submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc
Department of Geoinformatics - Z_GIS University of Salzburg
Análisis espacio temporal de la ocupación hospitalaria en México frente al Covid-19, 2020-2023.
Spatiotemporal analysis of hospital occupancy in Mexico against Covid-19, 2020-2023.
by Rodrigo Jiménez Del Valle 12111973
A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science – MSc
Advisor I Supervisor: Leonardo Zurita Arthos PhD
Ciudad de México - México, 2024
COMPROMISO DE CIENCIA
Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.
Ciudad de México, 28 de febrero del 2024
(Lugar, Fecha)
Firma
AGRADECIMIENTOS
Primeramente, quiero agradecer al personal del grupo en Geo tecnología en Infraestructura Transporte y Sustentabilidad (GITS) del Instituto de Geografía de la UNAMqueme haacompañadoalo largode13 años yquetiempo después conformaron el Laboratorio Internacional de Tecnología e Investigación Espacial (iSTAR) con la Universidad Estatal de California, Northridge (CSUN), del que formo parte. En este grupohe conocido a genteexcepcionaltanto en el ámbito personal, académicoylaboral, en donde cada uno a compartido conmigo su experiencia, conocimiento, apoyo y amistad. Agradezco de manera personal a cada uno de los involucrados con base en el orden en que ocurrió esta historia que me ha permitido vivir una de las experiencias más gratificantes y retadoras que he tenido en mi vida.
➢ Al Dr. Harvey Sánchez Restrepo quien me motivo a realizar los estudios de maestría y que fue el responsable de mi llegada al grupo GITS, gracias por tus enseñanzas, apoyo y por haberme dado la oportunidad de trabajar en este gran equipo,
➢ Al Dr. Luis Chias Becerril gracias por confiar en mí, por tus enseñanzas profesionales, académicas y de vida, eres una de las personas que más admiro, sin tu pasión, entusiasmo y enorme motivación yo no estaría en donde me encuentro, y este proyecto y otros no hubiera sido posibles.
➢ Al Mtro. Héctor Reséndiz López quien es el mejor especialista SIG que yo he conocido y al que admiro profundamente, gracias por tu guía, por el tiempo que dedicaste para ayudarme y por todos los aportes tanto en mi vida laboral como en la realización de este trabajo.
➢ Al Mtro. Felipe Navarrete Córdova por su apoyo desde el principio de esta historia, por su lealtad y por ser mi maestro SIG Web, gracias por compartir tu conocimiento.
➢ Al Mtro. Luis Alberto Montecillo Salas que es el mejor diseñador Web que he conocido sin duda, sin ti la realización de este trabajo no hubiera sido posible, tu trabajo fue fundamental para el éxito de este proyecto.
➢ Al Lic. Carlos Cortés Ortiz quien es el programador y especialista en software que más admiro y respeto, eres el artífice arquitectónico de este gran proyecto, gracias por tu lealtad y apoyo.
➢ A la Ing. Jazmín Palomares López, quien estimo mucho y compartió sus conocimientos conmigo, gracias por tu apoyo a lo largo de mis estudios de maestría y por tu arduo trabajo como programadora de este proyecto.
➢ Al Lic. Armando Martínez Santiago por tu dedicación en la estructuración y revisión de datos, hiciste los primeros pasos para la realización de este proyecto, gracias por tus comentarios y observaciones.
➢ Al Lic. Juan Luis Torres Vaca gracias por tus comentarios, tu orientación a lo largo de mis estudios de maestría, por el tiempo que me dedicaste y por tus enseñanzas cartográficas que fueron fundamentales para la realización de este trabajo.
➢ A la Lic. Nayeli Camacho Medrano por su labor administrativa, dedicación y apoyo al proyecto.
➢ Al Dr. Ioannis Chatziioannou por tu interés, enseñanzas y apoyo constante, agradezco tu cariño y tus palabras de aliento.
➢ Al Lic. Tonatiuh Suárez Meaney por sus palabras, su valioso apoyo y las oportunidades de colaboración que me brindo.
Especialmente quiero agradecer a mi profesor asignado Richard Resl, a Fernanda Bonilla, a Laure Collet, a Carlos Morales y a los miembros del Comité Académico de UNIGIS por sus comentarios y aportes al presente trabajo.
A la Secretaría de Salud de México por la confianza y los datos proporcionados.
Finalmente quiero agradecer a la Universidad Nacional Autónoma de México que por medio de su Coordinación de la Investigación Científica y el Instituto de Geografía demostrando su compromiso social aportando los recursos económicos necesarios, y a todo el personal del laboratorio iSTAR – GITS por la aportación en infraestructura, administración y conocimientos para la realización del Sistema de la Red IRAG del que es resultado este trabajo de tesis.
DEDICATORIA
A mis padres que son las personas más trabajadoras y comprometidas que conozco, por su cariño y apoyo, a mi hermano por estar conmigo, por sus comentarios y críticas a lo largo de mi vida estudiantil y laboral, tú me motivaste a trabajar en el tema que eventualmente dio origen a este proyecto, a Vania por sus cuidados y cariño, a Lourdes por su fuerza y valentía, a mis amigos Erick, Rodrigo, José y Lalo por siempre estar presentes, a Esmeralda por su cariño, ayuda y comentarios a este trabajo, finalmente a Luján por su cariño, motivación y las interminables horas que me tuvo que escuchar hablando de mis estudios de maestría.
RESUMEN
La aparición del virus SARSCov2 a nivel mundial puso de manifiesto una falta crítica de preparación dentro del sector de salud en México para enfrentar de manera efectiva la pandemia de Covid-19. Esta insuficiencia se debió a la incertidumbre inicial en torno al número preciso de infecciones, la ausencia de vacunas disponibles y la distribución desconocida de camasgenerales, camas deunidades de cuidadosintensivos ycamas con ventilador en diversas regiones y unidades médicas (UM). Esto se conocía demasiado tarde y las UM empezaban a colapsar, ocasionando reconversiones y ampliaciones de las UM en una etapa tardía. No se contaba con algún mecanismo de respuesta casi inmediata para la toma de decisiones, y así poder aumentar la capacidad de los servicios adecuadamente.
México no podía visualizar el estado nacional de la ocupación hospitalaria en un corto tiempo, se generaban estadísticas de manera manual y la información no se encontraba centralizada y tardaba mucho en conocerse. Esto implicaba que se tomaran decisiones que carecían de información precisa y oportuna.
Para abordar esta situación, se desarrolló el Sistema de Información de la Red IRAG, utilizando software de código abierto y siguiendo metodologías ágiles de desarrollo y gestión de bases de datos. Este sistema se encarga de recopilar los datos diarios proporcionados por la Secretaría de Salud (SS). Estos datos, que incluyen variables fundamentales como el total de camas generales, UCI, con ventilador, y el número total de hospitalizados, se utilizan para calcular una serie de indicadores de ocupación hospitalaria. Estos indicadores se generan siguiendo una propuesta metodológica establecida por la SS, se presentan a diferentes escalas regionales y por UM.
El sistema presenta un seguimiento diario de la evolución de la pandemia a través de tablerosdecontrol basados enlatecnologíaSIG Web.Estos tablerosdecontrol incluyen diversas alertas que se activan en función de los porcentajes de ocupación hospitalaria. Se emplea el análisis espacio temporal para evidenciar la ampliación de los establecimientos de salud, optimizando los recursos disponibles, para atender adecuadamente al incremento de casos.
Palabras claves: Covid-19, Indicadores de ocupación hospitalaria, Ocupación hospitalaria, SIG Open Source, SIG Web.
ABSTRACT
The emergence of the SARSCov2 virus on a global scale underscored a critical lack of preparedness within the Mexican health sector to effectively confront the Covid-19 pandemic.Thisinadequacystemmedfromtheinitialuncertaintysurroundingtheprecise number of infections, the absence of available vaccines, and the unknown distribution of general beds, intensive care unit beds, and ventilator beds across different regions and medical units (MUs). This was known too late when the MUs were beginning to collapse, causing reconversions and extensions of the MUs at a late stage. There was almost no immediate response mechanism for decision-making, reducing the ability to increase the capacity of the services adequately.
Mexico could not visualize the national state of hospital occupancy in a short time, statistics were generated manually, the information was not centralized and it took a long time to be known. This implied that the taken decisions lacked accurate and timely information.
To address this situation, the IRAG Network Information System was developed, using open source software and following agile methodologies for database development and management. This system is responsible for collecting the daily data provided by the Ministry of Health (MH). These data, which include fundamental variables such as total number of hospitalized patients, total general beds, ICU, and with ventilator, are used to calculate hospital occupancy indicators. These indicators are generated following a methodological proposal established by the MH, and are presented at different regional scales and by MU.
The system presents a daily monitoring of the evolution of the pandemic through dashboards based on GIS Web technology. These dashboards include various alerts that are triggered based on hospital occupancy rates. The temporal space analysis is used to showtheexpansion ofhealthfacilities,optimizingtheavailableresources, to adequately address the increase in cases.
Figura 1 Tablero de control con la información general de los contagios................................18
Figura 2 COVID-19 Dashboard. 28
Figura 3 Casos diarios de Covid-19. 31
Figura 4 Tablero de control. 33
Figura 5 Línea de tiempo COVID-19 en México.....................................................................34
Figura 6 Índice de marginación CONAPO por municipio.......................................................35
Figura 7 Modelo de una API. ...................................................................................................40
Figura 8 Escala estatal, % de ocupación hospitalaria 1 de enero, 2021. 49
Figura 9 Escala jurisdicción, % de ocupación hospitalaria 1 de enero, 2021. 50
Basado en datos de: Sistema de la Red IRAG (iSTAR Lab Instituto de Geografía UNAM, 2020). Figura 10 Escala municipal, % de ocupación hospitalaria 1 de enero, 2021. 50
Figura 11 Escala por unidad médica, % de ocupación hospitalaria 1 de enero, 2021. 51
Figura 12 Flujograma de la metodología 54
Figura 13 Especificaciones para “Infraestructura disponible - Red Negativa”. ......................
Figura 14 Construcción de indicadores. ...................................................................................
Figura 15 Indicadores para visualizar en el sistema.................................................................
Figura 16 Vista de un archivo en formato JSON.
Figura 17 Envió de datos al Sistema de la Red IRAG.
Figura 19 Arquitectura tecnológica del sistema. ......................................................................
Figura 20 Diseño conceptual del SIRAG.
Figura 23 Vista inicial del sistema con la bienvenida ..............................................................
Figura 24 Vista inicial con el resumen general por escala, menú público................................85
Figura 25 Serie histórica de hospitalizados (NO UCI) 2022-2023 86
Figura 26 Serie histórica a escala de UM con los totales de ocupación por tipo de indicador entre 50% y 70%. Vista interna.
86
Figura 27 Serie histórica a escala de UM con los totales de ocupación entre 50% y 70%. Vista general con visualización de total por indicador. 86
Figura 28 Serie histórica a escala de UM con los totales de ocupación por tipo de indicador mayor a 70%. Vista interna.
87
Figura 29 Serie histórica a escala de UM con los totales de ocupación mayor a 70%. Vista general con visualización de total por indicador. .....................................................................87
Figura 30 Vista del indicador OCHG a escala estatal, para la fecha 2021-06-25. 89
Figura 31 Vista del indicador OCHG a escala de jurisdicción, para la fecha 2021-06-25. 89
Figura 32 Vista del indicador OCHG a escala de municipal, para la fecha 2021-06-25. 90
Figura 33 Vista del indicador OCHG a escala de unidad médica, para la fecha 2021-06-25...90
Figura 34 Detalle de la unidad médica hospital general Tláhuac, para la fecha 2021-06-25 91
Figura 35 Selección de la jurisdicción medica Córdoba, para la fecha 2023-06-19. 91
Figura 36 Monitoreo de ocupación hospitalaria de la UM seleccionada, para la fecha 2023-0619..............................................................................................................................................92
Figura 37 Monitoreo de ocupación hospitalaria de la Ciudad de México, para la fecha 202306-19. 92
Figura 38 Paso1: Uso de la herramienta encuentra UM alrededor de tu zona, para la fecha 2021-01-02. 94
Figura 39 Paso2: Selección de UM alrededor de un radio de 5.85 km alrededor de la zona sur de la CDMX, para la fecha 2021-01-02....................................................................................94
Figura 40 Paso3: Ubicación visual y en la tabla de todas las UM alrededor de la zona sur de la CDMX, para la fecha 2021-01-02. 94
Figura 41 Elementos descargables. 95
Figura 42 Vista inicial con el resumen general por escala, menú privado, para la fecha 202306-21.........................................................................................................................................96
Figura 43 Vista del tablero unidades sin reporte, para la fecha 2023-06-21. 97
Figura 44 Vista del tablero unidades que reportan no tener pacientes en HG, para la fecha 2023-06-21................................................................................................................................97
Figura 45 Vista del tablero de demanda de servicios por sector escala estatal, para la fecha 2021-01-01................................................................................................................................98
Figura 46 Vista del tablero con el filtro de opciones de consulta por indicador e institución, para la fecha 2021-01-01. 98
Figura 47 Vista del tablero de demanda de servicios por nivel de atención escala estatal, para la fecha 2021-01-01..................................................................................................................99
Figura 48 Vista del tablero con el filtro de opciones de consulta por indicador y nivel de atención, para la fecha 2021-01-01. 100
Figura 49 Videos de apoyo para el uso del SIRAG 100
Figura 50 Icono de información para ver el detalle de los indicadores..................................
Figura 51 Mapa de los establecimientos de salud...................................................................
Figura 52 Evolución temporal para la CDMX, para la fecha 2020-08-01.
Figura 53 Evolución temporal para la CDMX, para la fecha 2020-11-01. 104
Figura 54 Evolución temporal para la CDMX, para la fecha 2021-02-01. 105
Figura 55 Evolución temporal para la CDMX, para la fecha 2021-05-01..............................105
Figura 56 Mapa de áreas de servicio de las UM en junio 2020 y febrero 2021 106
Figura 57 Extractó con los picos más altos de la pandemia. Fuente: Sistema de la Red IRAG
Figura 58 Total de defunciones para CDMX, Edo. De México, Jalisco y Nuevo León.........108
Figura 59 Disponibilidad de camas sin ventilador para CDMX, Edo. De México, Jalisco y Nuevo León.
109
Figura 60 Disponibilidad de camas con ventilador para CDMX, Edo. De México, Jalisco y Nuevo León. 109
Figura 61 Disponibilidad de camas UCI para CDMX, Edo. De México, Jalisco y Nuevo León. 109
Figura 62 Disponibilidad de camas sin ventilador para CDMX.
110
Figura 63 Camas sin ventilador en servicios para CDMX. 110
Figura 64 Disponibilidad de camas UCI ventilador para Puebla............................................111
Figura 65 Pacientes hospitalizados UCI Puebla.....................................................................111
Figura 66 Camas en servicio UCI para Puebla. 111
INDICE DE TABLAS
Tabla 1 Matriz de requerimiento para los datos .......................................................................59
Tabla 2 Matriz de requerimiento del sistema: Sección Resumen General 61
Tabla 3 Matriz de requerimiento del sistema: Sección Indicadores de Ocupación 62
Tabla 4 Matriz de requerimiento del sistema: Sección funcionalidades públicas 63
Tabla 5 Matriz de requerimiento del sistema: Sección Información Restringida Sin Reporte.64
Tabla 6 Matriz de requerimiento del sistema: Sección Información Restringida Demanda ....65
Tabla 7 Matriz de requerimiento del sistema: Sección funcionalidades privadas....................66
Tabla 8 Especificación de datos para su envió al Endpoint 70
Tabla 9 Concentración de Unidades Médicas por rango 103
Tabla 10 Cobertura de servicios entre junio 2020 y febrero 2021..........................................107
TABLA DE ACRÓNIMOS
API Application Programming Interfaces
BD Base de datos
Conacyt Consejo Nacional de Ciencia y Tecnología
CDCV Camas IRAG disponibles con ventilador no UCI (Camas IRAG con ventilador, fuera de UCI, disponibles).
CDSV Camas IRAG disponibles sin ventilador (Camas IRAG sin ventilador, disponibles).
CDUCI Camas IRAG en UCI Disponibles (Camas IRAG en UCI, disponibles).
CT Total de Camas
DEF Defunciones IRAG
EGR Egresos IRAG
FSF Free Software Foundation
GPS Global Positioning System
HTML HyperText Markup Language
IG Instituto de Geografía de la UNAM
IMSS Instituto Mexicano del Seguro Social
ING Ingresos IRAG
IRAG Infección respiratoria aguda grave
IS Ingeniería de Software
iSTAR Laboratorio Internacional de Tecnología e Investigación Espacial
ISSSTE Instituto de Seguridad y Servicios Sociales de los Trabajadores del Estado
JSON JavaScript Object Notation
KPI Key performance indicator
MILI The Medical Industry Leadership Institute
MISRC Management Information Systems Research Center
MVC Modelo-Vista-Controlador
OCVUCI Ocupación de Camas con Ventilador en Unidad de Cuidados Intensivos
OCHG Ocupación de Camas General
OCV Ocupación de Camas con Ventilador
OMS Organización Mundial de la Salud
PMBOK Project Management Body of Knowledge
PINT Pacientes Intubados
PnUCI Pacientes Hospitalizados No UCI
PUCI Pacientes Hospitalizados IRAG UCI
REST REpresentational State Transfer
RTM Matriz de trazado de requerimientos
SIG Sistemas de Información Geográficos
SIRAG Sistema de Información de la Red IRAG
SISS Sistema interno de la Secretaría de Salud
SMBD Sistema Manejador de Base de Datos
SO Sistema Operativo
SQL Structured Query Lenguaje
SS Secretaría de Salud
TI Tecnología de la información
UCI Unidad de Cuidados Intensivos
UM Unidad Médica
UNAM Universidad Autónoma de México
UR Unidades (que han reportado hoy)
UTR
Unidades Totales Por Reportar
VRD Ventiladores de Repuesto Disponibles (Ventiladores disponibles de respaldo)
WEB World Wide Web
WHO World Health Organization
WMS Web Map Service
XML Lenguaje de marcado extensible
1. INTRODUCCIÓN
Las primeras noticiassobreel brotedel Covid-19sedieron a finalesdel 2019enWuhan, China (Okoroiwu et al., 2021) y en enero del 2020 se empezaron a registrar casos en otros países hasta que fue declarada como una pandemia en ese mismo mes. Es hasta abril de este mismo año que en México se empezaron a registrar los primeros casos. El surgimiento del Covid-19 y la magnitud de sus efectos fueron eventos inesperados que sobrepasaron la capacidad de respuesta no solo en el sector de la salud pública, sino también en varios sectores como el económico y social (Nicola et al., 2020) en donde no todos los países del mundo podían afrontar de igual forma la escalada de efectos negativos que estaba generando este imprevisto. Uno de los más notorios fue el colapso del sistema de salud debido a la saturación de hospitales y los recursos necesarios para combatir al virus, dadas las diferentes características de las regiones y países.
El virus del SARSCov-2 evidenció en el mundo, y por ende en el sector de la salud mexicano, la falta de preparación para poder enfrentar la pandemia de Covid-19 de manera eficaz. Los gobiernos no contaban con sistemas de información para el manejo de una pandemia, en particular ya se contaba con el antecedente de otros brotes como el virus del Ébola, el SARS, H1N1, entre otros y se había encontrado la necesidad de realizar un seguimiento a los contagios, a los lugares, al personal disponible y a los insumos para manejar de manera efectiva la toma de decisiones para evitar más contagios y posibles decesos.
Al inicio no se sabía con certeza el número total de contagios, aún no se contaban con vacunas y no se sabía en qué región y unidades médicas (UM) iban disminuyendo el total de camas generales, camas en unidad de cuidados intensivos y camas con ventilador. Esto se conocía demasiado tarde y las UM empezaban a colapsar, ocasionando reconversiones y ampliaciones de las UM en una etapa tardía. No se contaba con algún mecanismo de respuesta casi inmediata para la toma de decisiones, y así poder aumentar la capacidad de los servicios adecuadamente.
México no podía visualizar el estado nacional de la ocupación hospitalaria en un corto tiempo, se generaban estadísticas de manera manual y la información no se encontraba centralizada y tardaba mucho en conocerse. De esta manera, también reveló un mundo sin sistemas de información robustos y capaces para combatir la epidemia. Esto
implicaba que se tomaran decisiones que carecían de información precisa y oportuna. Es por ello que la Secretaría de Salud pidió apoyo a distintas universidades y laboratorios nacionales para que, con base en su experiencia, pudieran ayudar a generar mecanismos que aprovecharan los datos que eventualmente se recopilaron y así poder proporcionar a la sociedad respuestas de calidad para el manejo de la pandemia.
Unejemplo deesto fueel trabajo realizadopor el Conacyt (Consejo Nacional deCiencia y Tecnología, 2020) que mostraba por medio de un tablero de información sobre el total decontagios,recuperados, casos activos ydefunciones.Otradeestas colaboraciones fue con el Laboratorio iSTAR del Instituto de Geografía de la Universidad Nacional Autónoma de México, para la generación de una solución que permitiera responder a varios de los cuestionamientos, por medio de indicadores de ocupación hospitalaria para responder adecuadamente al incremento de casos de Covid-19.
Se observó que existe una relación entre la mortalidad de pacientes hospitalizados por COVID-19 y la disponibilidad en ocupación de camas (Castagna et al., 2022). La infraestructura disponible es un elemento crítico para la planificación estratégica de los recursos con los que dispone un hospital y a su vez una región o país determinado. Este elemento se conoce como suficiencia sanitaria y describe la capacidad que tiene el sistema de salud para responder adecuadamente a eventos tales como una pandemia (Moguerza et al., 2021). Para enfrentar el colapso del sistema de salud pública es necesario definir indicadores de suficiencia sanitaria que puedan medir el impacto de la evolución de la enfermedad, de tal forma que, el indicador principal de suficiencia sanitaria para tratar pacientes con Covid-19 es la tasa de ocupación del número total de camas en unidad de cuidados intensivos disponibles (Cylus et al., 2016).
1.1. ANTECEDENTES
Desde finales del 2019 se empezaron a difundir casos inusuales de neumonía que llevó a hospitalizaciones masivas a causa del virus SarsCov-2 en Wuhan, China y que rápidamente se propagaron a todo el mundo. Se publicaron algunas guías con planes estratégicos para responder a esta situación en diversas áreas y para diferentes escalas regionales (World Health Organization, 2020). Hubo una destacada participación de diversas universidades, laboratorios y centros de investigación para difundir datos tales como, total de casos diagnosticados, recuperados y defunciones por país, un ejemplo de
esto fue el trabajo realizado por la Universidad Johns Hopkins y su tablero de información internacional en tiempo real (Johns Hopkins University, 2020). Este ejemplo que se multiplicó por todo el mundo, fue uno de los primeros visualizadores analíticos que mostraba el valor de la información georreferenciada, para la vigilancia de la evolución de la pandemia.
