Alison P. Galvani
Gerald Friedman
Meagan C. Fitzpatrick
Publicado: 12 de mayo de 2022DOI: https://doi.org/10.1016/j.lana.2022.100264
Nota de la Red: La Pandemia nos tiene que enseñar que el problema es el sistema de salud depredado y todas las formas de desigualdad. Y ambas cuestiones están causadas por el capitalismo. La causa de las causas
Resumen
Fondo
Antes de la vacunación generalizada, Estados Unidos se vio afectado de manera desproporcionada por el COVID-19 con una tasa de mortalidad varias veces superior a la de otras sociedades prósperas. Comparando regiones con diferentes tasas de seguro de salud, evaluamos cuánto de este exceso de mortalidad puede deberse a la población relativamente grande sin seguro de salud.
Métodos
Utilizamos datos de vigilancia diarios de los Centros para el Control y la Prevención de Enfermedades (CDC) de EE. UU. estratificados por región, grupo de edad, género y raza en el análisis de regresión de casos diarios de COVID-19, hospitalización y mortalidad. Los datos de COVID-19 se han comparado con las características estructurales de la región, incluida la proporción promedio con seguro de salud. Como verificación, hemos estimado regresiones para diferentes períodos de tiempo, diferentes grupos de estados y comparando condados adyacentes entre estados con y sin expansión de Medicaid.
Recomendaciones
Los grupos con una cobertura de seguro de salud más baja tenían una mortalidad significativamente más alta, así como un mayor número de casos y hospitalización. Al principio de la pandemia, también era menos probable que se les hiciera la prueba de COVID-19. Aplicando nuestras estimaciones de regresión, estimamos que si hubiera habido una cobertura total de seguro de salud de la población, habría habido 60 000 muertes menos, el 26 % del número total de muertes en el período de este análisis.
Interpretación
Nuestro estudio demuestra que una parte significativa de la mortalidad por COVID-19 en los Estados Unidos, y gran parte del exceso de mortalidad en los Estados Unidos en comparación con otros países, se debe a nuestra dependencia de un sistema de atención médica impulsado por el mercado. Brindar cobertura de seguro universal debe ser parte de nuestra campaña para reducir la mortalidad por COVID-19. También sugiere que estas preocupaciones no deben limitarse a la COVID-19, sino aplicarse a todas las enfermedades, lo que contribuye a muchas muertes innecesarias en los Estados Unidos cada año, incluso aparte de la pandemia de la COVID-19.Investigación en contexto
Evidencia antes de este estudio
Se ha demostrado que el seguro de salud es efectivo para reducir las tasas de mortalidad en los Estados Unidos. Se ha planteado la hipótesis de que una cobertura de seguro de salud incompleta también podría haber exacerbado la propagación y la gravedad de la COVID-19. Sin embargo, el impacto de la cobertura de seguro en los casos de COVID-19, la hospitalización y la mortalidad no se ha evaluado cuantitativamente.
Valor añadido de este estudio
Este es el primer estudio que cuantifica el impacto del seguro de salud en la carga de enfermedad y mortalidad a nivel de población de COVID-19. Usando dos enfoques independientes, encontramos que la baja cobertura de seguro está asociada con más casos, hospitalizaciones y muertes por COVID-19. Si hubiera habido una cobertura de salud universal, estimamos que el 26% de la mortalidad por COVID-19 podría haberse evitado hasta febrero de 2021.
Implicaciones de toda la evidencia disponible
En una pandemia como la del COVID-19, la atención médica universal puede salvar vidas y prevenir una morbilidad sustancial. Combinado con la evidencia de su impacto para salvar vidas antes de la aparición de COVID-19, existe una necesidad urgente de que Estados Unidos avance hacia un sistema que garantice atención médica para todos.
Fondo
Estados Unidos se ha visto afectado de manera desproporcionada por el COVID-19. Con solo el 4 % de la población mundial, la mortalidad acumulada atribuible a la COVID-19 en los EE. UU. hasta principios de 2021 es el 15 % del total mundial. Esta cifra desproporcionada se magnifica cuando se compara a EE. UU. con países igualmente prósperos y aún más si la comparación se realiza antes del lanzamiento de la vacunación generalizada. Si EE. UU. tuviera la mortalidad per cápita de COVID-19 hasta febrero de 2021 de Canadá o Alemania, habría habido 200 000 muertes menos. Si Estados Unidos tuviera la tasa de mortalidad de Australia o Japón, se habrían salvado 400.000 vidas.1, 2, 3Solo entre las economías avanzadas, muchos estadounidenses no tienen seguro médico. Durante una crisis de salud, las personas sin seguro pueden enfrentarse a la elección entre facturas médicas prohibitivamente caras y riesgos para la salud por no recibir atención. Este dilema se ve agravado por los costos médicos en los EE. UU. que no tienen comparación a nivel mundial. Incluso antes de la pandemia, casi el 20% de los estadounidenses no tenían una fuente regular de atención médica, los estadounidenses tenían menos visitas al médico que los residentes de otros países ricos y tenían una esperanza de vida más corta.4,5La esperanza de vida en los EE. UU. también tiene disparidades que reflejan la extrema desigualdad de riqueza y el estado de bienestar relativamente insuficientemente financiado.6En los EE. UU., la pandemia golpeó a una población en la que muchos tenían acceso restringido al diagnóstico y tratamiento cruciales para reducir las tasas de transmisión y letalidad.Aquí evaluamos las repercusiones del sistema de salud de EE. UU. en la mortalidad por COVID-19. Demostramos que un componente sustancial de la disparidad entre la mortalidad por COVID-19 en los EE. UU. y otros países ricos se debe a la proporción significativa de la población de los EE. UU. sin seguro médico.En nuestro análisis de más de 26 millones de casos, estimamos el impacto de la cobertura de seguro en la mortalidad por COVID-19 utilizando datos diarios a nivel individual sobre casos de COVID-19, hospitalización y mortalidad, así como el retraso entre el inicio de los síntomas y la aparición de COVID-19. resultados de la prueba. Los datos se agregaron por estado, sexo, raza y edad, y se compararon con los controles demográficos y las tasas de cobertura del seguro médico. Encontramos que casi 60 000 muertes en exceso por COVID-19, más de 220 000 hospitalizaciones adicionales y 2,9 millones de casos adicionales están asociados con la falta de seguro médico. También encontramos que, antes de las asignaciones de emergencia que se promulgaron para cubrir los costos de las pruebas, la cobertura de seguro está asociada con pruebas más rápidas después del inicio de los síntomas durante la fase inicial de la pandemia.Además, exploramos el efecto de la expansión de Medicaid en los resultados de COVID-19, comparando condados a través de las fronteras estatales. Encontramos que el impacto de estar en un estado con expansión de Medicaid en comparación con un país adyacente en un estado sin expansión de Medicaid es consistente con nuestros hallazgos a nivel nacional con respecto al efecto de la cobertura de seguro médico.
