversos sistemas informáticos para la captación, recolección y organización de las estadÃsticas básicas de morbi-mortalidad, asà como de la infraestructura de atención de la salud y los servicios. Estos sistemas, administrados por las diferentes instituciones que conforman el sector, funcionan de manera independiente y, a menudo, con claves de codificación incompatibles que ocasionan dificultades en el análisis integral de la información del sector.
Adicionalmente, los procesos de agregación estadÃstica y organización de la información, desde su origen en las comunidades y unidades aplicativas, su paso por los niveles jurisdiccionales y estatales, hasta alcanzar el nivel central, ocasionan en muchos casos una pérdida de resolución1 que afecta la capacidad analÃtica integral de los datos locales. Esta situación, originada en parte por las limitaciones impuestas por la tecnologÃa para el manejo electrónico de datos, propició la generación de sistemas piramidales de información, que han sido muy útiles para la toma de decisiones y formulación de polÃticas nacionales, pero que ofrecen pocas ventajas para el análisis integral, con desglose local, de la información que recolectan, lo que dificulta su utilización en procesos analÃticos en el ámbito de la comunidad.
En la última década se han desarrollado herramientas informáticas que permiten conservar el nivel de resolución original de los datos, y que hacen posible la integración de la información de diversas fuentes en un sistema relacional de bases de datos. Estas herramientas han enriquecido las capacidades analÃticas y,en la actualidad, es posible integrar información sobre salud e infraestructura de atención, co información demográfica, socioeconómica, del entorno fisiográfico y su asociación con coordenadas geográficas.
La aplicación de sistemas de información geográfica2 (SIG) para el desarrollo de un sistema integral de información sobre el sector salud cubrirÃa las necesidades informáticas para la planeación estratégica y la investigación cientÃfica. La utilización de un sistema de esta naturaleza en el análisis de cobertura, que incorpore el componente espacial en forma cuantitativa, elevarÃa la capacidad analÃtica y proporcionarÃa estimadores más realistas de la cobertura del sector y de las necesidades de atención. Además, con este sistema serÃa posible integrar, de manera simultánea en el análisis, otros componentes como la oferta interinstitucional de servicios, la demanda poblacional y aspectos sociodemográficos, para investigar el comportamiento de los niveles de utilización de la infraestructura hospitalaria a la luz de la demanda poblacional y la oferta de servicios de atención.
La utilización rutinaria de SIG permitirá el desarrollo de estrategias operativas para compartir, de manera racional y equitativa, la infraestructura tecnológica en las unidades médicas y evitar que se presente capacidad ociosa en una institución, mientras no ha sido resuelta la demanda de servicios en otra, favoreciendo asà el concepto y operación de “Redes virtuales para la prestación de servicios de salud.�3
Con el propósito de investigar la cobertura geográfica del sistema mexicano de salud (SMS) y el estudio de las variables relacionadas con los niveles de ocupación en hospitales generales de la SecretarÃa de Salud (SSA) se construyó una base de datos integral geo-referenciada sobre el SMS con la información producida en 1998 por los diferentes sistemas informáticos existentes actualmente en el sector. Aquà sepresentan los principales resultados.
Material y Métodos
Fuentes de datos
Se utilizaron las bases de datos de infraestructura hospitalaria de la Dirección de Informática y EstadÃstica de la SSA (DGIESSA),* de egresos hospitalarios (DGIESSA), del Sistema Unico de Información del Instituto Mexicano del Seguro Social (IMSS) (SUI10- 98, IMSS),‡ del censo de infraestructura de salud del sector privado (DGIESSA) y del Registro Nacional de Infraestructura en la Salud (RENIS98, DGIESSA), todos para el año de 1998. La información del sector salud se combinó con datos demográficos de localidades con más de tres casas habitadas, contenidos en la base de datos de integración territorial de 1995 (ITER95)§ del Instituto Nacional de EstadÃstica, GeografÃa e Informática (INEGI),# el Sistema para la Consulta de Información Censal SCINCE95 (INEGI) y con las bases de datos de marginación por localidad y municipio 1995, editadas por el Consejo Nacional de Población (Conapo).& Estas bases de datos fueron clasificadas, indexadas y geo-referenciadas en el Núcleo de Acopio y Análisis de Información en Salud (NAAIS) del Instituto Nacional de Salud Pública (INSP) para construir un sistema global nacional de información geográfica sobre infraestructura del SMS.