Estos primerosesfuerzos seutilizaroncomo marcos dereferenciaenlos quesemostraba de manera inicial solo información general, como la tasa de hospitalización para distintos países (World Health Organization, 2020), el número de egresos y el total de contagios, solo fueron el comienzo de otras investigaciones que buscaban la evaluación y monitoreo para preservar servicios de salud críticos y sus impactos asociados. Diversos autores hacen énfasis en el uso de metodologías que hagan uso de estadística para realizar una representación más precisa de la realidad. Proporcionar información por medio de indicadores calculados que pudiera dotar a las personas y a los responsables de la salud, de mecanismos para la toma de decisiones (World Health Organization, 2022) y así dar respuesta a los efectos ocasionados por el incremento de contagios es fundamental para disminuir el número de muertes y proveer de los insumos necesarios a los centros de salud para hacer frente al Covid-19.
Uno de los trabajos más detallados es el realizado por Moguerza (2021), en este se describe la necesidad de generar indicadores de suficiencia sanitaria para el monitoreo de la pandemia, que proporcionen información básica en tiempo real sobre la evolución de la enfermedad. Los autores definen indicadores basados en la tasa de ocupación en capas generales y en camas en Unidad de Cuidados Intensivos (UCI). La metodología propuesta por los autores toca un punto crucial, el cual tiene que ver con el cómo son registrados los datos, en cada país dadas sus características propias tales como tamaño, densidad y estructura demográfica general, usando diferentes criterios para la definición de las categorías de los datos registrados, lo cual es fundamental para el ajuste de los indicadores a distintas escalas y regiones del planeta.
En abril del 2020 se registraron los primeros casos en México por la Secretaría de Salud, estos datos eventualmente se registraron en un formato tabular y se podían consultar por medio de un tablero de información general elaborado por el Consejo Nacional de Ciencia y Tecnología de México (Consejo Nacional de Ciencia y Tecnología, 2020) que se presenta en la figura 1. En él se reportaban datos diarios sobre el total de casos positivos, activos, recuperados, negativos, sospechosos y defunciones. También se
incluían mapas y gráficos con esta información desde los primeros registros hasta la fecha. Si bien en México y en el mundo existían algunos esfuerzos notorios por proporcionar datos que mostraban el avance de la enfermedad, no existía en el país una red detallada que pudiera proporcionar información en tiempo real sobre el número total de camas generales, camas en Unidad de Cuidados Intensivos y camas con ventilador disponibles, que son indicadores necesarios para que los pacientes pudieran acudir a un centro hospitalario que tuviera espacio y así minimizar la mortalidad que iba en aumento.
Existen reportes de colapsos en diversos hospitales en Brasil (Lino et al., 2020) a causa de la saturación de camas en el sector público y privado que impactaron su sistema de salud. Se documentó cómo el número de camas y equipo eran insuficiente en diversas regiones con mayor población y; se especificó como el que las personas se mantuvieran encasaayudabaabajarlastasastanaltasdeocupaciónyasígestionarmejorlosespacios disponibles.
Ya desde el año 2004 diversos autores mencionan la importancia de la tecnología de la información (TI) para responder a las emergencias relacionadas con el cuidado de la salud (Chan et al., 2004). Enparticular, seprevió la importanciadel internet inalámbrico, la geolocalización para mejorar la comunicación y la gestión de la información como
Figura 1 Tablero de control con la información general de los contagios.
Fuente: Consejo Nacional de Ciencia y Tecnología (2020)
elementos necesarios para actuar en un escenario de desastre. También se menciona la importancia de la capacidad de respuesta tecnológica y el monitoreo para vigilar los cuidados de la salud y así poder enfrentar una catástrofe sanitaria.
Diversas fuentes remarcan la importancia de los sistemas web como un medio para compartir información, particularmente los Sistema de Información Geográfica (SIG) web o las Aplicación de Mapas que entrega servicios web con mapas (WMS) que han sido fundamentales para el manejo de la pandemia de Covid-19. El diseño de estas soluciones realizadas en tiempos muy cortos se puede realizar por medio de softwares licenciados que generan dependencia de uso, pero también con base en metodologías ágiles de desarrollo de software se puede hacer uso de software libre y de código abierto para implementar soluciones a la medida.
Con base en la importancia de los indicadores de ocupación hospitalaria es que la Secretaría de Salud de México solicitó al Laboratorio iSTAR del Instituto de Geografía de la Universidad Nacional Autónoma de México apoyo para generar un mecanismo para dar seguimiento a la ocupación hospitalaria para minimizar el impacto. A partir de esta problemática es que se buscó como medio de solución el uso de los SIG y la geo tecnología para monitorear el incremento de la hospitalización a causa de la pandemia.
1.2. OBJETIVO GENERAL
Conocerelestadodiario delaocupaciónhospitalariaenMéxicoenpacientescon Covid19 a través de SIG para ofrecer un panorama estadístico, geográfico y temporal del estadoylaevolucióndelaocupación aescalanacional,estatal,municipal,jurisdiccional y por unidad médica.
1.3. OBJETIVOS ESPECÍFICOS
➢ Identificar porcentajes de ocupación hospitalaria a diferentes escalas (estatal, jurisdiccional, municipal y por unidad médica) por medio de una semiología que alerte de los riesgos.
➢ Proporcionar en tiempo real indicadores de ocupación hospitalarias para camas generales, camas en unidad de cuidados intensivos y camas con ventilador para la toma de decisiones.
➢ Localizar las unidades médicas con disponibilidad.
➢ Diseñar y desarrollar una plataforma única de consulta.
1.4. PREGUNTAS DE INVESTIGACIÓN
➢ ¿Se puede conocer el estado diario de la ocupación hospitalaria en México en pacientes con Covid-19?
➢ ¿Se podrá proporcionar información espacio temporales del estado y la evolución de la ocupación hospitalaria en México para pacientes con complicaciones por la enfermedad de Covid-19?
➢ ¿Se podrán prevenir los impactos ocasionados por la pandemia entre el 2020 y 2023?
➢ ¿El uso de indicadores para monitorear el impacto de la evolución de la pandemia a distintas escalas regionales permite responder adecuadamente a el alza en la saturación de servicios?
➢ ¿Se podrá proporcionar información a diferentes escalas, permitiendo visualizar el alza en la saturación de servicios, para que la Secretaría de Salud pueda optimizar los recursos disponibles?
1.5. HIPÓTESIS
Con el análisis multitemporal y el desarrollo de sistemas SIG Web es posible la vigilancia epidemiológica por medio de instrumentos como indicadores de ocupación hospitalaria, lo cual permite visualizar la evolución de la pandemia de Covid-19 para generar acciones, que optimicen los recursos con los que dispone un hospital, un municipio, una jurisdicción o un estado, para prevenir y minimizar el impacto asociado a la enfermedad.
1.6. JUSTIFICACION
El virus SarsCov-2 que empezó a registrar tasas altas de contagio en Wuhan, China (World Health Organization, 2020), y que inevitablemente fue impactando a todo el mundo e hizo evidente que los sistemas de salud serían incapaces de hacer frente a la pandemia. Esto no solo ocurrió en los países menos desarrollados, incluso aquellos que contaban con grandes recursos económicos, en infraestructura y amplias plantillas médicas, colapsaron y tuvieron que ampliar sus capacidades y niveles de servicio para
satisfacer la demanda. Esto no fue ajeno a lo que pasó en México, en donde se agravó la situación del sistema de salud pública que no contaba con el espacio suficiente, no contaba con las camas con ventilador ni con camas en unidad de cuidados intensivos. Si bien se hicieron reconversiones médicas (Secretaría Salud de México, 2020) y se compró equipo, no fue suficiente para atender la demanda cuando las curvas epidemiológicas estaban en sus puntos más altos. Además, cada región del país contaba con una realidad muy diferente, en la que en muchos estados no contaban aún con muchos contagios pero que eventualmente se tendrían que enfrentar a un alza que afectaría a sus centros de salud. La situación también expuso la falta de tecnologías actuales, como sistemas de recolección, visualización, análisis o búsqueda de información para afrontar la situación que se vivía.
La Secretaría de Salud de México pidió apoyo a distintas universidades y laboratorios nacionales para que, con base en su experiencia, pudieran ayudar a generar mecanismos que aprovecharan los datos que eventualmente se recopilaron y así poder proporcionar a la sociedad respuestas de calidad para el manejo de la pandemia. Una de estas colaboraciones fue con el Laboratorio iSTAR del Instituto de Geografía de la Universidad Nacional Autónoma de México, para la generación de una solución que permitiera responder a varios de los cuestionamientos mencionados, por medio del monitoreo de la información diaria y por medio del uso de indicadores de ocupación hospitalaria para responder adecuadamente al incremento de casos ocasionados por la enfermedad de Covid-19
La Secretaría de Salud proporciona la información diaria para calcular los indicadores de ocupación, por su parte la UNAM proporciona el Centro de Datos con su infraestructura de Hardware y el Laboratorio iSTAR será responsable de la revisión, almacenamiento de los datos y el diseño y desarrollo del Sistema de Información de la Red IRAG (Infección Respiratoria Aguda Grave).
Al ser un proyecto con un impacto social muy grande cuenta con el apoyo de la Secretaría de Salud de México, Presidencia, la Universidad Nacional Autónoma de México (UNAM) por medio la Coordinación de la Investigación Científica y el Instituto de Geografía. Hay un equipo técnico de primer nivel para el desarrollo del proyecto, en donde el presente trabajo se enfoca en los esfuerzos relacionados a el tema de las Bases de Datos, Desarrollo de Software, SIG Web y Análisis espacio temporal. El trabajo
propuesto tiene un enfoque científico que aprovecha el apoyo institucional y presenta un estudio de caso con alto impacto social.
1.7. ALCANCE
El presente estudio busca mostrar que, con el uso de los SIG y el monitoreo diario de indicadores de ocupación hospitalaria, es posible proporcionar información valiosa sobre el estado y la evolución de la pandemia ocasionada por el virus SarsCov-2, para la optimización de recursos y la toma de decisiones basada en evidencia, para la Secretaría de Salud de México. Se analiza a diferentes escalas, estatal, jurisdiccional, municipal y por unidad médica, en donde se generó una semiología que alerta de los riesgos, permitiendo identificar el porcentaje de ocupación en donde de 0 a 50% se encuentra en un nivel manejable de saturación, mayor a 50% y Menor a 70% preocupante y mayor a 70% alarmante que podría implicar una reconversión o ampliación delasUM.Estainformación semostraráentiempo real paratres indicadores los cuales son Ocupación de Camas General, Ocupación de Camas con Ventilador y Camas en Unidad de Cuidados Intensivos. Estos se generan con base en variables nativas de infraestructura, de pacientes y las variables calculadas con información de la infraestructura, pacientes, camas en servicio y los indicadores de disponibilidad.
Toda la información se almacenará en un repositorio único que captara la información de todas las UM públicas del país, internamente se calcularán los tres indicadores de ocupación mencionados y se mostrarán por escala en un sistema de tableros (Dashboards) que será el Sistema de la Red IRAG. Este desarrollo estará basado en el modelo de tres capas, capa de datos, capa de la lógica y capa de presentación, esto se realizará solo con software Open Source. El sistema permitirá mostrar la información de cada día por medio de un selector de fechas para así poder tener un panorama actual de la ocupación y así tener la capacidad de ver la evolución temporal de la pandemia. También será posible generar un mapa siguiendo la semiología mencionada anteriormente, una tabla con el listado de todas las UM con su respectivo porcentaje de ocupación, así como una gráfica que presentará el porcentaje histórico de ocupación, esta visualización será para cada una de las cuatro escalas y de los tres indicadores de ocupación, por lo que al recibir los datos del día anterior el sistema será capaz de presentar doce tableros por día.
El sistema tendrá un tablero inicial que presentará un resumen con las métricas más importantes para la Secretaría de Salud (SS). Tendrá una sección para poder consultar las series históricas por indicador y por escala. Finalmente, habrá una sección privada en la se podrá acceder con usuario y contraseña para ver el detalle de la información que genera los indicadores y mostrar otros indicadores de demanda de servicios por sector y nivel de atención que son importantes para los tomadores de decisiones dentro de la SS.
2. REVISIÓN DE LITERATURA
2.1. MARCO TEÓRICO
2.1.1. ANÁLISIS ESPACIO TEMPORAL
En el contexto de Covid-19 la planeación estratégica es fundamental para evitar la saturación de los servicios de salud y gestionar adecuadamente los recursos con los que cuenta un hospital desde físicos hasta humanos, existe una relación intrínseca entre el lugar en donde hay una alta demanda de servicios y el tiempo en el que ocurre. El análisis espacio temporal es utilizadoparaencontraryentenderpatrones, distribuciones, tendencias y el cómo se relaciona un fenómeno dado en diferentes lugares y cómo evoluciona a lo largo del tiempo (Eshel, 2012). Es por ello que este tipo de análisis aplicado a la ocupación hospitalaria en medio de una pandemia, permite entender cómo se distribuyen los hospitales, los insumos, los médicos y las camas a lo largo del tiempo y el espacio, identificando las áreas geográficas con mayor saturación de servicios, y de esta forma enfrentar los momentos cruciales cuando hay una alta demanda. Cada país vive el fenómeno de manera diferente, en los que se puede observar un comportamiento espacio temporal muy diverso y dependiente de varios factores geográficos, demográficos, sociales y económicos, entre otros (Santana Juárez, 2021). Este tipo de análisis es esencial para vigilar la evolución de la demanda en diferentes momentos y así establecer cuáles pueden ser los factores que ocasionan la ocupación hospitalaria (Fuenzalida y Carvajal, 2022), por ejemplo las zonas más densamente pobladas de una región suelen ser las más afectadas, también permite conocer la distribución geográfica en donde se concentra la mayor cantidad de casos, considerando los hogares más distantes a los centros de salud. Además, este enfoque analítico puede ser estratégico para optimizar la entrega de recursos y planificar campañas de vacunación, considerando factores como la densidad poblacional y la ubicación geográfica (Wagner et al., 2022)
Para hacer este tipo de análisis se suelen utilizar diversas herramientas como pueden ser los SIG, que son esenciales para encontrar estos patrones espaciales en una fecha y momento dado, y también el uso de técnicas como estadística espacial, modelos de regresión, interpolaciones, simulaciones, manejo de redes, estudio de series temporales o de seguimiento de la evolución para pronosticar un fenómeno especifico, todas son de gran utilidad para hacer frente al Covid-19
2.1.2. EPIDEMIOLOGÍA
La epidemiología es una especialidad científica que es responsable de estudiar la distribución y los determinantes de eventos como las enfermedades y otros problemas de salud en las personas, así como la aplicación de estudios para controlarlos y entender cómo se transmiten para así identificar posibles riesgos, de tal forma que se delineen estrategias preventivas y de mitigación (Organización Mundial de la Salud, 2008). Su principal objetivo es entender cómo se reproduce y extiende una enfermedad en una población dada, cuáles son sus patrones de distribución y en qué momentos es más recurrente su propagación (Organización Mundial de la Salud, 2008). En el contexto de la pandemia de Covid-19, la vigilancia epidemiológica ha sido primordial para contrarrestar los efectos adversos, ya que gracias a esta se ha podido conocer cómo fue la trasmisión, propagación y el rastreo del SarsCov2, en esta se consideran diversos factores de riesgo asociados a la población como el sexo, la edad, el lugar y las comorbilidades, como diabetes, hipertensión obesidad, solo por mencionar algunas.
El estudio de la epidemiología es clave para realizar intervenciones con base en conocimiento científico y; permite evaluar distintos métodos de prevención para minimizar los riesgos y la propagación del virus, por ejemplo, la implementación de cuarentena, uso de mascarillas, sana distancia y la aplicación de vacunas, entre otras.
2.1.3. OCUPACIÓN DE CAMAS POR COVID-19
La saturación de camas en los hospitales se define como un porcentaje de ocupación del total de camas calculado a partir de la proporción de pacientes que superan la capacidad numérica de los recursos con los que cuenta un centro de salud. Diversos estudios apuntan a que la mortalidad de pacientes por Covid-19 tiene una relación con la ocupación de camas, en donde se ha podido observar que si se realiza una reducción temprana en los hospitales que tiene una tasa alta de ocupación y se proveen de mayores recursos para pacientes críticos, la tase de mortalidad baja considerablemente, por lo que la correcta planeación se convierte en un factor estratégico para enfrentar una pandemia (Castagna et al., 2022). Tasas altas de ocupación hospitalarias no solo ocasionaban una saturación para pacientes con Coronavirus, sino que al existir una gran demanda de servicios para un hospital que también es responsable de atender otras enfermedades, pone en riesgo a otros pacientes por la necesidad de mayor personal,
equipo y principalmente camas en UCI, de esta forma es que tasas altas de saturación pueden estresar todo el sistema de salud de una región.
2.1.4. INDICADORES DE OCUPACIÓN HOSPITALARIA
La ocupación hospitalaria deficiente puede generar un mayor riesgo e incluso un incremento de mortalidad al tratar a pacientes con Covid-19. El sistema de salud es responsable del tratamiento y de dar las mejores condiciones para la recuperación de los pacientes, si se administran adecuadamente los recursos hay mayor probabilidad de salvar a una mayor cantidad de pacientes. Esta premisa es estudiada con base en la importancia de la generación de indicadores de autosuficiencia sanitaria para el monitoreo delapandemia,“es claroquelaatención ineficazpuedeconducir aresultados innecesariamente malos para los pacientes y si los recursos se hubieran administrado mejor no se hubiera negado tratamiento a los pacientes” (Moguerza et al., 2021, p. 2).
De esta manera es fundamental la generación de métricas para el análisis en el sector salud que permita identificar que se está realizando adecuadamente, que no y que se podría mejorar. Esto es realizado con base en la generación de un indicador de suficiencia sanitaria que debe ser presentado cada día, su objetivo es medir el número de casos que dejan el sistema de salud en relación al número total de casos diagnosticados en un momento dado, si existen valores bajos esto indica la falta de recursos en el sistema de salud y por ende se evidencia la necesidad de ampliarlos para para contrarrestar estos efectos (Moguerza et al., 2021)
El diseño del indicador se realiza con base en diversas variables tales como casos diagnosticados, recuperados, muertes, tasa de ocupación, entre otros y es aplicable no solo a un país, sino que puede aplicarse a diferentes regiones. Un ejemplo de esto es su aplicación por parte del Ministerio de Ciencias e Innovación de España, en donde fue utilizado a escala regional y nacional, uno de sus objetivos principales es que pueda ser utilizado para la toma decisiones para minimizar el impacto causado por la pandemia de Covid-19 (Moguerza et al., 2021).
El enfoque principal para generar un indicador de ocupación, es la búsqueda de un conjunto de indicadores estándar que puedan aplicarse a cualquier escala, situación y características económicas, sociales y demográficas de cada país, buscando tener un marco de referencia, en donde se hagan los ajustes pertinentes. Esto es aún más claro
por la manera en la que se ha desenvuelto la pandemia en cada lugar. Los estudios realizados se enfocan especialmente en la tasa de ocupación de camas en unidad de cuidados intensivos, sin ahondar mucho en lo que ocurre en camas generales.
Para tratar de predecir lo que puede pasar en días posteriores es importante conocer el cómo va evolucionando la pandemia. Para lograr esto es fundamental el monitoreo diario de información, la sociedad necesita datos e información completa y precisa para el manejo oportuno de la pandemia. Es primordial contar con los datos de manera diaria, este tema es contrastante entre lo que pasa en un país de primer mundo como España, EU o UK y lo que pasa en otras regiones en donde hay zonas en las que no hay una amplia cobertura de internet, implicando que la información no se puede compartir en tiempo real y, aunquepudieraserenviadaalasautoridades sanitarias puedetomarvarios días en conocerse la situación actual de dichos lugares, por eso la importancia de ajustar los indicadores a la situación de cada lugar.
2.1.5. TECNOLOGÍA Y GESTIÓN DE BASES DE DATOS
Tener la capacidad de contar con datos organizados y accesibles para el manejo de la pandemia se convirtió en un reto más al que no se estaba preparado tecnológicamente hablando. El entregar un mecanismo de consulta automática fue otro problema más al que se tuvieron que enfrentar los equipos técnicos del mundo, de ahí la importancia de otroconcepto fundamental enel desarrollo,lagestión dalasbases dedatos (Silberschatz et al., 2019), ya que es necesario contar con un mecanismo para el monitoreo y organización precisa de los datos. Las Bases de Datos (BD) son una colección de datos organizados que permiten extraer información de utilidad para una problemática dada, en el tema de la salud son usadas por el personal médico para distintos usos, sin embargo, para tratar a pacientes con Covid-19, se diseñaron bases de datos con la información recopiladaparahacer frente aesteproblema,como sehamencionadodesde tiempo atrás, “el uso compartido de datos promueve la consistencia de información para la toma de decisiones y reduce la duplicidad en la recolección de datos” (Wiederhold, 1981, p. 1). Esto se ve reflejado en la figura 2, gracias al trabajo realizado por la Universidad Johns Hopkins (Johns Hopkins University, 2020) que fue uno de los esfuerzos que tuvo mayor impacto y alcance a nivel mundial. El compartir datos e información sobre el manejo de la pandemia fue un elemento esencial para el éxito en el combate dela misma,segeneraron diversos esfuerzos y apoyos no solo de lasociedad
científica sino de la sociedad civil en general, tales como limpieza y reestructuración de datos, entrega de servicios web para compartir datos y generación de sistemas de consulta, por mencionar algunos.
Fuente: Johns Hopkins University (2020).
Las bases de datos en sí mismas no son el único elemento necesario que se utilizó, también se necesitan herramientas que puedan gestionar y procesar los datos, por ello es que el uso de los Sistemas Manejadores de Base de Datos SMBD (Cerezo y Galacho, 2011) son fundamentales para esta tarea. Si bien actualmente por las capacidades de cómputo y los nuevos paradigmas para el manejo de datos muchas veces se opta por sacrificar la normalización y estructuración de estos por poder presentar resultados en un tiempo muy corto, no obstante, cuando se manejan datos de distintas unidades médicas el ordenylanormalización delos datos es necesariaparaevitarinconsistencias. Por eso los SMBD y todos los componentes que tienen que ver con ellos son necesarios para la organización de datos de calidad.
Desde hace mucho tiempo las tecnologías de la información y todos los elementos alrededor de esta son fundamentales para la respuesta inmediata cuando ocurre una crisis y se han convertido en herramientas esenciales para el manejo de desastres y particularmente en aquellos en los que está envuelta la salud pública como es el caso de una pandemia, en la que se busca obtener respuestas casi inmediatas y en tiempo real, para poder minimizar riesgos y una escalada incontrolable. Una respuesta eficaz requiere un análisis de la situación momento a momento e información en tiempo real para evaluar necesidades y recursos disponibles que pueden cambiar repentina e inesperadamente (Chan et al., 2004). Si bien las bases de datos gestionadas por los SMBD son parte del cimiento de las TI, es vital poder entregar y compartir información
Figura 2 COVID-19 Dashboard
por medio de sistemas de consulta, especialmente si se manejan datos que en su interior tienen una referencia geográfica y su representación se muestra en un SIG o en una Aplicación de Mapas (como en tecnologías OpenLayers o Leaflet) que entrega servicios web con mapas (WMS) por medio de geo servidores (Acosta y Yanza, 2013). Esto es debido a la importancia que tiene el análisis espacio temporal para la generación de predicciones aplicadas al manejo de riesgos, otros estudios de caso aplicados al tema de salud pública como el propuesto por Noor et al. (2009) detallan la importancia de las base de datos espaciales para la planificación de establecimientos de salud nacionales en Kenia en 2008.
