Artigos

INTRODUCCIÓN
A nivel mundial, se han notificado 7 millones de muertes confirmadas por COVID-19 hasta enero de 2024 1. De este total, tres cuartas partes se han concentrado en las regiones de las Américas y Europa. La mortalidad por COVID-19 en la región de las Américas presenta la segunda tasa de mortalidad más alta del mundo 1, luego de Europa, y su impacto es mayor en las principales áreas urbanas 2. En este contexto, la Argentina se posiciona como el quinto país con mayor tasa de mortalidad por COVID-19 de América, acumulando 127.599 fallecimientos al 22 de marzo de 2022 1. Al observar la evolución temporal de las muertes por COVID-19 en Argentina, se pueden observar cuatro aumentos de diferente magnitud en la cantidad de fallecimientos 1. Si se consideran los mínimos valores semanales de muertes como límite en estas cuatro olas, la primera ola se extiende desde marzo de 2020 hasta fines de diciembre de 2020, con un pico de 2600 muertes en la primera semana de octubre; la segunda ola hasta fines de marzo de 2021, alcanzando 1400 muertes en la segunda semana de enero; la tercera ola hasta principios de diciembre de 2021, con el pico más alto de 4500 muertes en la última semana de mayo; y la cuarta mostró un ascenso y descenso pronunciados, con un pico de 2500 muertes en la última semana de enero. Cada una de estas olas contó con particularidades desde el punto de vista de las estrategias preventivas adoptadas (tanto no farmacológicas –Aislamiento Social Preventivo y Obligatorio (ASPO)– como farmacológicas –vacunación masiva–) como en las características del virus (aparición de variantes de preocupación). La primera ola puede caracterizarse principalmente por la adopción de las diferentes medidas que han comprendido el ASPO en Argentina desde el 20 de marzo de 2020 3. Durante la segunda ola, los niveles de mortalidad general más bajos podrían deberse a altos niveles de inmunidad y cambios en las conductas preventivas en la población de áreas que experimentaron alta mortalidad durante la primera ola 4. Además, la emergencia de “variantes de preocupación”, asociadas al aumento de la transmisibilidad o efectos más negativos del COVID-19 a nivel poblacional 5, podría modificar la geografía del COVID-19. A diferencia de las primeras dos olas, la tercera ola tuvo una predominancia creciente de las variantes Gamma y Lambda, de las cuales la primera ha estado asociada a una mayor transmisibilidad del virus, reinfección, letalidad y aumento de la proporción de muertes en población de 20-59 años 6. Por último, la cuarta ola estuvo signada por la vacunación masiva contra el COVID-19 con esquemas completos (dos dosis), alcanzando al 82% de la población total hacia finales de mayo de 2022 7. En paralelo, se produjo la incursión de las variantes Delta y Ómicron, la última de éstas convirtiéndose rápidamente en la variante predominante 8.
Si bien existen varios antecedentes a nivel mundial sobre las desigualdades socio-espaciales de la mortalidad por COVID-19 al interior de cada país, estos estudios se han dedicado predominantemente al estudio de la primera ola de propagación del virus, durante el año 2020 9–14. Los pocos antecedentes previos que compararon variaciones espaciales de la propagación de la mortalidad por COVID-19 entre diferentes olas han mostrado resultados mixtos. En la región de Lombardía, en Italia, se encontraron cambios geográficos en el exceso de mortalidad entre la primera y segunda olas 4. Otro estudio 15 que analizó las desigualdades urbano-rurales de la mortalidad por COVID-19 en Italia, hasta marzo de 2022, encontró que las municipalidades más rurales registraron menor mortalidad, con respecto a los municipios metropolitanos, excepto durante la fase de predominancia de la variante Ómicron, donde no se encontraron diferencias de mortalidad. En Hungría, tanto en la segunda como en la tercera ola se encontraron los mayores riesgos de mortalidad en los municipios más pobres 16,17 y, durante la tercera ola, una decreciente tasa de vacunación contra el COVID-19 hacia los municipios más pobres 17. En los Estados Unidos, durante las olas de las variantes Delta y Omicron, se encontraron concentraciones geográficas de condados con riesgo alto de mortalidad por COVID-19 y tasas bajas de vacunación 18. En Brasil 19, encontraron que durante la primera ola hubo un patrón jerárquico, con mayor mortalidad por COVID-19 en las principales ciudades. En cambio, durante la segunda ola, los municipios donde el gobierno vigente en el periodo reportado fue vencedor en las elecciones presidenciales de 2018 mostraron mayor mortalidad por COVID-19, con respecto a los municipios donde el gobierno nacional vigente fue perdedor. En el caso particular de la Argentina, existen varios trabajos que han analizado las variaciones geográficas del COVD-19 a diferentes escalas geográficas de análisis 20–24. Las diferencias de las desigualdades socio-espaciales de la mortalidad por COVID-19 entre diferentes olas de propagación fueron analizadas en la Ciudad Autónoma de Buenos Aires (CABA) 25,26. El presente artículo propone continuar con estas investigaciones llevadas a cabo en la CABA pero a escala nacional, incorporando el posible efecto de variaciones regionales y desigualdades urbano-rurales en el riesgo de mortalidad por COVID-19.