* Dirección General de EstadÃstica y Evaluación en Informática. Dirección General de Informática y EstadÃstica (DGIE). SecretarÃa de Salud Pública, 1998.
‡ Instituto Mexicano del Seguro Social, 1998.
§ Catálogo de Integración Territorial INEGI, 1995 (ITER95).
# Instituto Nacional de EstadÃstica, GeografÃa e Informática, 1995.
& Consejo Nacional de Población.
Construcción de un sistemade información geográfica
Se construyó una base de datos geo-referenciados por localidad con la información demográfica y sobre infraestructura y recursos humanos del SMS para 1998. Esta base de datos contiene los datos de 9 357 unidades de atención de la SSA, 3 391 del IMSS-Solidaridad, 1 274 del IMSS y 2 683 del sector privado.
La información fue geo-referenciada utilizando como base cartográfica la base de datos del ITER95, que contiene la ubicación espacial de las localidades del paÃs con más de tres casas habitadas. También se utilizaron los datos de la cartografÃa censal municipal del conteo nacional de población de 1995, que ofrece la división polÃtica municipal del paÃs. La base de datos RENIS98 contenÃa la clave INEGI de las localidades donde se encontraban las unidades aplicativas del sector público, además, para las unidades del IMSS se registró la clave presupuestal, con esta información fue posible relacionar la base geo-referenciada con el SUI10-98.
La información en cada una de las bases de datos que dio origen a este sistema geo-referenciado presentaba diferentes tipos de indicadores. Sin embargo, para su integración, los datos básicos de infraestructura (tipo de hospital), recursos materiales y humanos (camas censables y personal médico) de todas las unidades fueron combinados en forma directa para determinar la infraestructura instalada en cada localidad del paÃs.
Análisis descriptivo de la cobertura geográfica del sector público
Para estimar la cobertura geográfica de atención de la salud del sector público se realizó un análisis para medir la distancia lineal existente entre las localidades y las unidades de atención más cercanas. Se estimó la población, con base en las comunidades, y se clasificó de acuerdo con la distancia que existe entre su lugar de residencia y la localidad más cercana con servicios de salud. Esta estimación se llevó a cabo construyendo cÃrculos concéntricos (buffers), a intervalos regulares (25, 50, 75 y 100 km) alrededor de cada localidad que contaba con servicios de salud de primer o segundo nivel de atención. Para cada buffer se determinó el número de localidades y se estimó la población total. En este análisis de cobertura se incluyó información de todas las unidades del sector público y todas las localidades del paÃs con más de tres casas habitadas.
Modelo para el análisis de la utilización de hospitales generales de la SSA
La información disponible sobre egresos hospitalarios de la SSA contenÃa los registros de egreso de 356 hospitales de segundo y tercer nivel de atención, centros de salud con hospitalización (hÃbridos) y hospitales psiquiátricos. Estos últimos, por la naturaleza de los padecimientos tratados, producen muy pocos egresos y el tiempo promedio de estancia es muy alto y, por lo tanto, fueron descartados de los procesos analÃticos para el desarrollo del modelo de utilización. La información sobre egresos hospitalarios en el Distrito Federal no se encontraba disponible en la base de datos, por lo que éstos no pudieron ser incluidos en el proceso analÃtico. Tomando en cuenta estas consideraciones, la base de datos sólo incorporó información sobre 298 hospitales ubicados en el interior del paÃs. Esta base de datos contenÃa información sobre 61 centros de salud con hospitalización (hÃbridos), tres clÃnicas de especialidades, 17 hospitales especializados y 217 hospitales generales. La construcción del modelo de utilización se llevó a cabo empleando únicamente los datos de los hospitales generales, esto con el fin de analizar unidades de tipo similar.