Métodos
Obtuvimos datos de vigilancia de los Centros para el Control y la Prevención de Enfermedades (CDC) de EE. UU. que delinean los casos de COVID-19 confirmados por laboratorio y sus síntomas asociados, comorbilidades, fecha de notificación a los CDC, fecha de inicio de los síntomas, fecha de prueba positiva, estado de hospitalización, y mortalidad desde el 1 de enero de 2020 hasta el 13 de febrero de 2021. El conjunto de datos contiene más de 26 millones de casos y más de 225 000 muertes hasta el 13 de febrero de 2021, lo que corresponde al 73 % de los casos y al 54 % de las muertes informadas por los CDC durante el mismo período.7Estratificamos estos datos por la primera de las tres fechas (inicio de los síntomas, fecha de prueba positiva o fecha de notificación a los CDC), edad, sexo, raza y estado de notificación, y emparejamos cada estrato con su cobertura de seguro promedio durante 2015-2019 mediante la encuesta Behavioral Risk Factors Surveillance Systems (BRFSS). La cobertura nacional medida por BRFSS fue del 91,7 %, similar pero ligeramente superior al 90,8 % medido por la Encuesta de la Comunidad Estadounidense de 2019.8Extrajimos otras características del estrato para usarlas como controles, incluidos datos demográficos adicionales (estado civil, educación y empleo), salud autoinformada (fumar, beber, salud física y salud en general) y la prevalencia de comorbilidades asociadas con mayor gravedad de COVID-19 (obesidad, hipertensión, diabetes, enfermedades respiratorias, trastornos renales y cáncer).9Elegimos específicamente BRFSS sobre otros instrumentos de encuesta debido a esta inclusión de prevalencia de comorbilidad. Luego aplicamos un modelo de efectos fijos para evaluar la asociación entre el estado del seguro y cuatro resultados clave para cada día dentro de cada estado, género, raza y estrato de edad: el número de casos informados, el número de hospitalizados, el número de muertes, el número total de días transcurridos entre el inicio de los síntomas y la administración de la prueba, y el retraso promedio entre el inicio de los síntomas y la prueba.En consecuencia, la especificación de regresión sigue:Y c,a,s,r,t = α + βSeguro c,a,s,t + X’ c,a,s,t γ + δ c + ζ a + η s + κ r + θ y + ἐ c ,a,s,t(1)
donde Y es el resultado de COVID-19 en el día t para las personas en el estado c de edad a , sexo s y raza r . α es una constante, β indica un coeficiente, Insurance denota la tasa de seguro 2015-2019 para el estrato estado-raza-edad-sexo, δ c denota efectos fijos estatales, ζ a denota efectos fijos de edad, η s denota efectos fijos de sexo, κ r denota efectos fijos de carrera, θ y denota efectos fijos de tiempo diario, ἐ ,c,a,s,tes el término de error, γ es un vector de coeficientes para las variables de control; X denota un vector de controles. Para evaluar el impacto de controles particulares en nuestros resultados, ampliamos iterativamente el vector de controles para incluir datos demográficos adicionales, luego la salud autoinformada y luego la prevalencia de comorbilidades. Todas las regresiones no fueron ponderadas. Los errores estándar se agruparon por estado, edad, sexo y raza, ya que este es el nivel en el que observamos la cobertura de seguro.Convertimos los coeficientes estimados de las regresiones a cambios de proporción:βˆ ∗ (G) ∗ (D) ∗ (1 − ¯I)/ ∑Y,(2)
donde βˆ es el coeficiente de regresión estimado para el impacto diario de la tasa de aseguramiento del estrato en el resultado clínico Y, G es el número total de estratos estado-edad-raza-sexo, D es el número total de días durante la pandemia, ¯I 2019 denota la cobertura de seguro promedio de 2015-2019 para el estrato, y ∑Y es el total de eventos de cada resultado clínico sobre cada combinación de estratos.Para estimar los resultados de COVID-19 que se debieron a la falta de seguro a nivel nacional, calculamos el cambio proporcional en cada resultado que surge al pasar del 100 % de cobertura de seguro en todas las celdas al 89 %, donde el 100 % representa cobertura universal y 89% el promedio no ponderado de cobertura de seguro en todos los estratos de estado-edad-raza-sexo incluidos. Luego, usamos este cambio de proporción como un multiplicador de los resultados nacionales de COVID-19 observados para determinar la cantidad de casos, hospitalizaciones y muertes de COVID-19 que son atribuibles a una cobertura incompleta.