2.1.6. DESARROLLO DE SOFTWARE Y METODOLOGÍAS ÁGILES
El desarrollo de software es uno de los pasos que se deben realizar para darle valor a una investigación de esta naturaleza, pero para hacer esto es sustancial el enfoque sistémico, disciplinado y cuantificable que ofrece la Ingeniería de Software (IS). Esta es una diciplina usada regularmente en el desarrollo de software y que describe una serie de procesos, métodos e instrumentos para la creación de un software (Pressman, 2005). Existen distintos métodos y procedimientos para el desarrollo de software, uno de las metodologías de desarrollo más usadas es la de cascada, este es un proceso secuencial de fases bien definidas para completar cualquier producto de software Esta contempla sólo una iteración, por lo que este método no es recomendable cuando un proyecto es susceptible a imprevistos y cambios en los requerimientos iniciales, tampoco es adecuado si se cuenta con poco tiempo y se busca mostrar resultados en pocas semanas. Para tratar proyectos que son susceptibles a cambios constantes es importante utilizar una metodología con una mayor flexibilidad que permita mostrar mejoras constantes, esto es posible con las metodologías ágiles, las cuales tienen un enfoque más sencillo, ya que son capaces de ajustarse a los cambios que surjan en las diferentes etapas de desarrollo.
Las metodologías ágiles (Rubin, 2013), se han probado desde hace muchos años y se han convertido en una alternativa para los extensos formalismos de distintas metodologías e instrumentos de gestión de proyectos, estás metodologías no son nuevas se puede rastrear su origen en los años 80 en donde compañías como Honda, Canon y
Xerox las utilizaban para producir excelentes resultados en el proceso de desarrollo a partir de equipos auto organizados.
En particular, del marco de trabajo Scrum de las metodologías ágiles, que ahora es sumamente famoso, se origina en 1993 como un instrumento de desarrollo de software quecombinaconceptos dedesarrollo orientadoaobjetos, procesos decontrol yprocesos iterativos e incrementales, procesos de software, productividad y sistemas complejos. Esta conjunción de conceptos permite entender que puede haber un conflicto al buscar una solución o desarrollar un sistema visto como un todo de manera rápida y flexible en vez de ver los componentes como una unidad independiente (Rubin, 2013), su objetivo es aceptar el cambio, no es necesario hacer grandes planificaciones ya que esto implica un consumo de tiempo enorme en la construcción de la solución y en el momento en el que surgen cambios a la planificación original se debe rehacer todo el plan, entonces lo que se busca es reaccionar rápido el cambio y ser más flexibles sin sacrificar la estabilidad del proyecto. Su estructura está basada en sprints que son iteraciones incrementales entre 1 a 6 semanas en las que al terminar cada iteración se van presentando resultados.
2.2. MARCO HISTORICO
2.2.1.
LA PANDEMIA EN EL MUNDO
Desde principios de siglo, el coronavirus SARS-CoV y MERS-CoV han estado presentesyocasionandocatástrofessanitariasanivelmundial,perohansidocontenidos. El 31 de diciembre de 2019 es la fecha que el gobierno chino hace público que existen diversos brotes de neumonías atípicas en la provincia de Wuhan y es hasta el 9 de enero de 2020 que se hace la caracterización del nuevo coronavirus. El 11 y 12 de enero del 2020 se da a conocer la primera defunción por el virus SARS-CoV2 y la publicación del genoma, posteriormente el 30 de enero la OMS declara la emergencia internacional de salud pública (Ashmore y Sherwood, 2023). No se conoce con exactitud el origen de la enfermedad por el virus del SARS-CoV2 que causó los contagios masivos ocasionando la pandemia que se vivió recientemente. Se cree que pudo ser causada por la ingesta de un murciélago que fue consumido en uno de los mercados de comida de la ciudad de Wuhan en China,esto sesugiereporlarevisiónde lasecuenciadel genoma, quemuestra 96% de correspondencia (Dos Santos, 2020). Actualmente se puede asegurar que la transmisión por vías respiratorias, de humano a humano, es más contagiosa y se propaga
más rápidamente que por la ingesta. Se han realizado diversos estudios a las diferentes variantes que se han encontrado a lo largo de toda la pandemia para así poder enfrentar a la enfermedad, que por medio del uso de vacunas que se empezaron a administrar por los países más desarrollados a partir del año 2021 es que ha habido una disminución en la tasa de mortalidad mundial.
Esta pandemia se ha considerado tan devastadora como la epidemia de influenza que ocurrió en 1918 (Chowell et al., 2014). El número de contagios desde que fue declarada como una emergencia de salud global por la Organización Mundial de la Salud, (2020) ha ido incrementándose considerablemente, afectando más a países como Estados Unidos de América que llego a tener 389,514 casos nuevos confirmados el día el 30 de diciembre del 2021, India con 412,262 casos el 6 de mayo de 2021, Reino Unido con 77,971 el 6 de enero del 2021 o Brasil con 150,106 casos el 20 de septiembre del 2021 como se puede ver en la figura 3 (Our World in Data Global Change Data Lab, 2023). Estosnúmerossiguieroncreciendocadadía,perodebidoalusodelasvacunaselnúmero de muertes ha disminuido considerablemente, sin embargo, las personas más afectadas han sido aquellas que tienen comorbilidades o con enfermedades crónicas como hipertensión, diabetes, enfermedades cardiovasculares, entre otras, cuyas tasas de mortalidad son muy altas (Djaharuddin et al., 2021)
3
Fuente: Our World in Data Global Change Data Lab (2023)
Figura
Casos diarios de Covid-19.
A raíz de la pandemia de Covid-19 se realizaron diversos sistemas y sitios Web con información referente a la ocupación hospitalaria. Muchos de estos sistemas ya no se encuentran disponibles, sin embargo, un ejemplo es el COVID-19 Hospitalization
Tracking Project el cuál es una iniciativa de The Medical Industry Leadership Institute (MILI) y del Management Information Systems Research Center (MISRC) en Carlson School of Management quehicieronpúblicoesteproyecto enmarzo26del2020 (Carlson School of Management, 2020), con el objetivo de rastrear y proporcionar
información sobre la ocupación hospitalaria ocasionada por el Covid-19 en los Estados
Unidos. Esteproyecto describelo complicadoquees contarconinformaciónconsistente y que tenga credibilidad, se hace énfasis en que contar con datos de manera diaria es vital para poder monitorear y predecir el impacto en el sistema de salud (Carlson School of Management, 2020). A continuación, se presentan algunas de sus características.
Monitoreo de ocupación hospitalaria: Su objetivo es rastrear y reunir datos acerca de las hospitalizaciones por Covid-19 a escala nacional.
Datos en tiempo real: Se enfoca en compartir información actual, como pueden ser estadísticas sobre el total de hospitalizaciones, tanto a escala nacional como a escala estatal. Los datos se resguardan y actualizan regularmente para presentar la situación más reciente sobre la hospitalización.
Tablero de control: Se presentan la información por medio de un tablero de control que cuenta con gráficas y un mapa que muestran patrones y tendencias asociados a la ocupación hospitalaria en diversas escalas.
Indicadores presentados: Se cuenta con numeralia semanal referente al total de hospitalizaciones, porcentaje de ocupación en camas de hospitalización general y en UCI en pacientes con Covid-19 y generales a diferentes escalas, indicadores de ocupación con porcentajes mayores a 90%, promedio de ocupación a siete días.
Este proyecto, cuyo tablero de control se puede apreciar en la figura 4, proporciona el panorama de la hospitalización de diversas formas no solo con un tablero de control, sino también con reportes semanales que pueden consultarse sin que se requiera acceso, toda la información está disponible públicamente, esta puede ser descargada por diferentes perfiles de usuarios, ya sean especialistas, investigadores o al público en general.
Figura 4 Tablero de control.
Fuente: Carlson School of Management (2020).
2.2.2. LA PANDEMIA EN MÉXICO
Si bien la pandemia impactó a todo el mundo, las ciudades más grandes fueron en su mayoría las más afectadas por su alta densidad poblacional, pues era de suponerse que las regiones con altos índices de marginación y pobreza serían las que se verían afectadas en mayor o menor medida con base en la cantidad de recursos humanos, económicos, materiales con los que contaban. Los primeros contagios que se reportaron fueron a finales de 2019 y rápidamente la presencia del virus fue confirmada en México el jueves 27 de febrero de 2020 por la Secretaría de Salud que reportaba la entrada de un joven de 35 años que estuvo en Italia y que se encontraba en el Instituto Nacional de Enfermedades Respiratorias (Secretaría Salud de México, 2020). Esta fue declarada comoeliniciodelaprimerafasedelapandemiaenelpaísypocodespuésdequehubiera un ascenso masivo en el número de contagios, el 11 de marzo la OMS dicta la declaratoria de pandemia. En México se registra la primera defunción por Covid-19 el 18 de marzo de 2020 y el 24 de marzo se promueve la sana distancia en el país como parte de la segunda fase, parte de una estrategia para evitar las aglomeraciones de
personas en el trabajo, lugares públicos, escuelas entre otros, en donde se recomienda salir solo para realizar actividades esenciales, esta información se puede observar en la figura 5 con la línea de tiempo. El gobierno de México en ningún momento impuso toques de queda o hizo uso de la fuerza pública para mantener a la población en casa, sin embargo, sí se hicieron cierres de establecimientos o lugares no esenciales, que eventualmente impactaron en la economía de las personas, esto fue diferente en cada región, sin embargo se pudo observar que existe una relación entre espacio geográfico, poblacional y temporal con el cómo se desarrolló la enfermedad como afirma MendozaGonzález (2021). La Secretaría de Salud realiza una declaratoria el 1 de abril de 2020 para informar del inicio de la tercera fase y es a partir de este día que se empieza a realizar un conteo del número de pacientes que ingresan a los hospitales públicos del país.
Figura 5 Línea de tiempo COVID-19 en México. Fuente: Secretaría Salud de México (2022).
La evolución de la pandemia ha afectado de manera diferente a los países y regiones, teniendo una relación directa con los rasgos demográficos, económicos, sociales, espaciotemporales y geográficos del país. Los países más desarrollados aun contando con mayores recursos a su disposición para enfrentar la enfermedad, tuvieron grandes
problemas para mitigar sus efectos. Particularmente México tiene un alto nivel de desigualdad (González Pérez et al., 2008) y las localidades que tienen un alto nivel de marginación pueden ser las más afectadas para afrontar los efectos de la pandemia. No todos los municipios cuentan con centros de salud adecuados o sus niveles de accesibilidad son muy bajos por los que sus habitantes carecen de los servicios médicos necesarios. No todas las personas podían realizar su trabajo de manera remota dada la desigualdad social existente en el país como se puede observar en la figura 6 (iSTAR Lab InstitutodeGeografíaUNAM,2018),unnúmerosignificativodepersonas nopodía dejar de trabajar ya que su vida dependía de eso y por ende eran personas que enfrentaban los mayores riesgos. Si bien la mayor acumulación de contagios y muertes a causa del virus del SARSCoV-2 tuvo lugar en las ciudades con un alto número de población, las localidades con características mayoritariamente rurales no llegaron a concentrar un alto número de contagios, pero cuando esto ocurría no contaban con servicios tales como camas con ventilador o unidad de cuidados intensivos, entre otros, las condiciones socioeconómicas están altamente relacionadas con el estado de salud de una población (González Pérez et al., 2008).
Figura 6 Índice de marginación CONAPO por municipio. Fuente: iSTAR Lab Instituto de Geografía UNAM (2018)
2.3. MARCO METODOLÓGICO
2.3.1. LOS DATOS E INDICADORES COMO ELEMENTOS FUNDAMENTALES
En todo proyecto de desarrollo de sistemas de información es fundamental contar con los datos necesarios, preferentemente estructurados o en su defecto con la definición del modelo de datos para la implementación del mismo. Sin embargo, cuando se habla de datos la mayoría de ellos están en tablas en formato Excel, sin documentos de apoyo para su interpretación, tales como diccionarios de variables, diagramas de las relaciones entre los datos, descripción de variables o separación de tablas por tipo o conjunto de datos, etcétera. Es importante contar con datos que lleven un proceso previo de normalización, limpieza y estructuración, ya que la calidad de los mismos es fundamental para eventualmente contar con información de valor.
A continuación, se describen los datos nativos utilizados para calcular los indicadores de ocupación hospitalaria (Secretaría Salud de México, 2022), con base en una serie de fórmulas que son definidas por la misma SS, es importante el orden en el que se describen las variables para construir los indicadores, ya que la secuencia permite entender cómo fue su construcción. Las variables nativas son aquellas que permiten generar las variables calculadas que sirven como insumo final para la generación de las fórmulas. A continuación, se presenta el detalle de las mismas:
• Variables nativas de Infraestructura
UR: Unidades (que han reportado hoy).
UTR: Unidades Totales Por Reportar.
CT: Total de Camas.
CDSV: Camas IRAG disponibles sin ventilador (Camas IRAG sin ventilador, disponibles).
CDCV: Camas IRAG disponibles con ventilador no UCI (Camas IRAG con ventilador, fuera de UCI, disponibles).
CDUCI: Camas IRAG en UCI Disponibles (Camas IRAG en UCI, disponibles).
VRD: Ventiladores de Repuesto Disponibles (Ventiladores disponibles de respaldo).
• Variables nativas de Pacientes
ING: Ingresos IRAG.
EGR: Egresos IRAG.
PnUCI: Pacientes Hospitalizados No UCI.
PUCI: Pacientes Hospitalizados IRAG UCI.
PINT: Pacientes Intubados.
DEF: Defunciones IRAG.
• Variables calculadas para:
La Infraestructura
Camas IRAG Disponibles para Intubar (CDINT): CDCV + CDUCI.
Pacientes
Pacientes en Hospitalización General (PHG): PnUCI + PUCI - PINT.
Pacientes con Ventilador No UCI (PCVnu): PINT - PUCI.
Flujo de pacientes (FLU): ING - EGR.
Las Camas en servicio
Camas IRAG sin ventilador en servicio (CSSV): PHG + CDSV).
Camas IRAG con ventilador en servicio (CSCVnu): PCVnu + CDCV.
Camas IRAG UCI en servicio (CSUCI): PUCI + CDUCI.
Camas IRAG para Intubar en servicio (CSINT): PINT + CDINT.
Camas IRAG totales en servicio (CTS): CSSV + CSINT.
Los Indicadores de Disponibilidad
• Ocupación camas hospitalización general (OCHG): PHG*100/CSSV.
• Ocupación camas con ventilador (OCV): PINT*100/CSINT.
• Ocupación camas UCI (OCVUCI): PUCI*100/CSUCI.
2.3.2. SIG WEB Y TABLEROS DE CONTROL
La Web es un sistema que se usa diariamente, e incluso inconscientemente como un elemento más del quehacer cotidiano de la población, ésta permite interconectar documento y programas a los que se acceden vía internet, desde casi cualquier dispositivo electrónico desde una computadora personal o de escritorio pasando por los teléfonos celulares, hasta relojes y hasta una pequeña tarjeta de computadora (Rasberry Pi), vivimos en un mundo interconectado que ha impulsado el desarrollo tecnológico a gran escala. Si bien los SIG existen desde hace tiempo, el uso de sistemas Web ha permitido que los Geo portal sean una ventana muy importante para acercar al mundo información espacio temporal que puede mejorar la vida, estos cuentan con un componente fundamental para cualquier proyecto que quiera manejar información con una referencia geográfica en la web, esto es el uso de los SIG Web. Son un medio que potencializa un SIG haciéndolo más accesible, ya que facilita la integración con otros sistemas de información, enviando una petición HTTP a un servidor Web que genera una respuesta y provee de capacidades para compartir, publicar, analizar y visualizar información geoespacial (Fu, 2018).
Algunas funciones principales de los SIG Web son:
➢ Visualización de mapas y consultas a una BD
➢ Resguardo de información geoespacial
➢ Diseminación de información geoespacial
➢ Análisis espacio temporal
Los tableros de control si bien antes eran muy conocidos como herramientas claves dentro de grandes empresas para visualizar sus indicadores claves o Key performance indicator (KPI) y así poder potencializar su negocio, ya que estos muestran de manera muy simplificada los datos que generan un valor alto y normalmente se tiene acceso a ellos en tiempo real, dependiendo de la características de sus datos, en la pandemia hubo un auge de diversos tableros que contenían el estatus de defunciones y contagios ocasionados por la pandemia de Covid-19. Tal vez el más famoso fue el desarrollado por la Universidad Johns Hopkins que fue uno de los precursores que entregaba información del día anterior y de casi todos los países que ofrecieran la información en
formato de datos abiertos, para así posteriormente ser cargados en este medio. En realidad, fue el precursor de muchos que se hicieron con la misma tecnología de ESRI, de tal forma que se podían ver tableros con el mismo diseño pero que estaban regionalizados ya sea por país o provincia.
Esto quiere decir que, si bien ya existían los tableros de control, al combinarlo con el SIG Web y por ende con datos con una referencia geográfica el uso de estos se maximizó y se demostró fehacientemente el poder para facilitar un servicio que la sociedad y el mundo necesitaba para conocer el estado actual de la pandemia. Esto se tuvo gracias al monitoreo constante que las entidades de salud, los medios y la sociedad civil tenía para estar informados de manera casi inmediata, y fue posible gracias al trabajo no solo de las entidades de gobierno o las instituciones públicas, sino también a la sociedad que se interesó por comunicar el estado de su localidad con su región, país y con el mundo entero, ya que muchas de estas iniciativas eran de personas que tenían la posibilidad de estar en sus casas trabajando en soluciones que ayudaron a minimizar los efectos del problema circundante.
2.3.3. MECANISMO DE COMUNICACIÓN E
INTERCAMBIO API REST
En la actualidad, para poder recibir o entregar datos se debe de hacer uso de un mecanismo que permita a dos programas o sitios web comunicarse entre sí, para que eventualmente estos puedan intercambiar datos, para ello es necesario crear o hacer uso de una API o Application Programming Interfaces, su uso es fundamental para ofrecer datos de un sistema web a otro y así poder consumir la respuesta para hacer uso de los mismos. El formato de intercambio que se utiliza generalmente suele ser XML o JSON, este último es el más utilizado porque es entendible para los usuarios y las máquinas. Otro concepto importante es REST (REpresentational State Transfer), este es un tipo de arquitectura de desarrollo web que se apoya en el estándar HTTP pero no es un protocolo oun estándar y secomponedeuna listadereglas quepuedensermuy diversas y que se deben de cumplir en el diseño de la arquitectura de un API. Cuando un cliente realiza una petición utilizando esta arquitectura REST se transfiere un estado de la representación, que suele estar en formato JSON o XML, de alguna petición del solicitante o punto final Endpoint (Red Hat Inc, 2020). Los Endpoints son componentes
de una API que pueden ser vistos como el lugar en donde se encuentran los recursos de tal forma que una URL Endpoint hace entrega del recurso pedido.
A continuación, se presentan ejemplos de Endpoints:
Desde la API de YouTube si se conocen los códigos de sus videos, es posible solicitar desde el siguiente Endpoint https://www.googleapis.com/youtube/v3/videos, una lista de videos que coinciden con los parámetros que especificó en su solicitud.
La API de Spotify brinda a los desarrolladores acceso a datos de canciones, artistas, listas de reproducción y usuarios. Por ejemplo, si desea obtener un álbum específico, puede acceder a cualquier álbum en el catálogo de Spotify con el Endpoint https://api.spotify.com/v1/albums/23 (donde 23 es el identificador único del álbum). En la figura 7 se puede apreciar el modelo de una API (Juviler, 2022)
Fuente: Juviler (2022)
2.3.4. EVOLUCION TEMPORAL
Cuando se cuenta con una sucesión de observaciones ordenadas, que pueden estar dadas por medio de una variable temporal, estas pueden ser representadas por medio de una serie de tiempo (Mauricio, 2007). Para poder visualizar el estado actual y pasado de la ocupación hospitalaria a causa del Coronavirus es necesario registrar la historia del fenómeno, de tal forma que sea posible analizar la evolución del mismo para poder predecir o entender las causas de los incrementos en ingresos o decesos hospitalarios.
Figura 7 Modelo de una API.
Es esencial registrar esta evolución a través del tiempo por escala, para poder visualizar los distintos patrones espaciales que ocurren en una región dada (Cui y Wei, 2024). Las curvas epidemiológicas no se presentaron de la misma manera y en el mismo tiempo en los distintos países, inclusive dependiendo del tamaño de estos, podían existir regiones al interior que tuvieran comportamientos muy diferentes entre sí. Poder analizar la evolución temporal desde una UM hasta un municipio, jurisdicción médica o estado del país es fundamental para actuar de manera acertada con base en un análisis que permita sugerir las acciones que se tienen que tomar para disminuir las hospitalizaciones y por endelasdefunciones,esunodelosobjetivosdelusodeestetipodemonitoreoquepuede representarse por medio de gráficos o mapas.
2.3.5. SOFTWARE LIBRE Y OPEN SOURCE
El software de código libre (Free as in freedom) (Williams, 2002) y abierto (Open Source) desde tiempo atrás ha sido una parte fundamental que ha hecho posible utilizar, compartir y modificar software por medio de usuarios que pueden adaptarlo a un uso determinado, dependiendo a cuál se refiere. El código libre es aquel que respeta la libertad de los usuarios sobre el código que adquieren, ya que este puede ser utilizado, copiado y distribuido libremente siguiendo las cuatro libertades propuestas por la Free Software Foundation (FSF), estas son: Libertad de uso y ejecución del software, de distribuir copias a terceros, de estudiar su funcionamiento para así modificarlo sin restricción ydemejorarel softwareoriginal haciendopúblicas dichoscambios. Estetipo de software no necesariamente es gratuito, aunque puede serlo, ya que puede estar financiado para que se pueda brindar mantenimiento y soporte especializado, o por ejemplo puede llegar a ser gratuito sin respetar las libertades que detalla la FSF.
Por otro lado, el software de código abierto es aquel que puede ser visible para que cualquier pueda revisarlo, cambiarlo o distribuirlo como se quiera, siempre y cuando se respeten las diferentes licencias de uso con las que cuente. Tiene un enfoque dirigido al aprovechamiento que hay al tener acceso al código fuente ya que de esta forma es fácil de modificar y aumentar. Este tipo de licencia fue utilizada desde 1998 y fue pensada como una mejor aproximación para el mundo corporativo pensando en facilitar temas como costos, fiabilidad, rapidez entre otros (ILIMIT, 2019).
Ambos tipos de software tienen como uno de sus objetivos más evidentes, la colaboración, y es ésta la que ha hecho que proyectos de gran envergadura tengan tanto éxito, algunos ejemplos son Mozilla Firefox, Docker, Git o Linux, este último es uno de los sistemas operativos más usados en todo el mundo, ya que los teléfonos celulares que cuentan con Android, están basados en su kernel y en otros proyectos con los mismos principios.