Para cada hospital general se incorporó el número de camas censables, el total de egresos hospitalarios de 1998 y se calculó la duración de cada registro, utilizando para ello las fechas de ingreso y egreso contenidas en la base de datos. También se calcularon el promedio de estancia y el total anual de dÃas/paciente por hospital. La tasa anual de ocupación hospitalaria (TAOH) se calculó, para cada hospital, mediante la siguiente ecuación:

en donde j se refiere a cada hospital, i se refiere a cada registro de egreso, durij y camasj se refieren a la duración de la estancia de cada registro y al total de camas censables en el hospital j, respectivamente. El factor 365 se incorporó para incluir la disponibilidad de camas censables durante un año. es el total anual de dÃas/paciente (TADP) y n es el número de registros de egreso en el hospital j.

Con el fin de investigar el comportamiento de la TAOH en los 217 hospitales generales de la SSA, se elaboraron gráficos de caja (box plots) para evaluar su variación por estado, asà como gráficos de dispersión (scatter plots) para analizar su relación con el número de camas censables y el personal médico por unidad. A estos últimos se les ajustó un modelo de regresión local 4,5 para suavizar la nube de puntos debido a que estas relaciones no son lineales. Los modelos de regresión local son una alternativa atractiva para el análisis de datos no lineales, debido a que la forma de la curva ajustada depende sólo de los datos, y que se basa en el ajuste de curvas de tal forma que cada punto en ellas tiene como base la información de ese punto y lade un conjunto de puntos vecinos especificados de antemano.
El análisis espacial de la TAOH inició con la construcción de un cÃrculo (buffer) con un radio arbitrario de 25 km alrededor de cada hospital general (figura 1). Dentro de cada buffer, se contó el total de hospitales de la SSA, del IMSS y del sector privado, asà como el número total de médicos y el total de camas censables por institución. También se contaron las localidades, la población total y se calculó el número de camas por cada 100 000 habitantes. En estos modelos se incluyó, de manera simultánea, la infraestructura del IMSS y del sector privado para evaluar la ocupación hospitalaria de la SSA con el fin de corregir por la oferta de otras instituciones del sector salud (expresada por la capacidad instalada).

Con estas nuevas variables se construyó un modelo estadÃstico para estimar los niveles de utilización hospitalaria (expresados por la TAOH) e investigar su relación con la infraestructura adicional instalada en el área de 25 km alrededor de cada hospital.
Como variable dependiente en este modelo se utilizó el TADP. El análisis gráfico de esta variable (discreta y positiva) determinó que su distribución se asemejaba a la de Poisson. Dadas sus caracterÃsticas, se asumió esta distribución para la construcción del modelo estadÃstico y se ajustó por el número de camas disponibles durante el año (offset) en cada unidad de acuerdo con el siguiente modelo:

en donde ei se refiere al término de error, y tiene una distribución de Poisson.
Como variables predictoras, el modelo fue ajustado por la demanda poblacional (representada por el total de habitantes dentro del buffer) y la oferta adicional de servicio instalada (representada por el total de camas y médicos adicionales en clÃnicas y hospitales dentro del buffer). El modelo fue ajustado utilizando el método de estimación de máxima verosimilitud.6
Esta metodologÃa es una extensión del modelo de regresión lineal que permite el ajuste de modelos a variables que no siguen la distribución normal, pero que pertenecen a la familia exponencial de distribuciones, como la distribución binomial o la de Poisson. La significancia de los resultados se reporta con un nivel de confiabilidad de 95%.