Análisis de sensibilidad
Exploramos la sensibilidad de nuestro análisis a especificaciones alternativas en dos áreas: el momento de los informes a los CDC y las disparidades geográficas en los informes. Debido a los posibles retrasos en la notificación de casos a los CDC, los datos de fechas posteriores pueden estar menos completos que los de períodos anteriores. Además, la fuerza de la asociación entre la cobertura de seguro y los resultados puede haber cambiado con el tiempo a medida que evolucionó la respuesta a la pandemia en EE. UU. Por lo tanto, llevamos a cabo el análisis como se describe anteriormente pero utilizando fechas de corte alternativas para la inclusión de un caso, que abarca desde mayo de 2020 hasta fines de febrero de 2021.De manera similar, se informan menos casos y muertes en los datos de vigilancia de casos que los informados por los CDC. La diferencia entre estas dos fuentes varía mucho según el estado. Por lo tanto, evaluamos la solidez de las estimaciones a los caprichos de informes específicos de cada estado omitiendo sistemáticamente los estados de acuerdo con los umbrales crecientes para la integridad de los informes de muertes.
Análisis de condados contiguos
También exploramos la solidez de nuestros hallazgos utilizando un enfoque alternativo que examinó el impacto de la expansión de Medicaid en particular, comparando los resultados de COVID-19 en pares de condados contiguos que se extienden a ambos lados de la frontera entre estados con diferentes umbrales de pobreza para la elegibilidad de Medicaid. La expansión de Medicaid elimina las restricciones categóricas sobre Medicaid y eleva el límite de elegibilidad de ingresos al 138 % de la línea federal de pobreza (FPL). La expansión puede producir cambios abruptos en la cobertura de seguro entre condados similares, creando un experimento natural para estimar el impacto de la cobertura de seguro en los resultados de COVID-19.10Hay 8 estados que no han aprobado la expansión de Medicaid, 3 estados con umbrales de pobreza distintos al 138 % y 466 condados a lo largo de los límites de estos estados, lo que genera 942 pares de condados contiguos (consulte la Figura 1 ).
Nuestro enfoque implica dos etapas. La primera etapa es una regresión de la tasa de seguro dentro de los condados contiguos en un indicador de elegibilidad de Medicaid relativamente generosa, y la segunda etapa es una regresión de los resultados de salud de COVID-19 en la tasa de seguro específica del condado según lo determinado por Small Area Health Insurance Estimados.11Controlamos por población, densidad de población, tamaño del hogar, porcentaje de población que vive en la pobreza, porcentaje de población menor de 65 años y clasificación urbana/rural, variables políticas y de COVID-19, incluida la cantidad de pruebas de COVID-19 administradas, COVID-19. 19, el índice de vulnerabilidad social de los CDC, el índice de vulnerabilidad comunitaria de COVID-19 y el porcentaje de población vacunada mayor de 65 años. Estas variables se extrajeron de la vista integrada del condado de COVID-19 de los CDC.7También controlamos el porcentaje de votos republicanos en las elecciones presidenciales de 2016.12Todos los análisis se realizaron con STATA 16.
Papel de la fuente de financiación
Los financiadores no tuvieron ningún papel en el diseño del estudio, la recopilación de datos, el análisis de datos, la interpretación, la redacción del informe o la decisión de enviar la Tabla 1 .Tabla 1 Estadísticas resumidas para variables clave en el conjunto de datos de vigilancia de los CDC.
| Cobertura de seguro [sin ponderar, igual peso para todas las celdas como en las regresiones] | 0.890 |
|---|---|
| Total de días-persona entre el inicio de los síntomas y la administración de la prueba | 45.591.172 |
| Total de casos de COVID-19 hasta el 13 de febrero de 2020 | 25,942,037 |
| Hospitalizaciones Totales | 1,207,878 |
| Total de muertes por COVID-19 | 225,210 |
| Dias | 410 |
| Estratos | 2,395 |
Resultados
Entre los estratos de edad, género, raza y estado, aquellos con tasas más altas de cobertura de seguro médico tienen sustancialmente menos muertes, hospitalizaciones y casos. La asociación entre la cobertura del seguro de salud y el retraso en las pruebas no es estadísticamente significativa cuando se usa la muestra completa (consulte la Tabla 2 y la Figura 2 ).Tabla 2 Impacto de la cobertura de seguro en cuatro variables de resultado de COVID-19 basadas en regresiones de datos de panel en el conjunto de datos de vigilancia de los CDC hasta el 13 de febrero de 2021. La regresión se proporciona en la ecuación. (1) ; el cambio de proporción en la variable de seguro es de Eq. (2 ). El cambio en las variables de resultado se calcula como el producto del cambio de proporción y el número de resultados registrados. Debido a que la muestra no es toda la población, la estimación del efecto del seguro en toda la población proviene de aplicar el cambio de proporción a toda la población en riesgo.
| Cambio de proporción | Total hasta el 13 de febrero | Efecto si todos están asegurados | Rango (+/- 1 seg) | |
|---|---|---|---|---|
| Días-persona entre el inicio de los síntomas y la prueba | -0.017 (se 0.063) | 45.591.172 | (775.049) | (-3.692.884 – 2.142.785) |
| Casos | -0.112⁎⁎⁎(se 0.041) | 25,942,037 | (2,905,508) | (1.841.885 – 3.969.132) |
| Hospitalización | -0.185⁎⁎⁎(se 0.054) | 1,207,878 | (223,457) | (158.232 – 288.683) |
| Fallecidos | -0.264⁎⁎⁎(se 0.085) | 225,210 | (59,455) | (40.313 – 78.598) |
Nota: *p<0,10,**p<0,05,***p<0,01.