Desde la geografía, el modelo cualitativo de la difusión de la mortalidad al interior de un sistema de ciudades, en el contexto de una pandemia por una enfermedad transmisible, postula la emergencia de picos de mortalidad en las ciudades grandes, y luego una segunda fase de transmisión jerárquica, de las ciudades grandes hacia ciudades más pequeñas 27. Este modelo también plantea que la recurrencia de los picos de mortalidad sería originada principalmente a través de nuevos patrones de transmisión jerárquica. Pero esta difusión de la mortalidad no parece producirse de manera aleatoria entre los diferentes grupos socioeconómicos: la pandemia actual del COVID-19 parece mostrar que no sólo las grandes ciudades son las más golpeadas por el virus SARS-CoV-2 2, sino que las poblaciones socioeconómicamente más vulnerables han presentado mayor riesgo de mortalidad por COVID-19 9,28–30. Desde un enfoque socio-espacial 31, parecen existir factores contextuales ligados a situaciones de pobreza estructural (hacinamiento de los hogares, déficit de acceso a espacios verdes y de recreación, escasez de alimentos saludables, mayor inserción en el mercado de trabajo informal) que no sólo llevan a una mayor probabilidad de contagio por COVID-19, sino también a alta prevalencia de factores de riesgo y comorbilidades que aumentan la probabilidad de muerte por COVID-19. En un contexto de recurrencia de olas de propagación del virus, otros factores podrían modificar la magnitud de estas desigualdades socio-espaciales. En primer lugar, altos niveles de inmunidad y cambios en las conductas preventivas en la población de áreas que experimentaron alta mortalidad durante la primera ola, provocarían menor mortalidad durante la segunda ola en estas áreas 4. Otro factor que podría modificar la geografía del COVID-19 es la emergencia de “variantes de preocupación”, asociadas al aumento de la transmisibilidad o efectos más negativos del COVID-19 a nivel poblacional 5.
Considerando los contextos diferentes, tanto en términos de estrategias preventivas como en las características del virus (aparición de variantes de preocupación), que caracterizaron las diferentes olas de propagación del COVID-19, es probable que los patrones geográficos de la mortalidad por COVID-19 no se manifiesten de la misma manera en cada una de las olas. Con base en lo expuesto, ¿hubo un gradiente socio-espacial de mortalidad por COVID-19 similar en todas las olas, afectando más a las áreas de menor nivel socioeconómico? Tomando en cuenta el nivel socioeconómico de área, ¿las áreas rurales presentaron riesgo de mortalidad menor con respecto a las áreas urbanas? ¿Esta brecha urbano-rural mostró variaciones a lo largo de las diferentes olas de transmisión del virus? Probamos dos hipótesis en esta investigación. Primera hipótesis: diferencias en los patrones socio-espaciales de la mortalidad por COVID-19 entre las cuatro olas de propagación registradas en Argentina. Estas diferencias podrían dividirse en tres etapas: (a) desigualdades socio-espaciales de la mortalidad en la primera ola; (b) disminución de las desigualdades socio-espaciales de la mortalidad en la segunda ola, debido principalmente a altos niveles de inmunidad adquiridos en la primera ola; y (c) retorno de las desigualdades socio-espaciales durante las tercera y cuarta olas, debido principalmente a la incursión de “variantes de preocupación”. Segunda hipótesis: diferencias en las desigualdades urbano-rurales de la mortalidad por COVID-19 entre las cuatro olas de propagación. Estas diferencias podrían dividirse en dos etapas: (a) mayor brecha urbano-rural de la mortalidad (mayor mortalidad en áreas de mayor concentración poblacional) en la primera ola, con respecto a las olas siguientes, debido a las medidas impuestas en la ASPO durante los primeros meses de pandemia en la Argentina; (b) la brecha urbano-rural de la mortalidad disminuye al aumentar el nivel de movilidad poblacional a partir de la segunda ola. Por tanto, los objetivos específicos fueron: (a) analizar las desigualdades socio-espaciales de la mortalidad por COVID-19 entre las cuatro olas de propagación registradas en Argentina, entre 2020 y los primeros meses de 2022; (b) analizar las desigualdades urbano-rurales de la mortalidad por COVID-19 entre las cuatro olas de propagación.

MÉTODOS
Se empleó un diseño de estudio ecológico retrospectivo considerando la población residente en la Argentina y definiendo el comienzo del periodo de estudio entre el 7 de marzo de 2020, fecha de confirmación del primer caso en Argentina, mientras que el final del período de estudio fue establecido como el 31 de mayo de 2022. La República Argentina es un país localizado en el sur de América del Sur, con una superficie de 2.780.085 km² –sin incluir al continente Antártico e islas del Atlántico Sur– y 46.234.830 habitantes, de acuerdo al Censo de 2022. El territorio argentino está conformado por 24 jurisdicciones: la CABA y 23 provincias, de las cuales Buenos Aires, Córdoba, CABA y Santa Fe son las más pobladas conformando gran parte de la Región Pampeana, en el centro del país.