Este modelo dio como resultado el valor esperado del TADP y con éste se calculó la TAOH esperada según el tamaño del hospital, la población y la infraestructura adicional disponible (IMSS, SSA y sector privado) en las inmediaciones de cada unidad estudiada.
La construcción del SIG y el análisis espacial de la información se hizo utilizando MapInfo (MapInfo Corporation, 2000). El análisis estadÃstico se llevó a cabo utilizando el paquete S-Plus (Insightful Corporation, 2000).
Resultados
La
información disponible actualmente sobre infraestructura en el sector
salud fue integrada exitosamente en un SIG y se logró combinarla con
información sobre egresos hospitalarios de la SSA y con información
demográfica y socioeconómica producida en otros sectores.
Del
total de unidades geo-referenciadas, 532 de la SSA correspondieron al
segundo y tercer nivel de atención: 269 hospitales generales, 27
hospitales especializados, 47 clÃnicas de especialidades, 25 hospitales
psiquiátricos (granjas) y 164 centros de salud con hospitalización. Del
IMSS fueron 346: 211 hospitales generales de zona, 104 unidades de
medicina familiar y 31 hospitales de especialización.
Distribución de clÃnicas y hospitales(cobertura geográfica)
Utilizando
las capacidades de visualización espacial del SIG se produjeron mapas
de la distribución geográfica de las unidades de primer nivel de
atención del IMSS-Solidaridad y de la SSA. También se determinó la
ubicación de las unidades de segundo y tercer nivel de atención del
sector público, y de las clÃnicas y hospitales del sector privado
(figura 2).

En
1998, 10 806 localidades (poco más de 10% del total de localidades con
tres o más casas habitadas en el paÃs) contaban con al menos algún tipo
de unidad de atención de salud del sector público. En estas localidades
residÃan más de 72 millones de personas. Más de 18 millones de personas
vivÃan en localidades rurales dispersas sin unidades fijas de atención.
Ciento un municipios, con más de 200 000 habitantes, dis tribuidos en
los estados de Chiapas, Oaxaca, Puebla y Veracruz, no contaban con
unidades fijas de atención de salud.
El
tamaño promedio de las localidades que contaban, como mÃnimo, con un
hospital de segundo nivel de atención fue de 22 137 habitantes, sin
embargo, se identificaron 100 localidades mayores de 20 000 habitantes,
distribuidas en 24 estados, que no contaban con servicios de este tipo
(figura 3). También se observó que 89% de la población se ubicaba a
distancias menores de 25 km de una unidad de atención de salud de
segundo nivel (cuadro I) y que 97% dentro de un radio de 50 km.
Mediante el análisis espacial de la distribución geográfica de unidades
de segundo nivel de atención se identificaron 1 949 comunidades en el
norte del paÃs situadas a más de 100 Km. de distancia de la unidad de
atención de segundo nivel más cercana (figura 4). En estas comunidades
habitaban más de 180 mil personas. En el mapa se puede apreciar que las
localidades en estas condiciones se situaban en regiones de alta
marginación.


Utilización y demanda en hospitales generales de la SSA
La
TAOH en los hospitales estudiados presenta gran variabilidad
intraestatal e interestatal (figura 5), con un promedio de 48.5±28.5
por cada 100 camas disponibles durante el año. La variación de la TAOH
con respecto al número de camas y personal médico presentó una
pronunciada tendencia positiva cuya pendiente disminuye drásticamente
después de las 30 camas y 29 médicos por unidad, respectivamente
(figuras 6a y 6b). La duración media de estancia hospitalaria fue 1.76
dÃas para atención del parto y de 4.00 dÃas para condiciones
patológicas. No se encontró asociación entre el número de médicos por
cama y el promedio de la duración de la estancia hospitalaria.


En
el cuadro II se presentan los resultados del modelo ajustado
(coeficientes, errores estándar y significancia). Los coeficientes se
interpretan como el cambio en el logaritmo del TADP por unidad de
cambio en cada una de las variables incluidas en el modelo, ajustando
por el tamaño del hospital.