Comparamos los resultados observados bajo la cobertura de seguro promedio del 89% para nuestros estratos con el escenario contrafáctico de cobertura universal. Bajar la cobertura del seguro del 100% en un estrato al 89% exacerba la mortalidad en más del 26% (ver Tabla 2 y Figura 2 ). A nivel nacional, en comparación con un contrafactual de cobertura de seguro médico universal para los EE. UU., esto se traduce en 59 455 muertes más por COVID-19 antes del 13 de febrero de 2021. Esto es casi el doble de la mortalidad anual por falta de seguro médico estimada para el pre -época de pandemia.13La cobertura de seguro también se asoció fuertemente con un mayor número de casos de COVID-19 y hospitalización. La reducción de la cobertura del seguro del 100 % al 89 % está asociada con un aumento del 11 % en los casos y un aumento del 18 % en las hospitalizaciones. En consecuencia, la brecha del seguro nacional probablemente contribuyó a un exceso de 3 millones de casos y 223 000 hospitalizaciones.El signo y la significancia de nuestros resultados no son sensibles al control por las características demográficas promedio de los estratos, la salud autoinformada o la prevalencia de comorbilidad ( Tabla 3 ). La inclusión de los controles por comorbilidad aumenta notablemente la magnitud de las estimaciones.Tabla 3 Sensibilidad de los resultados a la inclusión de variables de control. El cambio de proporción en cada resultado se presenta en base a una inclusión ampliada iterativamente de variables de control. Los efectos fijos se refieren a la inclusión de efectos fijos de estado, efectos fijos de tiempo, efectos fijos de edad, efectos fijos de sexo y efectos fijos de raza. Los controles demográficos incluyen datos demográficos más allá de los contabilizados por los efectos fijos, en este caso incluyendo estado civil, educación universitaria (al menos algo), empleo. Los controles de salud incluyen fumar, beber, días de mala salud física autoinformados durante los últimos 30 y mala salud autoinformada en general. Los controles de comorbilidad incluyen obesidad, hipertensión, diabetes, enfermedad del sistema respiratorio, trastornos renales y cáncer (no cáncer de piel).
| Especificación 1 | Especificación 2 | Especificación 3 | Especificación completa | |
|---|---|---|---|---|
| Días-persona entre el inicio de los síntomas y la prueba | −0,046 (se 0,056) | −0,023 (se 0,054) | −0,04 (se 0,055) | −0,017 (se 0,063) |
| Casos | −0,106⁎⁎⁎(se 0.031) | −0,094⁎⁎⁎(se 0.033) | −0,096⁎⁎⁎(se 0.033) | −0,112⁎⁎⁎(se 0.041) |
| Hospitalización | −0,168⁎⁎⁎(se 0.04) | −0,15⁎⁎⁎(se 0.047) | −0,153⁎⁎⁎(se 0.044) | −0,185⁎⁎⁎(se 0.054) |
| Muertes (confirmadas) | −0.204⁎⁎⁎(se 0.066) | −0,181⁎⁎(se 0.075) | −0,181⁎⁎(se 0.072) | −0,264⁎⁎⁎(se 0.085) |
| Efectos fijos | Sí | Sí | Sí | Sí |
| Controles demográficos | No | Sí | Sí | Sí |
| Controles de salud | No | No | Sí | Sí |
| Controles de comorbilidad | No | No | No | Sí |
Nota: *p<0,10,**p<0,05,***p<0,01.
Análisis de sensibilidad
Exploramos la sensibilidad de estos resultados a nivel estatal en dos dimensiones. Específicamente, truncamos la muestra en diferentes puntos de tiempo y también excluimos estados secuencialmente según los niveles de subregistro. Con respecto a los retrasos en la notificación, descubrimos que aproximadamente la mitad de los casos se informan de inmediato y el 80 % se informa dentro de los tres días. Sin embargo, más del 10 % no se informa en una semana y el 5 % solo se informa después de tres meses o más. Como las últimas semanas de los datos a nivel individual pueden estar menos completas que las semanas anteriores, exploramos diferentes fechas límite para la inclusión de datos. Encontramos una pequeña disminución en el impacto del seguro sobre la mortalidad y los casos a lo largo del tiempo, pero un aumento en el impacto sobre la hospitalización ( Tabla 4 ).Cuadro 4 Efecto de las fechas de corte alternativas. Cambio de proporción en las variables de resultado de COVID-19 cuando solo se incluyen los datos informados en una fecha en particular, para examinar el impacto potencial de un informe incompleto en nuestro análisis.
| Fecha de corte | Número de personas sintomáticas que retrasan la prueba | Casos | Hospitalización | Fallecidos |
|---|---|---|---|---|
| 5/9/2020 | -0.019 | -0.209*** | -0.140*** | -0.233** |
| 18/06/2020 | -0.291*** | -0.181*** | -0.148*** | -0.239*** |
| 28/7/2020 | -0.361*** | -0.163*** | -0.155*** | -0.249*** |
| 9/6/2020 | -0.294*** | -0.148*** | -0.166*** | -0.265*** |
| 16/10/2020 | -0.209*** | -0.135*** | -0.176*** | -0.272*** |
| 25/11/2020 | -0.116* | -0.124*** | -0.182*** | -0.27*** |
| 4/1/2021 | -0.053 | -0.117*** | -0.185*** | -0.267*** |
| Muestra completa (hasta el 13 de febrero de 2021) | -0.017 | -0.112*** | -0.185*** | -0.264*** |
Nota: *p<0,10,**p<0,05,***p<0,01.