Las unidades espaciales fueron los departamentos que conforman el territorio argentino (denominados partidos en la provincia de Buenos Aires y comunas en la Ciudad Autónoma de Buenos Aires) y se consideró el departamento (partido/comuna) de residencia de cada fallecido por COVID-19. Para delimitar la extensión temporal de las olas de propagación de las muertes por COVID-19, se consideraron los días con los valores mínimos de fallecimientos por COVID-19, calculados a través de medias móviles de siete días, como límites que marcaron el comienzo y el fin de cada ola de muertes, a excepción del inicio de la primera ola, definida por el primer caso detectado en Argentina. El fin de la primera ola fue definido el 21 de diciembre de 2020 (111 muertes notificadas en esta fecha), mientras que la segunda ola finalizó el 21 de marzo de 2021 (91 muertes). La tercera ola finalizó el 10 de noviembre de 2021 (9 muertes). Por último, la cuarta ola fue delimitada hasta el 31 de mayo de 2022 (Figura 1).
La variable dependiente fue el conteo de muertes por COVID-19, asumiendo una distribución de Poisson. Se utilizaron dos variables independientes: (1) el porcentaje de hogares con necesidades básicas insatisfechas (NBI), como indicador del nivel de pobreza estructural de los departamentos, y (2) la densidad poblacional (habitantes por kilómetro2), como indicador del nivel de urbanización de los departamentos. Los datos de muertes por COVID-19 en residentes de la Argentina se obtuvieron de la base de datos de casos de COVID-19 informados por el Ministerio de Salud de la Nación 32. En esta base de datos, un 58% de las muertes de residentes en CABA no contaron con dato de comuna de residencia. Por este motivo, en el caso de las muertes en residentes de CABA, se utilizaron los datos publicados por el Gobierno de la Ciudad de Buenos Aires 33. De la base de datos del Gobierno de la CABA, si bien en 2022 el 31% de las muertes de residentes de CABA no contaron con información de comuna de residencia, en 2021 este valor fue 4%, mientras que en 2020 fue 5%. Por este motivo, durante la cuarta ola se utilizaron las muertes de residentes de CABA notificados en la base del Ministerio de Salud de la Nación. Con respecto al porcentaje de hogares con NBI y la densidad poblacional, ambas variables fueron obtenidas del Censo de 2010 34.
Debido a que los adultos mayores presentan probabilidad mayor de muerte por COVID-19, se analizaron dos poblaciones separadamente: población hasta los 59 años de edad y población de 60 o más años. En cuanto a las variables independientes, el porcentaje de hogares con NBI fue trasformado a un puntaje z, mientras que la densidad poblacional fue dividida en cuartiles y categorizada como “muy baja” (cuartil de departamentos de menor densidad poblacional), “baja”, “alta”, y “muy alta” (cuartil de departamentos de mayor densidad poblacional). Debido a que, hasta el momento, no hay datos oficiales disponibles sobre proyecciones poblacionales por grupos etarios a nivel departamental, se estimaron las poblaciones del período 2020-2021 mediante interpolaciones lineales considerando la tasa de variación anual de la población de ambos grupos etarios entre 2001 y 2010 35. En el caso de la población de CABA, se utilizaron proyecciones poblacionales publicadas por grupo de edad y comuna para el período 2010-2025 36.
Se calcularon regresiones multivariadas para analizar la asociación entre el riesgo de mortalidad por COVID-19 y (1) el porcentaje de hogares con NBI, y (2) la densidad poblacional. Se aplicaron modelos jerárquicos bayesianos asumiendo una distribución de Poisson de las muertes por COVID-19 y considerando la población residente por grupo de edad (hasta 59 años, y 60+ años) como offset de cada modelo. Durante las primeras dos olas se utilizaron proyecciones poblacionales correspondientes al año 2020, mientras que en las olas tercera y cuarta se utilizaron las correspondientes a 2021. Se utilizó, para cada ola y grupo de edad, un modelo espacial mixto 37 con efectos aleatorios espacialmente estructurados 38 con el objetivo de tener en cuenta la dependencia espacial entre los departamentos (es decir, las áreas vecinas tienden a tener tasas similares de mortalidad). Es así como se incluyó un parámetro que toma en cuenta los efectos aleatorios espacialmente estructurados más un parámetro de residuos no estructurados 39. Los efectos aleatorios espacialmente estructurados fueron calculados considerando una matriz de contigüidad espacial, en donde el criterio de vecindad fue determinado si un área comparte un límite con otra área. La conveniencia de este modelo espacial, frente al modelo que no toma el efecto espacialmente estructurado (modelo “iid”), fue estimada mediante el cálculo del criterio de información de Watanabe-Akaike (WAIC) 40. Cuanto más bajo el valor del WAIC, mejor el ajuste del modelo. Para cada unidad espacial se estimaron riesgos relativos y probabilidades posteriores de riesgos mayores que 1 utilizando modelos sin incorporar las dos variables independientes. Posteriormente, se calcularon los riesgos relativos residuales, luego de controlar por el porcentaje de hogares con NBI y la densidad poblacional, y las probabilidades posteriores de riesgos mayores que 1 39.