Los resultados del modelo (cuadro II) indican una asociación positiva con el número de médicos en la unidad de estudio (p=0.001), asà como con los médicos adicionales de la SSA (p=0.039) y del IMSS (p=0.008)
en otras unidades ubicadas en la misma localidad. El modelo también
señala una asociación inversa, es decir que la TADP disminuye de
acuerdo con el número de hospitales de la SSA en el área de 25 km
alrededor de la localidad en donde se encuentra el hospital (p<0.001). El grado de marginación presenta una asociación inversa, estadÃsticamente significativa (p<0.001),
con laocupación hospitalaria, lo que sugiere mayores tasas de ocupación
en localidades de baja marginación. El número de clÃnicas privadas en
la localidad en la que se encuentra la unidad en estudio tuvo una
asociación positiva con el nivel de ocupación hospitalaria (p= 0.014) pero el número de camas privadas presentes en la localidad se asoció con una disminución en los niveles de ocupación (p=0.007).

Los
gráficos de diagnóstico del modelo (figura 7) se comportaron conforme a
lo esperado, confirmando que la distribución asumida para la variable
dependiente (TADP) fue la correcta. El gráfico de la figura 6a, muestra
la relación entre el número de dÃas paciente ajustados por el modelo y
los observados; la nube de puntos se despliega homogéneamente alrededor
de la lÃnea recta indicando una alta correlación. El gráfico de
residuales (diferencias entre lo observado y lo esperado de acuerdo con
el modelo, figura 7b) presenta las diferencias entre el TADP observado
en cada hospital y los ajustados por el modelo. En él, se indican 10
hospitales que presentaron desviaciones extremas. Por último, el
gráfico de normalidad para los residuales (figura 7c) indica que éstos
se comportan de acuerdo con la distribución normal, confirmando la
pertinencia del modelo estadÃstico empleado y el apego a los supuestos
del método de estimación. Los residuales del modelo fueron
geo-referenciados con respecto a la unidad que les dio origen. Se
observó la coexistencia de unidades con grandes diferencias en la TAOH
y la existencia de áreas, como en el norte del paÃs, donde habÃa
hospitales con residuales negativos (número de dÃas paciente menor a lo
esperado) aun cuando no habÃa otras unidades de atención cercanas
(figura 8).


Discusión
Nuestros resultados indican que la información disponible, producida actualmente por los sistemas informáticos con los que operan las instituciones del sector salud y de otros sectores en México, puede ser integrada en un SIG. El sistema desarrollado fue útil para la visualización de las variables de interés y también para la generación de nuevas variables basadas en su ubicación geográfica. Estas se emplearon en modelos estadÃsticos para la evaluación del desempeño de hospitales generales de la SSA.
Se observó que en 1998 el tamaño promedio de las localidades con al menos un hospital de segundo nivel de atención fue de alrededor de 22 000 habitantes; sin embargo, esta cifra debe ser re-evaluada en el marco de la red integrada de servicios de salud, para determinar el estándar de la población a cubrir por un hospital general.
Las capacidades de visualización y análisis espacial que proporciona el sistema desarrollado nos permitió realizar un análisis descriptivo sobre la cobertura del sector y la demanda poblacional. El análisis permitió ubicar a poblaciones que carecÃan o se encontraban lejos de las unidades de atención de la salud, pero también nos dio una idea de la dispersión de la población rural y las dificultades para llegar con los servicios de salud hasta sus comunidades, donde el aislamiento y su reducido tamaño dificultan la instalación de servicios permanentes de atención. Estos resultados indican que uno de los retos en la atención de la salud, para 1998, era el fortalecimiento en la prestación de servicios a la población rural. Esto fue atendido mediante el despliegue de unidades móviles, pero se requiere diseñar nuevos modelos de atención que garanticen la cobertura integral, de forma permanente y anticipatoria al daño en esta población. La aplicación de SIG en la planeación estratégica y operación de los recursos móviles podrÃa optimizar su aprovechamiento y mejorar los niveles de cobertura y la oportunidad en la prestación de este tipo de servicios. El análisis presentado indica que en 1998 en los estados de Chiapas, Oaxaca, Puebla y Yucatán habÃa deficiencias que hacÃan patente la necesidad de desarrollar programas especiales para superar la falta de servicios fijos de salud y que garantizaran la cobertura permanente en varios de los municipios de estos estados. En un futuro los sistemas de información geo-referenciados podrán ser empleados también para evaluar la cobertura factible de las unidades de medicina familiar y de los centros de salud, con el fin de garantizar que todo mexicano esté adscrito a los servicios de atención.