2.3.6. SISTEMAS EN TIEMPO REAL
Con el paso del tiempo la tecnología ha permitido contar con mayores y mejores capacidades decómputo debajo costo,permitiendogenerarsistemas másveloces y fácil de mantener En particular los que funcionan en tiempo real son aquellos que tienen tiempos de respuesta muy cortos, operan de manera continua y muchas veces están interconectados con otros sistemas o subsistemas manteniendo una comunicación constante Entre ellos se intercambian información o se comparten recursos entre sí, para obtener resultados de manera inmediata cuando estos son consultados. Es importante mencionar que los sistemas en tiempo real pueden enfrentar eventos no predecibles, fallos y alta concurrencia debido a la demanda que se requiera por los usuarios finales (Jiménez García y Pueto Manchón, 2017) Este tipo de sistemas pueden ser controlados por eventos o por tiempo, el primero se refiere a que se establezca una ejecución de una tarea dada basada en una señal generada por un evento externo, en donde las tareas son atendidas al interior para realizar la acción pedida. Por ejemplo, en el contexto de enviar la ubicación de un usuario que solicita un servicio de transporte hacia el aeropuerto El segundo se refiere a la utilización de los pulsos de reloj como señales de interrupción para realizar las acciones que se requieran con base en tiempos definidos (Jiménez García y Pueto Manchón, 2017). Por ejemplo, en él envió de información de ocupación hospitalaria de cada institución de salud a una hora dada y a un repositorio centralizado que pudiera calcular indicadores, o estadísticas con base en los datos recibidos.
Algunos ejemplos conocidos de sistemas en tiempo real son los siguientes:
• Latecnología Global Positioning System (GPS),quesebasaenlasincronización de datos relacionados con la ubicación, el tiempo y la velocidad mediante satélites y receptores, que se usa comúnmente en los dispositivos móviles. Los
receptores o dispositivos que captan esta información, casi inmediatamente, cuentan con un sistema en tiempo real, integrado que facilita la implementación de un sistema de posicionamiento global, permitiendo a las personas ubicar con facilidad tanto su posición actual como su destino (Blumenscheid, 2021).
• Los relojes inteligentes han experimentado una rápida evolución en los últimos años. En estos dispositivos es posible recolectar información en tiempo real de la salud como son datos sobre el ritmo cardiaco, la oxigenación y el seguimiento de actividades tales como dormir, nadar o caminar, además de ofrecer mecanismos para notificaciones instantáneas, de tal forma que en tiempo real estos dispositivos realizan el almacenamiento y consulta de la información con base en eventos solicitados por el usuario.
• Tal vez uno de los sistemas en tiempo real más usados en el mundo y que desempeñan un papel crucial, es el uso de la banca en línea para realizar transacciones monetarias seguras y eficientes, tales como transferencias, pagos, consulta de estados financieros, entre otras, permitiendo a los usuarios acceder a sus cuentas bancarias en cualquier momento y lugar. En este tipo de sistemas es primordial contar con medios de seguridad, privacidad e integridad de las transacciones realizadas para dar certeza a los usuarios que los utilicen, entregando un servicio instantáneo y eficiente.
En el caso particular para sistemas en tiempo real aplicados para Covid-19 se han realizado algunos estudios de caso aplicados a distintas temáticas dentro de lo que fue esta problemática. Uno de estos fue el Covid-19 Symptom Tracker, esta es una aplicación desarrollada por médicos y científicos de la Harvard T.H. Chan School of Public Health, Massachusetts General Hospital, King's College London y la Escuela de Medicina de la Universidad de Stanford, en colaboración con la empresa de ciencias de la salud ZOE.
Esta aplicación invitaba a los participantes a utilizarla para rastrear la epidemia de Covid-19 y contribuir a investigaciones futuras Su objetivo principal era permitir a los usuarios registrar diariamente si experimentaban algún síntoma relacionado con la enfermedad, buscando entender e identificar los síntomas del virus, la velocidad de propagación en diferentes áreas, identificar áreas de alto riesgo y determinar quiénes están más expuestos al riesgo al comprender los síntomas vinculados a condiciones de salud específicas. Además, la aplicación tiene la intención de evaluar la exposición de
los trabajadores de la salud al Covid-19 (Harvard T.H. Chan School of Public Health
Massachusetts General Hospital King's College London y Stanford University School of Medicine, 2023)
Los datos recopilados en tiempo real no solo buscaban contribuir en la comprensión inmediata de la progresión de los síntomas y las trayectorias del coronavirus, sino que también se utilizarán para estudiar los efectos a largo plazo de la infección, especialmente en poblaciones vulnerables como los supervivientes de cáncer.
Otro estudio de caso es un sistema de alerta en tiempo real para la detección temprana de eventos estresantes, incluyendo infecciones como el Covid-19, utilizando datos recopilados por dispositivos como relojes inteligentes. El sistema se basa en algoritmos de monitoreo constante de señales fisiológicas y de actividad diaria, como la frecuencia cardíaca y el número de pasos. En una muestra de 3,318 participantes, incluyendo 84 infectados con el virus SarsCov-2, el sistema generó alertas para el 80% de los infectados, identificando casos pre-sintomáticos y asintomáticos (Alavi, 2022).
Ladetección entiempo real mediantedispositivos como relojes inteligentes proporciona advertencias avanzadas de infección por SarsCov-2. El estudio demuestra que un sistema de alerta en tiempo real puede utilizarse para la detección temprana de infecciones y otros factores, siendo escalable a millones de usuarios en una plataforma de código abierto. La detección temprana facilita el aislamiento, tratamiento y asignación eficiente de recursos de atención médica, contribuyendo a contener pandemias (Alavi, 2022)
Tal vez es el estudio de caso con mayor impacto y un alcance global sobresaliente se presentó el 22 de enero del 2020, este fue el Tablero de Control presentado por Johns Hopkins University Center for Systems Science and Engineering, en donde se recopilaban y proporcionan datos en tiempo real sobre la pandemia, estos eran compartidos por la mayoría de los países y eran presentados en este desarrollo (Dong et al., 2022). Desde entonces, se convirtió en el sitio principal de seguimiento global sobre el Covid-19, sirviendo como una plataforma para que el público en general, científicos y tomadores de decisiones comprendieran como fue la propagación del virus. Hasta el 1 de junio de 2022, el tablero había recibido más de 226 mil millones de solicitudes de datos y 3.6 mil millones de vistas de páginas (Dong et al., 2022).
El estudio de caso destaca la importancia de los tableros de control como un medio para proporcionar informes precisos y consistentes mediante un sistema global y complejo que garantiza la precisión, transparencia e integridad de los datos.
2.3.7. ASPECTOS METODOLÓGICOS PARA LA CREACIÓN DE SISTEMAS WEB
En el desarrollo de un sistema web existen diversas metodologías y arquitecturas de desarrollo, cada una con sus propias características y enfoques que son utilizadas dependiendo de los requerimientos específicos del proyecto que se requiera implementar. A continuación, se proporciona una descripción sobre algunas de las metodologías y arquitecturas más comúnmente utilizadas:
Metodologías de Desarrollo
1. Tradicional de tipo Cascada: Este enfoque llamado ciclo de vida clásico sigue un proceso lineal, en donde cada fase del desarrollo (análisis, requerimientos, diseño, implementación, pruebas y mantenimiento) se lleva a cabo de manera secuencial, el enfoque es rígido y poco flexible ante cambios en los requerimientos del cliente (Pressman, 2005).
2. Metodologías ágiles de tipo SCRUM, Kanban y XP: Estas metodologías se centran en la adaptabilidad y la colaboración en equipo, los proyectos de desarrollo se dividen en iteraciones cortas, en donde se priorizan las entregas constantes de software funcional. SCRUM es conocido por sus sprints o ciclos, enfocándose en la entrega de avances iterativos e incrementales, priorizando la adaptabilidad, la colaboración y respuesta rápida a los cambios en los requerimientos del cliente (Rubin, 2013). Kanban es utilizado principalmente para visualizar los procesos, debido a su un enfoque de flujo de trabajo centrado en la optimización y mejora continua, en donde cada tarea se representa como unatarjetaquesemueve através dediferentes columnas querepresentanestados detrabajo, por ejemplo; "Porhacer",“Haciendo”o "Hecho”(Baumgartner et al., 2021). XP (eXtream programming) cuyo objetivo es la entrega de software de alta calidad, debido a sus prácticas de desarrollo de software en las que constantemente se realizan pruebas continúas automatizadas para la detección de errores en etapas tempranas, o programación en parejas en donde los
desarrolladores colaboran en la generación del código, haciendo revisiones en tiempo real, o de diseño simple y modular entre otras prácticas (Baumgartner et al., 2021)
3. Metodologías DevOps: Se enfoca en la cultura de colaboración y comunicación entre los equipos de desarrollo (Dev) y operaciones (Ops) para automatizar el proceso de entrega de software, mejorando de manera considerable la productividad. Esto permite realizar despliegues de sistemas más rápido y frecuentemente, existe reducción de errores, se aumenta la eficiencia, calidad y satisfacción del cliente (Kim et al., 2016).
4. Metodologías en Espiral: Es un proceso evolutivo que combina la naturaleza iterativa e incremental de las entregas que se utiliza en las metodologías ágiles con los aspectos controlados y sistemáticos de las metodologías tradicionales como la de tipo cascada. Se utiliza principalmente en proyectos grandes y complejos (Pressman, 2005).
Arquitecturas de Desarrollo
1. Arquitectura de Tres Capas: Este enfoque separa la aplicación en tres capas distintas: la capa de presentación (frontend), la capa de la lógica de negocio (backend) y la capa de datos (base de datos). Proporciona una clara separación de responsabilidades, en donde cada capa solo puede interactuar con la capa anterior o superior facilitando la escalabilidad y el mantenimiento del sistema (Richards y Ford, 2021).
2. Arquitectura MVC (Modelo-Vista-Controlador): Divide la aplicación en tres componentes principales: el “Modelo” que se encarga de la representación de los datos y la lógica de negocio, la “Vista” se enfoca en la presentación de la interfaz deusuarioyel “Controlador”paramanejarlasinteraccionesdel usuario. Este tipo de arquitectura facilita la modularidad y la reutilización de código, en donde normalmente existen equipos completos que se encargan solo de un componente y no de todos (Richards y Ford, 2021).
3. Arquitectura de Microservicios: Consiste en desarrollar una aplicación como un conjunto autónomo de servicios pequeños e independientes que pueden trabajar en conjunto, cada uno con su propia lógica de negocio y base de datos. Permite una mayor libertad, escalabilidad y flexibilidad en el desarrollo y despliegue de
aplicaciones, permitiendo responder muy rápidamente a los cambios (Newman, 2021).
4. Arquitectura en la nube: Elimina la necesidad de gestionar la infraestructura de servidores, ya que las aplicaciones se ejecutan en entornos de computación sin contar con servidores físicos, en donde la infraestructura se contrata con un tercero que provee de los distintos servicios que sean necesarios bajo demanda. Se centra en funciones individuales (como microservicios) que se ejecutan en respuesta a eventos (Richards y Ford, 2021)
Cada metodología y arquitectura tiene sus propias características que implican ciertas ventajas y desventajas, en donde la elección depende del contexto del sistema que se busque desarrollar, tomando en cuenta los requerimientos del cliente, la escala que tendrá el sistema, las preferencias y conocimientos del equipo de desarrollo.
Es crucial seguir una metodología estructurada que permita una gestión eficiente de un proyecto de software, asegurando la calidad del producto final y la satisfacción del cliente. En el caso del presente trabajo se propone emplear una metodología ágil, específicamente SCRUM, dada su capacidad para adaptarse a los cambios y mantener una comunicación constante entre el equipo de desarrollo y el cliente, a continuación, se presentan las fases comúnmente usadas para la realización de un sistema Web aunque estas pueden adaptarse con base en las características de cada proyecto.
Fases de desarrollo
1. Fase de requerimientos: En esta etapa, se establecen los objetivos del sistema web en colaboración con el cliente o los usuarios finales. Se definen los requisitos funcionales y no funcionales del sistema, así como las características específicas de la interfaz de usuario y las funcionalidades esperadas, esto incluye identificar y analizar los datos que se generarán o utilizarán revisando la calidad y la integridad de los mismos Comúnmente en esta etapa se elabora unmodelo dedatos paraidentificarlas entidades, atributos, estructurayrelación que guardan entre si los datos.
2. Planificación: Se crean listas priorizadas de las funcionalidades que se implementarán en el sistema conocida como Backlog. Estas funcionalidades se desglosan en historias de usuario, lo que permite una comprensión clara de las necesidades que deberá cumplir el sistema. Se define el tipo de arquitectura que
tendrá el sistema, así como las tecnologías de desarrollo que se utilizarán para su construcción.
3. Diseño y desarrollo iterativo: Se define o diseña la arquitectura que se utilizara con base en un patrón de diseño. Para el desarrollo del sistema se seleccionan lastecnologíasautilizarysellevanacaboiteracionescortas,quesonlossprints, generalmente estos ciclos toman entre de 1 a 6 semanas de duración, en las que se seleccionan historias de usuario del Backlog en donde los desarrolladores trabajan en la implementación de las funcionalidades seleccionadas.
4. Pruebas continuas: Durante cada sprint, se llevan a cabo pruebas unitarias, de integración y de aceptación para garantizar la calidad del código y la funcionalidad del sistema. También, se suelen realizar pruebas de rendimiento para asegurar que el sistema pueda manejar la carga de datos de manera eficiente.
5. Despliegue y entrega: Al finalizar cada sprint, se realiza una demostración del trabajo completado al cliente para obtener retroalimentación y mejorar el sistema web. Una vez aprobadas las funcionalidades, se realiza el despliegue del sistema en un entorno productivo en donde los usuarios finales podrán consultarlo Por último, se establece un proceso de entregas continuas, permitiendo la actualización y mejora del sistema web.
6. Integración con otros sistemas externos: En muchas ocasiones es necesario el intercambio de datos entre distintos sistemas, para consumir la información y permitir la interoperabilidad, comúnmente se establece una comunicación mediante un API REST que permite la transferencia de datos en formato JSON desde un sistema externo a otro, de esta forma se asegura una recopilación eficiente de datos, proporcionando información en tiempo real.
3. METODOLOGÍA
3.1. ÁREA DE ESTUDIO
México tiene una extensión de 1,964,375 km2, y cuenta con una población de 129 millones de personas en el primer trimestre del 2023 (Instituto Nacional de Estadística y Geografía, 2023). El área de estudio es la escala nacional de México. Dado que se busca conocer el estado de la ocupación hospitalaria nacional, se requieren otras regiones territoriales como la estatal compuesta por 31 estados y la Ciudad de México (figura 8), otra es por jurisdicción (figura 9), esta escala se compone de uno o varios municipios del país, otra es la escala municipal (figura10) que está compuestapor2,469 demarcaciones que son parte de los estados y la última área de estudio es a nivel de Unidad Médica (figura 11). Las figuras siguientes fueron generadas a partir del Sistema de la Red IRAG (iSTAR Lab Instituto de Geografía UNAM, 2020)
Figura 8 Escala estatal, % de ocupación hospitalaria 1 de enero, 2021.
Basado en datos de: Sistema de la Red IRAG (iSTAR Lab Instituto de Geografía UNAM, 2020)
Figura 9 Escala jurisdicción, % de ocupación hospitalaria 1 de enero, 2021.
Basado en datos de: Sistema de la Red IRAG (iSTAR Lab Instituto de Geografía UNAM, 2020)
Figura 10 Escala municipal, % de ocupación hospitalaria 1 de enero, 2021.
Basado en datos de: Sistema de la Red IRAG (iSTAR Lab Instituto de Geografía UNAM, 2020).
Figura 11 Escala por unidad médica, % de ocupación hospitalaria 1 de enero, 2021.
Basado en datos de: Sistema de la Red IRAG (iSTAR Lab Instituto de Geografía UNAM, 2020).
3.2. FLUJOGRAMA DE LA METODOLOGÍA
En esta sección se describe de manera estructurada las fases que se siguieron para realizar la implementación del sistema propuesto presentando la metodología para responder a las preguntas de investigación. En la figura 12 se proporciona una representación visual que facilita la comprensión de los pasos y las decisiones que se siguieron, además se pueden observar los resultados esperados.
Fase 1. Definición de requerimientos, revisión de datos y generación de indicadores
➢ Definición de los alcances y requerimientos con base en las necesidades de la Secretaría de Salud para la construcción del Sistema de la Red IRAG.
➢ Revisión de los datos recopilados por las unidades médicas (UM), por ejemplo, total de camas, camas de infecciones respiratorias agudas graves, sin ventilador, disponibles, con ventilador, en unidad de cuidados intensivos, ingresos, número de pacientes, defunciones y fecha
entre otros.
➢ Definición y seguimiento de los lineamientos proporcionados por la Secretaría de Salud para la generación de las fórmulas para el cálculo de los indicadores de ocupación hospitalaria.
➢ Revisión de los datos de origen para verificar la calidad de los mismos, se darán lineamientos mínimos necesarios de limpieza y normalización para el resguardo correcto en una base de datos relacional.
➢ Recolección y proceso de envió de los datos
➢ Captación de la información diaria de la ocupación hospitalaria de todas las unidades médicas públicas del país, recolectada por la Secretaría de Salud la cual envía la información del día anterior por la madrugada del día actual.
➢ Georreferenciación de la información con la ubicación de las unidades médicas con los valores de longitud y latitud correspondientes.
➢ Envió diario de los datos para contar con la información histórica.
➢ Envió de la información de las UM al repositorio central de la UNAM en su centro de datos en formato JSON, por medio de un mecanismo de intercambio de datos (Endpoint).
➢ Resguardo de los datos por medio de un SMBD para la generación de consultas a la BD con base en las fórmulas de los indicadores.
Fase 2. Diseño y desarrollo de un sistema para la presentación de la Información
➢ Diseño conceptual del sistema
➢ Uso de metodologías de gestión de proyectos Project Management Body of Knowledge (PMBOK) y el marco de trabajo Scrum de las metodologías ágiles como instrumento principal para el desarrollo del sistema.
➢ Definición dela arquitectura por capas yeleccióndetecnologíasde Software Open Source para el desarrollo del sistema, particularmente para la capa de base de datos PostgreSQL y PostGIS, para la capa de la lógica de negocio el lenguaje de programación JAVA y su marco de trabajo SPRING y finalmente para la capa de
presentación con HTML, CSS y JavaScipt particularmente el marco de trabajo para desarrollo de aplicaciones de mapas Leaflet.
Fase 3. Presentación de resultados.
➢ Visualización en el sistema de los porcentajes de ocupación hospitalaria a diferentes escalas (estatal, jurisdiccional, municipal y por unidad médica) por medio de una semiología que alerte de los riesgos
➢ Visualización en tiempo real indicadores de ocupación hospitalarias para camas generales, camas en unidad de cuidados intensivos y camas con ventilador para la toma de decisiones, incluyendo mapas, gráficas, tablas y textos
➢ Identificación de la disponibilidad de las unidades médicas.
➢ Visualización de las curvas históricas de ocupación hospitalaria por Indicador por medio de gráficas
➢ Visualización espacio temporal de los datos con base en un selector de fechas.
➢ Mapas: Evolución temporal por escala, concentración de establecimientos de salud y áreas de servicio.
12 Flujograma de la metodología
3.3. JUSTIFICACIÓN DE LA METODOLOGÍA
La definición de la escala se hizo con base en los requerimientos de la SS, si bien las escalas más usadas son la estatal y municipal, fue necesario utilizar otra, que es por jurisdicción médica, esto es debido a que muchos municipios no cuentan con UM y su población accede a otras que son cercanas y que sí cuentan con el servicio, es por ello que una jurisdicción puede ser conformada por uno o más municipios que cuenten con UM pertenecientes a la red IRAG.
Los alcances y la definición de los requerimientos se hicieron con base en las necesidades de la SS Esta originalmente enviaba los datos en formato XLSX sin pasar previamente por una revisión minuciosa que incluyera una limpieza mínima para evitar inconsistencias,su normalización yverificación eraunproceso pocoautomatizado.Esto implicaba demasiado trabajo, dado que la carga de los datos era necesario realizarla diariamente, por lo que era necesario la automatización de este proceso para optimizar
Figura
el tiempo debido a lo primordial que era contar con información rápidamente, de tal forma que la generación de un mecanismo de recolección de datos y que fuera interoperable con los sistemas de la SS era esencial. Se definió, en conjunto con el equipo técnico, que el mecanismo sería un API REST que contara con las reglas de envió y que el formato JSON era idóneo para el intercambio de datos.
A su vez, era fundamental almacenar todo en un SMBD capaz de gestionar y organizar grandes volúmenes de datos de manera estructurada, facilitando la recuperación y manejo eficiente de ellos. Los SMBD garantizan la integridad de los datos ya que permiten definir restricciones y reglas de validación de los atributos que son almacenados, y a su vez ofrece mecanismos de seguridad para acceder a los datos salvaguardando la información asegurando que solo usuarios autorizados puedan consultar, modificar o borrar. Este tipo de sistemas permiten el acceso concurrente por parte de los distintos usuarios a los datos manteniendo su integridad, lo cual es fundamental para el sistema propuesto. Al mismo tiempo están diseñados para ser escalables y puedan adaptarse fácilmente al crecimiento masivo de la información, que en el contexto de la pandemia es fundamental almacenar datos diarios que son consultados en tiempo real, además de que pueden respaldar todo lo que se almacena, por último, al definir un repositorio único de datos, se evita la duplicidad innecesaria reduciendo la inconsistencia en los datos.
El diseño conceptual del sistema, es esencial para realizar la construcción de cualquier sistema ya que en éste se describen sus características y se modelan todos los componentes con los que contará. Este modelo permite que haya una retroalimentación entre el equipo técnico y la SS definiendo una base común para una comunicación más certera que permite minimizar los errores de concepto desde un inicio, definiendo los alcances y las funcionalidades esenciales del sistema con mayor exactitud, cumpliendo los objetivos propuestos.
La elección de las tecnologías de desarrollo se hizo con base en la definición de la arquitectura de tres capas propuesta para el sistema que se explica con detalle más adelante, la cual ha sido ampliamente usada en una enorme cantidad de proyectos y que particularmente el equipo del Laboratorio iSTAR ha utilizado a lo largo de más de 10 años de experiencia en proyectos de desarrollo de plataformas geo tecnológicas. Todas estas tecnologías son usadas ampliamente por un gran número de desarrolladores, por lo que mantener el sistema a largo plazo es sencillo.
La metodología propuesta se ha utilizado en otros proyectos del Laboratorio iSTAR. Un ejemplo de esto es el servicio de visualización de datos espaciales de la Red Compartida de Telecomunicaciones en México Este es un sistema cuyo objetivo es mostrar el avancedecoberturadeinternet,contabilizandolapoblaciónquecuentaconesteservicio para así proveerlo a más del 92% de la población Este conocimiento es utilizado como una base sólida y permite cumplir con el objetivo general para conocer el estado diario de la ocupación hospitalaria en México en pacientes con Covid-19 a través de los SIG
Web. Los objetivos específicos se orientan a identificar porcentajes de ocupación hospitalaria a diferentes escalas, proporcionar indicadores en tiempo real, localizar unidades médicas con disponibilidad y diseñar una plataforma única de consulta. La justificación de esta metodología se fundamenta en la revisión de la literatura y en casos de estudio que fueron presentados en el capítulo anterior.