Los análisis de regresión espacial se llevaron a cabo con el programa R (versión R.3.2.5), utilizando el paquete INLA, mientras que el mapeo de las variables se realizó con el programa QGIS (versión 2.14.3).

RESULTADOS
Durante la primera ola se notificaron 44890 muertes por COVID-19, mientras que en la segunda ola este número bajó considerablemente (12865 muertes). Luego, la tercera ola tuvo el mayor número de muertes por COVID-19 (58667 fallecidos), mientras que en la cuarta ola se registró el valor más bajo, con 12065 muertes. El porcentaje de fallecidos en el grupo de menores de 60 años fue del 14% en las olas primera, segunda y cuarta (6509, 1814 y 1679 muertes, respectivamente), mientras en la tercera ola este valor ascendió al 27% (15973 muertes).
Los modelos “BYM2” tuvieron los valores más bajos de WAIC, con respecto a los modelos “iid”, lo que sugiere un mejor ajuste de los modelos espaciales. En población menor de 60 años y durante la primera ola, el nordeste de la Argentina y oeste de Buenos Aires-La Pampa parecieron contar con un riesgo de mortalidad menor con respecto al resto del país (Figura 2). Durante la segunda ola, el riesgo alto de mortalidad por COVID-19 se extendió desde el este (Entre Ríos y Buenos Aires), pasando por La Pampa y por toda la Patagonia. Durante la tercera ola, se registraron conglomerados de riesgo de mortalidad alto por COVID-19 ocupando el norte de la Patagonia y la mitad norte de la Argentina. Durante la cuarta ola, hubo principalmente tres zonas de mortalidad alta por COVID-19 en el norte argentino, norte de Buenos Aires, y Neuquén y gran parte de Río Negro (Figura 2).
En cuanto a la población de 60 o más años, las distribuciones geográficas de los riesgos de mortalidad, a lo largo de las olas, se asemejaron a grandes rasgos con respecto a la población menor de 60 años (Figura 3). Sin embargo, existieron algunas diferencias: durante la segunda ola, en población de 60+ años emergió un conglomerado de mortalidad alta en la mitad norte de Santa Fe. Durante las olas tercera y cuarta, pareció haber una mayor difusión de la mortalidad por COVID-19 en población de 60+ años hacia el sur de la Patagonia (Figura 3).
Luego de introducir el porcentaje de hogares con NBI y la densidad poblacional en los modelos de regresión, no se observaron diferencias grandes en la distribución de riesgos relativos de mortalidad con respecto a los modelos sin co-variables (figuras 2-3). Con respecto al porcentaje de hogares con NBI, sólo durante la segunda ola y en población de 60 o más años se observó menor riesgo de mortalidad por COVID-19 en áreas con mayores porcentajes de hogares con NBI (Tabla 1). En cuanto a la densidad poblacional, sólo durante la primera ola, y en ambos grupos etarios, se observó un gradiente de creciente riesgo de mortalidad por COVID-19 hacia los cuartiles de áreas de mayor densidad poblacional (Tabla 1).

DISCUSIÓN
En este estudio describimos las geografías de la mortalidad por COVID-19 en Argentina durante cuatro olas. Los resultados muestran heterogeneidad geográfica en el riesgo de mortalidad por COVID-19 al interior de cada ola, como así también diferentes geografías de la mortalidad por COVID-19 entre las cuatro olas. Estas diferentes geografías también estuvieron reflejadas en las asociaciones cambiantes entre mortalidad por COVID-19 y niveles pobreza y urbanización en cada ola.
Mientras en algunos países desarrollados la difusión geográfica de la mortalidad por COVID-19 afectó a áreas de nivel socioeconómico bajo 9,29,30, nuestro estudio no mostró el mismo patrón en ninguna de las cuatro olas registradas en Argentina. Sin embargo, estudios a nivel local, comparando el riego de muerte por COVID-19 entre los barrios de la Ciudad Autónoma de Buenos Aires, han mostrado un riesgo mayor en barrios de nivel socioeconómico bajo en las olas primera y tercera 26. Esto podría indicar que, a pesar de no haber un riesgo mayor de mortalidad por COVID-19 en departamentos/partidos con niveles altos de pobreza estructural, sí pudo haber mayor riesgo de mortalidad en poblaciones de nivel socioeconómico bajo al interior de los departamentos, independientemente de su nivel general de pobreza estructural.