En este trabajo se emplearon distancias lineales
horizontales, lo cual ocasiona una subestimación de la distancia
verdadera. Este primer análisis podrÃa refinarse con la incorporación
de otras capas de información como la distribución de vÃas de
comunicación terrestres; con la incorporación de esta información serÃa
posible conocer las distancias reales entre la población y los
servicios de salud, identificar las vÃas de acceso más cortas y
proponer alternativas para localidades remotas.7
Adicionalmente,
el análisis de la oferta (infraestructura y servicios) y la demanda
(población usuaria) podrÃa incorporar información sobre el lugar de
residencia de los pacientes (para definir el área “real� de captación
hospitalaria), sobre el servicio recibido por tipo de padecimiento, y
el porcentaje de ocupación. En este contexto, al mostrar las áreas de
captación real de cada hospital se podrÃan identificar con mejor
precisión las coberturas geográficas que brindan los servicios de
salud. Un sistema integral como éste, podrÃa facilitar la distribución de recursos por hospital, de acuerdo con la población a la que atienden y al porcentaje de cuantitativos para la elaboración de convenios interinstitucionales e interestatales.
La
gran variabilidad que muestra la TAOH en los hospitales estudiados
conduce a un replanteamiento sobre la necesidad de flexibilizar su administración y otorgarles una mayor autonomÃa. Con esto se podrÃan incrementar los niveles de ocupación, a partir de la eliminación de barreras de tipo organizacional, con lo que se podrÃan generar mecanismos para que los hospitales puedan ofertar sistemáticamente su capacidad excedente, por ejemplo, a través de convenios o acuerdos con otras instituciones y la venta de servicios a personas fÃsicas o morales.
Los
SIG podrÃan ser muy útiles para materializar la lÃnea de acción del
Programa Nacional de Salud 2001-2006 en relación con la promoción de la
autonomÃa de gestión hospitalaria y la gestión por contrato. Además, se
podrá contar con mecanismos para establecer parámetros de productividad
para la evaluación del desempeño y de la calidad.
Los
residuales, interpretados como la diferencia entre el número de dÃas
paciente observados y los esperados según el modelo, nos indican la
existencia de hospitales que operan con tasas de ocupación mayores o
menores a la esperada, de acuerdo con su tamaño, el número de médicos y
la presencia de otras unidades. Esto permitió la evaluación de
hospitales de acuerdo con un valor medio esperado de ocupación (TAOH),
dadas las caracterÃsticas de cada unidad. Por ejemplo, el hospital
general de Acapulco (punto 95 en la figura 7b), presentó una TAOH muy
superior a la esperada para un hospital de sus caracterÃsticas,
mientras que el hospital general de Tehuacán, Puebla (punto 209 en la
figura 7b), presentó una TAOH muy por debajo de lo esperado (cuadro
IV). Con la geo-referenciación de los residuales, pudimos observar la
distribución geográfica de los hospitales que operan con grandes
diferencias en la TAOH (figura 8), su relación geográfica con otras
unidades de atención de segundo y tercer nivel, asà como con la
población.