Es importante recalcar que todas las tecnologías son de software libre o de código abierto, así se evita un gasto innecesario al adquirir licencias comerciales, evitando así una dependencia tecnológica que pudiera poner en riesgo el sistema. Al ser tecnologías de código abierto existe interoperabilidad entre sistemas u otras plataformas, potencializando la capacidad de comunicarse recibiendo o transfiriendo datos.
El uso de metodologías de desarrollo flexibles y colaborativas como las ágiles, se centran en realizar entregas iterativas e incrementales que permiten visualizar avances considerables en corto tiempo, respondiendo más efectivamente a posibles cambios en los requerimientos originales. Éstas promueven la comunicación en cortos periodos de tiempo entre el equipo técnico y la contraparte de la SS, ya que existe una retroalimentación continua que permite minimizar problemas e identificar mejoras construyendo un sistema final más sólido.
El análisis espacial es de gran utilidad en un gran número de diciplinas, particularmente en la epidemiología, en donde permite identificar la distribución geográfica de una enfermedad,revelandosus patrones ylaszonas más afectadas, detal formaquesepueda realizar una mejor gestión para enfrentarla, por ejemplo, al asignar eficientemente los recursos con los que se dispone. En consecuencia, para entender en dónde existe una mayor concentración en la ocupación hospitalaria, identificando áreas de alto riesgo, el análisis espacial es fundamental para que se pueda distribuir de mejor manera los servicios con los que cuenta cada UM, y también permite, que si se considera el tiempo se pueda hacer un seguimiento de la evolución de una pandemia.
Tambiénparaabordarelaspectotemporalygeográfico,enelcapítuloanteriorsedestaca la importancia de la tecnología y los sistemas en tiempo real, que permiten el monitoreo continuo y la toma de decisiones con base en información consolidada. Se mencionan ejemplos como el uso de GPS, relojes inteligentes y sistemas bancarios en línea, que utilizan sistemas en tiempo real para obtener datos e información rápidamente y eficientemente. Estos ejemplos respaldan la elección de una metodología que incluya la detección en tiempo real aplicado a la ocupación hospitalaria.
Se presenta un estudio de caso sobre el COVID-19 Symptom Tracker, que es una aplicación móvil cuyo objetivo es permitir a sus usuarios registrar síntomas diarios para comprender la propagación del virus y que además puede ser usado para otras enfermedades. Este caso resalta la importancia de la recolección de datos en tiempo real para comprender el avance de la enfermedad y sus efectos a largo plazo.
Otro caso de estudio destaca un sistema de alerta en tiempo real utilizando datos de dispositivos como relojes inteligentes. Este sistema logró identificar el 80% de los casos de COVID-19, incluyendo presintomáticos y asintomáticos. Este ejemplo respalda la viabilidad de la detección temprana a través de tecnologías en tiempo real. Finalmente se toma como base el estudio de caso más importante que fue el Tablero de Control realizado por la Johns Hopkins University Center for Systems Science and Engineering que fue realizado con tecnología de ArcGIS y que se usó como base para realizar esfuerzos regionales.
Al seguir esta metodología, se plantea la factibilidad de cumplir con los objetivos planteados para así contestar las preguntas de investigación planteadas y verificar la veracidad de la hipótesis.
3.4. DESCRIPCIÓN DE LA METODOLOGÍA
3.4.1. FASE 1: DEFINICIÓN DE REQUERIMIENTOS
La gestión de proyectos es una parte fundamental para cumplir con los objetivos esperados. La guía PMBOK (Project Management Body of Knowledge) es una norma oficial para la dirección de proyectos que describe métodos, proceso y prácticas que se deben seguir para poder completar un proyecto con éxito. Esta metodología que ha sido probada ampliamente, es altamente adaptable y se puede ajustar a distintos tipos de proyectos, particularmente para la construcción de un sistema de información web
puede ser de gran ayuda al seguir algunas recomendaciones propuestas por la guía, algunas que se siguieron fueron la definición de los objetivos del proyecto con base en las necesidades de la SS, se identificaron los actores involucrados, se delineo un plan general para el desarrollo, se asignaron responsables y enlaces para dar seguimiento al proyecto y se definieron los requerimientos.
Un punto esencial en el desarrollo de un proyecto y particularmente en uno relacionado con la construcción de software es la etapa de definición de requerimientos, ya que a partir de esta se pueden estimar los alcances en el proceso de desarrollo y calcular el tiempo necesario para su realización. Los requerimientos son todas aquellas características y requisitos con los que debe cumplir un producto, que en este caso será el SIRAG para la presentación de información estratégica sobre la ocupación hospitalaria en México para atender el exceso de ingresos y falta de posibles recursos para atender a los pacientes.
Dada la premura de la situación ocurrida en 2020 en México, la SS se puso en contacto con el laboratorio iSTAR de la UNAM para la construcción de un sistema web que permitirá el cálculo y presentación de diferentes indicadores de ocupación hospitalaria. Esta información originalmente era presentada en conferencias de prensa diarias en las que se daba un panorama general de la problemática y a su vez se subía información en archivos XLS a un repositorio que podía ser consultado por la sociedad en general. Esta era una limitante, ya que solo se entregaban las presentaciones en diapositivas y datos muy generales en formato tabular, que para su manejo y procesamiento requerían de uno o varios procesos extras para poder consultar los fácilmente y de manera concisa. El proceso de identificación de requerimientos se realizó por medio de diversas video reuniones, a causa de las condiciones de aislamiento ocasionadas por la pandemia, en donde se realizó un listado con base en una matriz de trazado de requerimientos (RTM) (Schwalbe, 2014). Este es un documento cuyo objetivo es mostrar la relación que existe entre lo que se pide y lo que se debe crear de tal forma que se pueda cumplir como el objetivo del sistema, lo más importante es asegurar que se lleven a cabo todos los requerimientos planeados. En este caso se van a definir dos matrices una con los requerimientos en los datos y otra para los que corresponden al sistema.
Para construir la matriz de requerimiento para los datos se deben considerar el formato de los datos de origen con el que se cuenta, si es tabular o si se encuentra en documentos u otro formato, si estos se encuentran normalizados, el lugar en done se almacenarán y
como lo harán. De tal forma que con base en estas características se pueda definir el sistema manejador de base de datos idóneo, los mecanismos de carga y comunicación, entre otros. La RTM es una versión adaptada que contiene solo tres columnas (Palomares López, 2017). La primera corresponde a la fuente que dio origen al requerimiento, la segunda es el requerimiento y la tercera es la descripción del mismo. A continuación, se presenta esta matriz.
Tabla 1 Matriz de requerimiento para los datos
Fuente
Se cuenta con tablas en formato Excel, XLSX, con toda la información sin validar y normalizar.
Requerimiento
Revisión de los datos de origen para encontrar inconsistencias.
Descripción
Se deberá normalizar y corregir datos enviados que no tenga errores de ubicación para los datos con referencia geográfica, nombres correctos de UM, rangos válidos.
Se cuenta con tablas en formato Excel, XLSX, con toda la información de las variablesnativasyotracon la información de las variables calculadas de cada día.
Información deorigen solo se almacena localmente.
Definir un formato de intercambio para poder enviar los datos y así permitir interoperabilidad entre los sistemas de la SS y los de iSTAR.
Se define el formato JSON como el idóneo para él envió diario de datos.
La SS podrá enviar información concentrada de todas las UM por día de manera automática.
Almacenar esta información en un repositorio accesible desde una base de datos. El sistema contara con una base datos relacional que resguardara los datos enviados cada día.
Construcción de un mecanismo para compartir datos entre instituciones.
SeconstruyeunAPIREST para él envió de datos.
Para construir la matriz de requerimiento para el sistema se consideran aquellas funcionalidades con las que debe contar, estas se realizan con base en las necesidades de los usuarios a los que está dirigido el sistema, que para el caso del presente trabajo existen dos tipos, los públicos y los que se encuentran al interior de la SS, para la toma de decisiones. Una vez que se identifican y documentan las características que debe de cumplir es posible delinear cual será el diseño del sistema ya que se comprende con mayor claridad cual es el objetivo del mismo, y de esta forma se cuenta con una base inicial que será fundamental en el proceso de desarrollo. En todo proyecto que implique desarrollo de software, cumplir con las expectativas del cliente o usuario final es una tarea compleja, ya que se busca encontrar resultados considerables en corto tiempo, y más en un proyecto en el que es fundamental contar con resultados inmediatos a causa de la pandemia. En consecuencia, la comunicación entre todas las partes que interactúan en el proyecto es determinante, desde los responsables del manejo del proyecto, analistas de los datos de origen, los diseñadores UI/UX, los que realizan las pruebas y los programadores backend o frontend. Los requerimientos permiten realizar una evaluación sobre el cumplimiento de los objetivos iniciales, facilitando el mantenimiento y el crecimiento, de ser necesario, a causa de la necesidad de nuevas funcionalidades o cambios para el sistema. A continuación, se presenta la matriz de requerimientos del sistema.
2 Matriz de requerimiento del sistema: Sección Resumen General
Fuente
Los usuarios pueden acceder a un sistema con la información de los indicadores de ocupación hospitalaria.
Los usuarios pueden acceder al sistema.
Requerimiento Descripción
Desarrollo web de un sistema de información.
Los usuarios públicos pueden acceder a información general.
Se implementa un sistema de consulta masivo para proporcionar datos estadísticos y espaciales a diferentes escalas geográficas, instalado en un Centro de Datos con alta disponibilidad.
Página de inicio. Se define una página con la presentación del proyecto y correos electrónicos de contacto con la SS, en la que no es necesario contar con usuario y contraseña.
Página con el resumen con la información del día anterior y el menú de opciones.
El sistema presenta los totales de ocupación de camas en hospitalización general, camas con ventilador y camas con ventilador en UCI, UM que no reportan y total de hospitalizados. Con una semiología de semáforo, para los que se encuentren con más de 70% de ocupación o entre 50% y 70% de ocupación para cuatro escalas geográficas. Se proporciona un menú de selección con el detalle de los indicadores.
Los usuarios públicos pueden elegir una fecha de consulta para ver la información general.
Página con el resumen con la información del día seleccionado.
Análogo al anterior solo que para el día seleccionado
Tabla
3 Matriz de requerimiento del sistema: Sección Indicadores de Ocupación
Fuente
Los usuarios públicos consultan la información detallada sobre el indicador OCHG.
Requerimiento Descripción
Página con el detalle del indicador OCHG.
El sistema muestra un tablero de control con:
Tabla con la información de cada UM, municipio, jurisdicción, o estado con la semiología de semáforo con el porcentaje de ocupación de 70% o entre 50% y 70%.
Gráfica con la historia de ocupación por UM, municipio, jurisdicción o estado.
Mapa interactivo por escala de UM, municipio, jurisdicción, o estado con la semiología de semáforo, con la opción de consultar la información del objeto geográfico seleccionado.
Los usuarios públicos consultan la información detallada sobre el indicador OCV.
Los usuarios públicos consultan la información detallada sobre el indicador OCVUCI.
Página con el detalle del indicador OCV.
Análogo al anterior.
Página con el detalle del indicador
OCVUCI.
Análogo al anterior.
Tabla
4 Matriz de requerimiento del sistema: Sección funcionalidades públicas
Fuente
Los usuarios públicos podrán realizar búsquedas en las tablas.
Los usuarios públicos podrán descargar información sobre la ocupación hospitalaria.
Requerimiento Descripción
Buscador por nombre El sistema cuenta con un buscador en las diferentes tablas a escala de UM, municipio, jurisdicción, o estado, así como con un filtro por porcentaje de ocupación.
Descarga de tablas, gráficos o mapas.
Los usuarios públicos podrán consultar series históricas
Página con él monitoreo histórico del seguimiento de la ocupación.
El sistema permite descargar los objetos visuales que pueden ser de interés para el usuario, como la tabla en formato CSV, Excel o PDF, la gráfica en formato PNG o PDF y el mapa en formato PDF.
El sistema permite la visualización de gráficas con el seguimiento de la ocupación hospitalaria por indicador y porcentaje, así como de los hospitalizados
Tabla
Tabla 5 Matriz de requerimiento del sistema: Sección Información Restringida Sin Reporte
Fuente
Los usuarios de la SS, privados, pueden acceder al sistema con usuario y contraseña para consultar información detallada.
Los usuarios de la SS con credenciales de acceso podrán consultar las UM que no reportan información.
Los usuarios de la SS con credenciales de acceso podrán consultar información de las UM que reportan no tener pacientes.
Requerimiento Descripción
Página de inicio por medio de credenciales de acceso.
Página con la información
restringida, UM que no reportan.
El sistema cuenta con un menú con mayor número de opciones de consulta.
El sistema permite la consulta de una tabla con la información de las UM que no reportan datos el día del envió de datos ni el anterior.
Página con la información
restringida, UM que no reportan tener pacientes en hospitalización general.
El sistema permite la consulta de una tabla con la información de las UM que reportan no tener pacientes de hospitalización general.
Tabla 6 Matriz de requerimiento del sistema: Sección Información Restringida Demanda
Fuente
Los usuarios de la SS con credenciales de acceso podrán consultar información sobre la demanda de servicios por sector.
Requerimiento Descripción
Página con la información
restringida, sobre la demanda de servicios por sector.
El sistema permite la consulta de la demanda de camas para cada uno de los indicadores OCHG, OCV, OCVUCI para cada tipo de institución médica.
Se muestra un tablero de control con:
Tabla con la información de cada UM, municipio, jurisdicción, o estado con la semiología de semáforo con el porcentaje de ocupación de 70% o entre 50% y 70%.
Gráfica con la historia de ocupación por UM, municipio, jurisdicción o estado. Mapa interactivo por escala de UM, municipio, jurisdicción, o estado con la semiología de semáforo, con la opción de consultar la información del objeto geográfico seleccionado.
Los usuarios de la SS con credenciales de acceso podrán consultar información sobre la demanda de servicios por nivel de atención.
Página con la información restringida, sobre la demanda de servicios por nivel de atención.
El sistema permite la consulta de la demanda de camas para cada uno de los indicadores OCHG, OCV, OCVUCI para cada tipo de institución nivel de atención (primer, segundo y tercer nivel).
Se muestra un tablero de control análogo al punto anterior.
Tabla 7 Matriz de requerimiento del sistema: Sección funcionalidades privadas
Fuente
Los usuarios de la SS con credenciales de acceso podrán realizar búsquedas en las tablas de demanda por sector y nivel de atención.
Los usuarios de la SS con credenciales de acceso podrán descargar información sobre la demanda por sector y nivel de atención.
Requerimiento Descripción
Buscador por nombre El sistema cuenta con un buscador en las diferentes tablas a escala de UM, municipio, jurisdicción, o estado, así como con un filtro por porcentaje de ocupación.
Descarga de tablas, gráficos o mapas.
Los usuarios públicos y privados tendrán opción de ver elementos de ayuda como textos y videos informativos.
Elementos informativos de apoyo.
El sistema permite descargar los objetos visuales que pueden ser de interés para el usuario, como la tabla en formato CSV, Excel o PDF, la gráfica en formato PNG o PDF y el mapa en formato PDF.
El sistema contara con pantallas emergentes de apoyo con la descripción de la generación de los indicadore y videos de apoyo sobre el uso del sistema.
3.4.2. FASE 1: REVISIÓN DE DATOS Y GENERACIÓN DE INDICADORES
Los datos recibidos por la SS necesitaron de un minucioso trabajo de normalización, limpieza, estructuración e inclusión de datos de apoyo. Para mejorar la calidad de los datos se debió realizar diversas reuniones continuas con el equipo técnico de la Secretaría de Salud y lograr la correcta interpretación de los datos que conforman los indicadores de ocupación hospitalaria de la Red IRAG. Los datos proporcionados por la SS de manera inicial se recibían todos los días en un servidor FTP, en el que se comparten archivos que contienen el detalle de las variables nativas en formato CSV.
Posteriormente se realizó la construcción de API REST (Red Hat Inc, 2020) para facilitar el proceso de recopilación carga y entrega de datos. El equipo del Laboratorio iSTAR de la UNAM fue responsable solo de manera inicial, en la revisión, limpieza y homologación constante de los datos recibidos, considerando la completitud y las inconsistencias que se pueden presentar como nombres iguales de unidades médicas escritos de manera diferentes, referencias geográficas erróneas, formatos erróneos en fechas, identificadores iguales para UM diferentes, codificación incorrecta etcétera. La mayoría de las inconsistencias pueden ocurrir cuando la SS recibe los datos de las distintas UM y carga los datos en su plataforma concentradora.
Se diseñó una especificación para renombrar los campos originales por unos normalizados quitando caracteres extraños como espacios, acentos, entre otros, para que pudieran generarse correctamente las tablas en un SMBD. Se definió el largo de los atributos, el tipo de dato, el formato de celda y el alias de los campos en un diccionario de variables. En la figura 13, se presenta un ejemplo de estos cambios.
Figura 13 Especificaciones para “Infraestructura disponible - Red Negativa”.
Fuente: Martinez (2020)
Es necesario interpretar las tablas de origen que maneja la SS (como tablas planas sin una estructura de base de datos relacional) y es fundamental corregirlas para ingresarlas
adecuadamente a un Sistema Manejador de Bases de Datos. Estas tablas de origen cuentan con nombres de atributos descriptivos y no en formato de campos, que es el formato necesario para incluirlos en una base de datos relacional. También es necesario realizar la definición normalizada de los campos con base en el alias que utiliza la SS, con el fin de generar los diccionarios de variables nativas y calculadas y además para lograr la correcta interpretación y validación de los indicadores requeridos por la SS (figuras 14 y 15).
Figura 14 Construcción de indicadores.
Fuente: Martinez (2020)
Figura 15 Indicadores para visualizar en el sistema.
Fuente: Martinez (2020)
Los diccionarios de variables construidos permiten identificar las variables fundamentales para el sistema, por ejemplo: las claves geoestadísticas en las diferentes escalas representadas, municipios, estados y de jurisdicciones médica; o los atributos de
localización (latitud y longitud) y la fecha de registro de datos. Para este proceso se genera un modelo de datos que permita describir las relaciones entre datos (Silberschatz et al., 2019). El modelo facilita el diseño de la base de datos que se implementó en un SMBD y la construcción de la BD se realiza con un modelo entidad-relación (E-R) para lograr una precepción adecuada del problema a resolver. Además, este modelo funciona adecuadamente con el paradigma de programación orientado a objetos que se utiliza en la construcción del sistema.
3.4.3. FASE 1: RECOLECCIÓN Y PROCESO DE ENVIÓ DE DATOS
El SIRAG recibe los datos del sistema interno de la Secretaría de Salud (SISS), el cuál concentra la información de todas las unidades médicas del país. Este sistema envía todas las noches los datos de las variables nativas en formato JSON a los servidores que se encuentran en el Centro de Datos de la UNAM. Se decidió que fuera este centro el que albergara al SIRAG ya que cuenta con instalaciones idóneas en términos de modernidad, seguridad y certificaciones que dan certeza a un proyecto de gran importancia para el país.
El envío de los datos se realiza por medio de un API REST que realiza la comunicación entre el SISS y el SIRAG por medio de un EndPoint, mecanismo que se desarrolló para permitir la interacción entre ambos sistemas, en donde el SISS envía una petición con el envió de los datos correspondientes al día anterior (al que esté en curso) al SIRAG, el cuál responde una vez que haya validado la información de entrada. Así se verifica y valida que las coordenadas geográficas enviadas estén en el rango correcto o los tipos de datos para las variables sean los que espera el SIRAG para almacenarlos. En la tabla 3 se muestran las especificaciones que deben cumplir los datos enviados desde el SISS desde el EndPoint diseñado para la recolección de datos, el cual verifica que se cumplan y así validar la carga para su almacenamiento en el SMBD del SIRAG.
Tabla 8 Especificación de datos para su envió al Endpoint
Atributo Tipo de dato Características Ejemplo
nivel_aten Cadena
nom_unidad Cadena
Puede tomar los valores: "PRIMER NIVEL", "SEGUNDO NIVEL" o "TERCER NIVEL"
NIVEL
Clues Cadena OCSDN000031
En el servidor de la UNAM, se realizan las operaciones de las variables calculadas para lageneración delos indicadores deocupación hospitalaria,estasoperaciones seejecutan cada día al ingresar nuevos datos. El SIRAG también permite que se suban datos de fechas anteriores que no se hayan registrado a tiempo por cualquier motivo. Además de los indicadores, también se generan tablas auxiliares que guardan el detalle del catálogo delasunidadesmédicas, pacientes,infraestructura,estados,jurisdicciones ymunicipios. La información sobre la ocupación hospitalaria de cada una de las unidades médicas se ingresará al SIRAG en un archivo en formato JSON, este tiene un objeto con un atributo con nombre “data” el cual es un arreglo de objetos y en cada objeto corresponde a un registro con los datos correspondientes a una UM que se quiera insertar al sistema, este archivo debe tener una estructura como la que se muestra en la figura 16
Para poder hacer la carga de los datos se debe realizar una petición POST al servidor y se puede efectuar mediante el comando “curl”. La petición para cargar datos de las unidades médicas con la información de la ocupación hospitalaria es la siguiente:
curl request POST url https://www.gits.igg.unam.mx/red-iragdashboard/loadata/v1/infpatclues header 'authorization: Bearer API-KEY' header 'Content-Type: application/json' data "@datafile.json"
Esta petición tiene los siguientes parámetros:
Figura 16 Vista de un archivo en formato JSON.
request. Indica el tipo de petición, para cargar información se utiliza POST --url. Corresponde a la liga que atenderá la petición. En este caso, el dominio del host. --header. Este parámetro sirve para introducir las cabeceras de la petición. Uno de los valores que debe tener esta cabecera es la llave para otorgar la autorización y poder ejecutar esta petición (en este ejemplo se muestra como API-KEY). Esta clave debe tenerla únicamente la o las personas responsables de la carga de datos. Otro de los valores que debe tener esta cabecera es Content.Type la cual indica que el formato en que se reciben los datos es JSON data. El valor "@datafile.json" de este parámetro indica la ubicación del archivo en el que se encuentran los datos que se van a cargar.
Cuando se realiza esta petición se pueden obtener respuestas similares a las siguientes, también en formato JSON
➢ ("status":200,"response":"The access token is not valid") Esto indica que la API-KEY no es la correcta.
➢ ("status":400,"response":"Error al almacenar los datos por: Debe introducir un valor válido para el campo ‘egr_irag’ del registro ASIMS000021") En este caso se responde con un mensaje de Error debido a que se omitió en campo “egr_irag” o bien porque se puso una cifra negativa. Esta validación también se realiza para el resto de campos de tipo entero.
➢ ("status":400,"response":"Error en carga de datos por: La latitud para el registro JCIST000045 debe tener un valor válido || La longitud para el registro JCIST000045 debe tener un valor válido || ") En este caso se responde con un mensaje de Error debido a que los datos de latitud y longitud están fuera de los rangos permitidos.
➢ ("status":200,"response":"Se actualizaron 567 de 567 CLUES. || Se guardaron los 956 registros."} Este mensaje indica que, de los 956 registros guardados, 567 contienen nuevos datos para el catálogo de CLUES.
➢ ("status":200,"response":"Se agregaron 40 de 607 nuevas CLUES. || Se actualizaron 567 de 607 CLUES. || Se guardaron los 956 registros.") Estemensaje indica que de los 956 registros guardados 607 contienen nuevos datos para el catálogo de CLUES. De estas 607 CLUES 567 fueron actualizados y 40 son registros nuevos en el catálogo de CLUES.