Con respecto a las olas tercera y cuarta, el efecto de la vacunación relativamente masiva en Argentina (cruzando grupos sociales/territoriales), a diferencia de otros contextos en los cuales el Estado intervino menos –fenómeno agravado por las dudas acerca de la efectividad de las vacunas en determinadas sub-regiones nacionales– 18, pudo estar asociado a la homogenización socio-espacial y urbano-rural de la mortalidad por COVID-19. En Hungría se encontró que aquellos municipios con menores tasas de vacunación tuvieron los mayores riesgos de mortalidad por COVID-19 17, mientras que en Gales (Reino Unido) las áreas de menor nivel socioeconómico registraron las menores tasas de vacunación 41.
Con respecto al nivel de urbanización, medido a través de la densidad poblacional, se registró un patrón de difusión jerárquica durante la primera ola, esperable de acuerdo al modelo de difusión geográfica de enfermedades 27. Similarmente, en el Estado de San Pablo se observó el mismo patrón de difusión jerárquica durante la primera ola 42. Luego, en las restantes olas no se encontraron desigualdades urbano-rurales de la mortalidad por COVID-19. En los EEUU se encontró una difusión geográfica alta de la mortalidad hacia condados rurales dentro de la primera ola 43. Una explicación a esta diferencia entre Argentina y los EEUU pueda residir en diferencias en los niveles de movilidad entre ambos países y el nivel en que las medidas de restricción poblacional fueron aplicadas. En los EEUU no se aplicaron tales medidas a nivel nacional –como sí sucedió en Argentina– y, aunque existieron restricciones a la movilidad inter-estatal durante el comienzo de la primera ola, tales movimientos no fueron prohibidos 44. A diferencia de nuestros resultados, en Italia las áreas rurales registraron menores riesgos de mortalidad por COVID-19 durante las primeras tres olas, en comparación a las áreas metropolitanas. Los autores especularon que las restricciones de movilidad poblacional fueron un factor clave, ya que las poblaciones rurales presentan peores condiciones de salud y menor accesibilidad a servicios de salud, en comparación a las poblaciones urbanas 15.
Más que afectar a las regiones de mayor pobreza estructural luego de la difusión inicial de contagios en el Gran Buenos Aires, se detectaron algunas distribuciones geográficas lineales que podrían sugerir la difusión del SARS-CoV-2 a través de determinadas rutas nacionales. Por ejemplo, en población menor de 60 años, durante las olas primera y tercera, se detectó un riesgo alto de mortalidad a lo largo de un eje este-oeste que comprendió el partido de Carmen de Patagones (sur de la provincia de Buenos Aires), en el extremo este, departamentos que coinciden con las rutas nacionales 250 y 22, hasta los departamentos Aluminé y Catan Lil (provincia de Neuquén), en el extremo oeste. Otro caso similar parece darse con las rutas nacionales 7 y 8, que unen ciudades del norte de Buenos Aires, sur de Santa Fe y Córdoba, la capital de San Luís y la capital de Mendoza.
En comparación a las restantes olas, la segunda ola pareció diferenciarse más en cuanto a la distribución geográfica del riesgo de mortalidad por COVID-19, mostrando dos zonas homogéneas de riesgo de mortalidad: mortalidad baja en el centro-oeste y norte de la Argentina, y mortalidad alta en el centro-este y Patagonia. Una primera hipótesis podría estar relacionada a una difusión geográfica de una variante más letal del SARS-CoV-2 en el centro-este de Argentina y Patagonia. Sin embargo, el mayor riesgo de mortalidad por COVID-19 registrado en el centro de Argentina (Buenos Aires y La Pampa) y Patagonia durante la segunda ola no parece estar asociado a la circulación predominante de variantes de preocupación, o del algún tipo en particular, del SARS-CoV-2 con respecto al resto de la Argentina 45. Una segunda hipótesis estaría relacionada con los movimientos turísticos durante la segunda ola, ya que el 75% de este movimiento total se repartió entre las provincias de Buenos Aires, Córdoba, Entre Ríos, Río Negro y Neuquén 46. Salvo Córdoba, las restantes provincias se localizaron dentro de la zona de mortalidad alta durante la segunda ola.