La asociación entre el seguro médico y los retrasos en las pruebas disminuye con el tiempo ( Tabla 4 ). Durante todo el período de nuestro análisis, la cobertura de seguro se asocia con un aumento pequeño pero no estadísticamente significativo en el número de personas sintomáticas a las que no se les ha realizado una prueba. Sin embargo, la cobertura de seguro universal está asociada con una reducción del 35,9 % en los días que las personas sintomáticas permanecen sin hacerse la prueba cuando miramos solo hasta el verano de 2020 ( Tabla 4 ).Consideramos el impacto de la exclusión secuencial de los estados de acuerdo con la medida en que los datos de COVID-19 no se informan a los CDC. Determinamos el alcance de la subnotificación en función del porcentaje de muertes menos en los datos a nivel individual obtenidos de los CDC en comparación con los datos informados por los departamentos de salud estatales. A medida que se excluyen secuencialmente los estados con un subregistro sustancial, encontramos un impacto creciente del seguro de salud en la hospitalización y la mortalidad, y un impacto reducido en los casos ( Tabla 5 ).Tabla 5 Efecto de eliminar estados del análisis debido a informes limitados. Cambio de proporción en las variables de resultado de COVID-19 con varios conjuntos de estados, según su integridad en el informe.
| Número de estados incluidos | 14 | dieciséis | 21 | 29 | 34 | 50 |
|---|---|---|---|---|---|---|
| Pantalla (estados incluidos solo si falta menos del % de muertes) | 5% | 10% | 20% | 40% | 80% | 100% |
| Retrasos en las pruebas | -0.076 | -0.047 | 0.061 | -0.007 | -0.013 | -0.017 |
| Casos | -0.067 | -0.059 | -0.027 | -0.053 | -0.044 | -0.11*** |
| Hospitalización | -0.423*** | -0.449*** | -0.383*** | -0.32*** | -0.26*** | -0.19*** |
| Fallecidos | -0.571*** | -0.623*** | -0.497*** | -0.41*** | -0.34*** | -0.26*** |
Nota: *p<0,10,**p<0,05,***p<0,01.
Análisis de condados contiguos
Evaluamos la solidez de nuestros hallazgos mediante la comparación de condados adyacentes a través de las fronteras estatales donde un estado ha ampliado Medicaid bajo la Ley del Cuidado de Salud a Bajo Precio y el otro no. Este análisis de condados contiguos respalda los hallazgos estatales de que una alta cobertura de seguro de salud está asociada con una reducción significativa de casos, hospitalización y mortalidad ( Tabla 6 ). Bajo este diseño que controla las características del condado que son similares a través de las fronteras estatales, pasar a la cobertura de seguro total desde la tasa promedio del 89 % estaría asociado con una reducción del 30,9 % en los casos, una reducción del 36,1 % en las hospitalizaciones y una reducción del 27,7 % en la mortalidad ( Cuadro 6 , Figura 3). Estos resultados, además, son todos significativamente diferentes de cero al nivel del 99%. Nuestro análisis de caso base se realizó utilizando recuentos de resultados de COVID-19; sin embargo, las asociaciones son mucho más débiles cuando se hace una regresión de los resultados per cápita. Bajo ese marco analítico, solo los casos muestran una reducción que es significativa al 95% de confianza.Tabla 6 Análisis de sensibilidad que compara condados contiguos con y sin expansión de Medicaid. Esta tabla proporciona el cambio de proporción en cuatro variables de resultado basadas en regresiones de dos etapas para condados contiguos definidos como condados físicamente adyacentes en estados con y sin Expansión de Medicaid. La regresión de la primera etapa es para la tasa de seguro de salud del condado, incluida la Expansión de Medicaid estatal; la segunda etapa es para la variable de resultado COVID-19. Se informan dos conjuntos de resultados de regresión, aquellos donde la variable dependiente es el número de casos, el otro donde la variable dependiente es el porcentaje de la población. Los datos son hasta mediados de febrero de 2021.
| cuenta | Per cápita | |
|---|---|---|
| Casos | -0.309⁎⁎⁎(se 0.075) | -0.059⁎⁎(se 0.022) |
| Hospitalización | -0.361⁎⁎⁎(se 0.098) | -0.009 (se 0.095) |
| Muertes (confirmadas) | -0.277⁎⁎⁎(se 0.091) | 0,05 (se 0,049) |
Nota: *p<0,10,**p<0,05,***p<0,01.