➢ ("status":200,"response":"Se guardaron 956 de 957 registros.") Se indica que no se guardaron todos los registros. Esto se debe a que alguno de los registros está repetido dentro del archivo.
➢ ("status":200,"response":"Se guardaron los 956 registros.") En este caso se indica que todos los registros pasaron la validación y fueron agregados al sistema.
En el esquema de la figura 17 se presenta el flujo de carga de datos al SIRAG. La Secretaría de Salud de México que concentra la información de cada unidad médica del país por medio de SISS genera un archivo de entrada en formato JSON que es enviado cadadíapormediodeun EndPoint omódulodeenvíoyrecepcióndedatosdesarrollado. Este archivo llega al servidor e internamente se valida la información y los objetos que cumplan los filtros seingresan ensus respectivas tablasde la BD,por ejemplo, lastablas que cuentan con la información de las variables nativas de los pacientes o la infraestructura de la Red IRAG, además de toda la información con la cual se puede identificar a qué escala regional pertenece. A partir de este envío, validación y carga es que se realiza el cálculo y la construcción de los diferentes indicadores de ocupación hospitalaria, estos se calculan en la madrugada una vez es enviado el archivo de origen y son accesibles por medio del sitio web de la SS que cuenta con la liga del SIRAG.
Figura 17 Envió de datos al Sistema de la Red IRAG.
Autores: Rodrigo Jiménez Del Valle y Jazmín Palomares López, (iSTAR Lab Instituto de Geografía UNAM, 2020)
3.4.4. FASE 2: DISEÑO DEL SISTEMA DE LA RED IRAG
El principal objetivo del diseño del software es hacer una representación detallada y proporcionar bases sólidas para la construcción e implementación del sistema y así se cubran los requerimientos propuestos. A causa de la pandemia por Covid-19, en todo el mundo se requirieron resultados tecnológicos en un corto tiempo para poder hacerle frente,esporelloqueparapoderrealizarundiseñodesoftwareadecuadoyundesarrollo lo más rápido posible son necesarios avances constantes e incrementales que puedan visualizarse lo antes posible. Es por ello que optar por las metodologías de desarrollo de proyectos ágiles, las cuales son más flexibles y se adaptan al cambio, es esencial para cumplir los objetivos, en particular el uso del marco de trabajo Scrum que está basado en un conjunto de valores, principios, y prácticas para el manejo de proyectos con
características muy particulares (Rubin, 2013). Esta metodología que es muy atractiva por su simplicidad y alcance, permite la entrega de resultados en ciclos iterativos en pocas semanas llamados sprints, los cuales se enfocan en realizar desarrollos funcionales que pueden ir creciendo con base en los requerimientos originalmente planteados, de tal forma que los clientes pueden ver resultados lo antes posible. Uno de los artefactos o elementos más importantes es el Backlog, este incluye una lista con las funcionalidades del sistema que se prioriza con base en los requerimientos planteados al inicio del proyecto y que se les van asignando a los participantes del proyecto, principalmente a los desarrolladores de software, de esta manera es más fácil identificar las funcionalidades que se tiene que implementar.
Figura 18 Marco de trabajo SCRUM.
Fuente: Scrum Esencial. (Rubin, 2013)
Diseñar la arquitectura del software es primordial para definir la estructura que tendrá el sistema que se busca implementar, identificando los componentes principales y cómo será la comunicación y relación entre ellos. Esta debe ser basada en algún patrón de diseño que haya sido probado anteriormente en alguna otra solución, con características similares. De esta manera se aprovechan y reutilizan modelos que han tenido éxito en el pasado aplicados a problemas similares, que pueden adaptarse fácilmente y cuentan con un amplio grado de flexibilidad. Su uso asegura que se siguen buenas prácticas en el desarrollo mejorando la calidad y reduciendo los posibles errores que pudieran surgir.
El modelo arquitectónico de desarrollo utilizado fue el de capas, particularmente el modelo estándar de tres capas, (Richards y Ford, 2021), que permite separar los componentes del sistema en tres niveles: la capa de datos es la encargada de conectarse con la base de datos y acceder a los datos o recuperar información de la capa superior; en lacapadenegocio seencuentralalógicadel sistemaydescribelasreglas quedeberán cumplirse, es la intermediara entre la capa de datos; y la capa de presentación la cual es la encargada de mostrar los resultados a los diferentes usuarios del sistema. Una de las principales características es su estructura jerárquica que solo permite la comunicación entre a lo más dos capas, una superior en donde se realiza la entrega del servicio y una inferior que actúa como la capa cliente, permitiendo una interacción controlada que se realiza por medio de la implementación de protocolos de comunicación entre ellas (Palomares López, 2017).
La selección de las tecnologías de desarrollo backend y frontend se hizo con el objetivo de cumplir los requerimientos y con la premisa de poder realizar la implementación de la arquitectura propuesta. El proyecto no cuenta con un presupuesto asignado por lo que el uso de software libre y de código abierto es primordial para la construcción del SIRAG. A continuación, se presentan las tecnologías utilizadas por capa:
Capa de datos
PostgreSQL: Sistema manejador de base de datos relacionales SQL (Structured Query Lenguaje), cuenta con una arquitectura ampliamente probada para el manejo de datos estructurados. En este se almacena la información recopilada de todas las unidades médicas del país que será enviada por la SS.
PostGIS: Extensión para manejo y soporte de capas geográficas para el SMBD
PostgreSQL. Este componente permite crear, manejar y consultar datos espaciales de las diferentes escalas regionales que se trabajarán.
Capa de negocio
Java: Lenguaje de programación orientado a objetos. Este se utiliza para la construcción de todos los componentes del lado del backend y su interconexión con el frontend.
Spring: Marco de trabajo (Framework) que provee de infraestructura y soporte para el desarrollo moderno de aplicaciones java. Este permite la inyección de dependencias que permite la comunicación entre las capas como servicios.
Spring security: Modulo de Spring que se encarga de proveer autenticación y autorización a los contenidos que serán de uso exclusivo de los tomadores de decisiones y de otras características de seguridad sobre el sistema.
Spring data: Modulo de Spring que se encarga de proveer un modelo para el acceso, modificación y recuperación de los datos, a partir de un almacén de datos.
Capa de presentación
JavaScript: Lenguaje de programación de fácil implementación utilizado para el frontend que permite la interacción del usuario con la página web y permite la comunicación con la capa de negocio.
JQuery: Biblioteca de JavaScript para la interacción con documentos de tipo HTML.
HTML: HyperText Markup Language (lenguaje de marcas de hipertexto), hace referencia al lenguaje de marcado para la elaboración de las páginas web.
CSS: Lenguaje de diseño para la creación de hoja de estilos.
Leaflet: Biblioteca basada en JavaScript usada para la construcción de aplicaciones de mapas, la cual es usada para presentar el componente SIG del sistema.
Figura 19 Arquitectura tecnológica del sistema.
Autor: Rodrigo Jiménez Del Valle, (iSTAR Lab Instituto de Geografía UNAM, 2018)
La construcción del SIRAG se realizó con base en los requerimientos planteados por la SS, a lo largo de numerosas reuniones y la entrega de la documentación correspondiente con la especificación para el cálculo de los indicadores de disponibilidad hospitalaria, que se describen en anteriormente en la sección 2.3.1. En ésta se definen las variables nativas de infraestructura y de pacientes que permiten la generación de las variables calculadas para identificar los diferentes tipos de camas en servicio que en su conjunto permiten la construcción de los indicadores principales que son OHCG, OCV y OCVUCI.
Unodelosobjetivosprincipalesesalertaralosusuariossobreel altaenladisponibilidad de los diferentes servicios proporcionados por las diferentes unidades médicas, del sector público del país a partir de los indicadores propuestos. Los indicadores permiten el uso de filtros según nivel de atención (primer, segundo o tercer nivel) e institución del sector Instituto Mexicano del Seguro Social (IMSS), Instituto de Seguridad y Servicios Sociales de los Trabajadores del Estado (ISSSTE) y la Secretaría de Salud (SS), etc. La especificación del sistema de alertas se muestra continuación:
Unidad médica que no reportó último día
Escala: por unidad médica
Información a visualizar: CLUES (identificador), institución, estado y municipio.
Alerta Amarilla
Unidad médica no reportó dos días consecutivos
Escala: por unidad médica
Información a visualizar: CLUES (identificador), institución, estado y municipio.
Alerta Roja
Indicador: Ocupación camas hospitalización general
Escala: Por unidad médica, municipio, jurisdicción y estado.
Estático: último dato; cambio absoluto y porcentual vs día anterior
Longitudinal: última semana
Alerta ROJA cuando Indicador > 75%:
Alerta AMARILLA cuando el Indicador 50% < x < 75%.
Indicador: Ocupación camas con ventilador
Escala: Por unidad médica, municipio, jurisdicción y estado.
Estático: último dato; cambio absoluto y porcentual vs día anterior
Longitudinal: última semana
Alerta ROJA cuando el Indicador > 75%:
Alerta AMARILLA cuando el Indicador 50% < x < 75%.
Indicador: Hospitalizados IRAG No UCI
Escala: Por unidad médica
Alerta ROJA cuando indicador < 0
Indicador: Ocupación camas con ventilador UCI
Escala: Por unidad médica, municipio, jurisdicción y estado.
Estático: último dato; cambio absoluto y porcentual vs día anterior.
Longitudinal: última semana.
Alerta ROJA cuando el Indicador > 75%:
Alerta AMARILLA cuando el Indicador 50% < x < 75%.
Indicador: Demanda de servicios por institución del sector.
Escala: Por unidad médica, municipio, jurisdicción y estado.
Estático: último dato; cambio absoluto y porcentual vs día anterior.
Longitudinal: última semana.
Alerta ROJA cuando Indicador > 75%:
Alerta AMARILLA cuando Indicador 50% < x < 75%.
Indicador: Demanda de servicios por nivel de atención.
Escala: Por unidad médica, municipio, jurisdicción y estado
Estático: último dato; cambio absoluto y porcentual vs día anterior.
Longitudinal: última semana.
Alerta ROJA cuando Indicador > 75%:
Alerta AMARILLA cuando Indicador 50% < x < 75%.
Al acceder al sistema, este debe mostrar las diferentes alertas con el resumen general de los totales por cada una de las cuatro escalas, así como el detalle con la información correspondiente a la consulta por cada uno de los indicadores propuestos y a su vez se podrá contar con otros elementos que permitan conocer información espacio temporal de la situación. El sistema requiere de un espacio público de acceso general y uno privado en donde el uso de credenciales de acceso permitirá acceder a otros de los indicadores estratégicos, con base en los requerimientos propuestos por la SS. En la figura 20, se puede ver el diseño conceptual del sistema.
Figura 20 Diseño conceptual del SIRAG.
Autor: Rodrigo Jiménez Del Valle y Luis Alberto Montecillo Salas. 2023
3.3.5. FASE 2: DESARROLLO DEL SISTEMA DE LA RED IRAG
El Sistema de Información de la Red IRAG (SIRAG) es un sistema de información Web con una componente geográfica que puede ser visto a través de Internet, siguiendo una arquitectura de tipo cliente servidor (figura 21), este puede ser utilizado desde una computadora personal o un dispositivo móvil. No es una aplicación móvil, pero tiene un diseño web responsivo (adaptable) para este tipo de dispositivos. Cuenta con dos tipos de usuarios. público en general y con credenciales de acceso.
Figura 21 Arquitectura cliente servidor.
Fuente: Cortés Ortiz (2017)
Al ser un sistema web, el desarrollo se divide en dos áreas de programación, la que tiene que ver con el componente que no se puede ver y que se encarga de lógica y reglas de funcionalidad detrás del sistema, este se conoce como backend, y la que tiene que ver con el componente que es interactivo y visible para los usuarios por medio de interfaces funcionales, se le conoce como frontend
El backend es responsablede la construcción dela capade negocio, también demanejar todas las peticiones que se realizan a través de las interfaces de lado del frontend, este procesa la lógica de negocio que permite las consultas y la interacción con la capa de datos para la comunicación con la base de datos, es a partir de ésta que se maneja todo lo que involucra la seguridad, como la autentificación de los usuarios para poder acceder, y también permite el diseño y entrega de diversos servicios web que serán los responsables de la interoperabilidad entre el SISS y el SIRAG para entregar y compartir datos. Es esta área de programación, la que será la encargada de hacer los cálculos y todas las operaciones para construir los indicadores, que cada día se tiene que generar con base en las variables nativas de pacientes en infraestructura que se envían, a su vez permitirá la construcción en tiempo real de contenidos como mapas, que no es posible construirlos manualmente.
El frontend es el responsable de la construcción de la capa de la vista y también del diseño y desarrollo web que contiene todos los elementos visuales del sistema, en este se define cómo será la composición de cada una de las páginas, cuál es la disposición de los elementos al interior y cómo será la comunicación con el backend. En el caso del SIRAG, éste será encargado de mostrar la información de los indicadores de ocupación hospitalaria por medio de mapas, gráficos, tablas y textos.
4. RESULTADOS Y DISCUSION
4.1. PRESENTACIÓN
Actualmentese cuenta coninformación desde el 1 deabril de2020 a la fecha.El sistema es capaz de manejar información temporal que se actualiza cada día, permitiendo un análisis detallado de la historia del Covid-19. Un aspecto fundamental del SIRAG es la integración de información espacial por medio de la generación de mapas temporales a diferentes escalas: estados, jurisdicción, municipios y por unidad médica.
Los usuarios públicos pueden acceder al sistema por medio de la página oficial de la SS en el sitio https://coronavirus.gob.mx en su pestaña de Datos y posteriormente en la opción de ocupación hospitalaria. También se puede acceder de manera directa a través de la siguiente liga https://www.gits.igg.unam.mx/red-irag-dashboard/reviewHome.
Figura 22 Sitio oficial de la Secretaría de Salud.
4.1.1. TABLERO DE CONTROL CON RESUMEN Y SELECTOR DE FECHAS
Al acceder al sitio se tiene una tabla resumen con las alertas definidas por la SS con los datos totales de las diferentes variables de interés, por ejemplo: las unidades médicas que no reportan datos un día (última fecha) o dos días consecutivos, y hospitalizados IRAG No UCI; también se muestran alertas que detallan el total de ocupación considerando la escala estatal, jurisdicción, municipal o por unidad médica, en rojo las Unidades Médicas (UM) que tienen 70% o más de ocupación y en amarillo las que registran entre 50% y 70%. En este resumen también se indica la cantidad de UM ocupadas en camas de hospitalización general (OCGH), en camas con ventilador (OCV) y en camas con ventilador UCI (OCVUCI).
Esta información se puede consultar para cualquier fecha del 1 de abril de 2020 al 31 de diciembre del 2023 sin que hasta el momento de la publicación del presente trabajo haya una fecha determinada para apagar el sistema. Se debe seleccionar una fecha en el selector central, y es posible cambiar la escala por medio del menú en color gris, que se encuentra arriba a la derecha y se activa en color verde la escala.
Figura 23 Vista inicial del sistema con la bienvenida
Figura 24 Vista inicial con el resumen general por escala, menú público.
4.1.2. TABLERO DE CONTROL CON SERIES HISTÓRICAS
Enlapartesuperiorse encuentraunmenúencolordorado,quepermiteseleccionarentre diferentes contenidos con los que cuenta el SIRAG. El primero de ellos contiene las series históricas de los tres indicadores de ocupación por escala y de uno general que es la hospitalización. Esta información es análoga para cada escala (UM, municipal, jurisdicción y estatal) a excepción de la gráfica de hospitalización, y se puede seleccionar desde la sección con el título “Histórico de ocupación por escala”. En la gráfica de hospitalización se puede ver una gráfica con la información histórica con los valores totales en la que se puede apreciar los picos de hospitalización que ocurrieron, endondesobresalenlos mesesdeagostode2022,enero2021,septiembre2021yfebrero de 2022 como los meses más complicados.
Figura 25 Serie histórica de hospitalizados (NO UCI) 2022-2023
En la gráfica siguiente con la información histórica con los valores totales por indicador se pude apreciar el número de unidades médicas que han registrado una ocupación por unidad médica entre 50% y 70% considerando los tres indicadores OCHG (azul), OCV (dorado) y OCVUCI (verde). El color de fondo en color amarillo indica el tipo de alerta al que corresponde.
Figura 26 Serie histórica a escala de UM con los totales de ocupación por tipo de indicador entre 50% y 70%. Vista interna.
Figura 27 Serie histórica a escala de UM con los totales de ocupación entre 50% y 70%. Vista general con visualización de total por indicador.
En la gráfica siguiente con la información histórica con los valores totales por indicador se pude apreciar el número de unidades médicas que han registrado una ocupación por unidad médica mayor a 70%, considerando los tres indicadores OCHG (azul), OCV (dorado) y OCVUCI (verde). El color de fondo en color rojo indica el tipo de alerta al que corresponde. En este caso se pude apreciar de manera más definida los altos picos de ocupación.
Figura 28 Serie histórica a escala de UM con los totales de ocupación por tipo de indicador mayor a 70%. Vista interna.
Figura 29 Serie histórica a escala de UM con los totales de ocupación mayor a 70%. Vista general con visualización de total por indicador.
4.1.3. TABLERO DE INDICADORES DE OCUPACIÓN HOSPITALARIA
En el menú de temas se puede seleccionar la información de los indicadores de ocupación de camas hospitalización general, ocupación camas con ventilador y ocupación camas con ventilador UCI, al seleccionar alguno de ellos se puede ver la
información en cualquiera de las fechas disponibles en el sistema, por defecto se visualiza la información del día anterior a la fecha actual. En esta sección se puede observarlatablaconlosporcentajesdeocupaciónconsusalertasrespectivas enamarillo del 50% al 70% y en rojo mayores a 70% y, dependiendo de la escala seleccionada, el contenido de las tablas será distinto, por ejemplo: para el caso de las UM podemos ver en quéestadoseencuentra,aqueinstitución desaludperteneceycuál es su identificador CLUES; para municipios y jurisdicciones podemos ver a qué estado pertenecen.
De igual forma, para cada escala tendremos un mapa tipo semáforo que representa los porcentajes de ocupación y una gráfica que presenta la historia desde el comienzo del registro de fechas hasta el día anterior, esto es de suma importancia ya que se puede apreciar la serie histórica de ocupación por UM, municipio, jurisdicción y estado. Es importante destacar que esta información es la que es estratégica para la toma de decisiones, no solo a nivel federal, a la sociedad civil le permite conocer el incremento de ocupación en el lugar que se habita y el nivel de saturación de los establecimientos médicos IRAG a los que se puede acceder.
Uno de los resultados más destacados del sistema es que tiene la capacidad para generar cuatromapaspordíayporindicador(12mapas),estoquieredecirquesepuedengenerar ((4x3x365) = 4,380 mapas por año, sin tener que estar publicados en un Geoservidor, ya que se generan automáticamente por medio de consultas SQL a través de PostGIS y que permiten presentar los distintos mapas en formato JSON en el sistema. Este componente SIG web es de suma importancia ya que permite la interacción de los usuarios con las capas geográficas autogeneradas por ellos. Como se mencionó anteriormente, el color rojo corresponde a los porcentajes de ocupación mayores a 70%, el amarillo los que se encuentran entre 50% y 70%, los verdes entre 0% y 50% y el gris paratodos aquellosobjetosquenoreportanonocuentanconunporcentajedeocupación como es el caso solo para la escala municipal, ya que particularmente en esta hay municipios que no cuentan con UM.
Figura 30 Vista del indicador OCHG a escala estatal, para la fecha 2021-06-25.
Figura 31 Vista del indicador OCHG a escala de jurisdicción, para la fecha 2021-06-25.
32 Vista del indicador
a escala de municipal, para la fecha 2021-06-25.
33 Vista del indicador OCHG a escala de unidad médica, para la fecha 2021-06-25.
Análogamente se presenta esta información para los indicadores OCV y OCVUCI. El usuario puede buscar una UM o región de su interés en el buscador de la tabla y seleccionarla para ver el detalle tanto en la gráfica como en el mapa. Este buscador es un medio que ayuda al usuario a localizar las UM que este conozca, que sean de su interés o que tengan gran renombre.
Figura
OCHG
Figura
Figura 34 Detalle de la unidad médica hospital general Tláhuac, para la fecha 2021-06-25
El SIRAG cuenta con elementos interactivos que pueden ayudar a los usuarios, por ejemplo, desde la tabla pueden elegir alguna fila a cualquier escala y automáticamente se irá a la zona o región seleccionada y la gráfica cambiará con base en el objeto seleccionado, a su vez, desde el mapa se puede seleccionar algún objeto de tal forma que la gráfica y la tabla cambiarán su contenido.
Figura 35 Selección de la jurisdicción medica Córdoba, para la fecha 2023-06-19.
4.1.4. MANEJO DE INFORMACIÓN TEMPORAL
Un elemento de monitoreo con el que cuenta el sistema es la capacidad de conocer la historia de todos los objetos geográficos que son presentados. Por ejemplo, si se quiere ver la historia de ocupación de la UM “Instituto Nacional de Neurología Y Neurocirugía Manuel Velasco Suárez”, en la gráfica se puede apreciar su porcentaje por cada día que haya registrado información.
Figura 36 Monitoreo de ocupación hospitalaria de la UM seleccionada, para la fecha 2023-06-19. Al realizar un monitoreo temporal de la situación a escala estatal, por ejemplo, puede ser de interés para comparar con las curvas epidemiológicas por estado contra la ocupación. En la siguiente gráfica se pueden ver los momentos más complicados de la Ciudad de México, en donde efectivamente el sistema permitió que se realizara una reconversión hospitalaria para atender la demanda.
Figura 37 Monitoreo de ocupación hospitalaria de la Ciudad de México, para la fecha 2023-06-19.
4.1.5.
UBICACIÓN
Y DISPONIBILIDAD DE UNIDADES MÉDICAS
Uno de los objetivos más importantes es localizar las UM con disponibilidad alrededor de una zona de interés, poder identificar los niveles de ocupación es vital para poder tomar la decisión de la mejor ubicación a donde se pueden dirigir los pacientes, contar conestainformaciónpuedeserladiferenciaentresalvaronounavida.Enconsecuencia, se desarrolló una herramienta que permite seleccionar las UM que se encuentran alrededor de un punto o lugar definido por el usuario, generando un radio en kilómetros que solo selecciona las que se encuentran al interior. En las figuras siguientes se puede ver el flujo de funcionamiento de la herramienta “Encuentra unidades médicas” que es representada por un icono con un círculo, posteriormente se suelta el mouse con el radio que desee el usuario, finalmente se identifican solo las UM a 5.85 km a la redonda, en donde se pueden identificar 7 (rojo) con poca disponibilidad, 1 (amarillo) con disponibilidad media y 6 con alta disponibilidad y finalmente de manera interactiva, solo se presenta la selección de estas en la tabla.
Figura 38 Paso1: Uso de la herramienta encuentra UM alrededor de tu zona, para la fecha 2021-01-02
Figura 39 Paso2: Selección de UM alrededor de un radio de 5.85 km alrededor de la zona sur de la CDMX, para la fecha 2021-01-02
Figura 40 Paso3: Ubicación visual y en la tabla de todas las UM alrededor de la zona sur de la CDMX, para la fecha 2021-01-02
El SIRAG también permite descargar todas las tablas en formato PDF, CSV o Excel, y los mapas en formato PDF y las gráficas en formato PDF o JPG. Esta funcionalidad es sumamente importante porque permite a los usuarios que puedan generar reportes a la medida tomando estos elementos.