Este estudio presenta varias limitaciones. Primero, el uso de datos de mortalidad a escalas geográficas menores (radios y fracciones censales, barrios) podría mostrar resultados diferentes, especialmente en relación al indicador de pobreza estructural. Como se mencionó anteriormente, un estudio analizando las desigualdades socio-espaciales de la mortalidad por COVID-19 en CABA encontró el mayor riesgo de mortalidad en barrios de nivel socioeconómico más bajo, durante las olas primera y tercera 26. Segundo, cualquier estudio ecológico presenta el “problema de la unidad de área modificable”, consistente en el uso de unidades espaciales definidas arbitrariamente. Esto implica que, sobre una misma área de estudio, una prueba estadística puede arrojar resultados diferentes si se utilizan diferentes conjuntos de unidades espaciales. Tercero, el uso de proyecciones lineales utilizando datos censales de 2001 y 2010 podría mostrar discrepancias con los datos del reciente censo nacional de 2022 –aun no disponibles por sexo y grupos de edad a nivel departamental–, modificando las estimaciones de riesgo de mortalidad por COVID-19. Sin embargo, salvo casos puntuales –como algunos departamentos de Santa Cruz– no hubo cambios abruptos entre el crecimiento poblacional anual del periodo inter-censal 2001-2010 comparado al periodo 2010-2022 47. Por lo tanto, es esperable que las proyecciones poblacionales calculadas en nuestro trabajo no afecten en gran medida el cálculo del riesgo de mortalidad por COVID-19. Cuarto, las discrepancias en el registro de la mortalidad por COVID-19 en la CABA, entre las bases de datos a nivel nacional y las recabadas por el gobierno de la CABA, son indicativas de problemas de sub-registro de muertes por COVID-19. Sin embargo, desconocemos si esta limitación tuvo variaciones geográficas, afectando nuestros resultados. Por último, en Argentina no se releva información sobre prevalencia de comorbilidades a nivel departamental, por lo que no fue posible asociarla con la mortalidad por COVID-19.
Con respecto a la formulación de políticas de salud pública, nuestros resultados mostraron un gradiente de menor mortalidad hacia los departamentos menos urbanizados sólo durante la primera ola, coincidente con las políticas más estrictas de restricción de movilidad poblacional. Por lo tanto, se sugiere que, en contexto de ausencia de respuestas farmacológicas, estas medidas pudieron impedir la difusión de la mortalidad por COVID-19 hacia zonas rurales de nivel socioeconómico bajo y acceso muy limitado a servicios de salud de alta complejidad.
Los resultados encontrados en nuestro estudio podrían sugerir la profundización de nuevas investigaciones. Primero, creemos conveniente indagar acerca de la desigualdad socio-espacial de la mortalidad por COVID-19 utilizando unidades espaciales pequeñas (barrios, radios o fracciones censales) fuera de la CABA. Segundo, estudios que analicen las desigualdades sociales de la mortalidad por COVID-19 en Argentina, combinando datos de comorbilidades a nivel individual e información socioeconómica del entorno de residencia de los fallecidos (por ejemplo, a nivel de radio o fracción censal).
La evidencia aportada por este estudio muestra geografías heterogéneas de la mortalidad por COVID-19 en Argentina entre las cuatro olas de propagación ocurridas entre 2020 y principios de 2022. Sin embargo, no hay evidencias de un desigual reparto de la mortalidad hacia las regiones socioeconómicamente más relegadas de la Argentina. Finalmente, durante la primera ola se confirmó un patrón jerárquico de difusión de la mortalidad, con mayor riesgo en las principales ciudades de la Argentina.

REFERENCIAS
1. WHO. WHO Coronavirus Disease (COVID-19) Dashboard [Internet]. 2022 [citado el 31 de enero de 2022]. Disponible en: https://covid19.who.int
2. Stier A, Berman M, Bettencourt L. COVID-19 Attack Rate Increases with City Size [Internet]. Rochester, NY: Social Science Research Network; 2020 mar [citado el 7 de mayo de 2020]. Report No.: ID 3564464. Disponible en: https://papers.ssrn.com/abstract=3564464
3. Boletín Oficial de la República Argentina. BOLETIN OFICIAL REPUBLICA ARGENTINA - AISLAMIENTO SOCIAL PREVENTIVO Y OBLIGATORIO - Decreto 297/2020 [Internet]. 2020 [citado el 21 de agosto de 2020]. Disponible en: https://www.boletinoficial.gob.ar/detalleAviso/primera/227042
4. Golinelli D, Lenzi J, Adja KYC, Reno C, Sanmarchi F, Fantini MP, et al. Small-scale spatial analysis shows the specular distribution of excess mortality between the first and second wave of the COVID-19 pandemic in Italy. Public Health. 2021;
5. Torres C, Debat H, Viegas M. Características biológicas de las variantes de SARS-CoV-2 de interés epidemiológico y su impacto sobre la eficacia y la efectividad vacunal. SciELOPreprints. 2021;1–21.
6. Freitas ARR, Beckedorff OA, Cavalcanti LP de G, Siqueira AM, Castro DB de, Costa CF da, et al. The emergence of novel SARS-CoV-2 variant P.1 in Amazonas (Brazil) was temporally associated with a change in the age and sex profile of COVID-19 mortality: A population based ecological study. Lancet Reg Health - Am. 2021;1:100021.
7. Covidstats. COVID-19 stats - Vacunados [Internet]. 2024 [citado el 6 de febrero de 2024]. Disponible en: https://covidstats.com.ar/vacunados
8. Proyecto PAIS. Reporte N°30: Vigilancia activa de variantes de SARS-CoV-2 en la CABA, provincias de Buenos Aires, Corrientes, Chaco, Jujuy, Mendoza, Misiones, Neuquén, Santa Cruz, Santa Fe y Tierra del Fuego. Actualización al 24/02/2022. 2022.