Discusión
COVID-19 abrumó el sistema de salud de los EE. UU. durante la fase inicial de la pandemia y dentro de las oleadas locales intermitentes. Nuestro análisis sugiere que la fragilidad de la estructura de financiamiento del propio sistema debilitó la mitigación de la pandemia, aumentando la necesidad de cuidados intensivos y elevando la mortalidad. Al implementar dos marcos analíticos independientes, encontramos que las brechas de seguro más amplias exacerbaron los brotes locales de COVID-19 y dieron como resultado más casos, hospitalizaciones y muertes que las experimentadas por las jurisdicciones con mejor cobertura. Reducir el número de estadounidenses sin seguro médico es un componente crucial y subestimado de la preparación para una pandemia.Una limitación del estudio es nuestro uso de la cobertura de seguro médico 2015-2019. Por lo tanto, nuestras estimaciones de la mortalidad por COVID-19 atribuible a la falta de cobertura de seguro pueden ser conservadoras, porque la pandemia también provocó una disminución en la cobertura de seguro médico. En nuestro análisis principal, estimamos el cambio nacional en los resultados de COVID-19 que se esperaría si la nación tuviera una cobertura perfecta, en comparación con la cobertura de 2015-2019. Sin embargo, las repercusiones económicas de la pandemia provocaron la pérdida del empleo y, por lo tanto, del seguro médico proporcionado por el empleador para millones de personas que antes estaban cubiertas. Los datos de Medicaid-SCHP y de la inscripción en el seguro médico basado en el empleo de la Oficina de Estadísticas Laborales indican que la cobertura del seguro médico se redujo en un 10 % en abril de 2020.14Esta brecha de cobertura ampliada implica que una mayor proporción de casos, hospitalizaciones y muertes de COVID-19 pueden atribuirse a la falta de seguro. Una vez que los datos de empleo y seguros para el período de la pandemia estén disponibles, un análisis basado en el cambio de cobertura a lo largo del tiempo sería una valiosa contribución.Una segunda limitación es que nuestro control de los efectos estructurales está a nivel estatal y, por lo tanto, nuestra medida del efecto del seguro también puede estar capturando algunos de los efectos estructurales de vivir en localidades dentro de estados con baja cobertura de seguro.15En particular, los trabajos precarios y de bajos salarios también pueden tener un mayor riesgo de exposición en el lugar de trabajo.dieciséis,17Si bien nuestro enfoque de efectos fijos controla estos otros factores cuando son constantes, la baja cobertura de seguro también puede estar asociada con otras condiciones correlacionadas con una mortalidad elevada, como altas tasas de pobreza o falta de servicios sociales. Asimismo, se esperaría que tales condiciones aumentaran con la perturbación económica atribuible a la pandemia.18,19Para COVID-19, estos pueden ser modificadores importantes, inflando nuestra estimación del efecto del seguro.Nuestras estimaciones de condados contiguos aprovechan la variación en los umbrales de elegibilidad de Medicaid entre los condados adyacentes que bordean las fronteras estatales, un enfoque común para evaluar la expansión de Medicaid.20, 21, 22, 23Este diseño de investigación no solo es intuitivo, ya que los condados adyacentes tienden a ser similares, sino que también tiene una suposición de identificación clara. Al incluir efectos de tiempo específicos de pares y efectos de condado, este diseño controla todas las características invariantes en el tiempo dentro de cada condado y todas las características variables en el tiempo que son estables dentro de cada par.24Por lo tanto, esta estrategia descubre el efecto de las generosas políticas de Medicaid en los resultados de COVID-19 si las características no observadas se mantienen estables dentro de cada par. Una desventaja de este enfoque es que las diferencias políticas a nivel estatal pueden ser una amenaza para la identificación, lo que se correlaciona con la decisión de un estado de expandir Medicaid y su respuesta a la pandemia de COVID-19. Mitigamos esta limitación al incluir controles variables en el tiempo relevantes, como las pruebas de COVID-19.Incluimos la prevalencia de comorbilidades como control para descartar la posibilidad de que las diferencias en los resultados de COVID sean atribuibles a diferencias en el estado de salud subyacente de la población. Si una alta cobertura de seguro se asocia con menos comorbilidades, el control de las comorbilidades debería reducir la magnitud del efecto que tiene la cobertura de seguro en los resultados de COVID-19. En cambio, encontramos lo contrario. Esto puede deberse al hecho de que aquellos con seguro tienen más probabilidades de tener un diagnóstico de su comorbilidad que aquellos que no tienen seguro. Se justifica más investigación para investigar la relación a nivel individual entre el estado del seguro, las comorbilidades y los resultados de COVID-19.Descubrimos que el efecto de la cobertura de seguro en los casos, las hospitalizaciones y las muertes fue consistente incluso cuando cambiamos la fecha límite para la inclusión de datos. Para las pruebas, la asociación con la cobertura de atención médica fue sensible a la fecha límite y existe evidencia de que la cobertura de seguro tuvo un mayor efecto en las pruebas al principio de la pandemia. Durante el verano de 2020, la cobertura de seguro se asoció con demoras más cortas en las pruebas, así como con menos personas sintomáticas que esperaban una prueba. La reducción de los retrasos en las pruebas reduce la propagación de la enfermedad, ya que tanto el aislamiento de la persona infectada como el proceso de rastreo de contactos se inician antes. Para la persona infectada, un diagnóstico más rápido puede conducir a un tratamiento más temprano, reduciendo así los riesgos de hospitalización y mortalidad.25Sin embargo, el costo compartido anticipado y la falta de conexión regular con un proveedor de atención primaria probablemente aún contribuyeron a los retrasos en la búsqueda de pruebas entre las personas sin seguro médico en los primeros meses de la pandemia. La mayor conciencia y accesibilidad de las pruebas gratuitas mejoraron la asociación entre la cobertura del seguro y el retraso en las pruebas para fines de 2020.26La ley federal que subsidia tanto las pruebas como la atención médica para las personas sin seguro con COVID-19 no borró la asociación entre la cobertura de seguro y los resultados de la enfermedad de COVID-19. Entre las posibles razones de este efecto duradero se encuentran las lagunas que seguían existiendo, como los cargos a los pacientes por aspectos de su atención que no eran específicos de la COVID-19. Tales prácticas disuaden a los pacientes, al igual que la falta de comunicación sobre el subsidio federal.27Además, los pacientes sin seguro con síntomas iniciales inespecíficos pueden retrasar la atención, ya que la ley federal no cubriría el tratamiento por una etiología distinta al COVID-19. Al mismo tiempo, es posible que los hospitales y algunos proveedores sigan prefiriendo a los pacientes con seguro privado a los no asegurados cubiertos por la ley federal debido a las tasas de reembolso más altas.28Sorprendentemente, descubrimos que la baja cobertura de seguro sigue asociada con una mayor hospitalización a pesar de los desincentivos financieros tanto del paciente como del proveedor para la hospitalización de los no asegurados. Un factor que contribuye es que los retrasos en la atención pueden exacerbar la gravedad de la COVID-19.29Más allá de la vía directa a nivel individual desde la hospitalización hasta la muerte, el efecto de hospitalizaciones adicionales en un sistema de atención médica abrumado también contribuye a una mayor mortalidad entre las personas aseguradas y no aseguradas en la localidad.Al demostrar el impacto adverso de la cobertura de seguro incompleta en el número de casos y la mortalidad de COVID-19, este análisis destaca los límites de nuestra dependencia de este sistema de atención médica impulsado por el mercado. Las preocupaciones generalizadas sobre el costo y la falta de conexión con los proveedores de atención médica no se limitan de ninguna manera a COVID-19. Estos problemas sistémicos afectan la atención médica de los Estados Unidos en todas las enfermedades y contribuyen a decenas de miles de muertes innecesarias cada año, incluso antes de la pandemia de COVID-19.13La implementación de un sistema de salud universal de pagador único, como el propuesto por las Leyes de Medicare para Todos de 201930y 2021,31mitigaría la carga tanto de la pandemia de COVID-19 específicamente como de las disparidades en la atención médica en general en los Estados Unidos.