Las diferencias entre la TAOH observada, respecto
al número de camas (figura 6a) y la TAOH ajustada por el modelo (figura
6c), asà como la reducción de la variabilidad pueden ser utilizados
para la evaluación continua del desempeño de los hospitales e
incorporar los resultados en la planeación estratégica del sistema. Los
resultados de este modelo de evaluación permitirán encontrar los
niveles óptimos de ocupación hospitalaria que garanticen también
elevados niveles en la calidad de la atención. Los hospitales cuya TAOH
esperada es extremadamente baja (figura 6c) son indicadores de
infraestructura ociosa. Un análisis particular de este grupo permitirÃa
identificar los factores condicionantes de esta situación.
El
signo de los coeficientes, más que en su interpretación cuantitativa,
nos da una idea del tipo de asociación que existe entre la TAOH y las
variables incluidas en el modelo. La asociación positiva encontrada
entre el número de médicos de la SSA y del IMSS, presentes en la
localidad donde se hallaba la unidad en estudio, y la TAOH podrÃa
explicarse por la correlación que hay entre la ubicación de unidades de
la SSA y el IMSS con el tamaño de la localidad y ésta a su vez con la
TAOH. La relación negativa que se observa con respecto al Ãndice de
marginación puede ser un indicativo de que la población prefiere
atenderse en localidades de menor marginación o de que la población en
localidades marginadas demanda menos servicios. Los patrones
estacionales en la demanda y utilización de los hospitales generales
podrÃan ser evaluados calculando tasas de ocupación (TADP y TAOH) para
periodos especÃficos de tiempo. De esta manera, la evaluación de la
demanda en temporadas invernales o de calor podrÃa ser comparada, más
aún, las tasas de ocupación también podrÃan ser especÃficas de acuerdo
con los diagnósticos relacionados con estas temporadas.
El
modelo ajustado explica gran parte de la variabilidad espacial
incorporando los efectos de la correlación espacial en el análisis por
buffers. La utilización de este tipo de modelos en la evaluación del
desempeño permitirá analizar los Ãndices de utilización nacionales,
regionales y locales. Este sistema integral geo-referenciado del SMS,
desarrollado con información de 1998, puede ser actualizado, con un
mÃnimo de esfuerzo, con datos de años subsecuentes (incorporando asÃ
las tendencias temporales) y ser utilizado continuamente en la
evaluación y planeación estratégica del sector.
Este
sistema, basado en la demanda poblacional y en la identificación de
necesidades, asà como en la oferta de servicios, facilitarÃa la
coordinación interinstitucional en el sector y conducirÃa a un mejor
aprovechamiento de los recursos disponibles y a la planeación de nuevas
unidades de atención.
La planeación estratégica en el sector
salud, asà como la investigación cientÃfica en salud pública y sistemas
de salud se verÃan beneficiadas con un sistema como el presentado, que
proporcione oportunamente la información necesaria, con el nivel de
resolución geográfica adecuado para su análisis témporo-espacial, en
diferentes escalas administrativas, regionales y locales. BibliografÃa
1.
Richards TB, Corner CM, Rushton G, Brown CK, Fowler L. Geographic
information systems and public health: Mapping the future. Public
Health Rep 1999;114:359-373.
2. Star J, Estes J. Geographic Information Systems: An introduction. Nueva York: Prentice Hall, 1990.
3. SecretarÃa de Salud. Programa Nacional de Salud 2001-2006. México D.F.: SecretarÃa de Salud, 2001.
4. Cleveland WS. Robust locally weighted regression and smoothing scatter plots. J Am Stat Assoc 1979;74:829-836.
5. Chambers JM, Cleveland WS, Kleiner B, Tukey PA. Graphical Methods for Data Analysis. Belmont (CA): Wadsworth, 1983.
6. McCullagh P, Nelder JA. Generalized linear models. Segunda edición. Nueva York: Chapman & Hall, 1989:193-236.
7. Rushton G. Methods to evaluate geographical access to health services. J Public Health Manag Pract 1999;5:93-100.
Enlaces refback
- No hay ningún enlace refback.