9. Zhang CH, Schwartz GG. Spatial Disparities in Coronavirus Incidence and Mortality in the United States: An Ecological Analysis as of May 2020. J Rural Health. 2020;36:433–45.
10. Cordes J, Castro MC. Spatial analysis of COVID-19 clusters and contextual factors in New York City. Spat Spatio-Temporal Epidemiol. 2020;100355.
11. Bilal U, Barber S, Diez-Roux AV. Spatial Inequities in COVID-19 outcomes in Three US Cities. medRxiv. 2020;2020.05.01.20087833.
12. Ehlert A. The socioeconomic determinants of COVID-19: A spatial analysis of German county level data. medRxiv. 2020;
13. Maciel ELN, Pan W, Dietze R, Peres RL, Vinhas SA, Ribeiro FK, et al. Spatial patterns of pulmonary tuberculosis incidence and their relationship to socio-economic status in Vitoria, Brazil. Int J Tuberc Lung Dis. 2010;14:1395–402.
14. Bermudi PMM, Lorenz C, de Aguiar BS, Failla MA, Barrozo LV, Neto FC. Spatiotemporal dynamic of COVID-19 mortality in the city of São Paulo, Brazil: shifting the high risk from the best to the worst socio-economic conditions [Internet]. 2020 p. 22. Disponible en: arXiv preprint arXiv:2008.02322
15. Petrelli A, Ventura M, Di Napoli A, Mateo-Urdiales A, Pezzotti P, Fabiani M. Geographic heterogeneity of the epidemiological impact of the COVID-19 pandemic in Italy using a socioeconomic proxy-based classification of the national territory. Front Public Health. 2023;11:1143189.
16. Oroszi B, Juhász A, Nagy C, Horváth JK, McKee M, Ádány R. Unequal burden of COVID-19 in Hungary: a geographical and socioeconomic analysis of the second wave of the pandemic. BMJ Glob Health. 2021;6:e006427.
17. Oroszi B, Juhász A, Nagy C, Horváth JK, Komlós KE, Túri G, et al. Characteristics of the Third COVID-19 Pandemic Wave with Special Focus on Socioeconomic Inequalities in Morbidity, Mortality and the Uptake of COVID-19 Vaccination in Hungary. J Pers Med. 2022;12:388.
18. Cuadros DF, Moreno CM, Musuka G, Miller FD, Coule P, MacKinnon NJ. Association between vaccination coverage disparity and the dynamics of the COVID-19 Delta and Omicron waves in the US. Front Med [Internet]. 2022 [citado el 28 de septiembre de 2023];9. Disponible en: https://www.frontiersin.org/articles/10.3389/fmed.2022.898101/full
19. Xavier DR, e Silva EL, Lara FA, e Silva GR, Oliveira MF, Gurgel H, et al. Involvement of political and socio-economic factors in the spatial and temporal dynamics of COVID-19 outcomes in Brazil: A population-based study. Lancet Reg Heal [Internet]. 2022 [citado el 29 de septiembre de 2023];10. Disponible en: https://www.thelancet.com/journals/lanam/article/PIIS2667-193X(22)00038-2/fulltext
20. Ramirez ML. Evolución, distribución y difusión del COVID-19 en Argentina: primer mes (03/03/2020-02/04/2020). Posición. 2020;3:1–12.
21. Humacata L. Análisis de interpolación espacial de contagios de COVID-19 en la cuenca del río Luján. Geograficando. 2021;17:e099.
22. Humacata L, Buzai G. Análisis espacio-temporal del COVID-19 e hipótesis de aglomeración en los municipios de la cuenca del río Luján (provincia de Buenos Aires, Argentina). Estud Socioterritoriales. 2021;30:1–23.
23. Buffalo L, Rydzewski AL. Dinámica territorial de pandemia COVID-19 en la provincia de Córdoba Argentina. Bol Asoc Geógrafos Esp [Internet]. 2021 [citado el 22 de marzo de 2022]; Disponible en: https://bage.age-geografia.es/ojs/index.php/bage/article/view/3149
24. Leveau CM. Difusión espacio-temporal de muertes por COVID-19 en Argentina. Rev Panam Salud Pública. 2021;45:1.
25. Leveau CM. Variaciones espacio-temporales de la mortalidad por COVID-19 en barrios de la Ciudad Autónoma de Buenos Aires. Rev Argent Salud Pública. 2021;8.
26. Leveau CM, Soares Bastos L. Desigualdades socio-espaciales de la mortalidad por COVID-19 en tres olas de propagación: un análisis intra-urbano en Argentina. Cad Saúde Pública. 2022;38:e00163921.