4.1.6. TABLERO DE INDICADORES DE OCUPACIÓN HOSPITALARIA PRIVADO
Los usuarios privados o con credenciales de acceso pueden consultar contenidos exclusivos para los tomadores de decisiones al interior de la SS, su registro es aprobado por las autoridades correspondientes que hacen la petición del mismo. En la siguiente figura se puede apreciar la página una vez que ingresó un usuario con su contraseña (esquina superior derecha), en el menú de selección en color dorado se pueden ver
Figura 41 Elementos descargables.
nuevas opciones. En la parte superior se pueden observar cuatro opciones que no son accesibles para los usuarios públicos, “Unidades sin reporte”, “Unidades que reportan no tener pacientes en hospitalización general”, “Demanda por servicios por sector” y “Demanda de servicios por nivel de atención”. Los dos primeros corresponden a consultas tabulares y los últimos a dos a tableros con información de nuevos indicadores.
Figura 42 Vista inicial con el resumen general por escala, menú privado, para la fecha 2023-06-21.
El objetivo de la opción de “Unidades sin reporte” es observar dos tablas, la primera del lado izquierdo cuenta con el listado con alerta en color amarillo de todas las UM que no han reportado datos el último día de envió de información o en una fecha anterior si se utiliza el selector de fechas, y en el lado derecho se muestra una segunda tabla con el listado con alerta en color rojo de todas las UM que no ha reportado datos en dos días consecutivos. Ambas tablas cuentan con información adicional como su CLUES, la institución a la que pertenece, el estado y municipio, se puede consultar puntualmente por medio del buscador que tiene cada tabla.
Figura 43 Vista del tablero unidades sin reporte, para la fecha 2023-06-21.
El objetivo de la opción de “Unidades que reportan no tener pacientes en HG”, es presentar la vista que muestra un indicador de pacientes hospitalizados que no se encuentran en una unidad de cuidados intensivos, y esto se simboliza con el valor cero con un nivel de alertamiento en color rojo. La tabla cuenta con información adicional como su CLUES, la institución a la que pertenece, el estado y municipio, y se puede consultar puntualmente por medio del buscador que tiene en la parte superior derecha.
Figura 44 Vista del tablero unidades que reportan no tener pacientes en HG, para la fecha 2023-06-21.
En la sección del indicador “Demanda de servicios por sector”, el objetivo es presentar una vista similar a los indicadores de ocupación, sin embargo, en esta se realiza un filtro por institución y por alguno de los indicadores OCHG, OCV, OCVUCI y en la gráfica
temporal se muestran los porcentajes para la fecha seleccionada y los días anteriores correspondientes a una semana. En la siguiente figura se observa la demanda de camas en hospitalización general para la institución de salud pública ISSSTE.
45 Vista del tablero de demanda de servicios por sector escala estatal, para la fecha 2021-01-01.
En la esquina superior izquierda está el filtro con las opciones de consulta correspondientes al indicador y a la institución. Conviene subrayar que las opciones seleccionadasseindican eneltítuloenlapartesuperior.Enlasiguientefiguraseobserva la vista del filtro. Análogamente se pueden descargar todos los elementos visuales como tabla, gráfica y mapas en los mismos formatos mencionados anteriormente.
Figura 46 Vista del tablero con el filtro de opciones de consulta por indicador e institución, para la fecha 2021-01-01.
Figura
En la sección del indicador “Demanda de servicios por nivel de atención”, el objetivo es presentar una vista similar a los indicadores de ocupación, sin embargo, en esta se realiza un filtro por alguno de los indicadores OCHG, OCV, OCVUCI y por nivel de atención que permite clasificar y categorizar los diferentes centros de salud del país. Además, se establece la capacidad de atención y los servicios ofrecidos, en tres niveles existentes, estos son primer nivel que se refiere a la atención básica en centros de salud deatención general preventiva,segundonivelqueseenfoca enla atención especializada para tratamientos más complejos, cuenta con tecnología más avanzada y mayor capacidad de servicios, esta se realiza en hospitales de segundo nivel, y tercer nivel en el que se encuentran los hospitales de atención de alta especialidad, que cuentan con los mejores equipos médicos, la tecnología más moderna y la disponibilidad de los mejores servicios y atención. De igual forma al tablero anterior se presenta la gráfica temporal con los porcentajes para la fecha seleccionada y los días anteriores correspondientes a una semana. En la siguiente figura se observa la demanda de camas en hospitalización general para tercer nivel, en esta se pueden apreciar estados del país que no cuentan con este nivel de especialidad.
Figura 47 Vista del tablero de demanda de servicios por nivel de atención escala estatal, para la fecha 2021-01-01.
Análogamente en la esquina superior izquierda se encuentra el filtro con las opciones de consulta correspondientes al indicador y al nivel de atención. En la figura siguiente se detalla el resultado mostrado por la selección del filtro OCV y segundo nivel de atención.
Vista
con el filtro de opciones de consulta por indicador y nivel de atención, para la fecha 2021-01-01.
4.1.7. OTROS ELEMENTOS DE APOYO
El sistema cuenta con diferentes elementos de apoyo para su uso, en cada sección se presentan iconos de ayuda (símbolo de interrogación) o información para conocer el detalle de cómo se construyen los diferentes indicadores. En el icono de ayuda se muestran videos correspondientes a la sección o elemento del tablero con una explicación detallada sobre su uso, en la siguiente figura se puede apreciar un ejemplo.
Figura 48
del tablero
Figura 49 Videos de apoyo para el uso del SIRAG
Para los usuarios que ingresan al SIRAG es fundamental entender cómo se calculan los diferentes indicadores de ocupación hospitalaria, por ello, en la sección del título se encuentra un símbolo con la letra “i” en el que se muestra el detalle.
4.2. ANÁLISIS ESPACIO TEMPORAL DE LA OCUPACIÓN HOSPITALARIA
4.2.1. MAPA ESTABLECIMIENTOS DE SALUD
Desde el mes de abril del 2020 a diciembre del 2023 se han registrado al SIRAG 1,100 establecimientos de salud pública, para atender la ocupación hospitalaria a causa de la
Figura 50 Icono de información para ver el detalle de los indicadores.
pandemia. En la figura 51 se presenta un mapa con la concentración espacial de las zonas con mayor concentración de UM pertenecientes a la red, los colores más claros representan una mayor cantidad de establecimientos en una zona dada y los más obscuros una concentración menor.
La distribución espacial de los establecimientos depende de las características de cada estado y región del país, a simple vista podría parecer que hay zonas en donde no hay atención médica ya que existen huecos en el mapa, pero muchos de estos tienen que ver con lugares en donde hay montañas, selvas o desiertos, como es el caso del norte del país.
51 Mapa de los establecimientos de salud
Las zonas representadas por los hexágonos que concentran la mayor cantidad de UM entre 28 o 67, son solo 4 que representan el 1.2% del total de UM. La más alta corresponde a la Ciudad de México, posteriormente al Estado de México, Puebla junto con Tlaxcala y Nuevo León, las que se encuentran en el segundo rango de concentración entre 12 a 27 UM también son 4 zonas compuestas en orden descendente por Jalisco, Guanajuato, la frontera entre Coahuila y Durango y por último la frontera entre Chiapas
Figura
y Tabasco, correspondientes al 1.2% del total de UM. Los otros rangos presentan una distribución más dispersa de las zonas donde se encuentran concentrados los establecimientos de salud, en la tabla 4 se puede apreciar como el 2.7% de las zonas tienen entre 9 a 12 establecimientos, 21.6 de 4 a 8 y 73% de las zonas con menos de 3 establecimientos de salud se encuentran en la mayoría del país.
Tabla 9 Concentración de Unidades Médicas por rango
- 67
- 27
- 12
- 3
4.2.2. MAPAS EVOLUCIÓN TEMPORAL
Siguiendo la metodología propuesta, el SIRAG permite la consulta del estado diario de la ocupación hospitalaria a diferentes escalas, este seguimiento espacio temporal permite monitorear la evolución de la pandemia, identificando los momentos con mayor actividad para cada una de las escalas disponibles. En las figuras 52 a 55 se puede ver un ejemplo de la ocupación de camas en hospitalización general a escala de jurisdicción para la Ciudad de México en cuatro fechas distintas, tomando en cuenta un espacio de 3 meses entre ellas, de tal forma que se puede observar el aumento y disminución del porcentaje para el indicador OCHG, en consecuencia, esto es análogo para escala de UM, municipio, estado y a su vez para los otros indicadores.
52 Evolución temporal para la CDMX, para la fecha 2020-08-01.
Fuente: Sistema de la Red IRAG, (iSTAR Lab Instituto de Geografía UNAM, 2020)
Figura 53 Evolución temporal para la CDMX, para la fecha 2020-11-01.
Fuente: Sistema de la Red IRAG, (iSTAR Lab Instituto de Geografía UNAM, 2020)
Figura
Figura 54 Evolución temporal para la CDMX, para la fecha 2021-02-01.
Fuente: Sistema de la Red IRAG, (iSTAR Lab Instituto de Geografía UNAM, 2020).
Figura 55 Evolución temporal para la CDMX, para la fecha 2021-05-01
Fuente: Sistema de la Red IRAG, (iSTAR Lab Instituto de Geografía UNAM, 2020).
4.2.3. MAPAS DE ÁREAS DE SERVICIO
Los mapas de área de servicio desempeñan un papel fundamental en el contexto de este trabajo, ya que permiten visualizar y analizar la cobertura o alcance de un servicio específico, como lo son los establecimientos de salud, en relación con una determinada áreageográfica.Este análisis sebasa enel estudioderedes, empleando lainfraestructura vial como referencia, de tal forma que se puede saber el área de servicio que cubren las UM a diferentes distancias o en función del tiempo requerido para acceder a ellas. Este tipo deanálisis ayudaarastreary comprenderlasvariaciones enlademanda deservicios
de salud en diferentes regiones del país. Gracias a estos mapas se pueden identificar áreas donde la cobertura de atención médica es insuficiente y así, explicar si se hizo un aumento en el número de establecimientos de salud de tal forma que se pueda visualizar si efectivamente se incluyeron nuevas UM para mitigar el alza en la ocupación hospitalaria por Covid-19
En la figura 56, se presenta un mapa en el que se ilustran las áreas de servicio asociadas a cada UM, considerando intervalos de tiempo de 15, 30, 45 y 60 minutos. Se han tomado como punto de partida dos fechas críticas que se pueden contrastar con la curva presentada en la figura 24. Esta curva refleja el número total de pacientes hospitalizados porfecha,resaltandolos picosenlaocupaciónhospitalariadurantejunioyjuliode2020, así como enero y febrero de 2021, que marcó el pico histórico más alto. Estas fechas críticas sirvieron de base para la generación de las áreas de servicio.
Figura 56 Mapa de áreas de servicio de las UM en junio 2020 y febrero 2021
Un aspecto crucial es comprender cuántas personas tienen acceso a los establecimientos de salud en momentos específicos. Esto permite realizar un análisis de la demanda, tomando en cuenta las áreas de servicio en diferentes fechas. Además, este análisis tambiéncontribuyeacomprenderel áreatotal abarcadaporlosservicios médicos.Como
se puede observar en los mapas realizados, en febrero de 2021 se cubría una mayor cobertura territorial debido al incremento en el número de UM vinculadas a la Red de IRAG
En la tabla 5 se proporciona un desglose detallado del número total de establecimientos presentes en la red IRAG en junio de 2020, se incluye la población total atendida y el área abarcada. En la tabla se compara con los datos de febrero de 2021, un período en el que la ocupación hospitalaria en México alcanzó su punto máximo. Dichos datos reflejanlasmedidasimplementadasparamitigarel impactodelaumentoenlaocupación hospitalaria.
Tabla 10 Cobertura de servicios entre junio 2020 y febrero 2021
Fecha Unidades Médicas Población cubierta Superficie
4.2.4. VIGILANCIA EPIDEMIOLÓGICA
Una de los objetivos del presente estudio es mostrar cómo el realizar una vigilancia epidemiológica por medio del resguardo de la información y el monitoreo por medio de un sistema SIG web, permite optimizar los recursos con los que disponen las UM y de esta forma tomar las acciones necesarias para salvaguardar la salud de los pacientes. Esto se puede comprobar gracias a las series históricas que son registradas y presentadas por el sistema, a continuación, se comparan las curvas para poder visualizar si hubo o no un incremento de recursos con base en el número de hospitalizados.
57 Extractó con los picos más altos de la pandemia. Fuente: Sistema de la Red IRAG
En la figura 57, se puede ver que los picos más altos fueron en los meses de julio 2020, enero 2021, agosto 2021 y enero 2022.
Si se compara el número de defunciones de 4 de las ciudades más grandes del país, Ciudad de México, Estado de México, Jalisco y Nuevo León se puede observar que los picos más altos en defunciones fueron en junio 2020, enero 2021, agosto 2021 y febrero 2022, que coinciden con la gráfica de hospitalizados.
Figura 58 Total de defunciones para CDMX, Edo. De México, Jalisco y Nuevo León.
Si se comparan los picos de hospitalización y defunciones contra el total de camas disponibles sin ventilador, es posible observar que en junio del 2020 había muy pocas camas disponibles, posteriormente había un número mucho mayor de lugares debido a que se amplió el número de UM y se incrementó el número de camas. Es más notorio este efecto ya que el pico más alto de hospitalizados y defunciones en enero del 2021, ocasionó un alza considerable en los servicios provistos entre los meses de febrero a mayo. En julio del 2021 vuelven a disminuir el número de camas disponibles pero el
Figura
aumento de lugares no es necesario hacerlo de la misma manera que en el mes de enero y a partir del final del año 2021 los altos niveles de contagio disminuyen y por ende se optimizan los recursos y hay un menor número de camas disponibles.
Al igual que en la figura anterior se puede observar el mismo efecto para camas con ventilador y camas UCI como se puede ver a continuación.
Figura 59 Disponibilidad de camas sin ventilador para CDMX, Edo. De México, Jalisco y Nuevo León.
Figura 60 Disponibilidad de camas con ventilador para CDMX, Edo. De México, Jalisco y Nuevo León.
Figura 61 Disponibilidad de camas UCI para CDMX, Edo. De México, Jalisco y Nuevo León.
Las camas en servicio son todas aquellas con las que se contaba en un momento dado, para un tipo como camas sin o con ventilador y camas UCI. Para asegurar que efectivamente hubo aplicación de recursos se debe comparar el número de camas disponibles contra el número de camas en servicio que había en los picos más altos de la hospitalización, esto se puede verificar gráficamente por estado.
En la figura 62, se puede observar para la Ciudad de México como había poca disponibilidad en los meses de junio y principio de julio 2020, en enero 2021 y en julio del 2021.
Si se contrasta con la siguiente figura que muestra las camas totales sin ventilador, que había en servicio para la Ciudad de México en esas fechas, se puede ver a partir del número de hospitalizados tan alto en enero de 2021 se aumentó el número de camas sin ventilador entre enero del 2021 a mayo del mismo año, esto prueba que se ampliaron los recursos para poder atender la demanda.
Otro ejemplo de esto se puede apreciar en la ciudad de Puebla en donde hubo poca disponibilidad en camas UCI en julio y enero del 2021, como se muestra en la figura 64
Figura 62 Disponibilidad de camas sin ventilador para CDMX.
Figura 63 Camas sin ventilador en servicios para CDMX.
64 Disponibilidad de camas UCI ventilador para Puebla.
En la figura 65, se puede observar como la mayor cantidad de pacientes hospitalizados UCI se encontraban en enero del 2021.
Figura 65 Pacientes hospitalizados UCI Puebla.
Si se contrasta con el número de camas en servicio para la ciudad de Puebla se puede observar un aumento considerable en el número total de camas en servicio que se habilitaron para esta ciudad.
Figura
Figura 66 Camas en servicio UCI para Puebla.
4.3. DISCUSIÓN
Así como Moguerza et al. (2021) definen la necesidad de contar con indicadores de suficiencia sanitaria que proporcionen información estratégica para poder hacer frente a la pandemia por Covid-19, se concuerda con esta propuesta y se hace uso de la definición propuesta por la SS.
El presente trabajo amplia la idea propuesta por Moguerza et al. (2021) sobre contar con un sistema que permita monitorear la información recopilada, si bien, en el momento de la publicación de su trabajo no se contaba con uno y el seguimiento de la ocupación se realizaba sin el uso de sistemas de monitoreo, se pudo ir más lejos por medio del desarrollo el SIRAG que permite hacer esto de una manera más automatizada.
Aunque existen diversos ejemplos de sistemas en tiempo real para la consulta de información de interés relacionada con el Covid-19, son escasos los que profundizan en el tema de los indicadores de ocupación hospitalaria. Se han realizado investigaciones que proponen una metodología para la creación de indicadores, pero en el momento de llevar a cabo este trabajo, no se encontraron sistemas o investigaciones sobre la generación de sistemas en tiempo real que expusiera la información que el SIRAG presenta.Además,nose hallaron metodologías parael desarrollo de alguno similar; solo era posible encontrar sugerencias sobre la necesidad de contar con un sistema de estas características
Es importante destacar que existen diversas fuentes metodológicas para la creación de sistemas de información, que en el pasado habían sido utilizadas con éxito y que sirvieron como base arquitectónica para la generación del SIRAG.
Este trabajo no busca afirmar que la metodología que se siguió fue la mejor, posiblemente si se hubiera contado con más tiempo el sistema podría ser más completo y contaría con otras características. El lapso de cuatro meses disponible para la primera versión del SIRAG y la limitada cantidad de fuentes dificultan realizar una comparación o elegir un punto de partida diferente. En este sentido, es importante recalcar la originalidad del trabajo propuesto, que fue realizado en el momento con mayor número de contagios, por lo que contar con un mecanismo para responder a preguntas decisivas en benefició de la sociedad fue un reto mayúsculo para todos los involucrados.
El SIRAG tiene un gran potencial para atender otras enfermedades y agregar otros módulos analíticos, lo que permite realizar cruces de información como las características socioeconómicas de los pacientes, la distancia entre ellos y las UM, así como ampliar el detalle de la información sobre los recursos disponibles de cada UM.
Esto es una limitación actual del sistema, sin embargo, sería posible agregar nuevos módulos, pero sería fundamental involucrar más a otros actores como el personal de saluduotrosexpertosen saludpública,paraqueconbaseensuexperienciafueraposible ampliar los contenidos del sistema.
Debido al diseño arquitectónico que tiene el SIRAG es posible escalar sus funcionalidades fácilmente, no solo para poder incluir otras enfermedades sino para ampliar su potencial con una mayor cantidad de módulos analísticos que permitieran contestarunmayornúmerodecuestionamientosrelacionadosconlasaludpública.Estas mejoras serían de gran ayuda para los tomadores de decisiones, quienes podrían realizar diversos cruces de información o minería de datos para encontrar respuestas a otras problemáticas.
Es importante aclarar que, si bien la red IRAG la conformaron 1,100 UM, éstas no fueron las únicas que dieron el servicio de atención a causa de la enfermedad por Covid19, también hubo convenios de colaboración entre la SS y otras instituciones y hospitales privados para poder atender la demanda. Hacen falta estos y otros datos para corroborar de manera más precisa si se atendió adecuadamente la demanda de servicios.
El trabajo realizado permite responder a las preguntas de investigación propuestas en el capítulo uno como se puede ver a continuación:
¿Se puede conocer el estado diario de la ocupación hospitalaria en México en pacientes con Covid-19?
El SIRAG permite conocer el estado diario por medio de diferentes tableros en los que se presentan alertas que muestran el estado actual de la ocupación hospitalaria, a diferentes escalas geográficas como lo son la estatal, municipal, jurisdicción médica y escala puntual de UM, contando en su interior con datos desde abril del 2020 a la fecha. Los datos son enviados diariamente en la madrugada por la SS de México por medio de un mecanismo de intercambio de tipo Api REST, entre las UM y el SIRAG, estos se resguardan y se hacen los cálculos en tiempo real de los indicadores con base en las
variables nativas enviadas, para presentarlos a la sociedad y a los tomadores de decisiones.
¿Se podrá proporcionar información espacio temporales del estado y la evolución de la ocupación hospitalaria en México para pacientes con complicaciones por la enfermedad de Covid-19?
Al resguardar información diaria que contiene en su interior una referencia geográfica a diferentes escalas, es posible llevar un seguimiento de la evolución en la ocupación hospitalaria, que permite no solo conocer el estado actual, sino que también permite conocer toda la historia de la ocupación hospitalaria en la pandemia por Covid-19. Esta información es presentada cada día y para diferentes escalas regionales, permitiendo consultar un gran número de mapas, tablas y gráficos.
¿Se podrán prevenir los impactos ocasionados por la pandemia entre el 2020 y 2023?
Como sepudoapreciaren los resultados, laSSpudoobservarlos aumentos enel número de pacientes hospitalizados y, al contar con información como el tipo de cama, en servicio, disponibles, ventiladores, flujo de pacientes, ingresos y egresos entre otras pudieron prevenir la saturación de los servicios en los distintos establecimientos de salud, ampliando el número de UM temporales y en las ya establecidas aumentaron el número de camas y ventiladores. Si bien es importante mencionar que no todos los estados contaban con el mismo número de recursos tanto económicos como materiales y por ello el aumento de servicios no fue de la misma manera, esto también es dependientedel número totaldepersonas quevivenenunaregión dada,notodas pueden acceder a los mismos recursos de la misma manera.
¿El uso de indicadores para monitorear el impacto de la evolución de la pandemia a distintas escalas regionales permite responder adecuadamente a el alza en la saturación de servicios?
Como se mostró en diversos ejemplos y con base en lo que proponen diversos autores, el uso de indicadores para monitorear el impacto de un evento como lo fue la pandemia por Covid-19 es esencial para tener un panorama amplio de lo que pasa en una región, y así tomar las medidas pertinentes para minimizar el impacto, permitiendo salvar la mayor cantidad de vidas posibles, no importa la escala o el lugar. Lo que sí cambia son
los parámetros que definen al indicador, como se pudo observar en los trabajos en otras regiones del mundo, estos se calculan de manera diferente tomando en cuenta las condiciones, sociales, regionales, económicas e incluso políticas de cada país.
¿Se podrá proporcionar información a diferentes escalas, permitiendo visualizar el alza en la saturación de servicios, para que la Secretaría de Salud pueda optimizar los recursos disponibles?
Algo fundamental es poder visualizar la misma información en diferentes escalas y ver qué es lo que ocurre en estas, si bien México cuenta con una división política de estados y municipios, fue necesaria la generación de una escala que pudiera solventar el hecho de que en una gran mayoría de municipios no existen UM y por ende, hay municipios que proveen de estos servicios a otros, a la conjunción de varios municipios que al final cuentan con los establecimientos de salud para una zona dada, conforman las jurisdicciones médicas. A su vez fue importante no solo tener la escala regional, sino también, contar con la información puntual de lo que ocurre en cada una de las 1,100 unidades médicas pertenecientes a la red IRAG. Esto permite ver que, si fue posible proporcionar información de valor que mostrara la saturación de servicios para cada escala propuesta y tanto a nivel federal como local, se podrían tomar las decisiones pertinentes para optimizar los recursos de cada lugar, con base en la información del sistema.
