Análisis del comportamiento de variables ambientales y sociales como factores de riesgo en la propagación del nuevo coronavirus (SARS-CoV-2): caso de estudio en el Perú

This article has been Reviewed by the following groups

Read the full article See related articles

Abstract

La nueva enfermedad del coronavirus (COVID-19) generada por el virus SARS-CoV-2 se originó en China y el primer caso reportado fue en la ciudad de Wuhan, en diciembre del 2019. El virus comenzó a propagarse en otras regiones de China y al resto del mundo. El 30 de enero del 2020, la Organización Mundial de la Salud (OMS) declaró el brote del COVID-19 como emergencia internacional en salud pública. En Perú, el primer caso positivo de COVID-19 fue registrado el 6 de marzo del 2020 en la región Lima, y se declaró el estado de emergencia el 16 de marzo del 2020. A nivel mundial se han realizado diferentes investigaciones de variables ambientales asociadas a la propagación del COVID-19 así como variables sociales; sin embargo, la mayoría de estas han sido analizadas de forma individual, por lo que es necesario realizar un análisis que integre a dichas variables bajo ciertos criterios metodológicos. Es así que el objetivo de este texto es analizar las variables ambientales (columna troposférica de NO2, flujo vertical de aire, porcentaje de residuos sólidos dispuestos en botaderos y porcentaje de la población sin ningún mecanismo de eliminación de excreta) y sociales (niveles de pobreza monetaria, porcentaje del número de hospitales por población y población vulnerable) que intervienen directa e indirectamente a la propagación del virus SARS-CoV-2. Para ello se utilizaron técnicas de percepción remota, sistemas de información geográfica (SIG) integrados bajo el enfoque estadístico-determinístico multiparamétrico planteado por Saaty, determinando así qué regiones del Perú presentan mayor susceptibilidad, vulnerabilidad y riesgo de propagación del virus SARS-CoV-2. Los datos fueron recopilados a partir de instituciones mundiales y nacionales; para la columna troposférica de NO2 los datos fueron obtenidos del satélite Sentinel-5P; el flujo vertical del aire se determinó a partir de la información recolectada del laboratorio de ciencias físicas del NOAA (National Oceanic and Atmospheric Administration); la información concerniente a la población sin ningún mecanismo de excreta fue extraída del Instituto Nacional de Estadística e Informática (INEI) y el porcentaje de residuos sólidos dispuestos en botaderos se obtuvo del Ministerio del Ambiente (MINAM), mientras que los datos de las variables sociales fueron todos obtenidos a partir del INEI. Los resultados muestran que la prevalencia de altos valores de NO2 troposférico y valores cercanos a 0 Pa/s del flujo de aire vertical presentaron una relación directa con el número de casos positivos por COVID-19, además, se encontró que el 68% de las regiones se encuentran en un nivel de riesgo de propagación del virus SARS-CoV-2 “alto” y “muy alto”, y la mayoría de estas se encuentran en el norte y centro del Perú (Callao, Tumbes, Piura, Loreto, Lambayeque, Huancavelica, Amazonas, Cajamarca, Ucayali y Huánuco, entre otras), por lo que se debería tener especial cuidado con las medidas tomadas posaislamiento social a fin de evitar un rebrote y colapso de los sistemas de salud. En la presente investigación se concluye que las políticas públicas de gestión de la calidad de aire, gestión integral de residuos sólidos y servicios de saneamiento, deben mejorar a corto plazo a fin de disminuir el riesgo de propagación del virus SARS-CoV-2. Este estudio puede replicarse a una mayor escala, incluyendo más variables.

Article activity feed

  1. SciScore for 10.1101/2020.05.31.20118653: (What is this?)

    Please note, not all rigor criteria are appropriate for all manuscripts.

    Table 1: Rigor

    Institutional Review Board Statementnot detected.
    Randomizationnot detected.
    Blindingnot detected.
    Power Analysisnot detected.
    Sex as a biological variablenot detected.

    Table 2: Resources

    No key resources detected.


    Results from OddPub: We did not detect open data. We also did not detect open code. Researchers are encouraged to share open data when possible (see Nature blog).


    Results from LimitationRecognizer: We detected the following sentences addressing limitations in the study:
    4.4 Limitations: The authors acknowledge that this research has some limitations. The temporality of the data used ranges between 2015 and 2020; however, it is expected that this variation in temporality has not significantly affected the results. In Peru, to access to the geo-referenced data of positive cases by COVID-19 is not available, officially only the accumulated by regions can be obtained, this limits that the research can be carried out on a much larger scale, perhaps up to a district or focused level. In addition, the foregoing limited the addition of other variables to the model that could influence the spread of the SARS-CoV-2 virus, as has been demonstrated in Arias-Reyes et al. (2020).

    Results from TrialIdentifier: No clinical trial numbers were referenced.


    Results from Barzooka: We did not find any issues relating to the usage of bar graphs.


    Results from JetFighter: Please consider improving the rainbow (“jet”) colormap(s) used on pages 30 and 31. At least one figure is not accessible to readers with colorblindness and/or is not true to the data, i.e. not perceptually uniform.


    Results from rtransparent:
    • Thank you for including a conflict of interest statement. Authors are encouraged to include this statement when submitting to a journal.
    • Thank you for including a funding statement. Authors are encouraged to include this statement when submitting to a journal.
    • No protocol registration statement was detected.

    About SciScore

    SciScore is an automated tool that is designed to assist expert reviewers by finding and presenting formulaic information scattered throughout a paper in a standard, easy to digest format. SciScore checks for the presence and correctness of RRIDs (research resource identifiers), and for rigor criteria such as sex and investigator blinding. For details on the theoretical underpinning of rigor criteria and the tools shown here, including references cited, please follow this link.