27. Cliff A, Haggett P, Smallman-Raynor M. Deciphering global epidemics: analytical approaches to the disease records of world cities, 1888-1912. Vol. 26. Cambridge University Press; 1998.
28. Chen JT, Waterman PD, Krieger N. COVID-19 and the unequal surge in mortality rates in Massachusetts, by city/town and ZIP code measures of poverty, household crowding, race/ethnicity, and racialized economic segregation. Harvard Center for Population and Development Studies; 2020. (Working Paper Series).
29. Fielding-Miller RK, Sundaram ME, Brouwer K. Social determinants of COVID-19 mortality at the county level. Zaller ND, editor. PLOS ONE. 2020;15:e0240151.
30. Rose TC, Mason K, Pennington A, McHale P, Taylor-Robinson DC, Barr B. Inequalities in COVID19 mortality related to ethnicity and socioeconomic deprivation. medRxiv. 2020;
31. Diez Roux AV, Mair C. Neighborhoods and health. Ann N Y Acad Sci. 2010;1186:125–45.
32. Ministerio de Salud de la Nación. Datos Abiertos del Ministerio de Salud - COVID-19. Casos registrados en la República Argentina [Internet]. 2020 [citado el 8 de junio de 2020]. Disponible en: http://datos.salud.gob.ar/
33. Buenos Aires Ciudad. Buenos Aires Data - Casos COVID-19 [Internet]. 2020 [citado el 4 de septiembre de 2020]. Disponible en: https://data.buenosaires.gob.ar/
34. Instituto Nacional de Estadística y Censos. WebINDEC: Población / Censos [Internet]. 2020 [citado el 11 de noviembre de 2018]. Disponible en: https://www.indec.gob.ar/nivel3_default.asp?id_tema_1=2&id_tema_2=41
35. INDEC. INDEC: Instituto Nacional de Estadística y Censos de la República Argentina [Internet]. 2021 [citado el 18 de noviembre de 2021]. Disponible en: https://www.indec.gob.ar/indec/web/Institucional-Indec-Codgeo
36. Dirección General de Estadística y Censos. Proyecciones de población por comuna y sexo. Ciudad de Buenos Aires. Años 2010/2025 | Estadística y Censos [Internet]. 2021 [citado el 28 de abril de 2021]. Disponible en: https://www.estadisticaciudad.gob.ar/eyc/?p=28146
37. Besag J, York J, Mollié A. Bayesian image restoration, with two applications in spatial statistics. Ann Inst Stat Math. 1991;43:1–20.
38. Riebler A, Sørbye SH, Simpson D, Rue H. An intuitive Bayesian spatial model for disease mapping that accounts for scaling. Stat Methods Med Res. 2016;25:1145–65.
39. Blangiardo M, Cameletti M. Spatial and spatio-temporal Bayesian models with R-INLA. John Wiley & Sons; 2015.
40. Watanabe S. A widely applicable Bayesian information criterion. J Mach Learn Res. 2013;14:867–97.
41. Perry M, Akbari A, Cottrell S, Gravenor MB, Roberts R, Lyons RA, et al. Inequalities in coverage of COVID-19 vaccination: A population register based cross-sectional study in Wales, UK. Vaccine. 2021;39:6256–61.
42. Fortaleza CMCB, Guimarães RB, de Almeida GB, Pronunciate M, Ferreira CP. Taking the inner route: spatial and demographic factors affecting vulnerability to COVID-19 among 604 cities from inner São Paulo State, Brazil. Epidemiol Infect. 2020;148:1–5.
43. Cuadros DF, Branscum AJ, Mukandavire Z, Miller FD, MacKinnon N. Dynamics of the COVID-19 epidemic in urban and rural areas in the United States. Ann Epidemiol. 2021;59:16–20.
44. Schwartz K. Driving and Travel Restrictions Across the United States. The New York Times [Internet]. 2020 [citado el 18 de agosto de 2023]; Disponible en: https://www.nytimes.com/2020/04/10/travel/coronavirus-us-travel-driving-restrictions.html
45. Proyecto PAIS. Reporte N°23: Vigilancia de variantes de SARS-CoV-2 en la CABA, provincias de Buenos Aires, Córdoba, Entre Ríos, Neuquén y Santa Fe. Actualización del 07/06/2021. 2021.
46. Ministerio de Turismo y Deportes. Temporada de verano 2021: más de 12 millones de personas se movilizaron por todo el país [Internet]. Argentina.gob.ar. 2021 [citado el 25 de agosto de 2023]. Disponible en: https://www.argentina.gob.ar/noticias/temporada-de-verano-2021-mas-de-12-millones-de-personas-se-movilizaron-por-todo-el-pais
47. Dirección Nacional de Población. Análisis de crecimiento poblacional 2001-2010 y 2010-2022 (datos provisorios) [Internet]. Buenos Aires: Dirección Nacional de Población; 2023 p. 1–59. Disponible en: https://www.argentina.gob.ar/sites/default/files/2023/12/crecimiento_poblacional_2001-2022.pdf