5. CONCLUSIONES Y RECOMENDACIONES
Se atendió exitosamente los requerimientos planteados por la SS a pesar de la complejidad de la tarea propuesta en un periodo de tiempo muy corto. El desarrollo del SIRAG se realizó en tan solo 4 meses, esto fue posible gracias la madurez del equipo de trabajo involucrado, el cual cuenta con más de una década de experiencia en el desarrollo de software geo tecnológico y manejo de base de datos espaciales, lo que fue crucial para enfrentar el reto propuesto por la SS. Existen pocos ejemplos de desarrollo de proyectos entre las universidades públicas y el gobierno federal, esto debería de ocurrir frecuentemente, pero no es así, por lo que fue una oportunidad única poder manejar datos en tiempo real en beneficio de la sociedad.
Lo expuesto en el presente trabajo evidencia la importancia de la generación y uso de los sistemas SIG Web, ya que son un medio que permite el intercambio, el resguardo, la consulta, el análisis y la diseminación de datos e información fundamental para enfrentar una problemática como lo fue la pandemia de Covid-19.
Cada vez es más importante contar con datos que tengan en su interior una referencia geográfica, esto fue notoriamente visible por la enorme cantidad de sistemas, tableros y plataformas Web que se realizaron en el mundo para contrarrestar los efectos de la pandemia, la gran mayoría de estos proporcionaban información a través de mapas, constatando la importancia que tiene el espacio y la ubicación.
A pesar de la creación de numerosas aplicaciones y sistemas, se observó una carencia significativa en la orientación hacia la vigilancia epidemiológica. En gran medida, esta vigilancia se realizaba mediante reportes en hospitales o a través de trabajos de escritorio. No todos los países tenían la capacidad de generar estos sistemas debido a limitaciones de tiempo, la necesidad inmediata de abordar las consecuencias de la enfermedad, la falta de conocimientos técnicos necesarios, o recursos humanos y materiales insuficientes.
Se destacó la importancia de contar con herramientas para medir el impacto de una pandemia y monitorear su evolución a través de indicadores de suficiencia sanitaria. Sin embargo, escaseaban ejemplos prácticos en este sentido. Por lo tanto, era esencial no quedarse en la teoría, sino desarrollar un medio efectivo para seguir la evolución de la pandemia. El SIRAG permitió la implementación de acciones para mejorar los servicios
de salud y brindar a la sociedad civil y a los responsables de tomar decisiones, la capacidad de acceder y consultar datos a diferentes escalas, ya sea a nivel regional o por unidades de medida. Este logro se considera uno de los resultados más significativos en este contexto.
Tratar de minimizar el número de muertes con ayuda de sistemas novedosos y la tecnología es de suma importancia para salvar vidas por pocas que estas puedan ser. Técnicamente hay contribuciones importantes, algunas de ellas son las siguientes:
1. Se diseñó un Api REST que es un mecanismo de intercambio de datos que permitió la interoperabilidad entre los sistemas de la SS y los del laboratorio iSTAR de la UNAM.
2. Se generó un mecanismo que permite el cálculo automático a partir de las variables nativas entregadas cada día por la SS, para generar las variables calculadas y los indicadores de ocupación hospitalaria con base en la definición de la SS.
3. Se generó un sistema (SIRAG) interactivo capaz de manejar información temporal por medio de tableros de tipo SIG Web, que es capaz de autogenerar 4,380 mapas al año con base en la información recopilada.
El análisis espacio temporal que permite el SIRAG fue esencial para la optimización de los recursos tales como ventiladores, número de camas por tipo y el número de UM temporales que se incluían en la red IRAG, ya que con este tipo de análisis se pudieron tomar acciones con base en evidencias más concretas.
Algo que es importante recalcar, es que se han almacenado una gran cantidad de datos, que permiten conocer la historia de todo lo ocurrido, pocos sistemas en México y en el mundo, enfocados en el manejo de la pandemia, presentan datos temporales y sin interrupciones hasta el año 2023, muchos de los sistemas consultados que se tomaron como base para este trabajo dejaron de dar servicio, se les apagó y solo se dejaron algunas evidencias en reportes o notas periodísticas. La continuidad es importante para tener una base más sólida para cuando ocurra una catástrofe similar y se atienda más rápidamente, en ese sentido el análisis espacial es muy importante.
Si bien algo que en el SIRAG no se terminó de explorar y queda como trabajo pendiente futuro, es ahondar más en un mayor aprovechamiento de los datos e información almacenada para presentar análisis más detallados con respuestas muy puntuales, como
reportes en línea por estado, jurisdicción o UM, que pudieran entregar información con las acciones que se debieran realizar en un momento dado, así como de cuáles serían las recomendaciones al futuro inmediato que se deben seguir para hacer frente con evidencias y tener un alto impacto, para salvaguardar la mayor cantidad de vidas humanas.
Un resultado del SIRAG, tiene que ver en cómo lo acogió la sociedad, los medios de comunicación y el alcance que tuvo. Desde el comienzo fue una fuente de información nacional que era presentada en medios de comunicación, como televisión, en la que se exponía el estado de la ocupación en las presentaciones diarias de la SS, llevando un seguimiento gracias al SIRAG. Hubo diversas notas periodísticas de medios nacionales como El Economista, El Excelsior, La Jornada, El Financiero, entre otros e incluso hubo notas internacionales en donde se destaca una presentada por el New York Times en español, también tuvo diversas menciones en redes sociales, particularmente en Twitter en donde la sociedad civil reportaba lo que consultaba en el SIRAG.
Este sistema es uno de los más consultados en toda la historia del Instituto de Geografía de la UNAM, es fundamental resaltar que debido a su difusión y a partir de la información provista por él, esta fue usada como la base para la construcción de nuevos tableros o plataformas de terceros y del público en general que, gracias a la entrega de datos abiertos, se aprovechó y presentaron nuevas formas de difundir o cruzar la información.
Finalmente es importante mencionar que el SIRAG no es un trabajo que pueda realizar una sola persona, se necesita un equipo técnico interdisciplinario y, el apoyo de diversas instituciones del país como lo fueron la Secretaría de Salud de México, la Universidad NacionalAutónomade México,endondelaCoordinación dela InvestigaciónCientífica precisó recursos económicos y equipos de cómputo, que por medio del Instituto de Geografía y su Laboratorio iSTAR, impulsaron todos los elementos necesarios para llevar a cabo este proyecto. El trabajo presentado solo expone una parte de todo lo que se tuvo que realizar en pocos meses para atender la problemática. En conclusión, la metodología utilizada para el desarrollo del SIRAG fue adecuada y se pudieron contestar todas las preguntas de investigación, respondiendo satisfactoriamente la hipótesis propuesta.
Recomendaciones
Si se busca resolver problemas urgentes de alcance nacional o incluso mundial es primordial la vinculación entre las universidades y el sector público, se debería contar con un programa orientado a resolver problemas sociales en función de las capacidades de cada una.
Los gobiernos nacionales yestatalesdebenapostarmásporel uso delasgeo-tecnologías como mecanismos para solventar problemáticas actuales de manera rápida y precisa, si bien los recursos económicos pueden ser escasos, el uso y desarrollo de software libre y de código abierto pone al alcance de un mayor número de personas la posibilidad de construir soluciones de bajo costo que apoyen a la sociedad. Es de suma importancia invertir más en el desarrollo tecnológico.
El uso de datos abiertos representa una decisión sumamente acertada, ya que, cuando se ponen a disposición del público, posibilitan la creación de una amplia gama de aplicaciones beneficiosas para la sociedad. Es esencial establecer mecanismos que simplifiquen el proceso de descarga de estos datos para los usuarios, y si es factible, estructurarlos de manera que resulten aún más útiles. En este contexto, sería altamente beneficioso implementar más mecanismos que permitan el intercambio de datos e información valiosa.
Se deberían cruzar distintas fuentes de información de interés para tener una perspectiva más amplia de la situación, por ejemplo, es esencial evaluar la población total afectada en función de la escala para llevar a cabo un análisis más exhaustivo. Esto nos permite comprender si la cantidad de camas disponibles es suficiente para atender la demanda en un momento dado. Además, es importante tener en cuenta las particularidades geográficas de una región, como la morfología del terreno y la red de carreteras, a fin de garantizar la adecuada infraestructura y los medios de transporte para llegar de manera oportuna a las diversas unidades médicas en el país.
Otra fuente de información crítica radica en la conectividad a Internet, dado que es esencial para permitir que toda la población tenga acceso a servicios en línea y que las unidades médicas compartan información actualizada sobre la situación.
Sin embargo, quizás lo más crucial sea la inclusión de datos relativos a la cantidad total de recursos humanos en el sector de la salud, incluyendo médicos, enfermeras y todo el
personal que trabaja en las unidades médicas. Estos profesionales son fundamentales para preservar la salud de una nación, conocer su disponibilidad y estado de salud es esencial para una gestión eficaz en tiempos de crisis.
Hubiera sido beneficioso contar con una mayor continuidad en el análisis y profundizar en el uso que la Secretaría de Salud dio al sistema, con el fin de evaluar su efectividad de manera más precisa. Además, faltó realizar un balance final para determinar cuáles fueron los beneficios concretos del sistema y considerar posibles mejoras. Es relevante reconocer que el SIRAG podría tener aplicaciones en otras áreas de la salud o ser una herramienta valiosa en futuros casos de pandemia.
Se debe trabajar en la identificación de otros indicadores que sean importantes para la población, para así ampliar la información disponible en beneficio de la sociedad para hacer frente a esta y otras enfermedades.
6. REFERENCIAS
Acosta, C., y Yanza, H. (2013). Lineamientos de para el desarrollo de aplicaciones SIG Web. VII Jornadas de SIG Libre, 13.
Alavi, A., Bogu, G.K., Wang, M. et al. (2022). Real-time alerting system for COVID-19 and other stress events using wearable data. Nature Medicine, 28(1), 175-184. Accedido el 13 de diciembre de 2023, en https://www.nature.com/articles/s41591-021-01593-2
Ashmore, P., y Sherwood, E. (2023). An overview of COVID-19 global epidemiology and discussion of potential drivers of variable global pandemic impacts. J Antimicrob Chemother, 78 (Supplement_2), ii2-ii11. https://doi.org/10.1093/jac/dkad311
Baumgartner, M., Klonk, M., Mastnak, C., Pichler, H., Seidl, R., Tanczos, S., y SpringerLink. (2021). Agile testing : the Agile way to quality (1st 2021. ed.). Springer.
Blumenscheid, B. (2021). 10 ejemplos reales de sistemas empotrados. Director de Marketing de Producto, Digi International. Accedido el 13 de diciembre de 2023 en https://es.digi.com/blog/post/examples-of-embedded-systems
Carlson School of Management. (2020). COVID-19 Hospitalization Tracking Project Carlson School of Management . Accedido el 30 de agosto de 2023, en https://carlsonschool.umn.edu/centers-institutes/business-advancement-centerhealth/research/covid-tracking-project
Castagna, F., Xue, X., Saeed, O., Kataria, R., Puius, Y. A., Patel, S. R., Garcia, M. J., Racine, A. D., Sims, D. B., y Jorde, U. P. (2022). Hospital bed occupancy rate is an independent risk factor for COVID-19 inpatient mortality: a pandemic epicentre cohort study. BMJ Open, 12(2), e058171. https://doi.org/10.1136/bmjopen-2021058171
Cerezo, A., y Galacho, F. (2011). Propuesta metodológica con SIG para la evaluación de la potencialidad del territorio respecto a actividades ecoturísticas y de turismo activo. Investigaciones Turísticas., 1, 134-147.
Chan, T. C., Killeen, J., Griswold, W., y Lenert, L. (2004). Information technology and emergency medical care during disasters. Acad Emerg Med, 11(11), 1229-1236. https://doi.org/10.1197/j.aem.2004.08.018
Chowell, G., Erkoreka, A., Viboud, C., y Echeverri-Davila, B. (2014). Spatial-temporal excess mortality patterns of the 1918-1919 influenza pandemic in Spain. BMC Infect Dis, 14, 371. https://doi.org/10.1186/1471-2334-14-371
Consejo Nacional de Ciencia y Tecnología. (2020). Información General Covid-19 México. Consejo Nacional de Ciencia y Tecnología, (Conacyt). Accedido el 14 de enero de 2023, en https://datos.covid-19.conacyt.mx
Cortés Ortiz, C. (2017). Geotecnología en Infraestructura, Transporte y Sustentabilidad. GITS Instituto de Geografía Universidad Nacional Autónoma de México. Accedido el 25 de abril de 2023, en https://www.gits.igg.unam.mx/portal/
Cui, W., y Wei, Y. (2024). Spatio-temporal evolution and the driving factors of municipal solid waste in Chinese different geographical regions between 2002 and 2020. Environ Res, 240(Pt 2), 117456. https://doi.org/10.1016/j.envres.2023.117456
Cylus, J., Papanicolas, I., y Smith, P. C. (2016). Health System Efficiency: How to make measurement matter for policy and management. Health Policy Series, 46, 266.
Djaharuddin, I., Munawwarah, S., Nurulita, A., Ilyas, M., Tabri, N. A., y Lihawa, N. (2021). Comorbidities and mortality in COVID-19 patients. Gac Sanit, 35 Suppl 2, S530S532. https://doi.org/10.1016/j.gaceta.2021.10.085
Dong, E., Ratcliff, J., Goyea, T. D., Katz, A., Lau, R., Ng, T. K., Garcia, B., Bolt, E., Prata, S., Zhang, D., Murray, R. C., Blake, M. R., Du, H., Ganjkhanloo, F., Ahmadi, F., Williams, J., Choudhury, S., y Gardner, L. M. (2022). The Johns Hopkins University Center for Systems Science and Engineering COVID-19 Dashboard: data collection process, challenges faced, and lessons learned. Lancet Infect Dis, 22(12), e370-e376. https://doi.org/10.1016/S1473-3099(22)00434-0
Dos Santos, W. G. (2020). Natural history of COVID-19 and current knowledge on treatment therapeutic options. Biomedicine & Pharmacotherapy, 18.
Eshel, G. (2012). Spatiotemporal Data Analysis (Course Book. ed.). Princeton University Press.
Fu, P. (2018). Getting to know Web GIS (Third edition ed.). Esri Press.
Fuenzalida, M., y Carvajal, E. (2022). Spatio-Temporal Distribution of Hospital Care for Diabetes Mellitus. The Case of the Western and South Metropolitan Health Services, Chile. Revista Geográfica de Chile Terra Australis, 58, 15.
González Pérez, G. J., Vega López, M. G., Romero Valle, S., Vega López, A., y Cabrera Pivaral, C. E. (2008). Exclusión social e inequidad en salud en México: un análisis socio-espacial. Revista de Salud Pública, 10.
Harvard T.H. Chan School of Public Health Massachusetts General Hospital King's College London y Stanford University School of Medicine. (2023). COVID-19 Symptom Tracker. American Cancer Society. Accedido el 13 de diciembre de 2023, en https://www.cancer.org/research/cps3-cancer-prevention-study-3/covid-19-symptomtracker.html
ILIMIT. (2019). Diferencias entre software libre, gratuito y abierto. Accedido el 22 de marzo de 2023 en https://www.ilimit.com/blog/diferencias-software-libre-gratuito-abierto/
Instituto Nacional de Estadística y Geografía. (2023). Estadísticas a propósito del Día Mundial de la Población. Instituto Nacional de Estadística y Geografía, (INEGI). Accedido el 8 de octubre de 2023 en https://www.inegi.org.mx/contenidos/saladeprensa/aproposito/2023/EAP_DMPO23.p df
iSTAR Lab Instituto de Geografía UNAM. (2018). Laboratorio Internacional de Tecnología e Investigación Espacial. Laboratorio Internacional de Tecnología e Investigación
Espacial del Instituto de Geografía Universidad Nacional Autónoma de México. Accedido el 23 de agosto de 2023, en https://www.istar.igg.unam.mx/lab/index
iSTAR Lab Instituto de Geografía UNAM. (2020). Sistema de la Red IRAG (Infección Respiratoria Aguda Grave) Laboratorio Internacional de Tecnología e Investigación Espacial del Instituto de Geografía Universidad Nacional Autónoma de México. Accedido el 27 de junio de 2023, en https://www.gits.igg.unam.mx/red-iragdashboard/reviewHome
Jiménez García, L. M., y Pueto Manchón, R. (2017). Sistemas Informáticos en Tiempo Real : Teoría y Aplicaciones (1ra ed.). Universidad Miguel Hernández.
Johns Hopkins University. (2020). COVID-19 Dashboard. Coronavirus Resource Center. Accedido el 8 de mayo de 2023 en https://coronavirus.jhu.edu/map.html
Juviler, J. (2022). What Is an API Endpoint? (And Why Are They So Important?) Blog hubspot. Accedido el 5 de marzo de 2023 en https://blog.hubspot.com/website/apiendpoint#:~:text=An%20endpoint%20is%20a%20component,to%20retrieve%20the% 20requested%20resources
Kim, G., Debois, P., Willis, J., Humble, J., y Allspaw, J. (2016). The DevOps handbook : how to create world-class agility, reliability, & security in technology organizations (First edition. ed.). IT Revolution Press, LLC.
Lino, D., Barreto, R., Souza, F. D., Lima, C. J. M., y Silva Junior, G. B. D. (2020). Impact of lockdown on bed occupancy rate in a referral hospital during the COVID-19 pandemic in northeast Brazil. Braz J Infect Dis, 24(5), 466-469. https://doi.org/10.1016/j.bjid.2020.08.002
Martinez, A. (2020). Especificaciones para “Infraestructura disponible - Red Negativa”. Laboratorio Internacional de Tecnología e Investigación Espacial. Accedido el 21 de mayo de 2023 en https://www.gits.igg.unam.mx/red-irag-dashboard/reviewHome
Mauricio, J. P. (2007). Introducción al Análisis de Series Temporales. Universidad Complutense de Madrid. Accedido el 2 de septiembre 2023 en https://www.ucm.es/data/cont/docs/518-2013-11-11-JAM-IAST-Libro.pdf
Mendoza González, M. F. (2021). Rezago social y letalidad en México en el contexto de la pandemia de enfermedad por coronavirus (COVID-19): una aproximación desde la perspectiva de la salud colectiva en los ámbitos nacional, estatal y municipal. United Nations. https://doi.org/10.18356/16810333-47-111-7
Moguerza, J. M., Perello Oliver, S., Martin de Diego, I., Acena, V., Lancho, C., Cuesta, M., y Gonzalez Fernandez, C. (2021). Health Sufficiency Indicators for Pandemic Monitoring. Int J Environ Res Public Health, 18(10). https://doi.org/10.3390/ijerph18105358
Newman, S. (2021). Building microservices : designing fine-grained systems (Second Edition. ed.). O'Reilly Media.
Nicola, M., Alsafi, Z., Sohrabi, C., Kerwan, A., Al-Jabir, A., Iosifidis, C., Agha, M., y Agha, R. (2020). The socio-economic implications of the coronavirus pandemic (COVID19): A review. Int J Surg, 78, 185-193. https://doi.org/10.1016/j.ijsu.2020.04.018
Noor, A. M., Alegana, V. A., Gething, P. W., y Snow, R. W. (2009). A spatial national health facility database for public health sector planning in Kenya in 2008. Int J Health Geogr, 8, 13. https://doi.org/10.1186/1476-072X-8-13
Okoroiwu, H. U., Ogar, C. O., Abunimye, D. A., Okafor, I. M., y Uchendu, I. K. (2021). COVID-19 in WHO African Region: Account and Correlation of Epidemiological Indices with Some Selected Health-related Metrics. Ethiop J Health Sci, 31(6), 10751088. https://doi.org/10.4314/ejhs.v31i6.2
Organización Mundial de la Salud. (2008). Guía de la Organización Mundial de la Salud para planificar la comunicación en caso de brotes epidémico. Catalogación por la Biblioteca de la OMS.(2008), 36.
Organización Mundial de la Salud. (2020). Organización Mundial de la Salud, (OMS) Accedido el 7 de febrero de 2023, en https://www.who.int/es
Our World in Data Global Change Data Lab. (2023). Daily new confirmed COVID-19 cases Our World in Data will rely on data from the WHO to track confirmed COVID-19 cases and deaths. Accedido el 20 de abril de 2023, en https://ourworldindata.org/explorers/coronavirus-dataexplorer?zoomToSelection=true&facet=none&country=USA~GBR~CAN~DEU~ITA ~IND~BRA&pickerSort=asc&pickerMetric=location&Metric=Confirmed+deaths&In terval=Cumulative&Relative+to+Population=true&Color+by+test+positivity=false
Palomares López, A. J. (2017). Sistema de captura y búsqueda de metadatos en línea con base en la norma técnica para la elaboración de metadatos geográficos del INEGI Licenciatura, Universidad Nacional Autónoma de México, (UNAM). https://tesiunam.dgb.unam.mx/F?func=find-b-0&local_base=TES01.
Pressman, R. S. (2005). Software engineering : a practitioner's approach (International, 6th ed.). McGraw Hill.
Red Hat Inc. (2020). What is a REST API? Red Hat. Accedido el 20 de diciembre 2022, en https://www.redhat.com/en/topics/api/what-is-a-rest-api
Richards, M., y Ford, N. (2021). Fundamentals of Software Architecture, Upfront Books.
Rubin, K. S. (2013). Essential Scrum : a practical guide to the most popular agile process (1st edition ed.). Addison Wesley.
Santana Juárez, M. V. (2021). COVID-19 en México: Análisis de su comportamiento espacio – temporal a partir de los Condicionantes Socio espaciales de la Salud. PERSONA&SOCIEDAD, XXXV(15), 26.
Schwalbe, K. (2014). Information technology project management (Seventh edition, International edition. ed.). Course Technology Cengage Learning.
Secretaría Salud de México. (2020). Lineamientos de Reconversion Hospitalaria. Documento del Gobierno de México, 27.
Secretaría Salud de México. (2022). Estrategia Sectorial ante la COVID-19. Gobierno de México Secretaría de Salud. Accedido el 17 de septiembre de 2023, en https://coronavirus.gob.mx/wp-content/uploads/2022/04/Compendio-final-240322.pdf
Silberschatz, A., Korth, H. F., y Sudarshan, S. (2019). Database system concepts (Seventh edition International student edition. ed.). McGraw-Hill Education.
Wagner, C. E., Saad-Roy, C. M., y Grenfell, B. T. (2022). Modelling vaccination strategies for COVID-19. Nat Rev Immunol, 22(3), 139-141. https://doi.org/10.1038/s41577-02200687-3
Wiederhold, G. (1981). Database technology in health care. J Med Syst, 5(3), 175-196. https://doi.org/10.1007/BF02221994
Williams, S. (2002). Free as in freedom : Richard Stallman & the Free Software Foundation O'Reilly.
World Health Organization. (2020). Monitoring and evaluation framework for the Covid-19 response in the WHO African Region. 27.
World Health Organization. (2022). Indicators to monitor health-care capacity and utilization for decision-making on COVID-19. 10.