Declaración de intereses
Ninguna.
Referencias
- 1.López G. Cómo se compara el número de muertos por covid-19 en EE. UU. con el de otros países ricos. 2021; publicado en línea el 11 de enero. https://www.vox.com/future-perfect/2021/1/11/22220827/covid-19-pandemic-coronavirus-usa-europe-canada-trump . Consultado el 4 de marzo de 2022.Ver en el artículo
- 2.
- Bilinski A.
- Emanuel E.J.
- 3.
- islam n
- Jdanov DA
- Shkolnikov MV
- et al.
- 4.¿Cómo se comparan los precios y el uso de la atención médica en los EE. UU. con otros países? Rastreador del sistema de salud Peterson-KFF. 2018; publicado en línea el 8 de mayo. https://www.healthsystemtracker.org/chart-collection/how-do-healthcare-prices-and-use-in-the-us-compare-to-other-countries/ . Consultado el 4 de marzo de 2022.Ver en el artículo
- 5.¿Cómo se compara la esperanza de vida de EE. UU. con la de otros países? Rastreador del sistema de salud Peterson-KFF. 2021; publicado en línea el 28 de septiembre. https://www.healthsystemtracker.org/chart-collection/us-life-expectancy-compare-countries/ . Consultado el 4 de marzo de 2022.Ver en el artículo
- 6.Servicio de Investigación del Congreso. La creciente brecha en la esperanza de vida por ingresos: evidencia reciente e implicaciones para la edad de jubilación de la seguridad social. 2021 https://sgp.fas.org/crs/misc/R44846.pdf .Ver en el artículo
- 7.CENTROS PARA EL CONTROL Y LA PREVENCIÓN DE ENFERMEDADES. Rastreador de datos COVID. https://covid.cdc.gov/covid-data-tracker/#trends_dailytrendscases . Consultado el 4 de marzo de 2022.Ver en el artículo
- 8.Oficina del Censo de EE.UU. Datos de la encuesta de la comunidad estadounidense. https://www.census.gov/programs-surveys/acs/data.html . Consultado el 14 de marzo de 2022.Ver en el artículo
- 9.Centros de Control y Prevención de Enfermedades. Datos de encuestas anuales del sistema de vigilancia de factores de riesgo conductuales. 2021; publicado en línea el 26 de agosto. https://www.cdc.gov/brfss/annual_data/annual_data.htm . Consultado el 4 de marzo de 2022.Ver en el artículo
- 10
- tarjeta d
- AB Krueger
- 11Oficina del Censo de EE.UU. 2008 – 2019 Estimaciones de seguro de salud para áreas pequeñas (SAHIE) utilizando la Encuesta sobre la comunidad estadounidense (ACS). https://www.census.gov/data/datasets/time-series/demo/sahie/estimates-acs.html . Consultado el 17 de marzo de 2022.Ver en el artículo
- 12
- Laboratorio de ciencia y datos electorales del MIT (Instituto de Tecnología de Massachusetts)
- 13
- AP Galvani
- Parpia AS
- Fomentar EM
- Cantante BH
- Fitzpatrick MC
- 14Oficina de estadísticas laborales. Encuesta Nacional de Compensación: Beneficios para empleados en los Estados Unidos, marzo de 2021. 2021 https://www.bls.gov/ncs/ebs/benefits/2021/ . Consultado el 7 de marzo de 2022.Ver en el artículo
- 15.
- Millett GA
- Jones en
- Benkeser D.
- et al.
- dieciséis.
- Blumenthal D.
- Fowler EJ
- abrams m
- collins sr
- 17
- Fielding-Miller RK
- Sundaram ME
- Brouwer K.
- 18
- manipulador de lana s.
- Himmelstein DU
- Intersección de EE. UU.
- 19
- Kate Bundorf M.
- Gupta S.
- kim c
- 20
- Sen AP
- DeLeire T.
- 21
- el q
- Barkowski S.
- 22
- peng l
- Guo X.
- CD de Meyerhoefer
- 23
- Schmidt L.
- Shore-Sheppard LD
- watson t
- 24
- Dube A.
- lester
- reich m
- 25Lowey NM. Ley de respuesta al coronavirus de las familias primero. 2020 https://www.congress.gov/bill/116th-congress/house-bill/6201 . Consultado el 7 de marzo de 2022.Ver en el artículo
- 26Chua KP, Conti RM A pesar de la primera ley de respuesta al coronavirus de las familias, la evaluación de COVID-19 no es necesariamente gratuita. Vanguardia en Asuntos de Salud. 2020; publicado en línea el 17 de abril. https://www.healthaffairs.org/do/10.1377/forefront.20200413.783118/full/ . Consultado el 7 de marzo de 2022.Ver en el artículo
- 27Farmer B. Las facturas del hospital para pacientes con COVID sin seguro están cubiertas, pero nadie les dice. Noticias de salud de Kaiser. 2020; publicado en línea el 29 de octubre. https://khn.org/news/hospital-bills-for-uninsured-covid-patients-are-covered-but-no-one-tells-them/ . Consultado el 14 de marzo de 2022.Ver en el artículo
- 28
- wapner j.
- 29
- Cobre A de F.
- Boger B.
- Fachi MM
- et al.
- 30Sanders B. Medicare para todas las leyes de 2019. 2019 https://www.congress.gov/bill/116th-congress/senate-bill/1129/text . Consultado el 11 de marzo de 2022.Ver en el artículo
- 31Jayapal P. Medicare para todas las leyes de 2021. 2021 https://www.congress.gov/bill/117th-congress/house-bill/1976/text . Consultado el 11 de marzo de 2022.Ver en el artículo
Información del artículo
Historial de publicaciones
Publicado: 12 de mayo de 2022
Identificación
DOI: https://doi.org/10.1016/j.lana.2022.100264
Derechos de autor
© 2022 Los autores. Publicado por Elsevier Ltd.
Licencia de usuario
Atribución de Creative Commons (CC BY 4.0) | Cómo puedes reutilizar
CienciaDirecta
Acceda a este artículo en ScienceDirect
Cifras
![Figura 1]()
Figura 1 Mapa de condados incluidos en el análisis de expansión de Medicaid. El color del condado indica el límite para la elegibilidad de Medicaid, como un multiplicador del nivel federal de pobreza (FPL): sin expansión (blanco), 100 % (amarillo), 138 % (naranja), 200 % (rojo), 215 % (oscuro rojo, Distrito de Columbia únicamente). Los condados sombreados en gris no limitan con un estado con una política de expansión de Medicaid diferente y se omitieron del análisis.![Figura 2]()
Figura 2 Efecto en los resultados de COVID-19 de pasar de la tasa de seguro de salud actual a la cobertura total utilizando el análisis de efectos fijos. Todos los estados, hasta febrero de 2021. Las barras azules muestran el efecto previsto como un cambio porcentual en cada resultado; las líneas rojas muestran los intervalos de confianza del 95%.![Fig. 3]()
Figura 3 Efecto en los resultados de COVID-19 al pasar de la tasa de seguro médico actual a la cobertura completa utilizando el análisis de condados contiguos. Los puntos azules muestran el efecto previsto como un cambio porcentual en cada resultado; las barras rojas muestran los intervalos de confianza del 95%.
Mesas
- Tabla 1 Estadísticas resumidas para variables clave en el conjunto de datos de vigilancia de los CDC.
- Tabla 2 Impacto de la cobertura de seguro en cuatro variables de resultado de COVID-19 basadas en regresiones de datos de panel en el conjunto de datos de vigilancia de los CDC hasta el 13 de febrero de 2021. La regresión se proporciona en la ecuación. (1) ; el cambio de proporción en la variable de seguro es de Eq. (2 ). El cambio en las variables de resultado se calcula como el producto del cambio de proporción y el número de resultados registrados. Debido a que la muestra no es toda la población, la estimación del efecto del seguro en toda la población proviene de aplicar el cambio de proporción a toda la población en riesgo.
- Tabla 3 Sensibilidad de los resultados a la inclusión de variables de control. El cambio de proporción en cada resultado se presenta en base a una inclusión ampliada iterativamente de variables de control. Los efectos fijos se refieren a la inclusión de efectos fijos de estado, efectos fijos de tiempo, efectos fijos de edad, efectos fijos de sexo y efectos fijos de raza. Los controles demográficos incluyen datos demográficos más allá de los contabilizados por los efectos fijos, en este caso incluyendo estado civil, educación universitaria (al menos algo), empleo. Los controles de salud incluyen fumar, beber, días de mala salud física autoinformados durante los últimos 30 y mala salud autoinformada en general. Los controles de comorbilidad incluyen obesidad, hipertensión, diabetes, enfermedad del sistema respiratorio, trastornos renales y cáncer (no cáncer de piel).
- Cuadro 4 Efecto de las fechas de corte alternativas. Cambio de proporción en las variables de resultado de COVID-19 cuando solo se incluyen los datos informados en una fecha en particular, para examinar el impacto potencial de un informe incompleto en nuestro análisis.
- Tabla 5 Efecto de eliminar estados del análisis debido a informes limitados. Cambio de proporción en las variables de resultado de COVID-19 con varios conjuntos de estados, según su integridad en el informe.
- Tabla 6 Análisis de sensibilidad que compara condados contiguos con y sin expansión de Medicaid. Esta tabla proporciona el cambio de proporción en cuatro variables de resultado basadas en regresiones de dos etapas para condados contiguos definidos como condados físicamente adyacentes en estados con y sin Expansión de Medicaid. La regresión de la primera etapa es para la tasa de seguro de salud del condado, incluida la Expansión de Medicaid estatal; la segunda etapa es para la variable de resultado COVID-19. Se informan dos conjuntos de resultados de regresión, aquellos donde la variable dependiente es el número de casos, el otro donde la variable dependiente es el porcentaje de la población. Los datos son hasta mediados de febrero de 2021.