Indicadores demográficos en la incidencia de la covid-19 en Santiago de Cuba / Indicadores demográficos na incidência da Covid-19 em Santiago de Cuba / Demographic indicators in the incidence of Covid-19 in Santiago de Cuba

Los indicadores demográficos han sido empleados por algunos investigadores para estimar el número de personas infectadas por la covid-19. El presente trabajo tiene como primer objetivo determinar en qué medida la incidencia de casos con covid-19 en los municipios de la provincia de Santiago de Cuba puede ser explicada a partir de determinados indicadores demográficos. El segundo objetivo es construir una jerarquía de grupos de municipios de acuerdo al comportamiento diferenciado de los indicadores demográficos seleccionados. Se desarrolló un estudio ecológico, exploratorio, de grupos múltiples, comparando los nueve municipios de la provincia Santiago de Cuba según variables del nivel global, supuestamente relacionadas con la cantidad de casos con covid-19 confirmados desde el 15 de octubre de 2020 hasta el 16 de enero de 2021. Se aplicó el análisis de regresión lineal múltiple para seleccionar el modelo que describiera mejor el comportamiento de los datos y el análisis de clúster para visualizar la agrupación de los municipios. Se evidenció una correlación significativa entre la cantidad de casos con covid-19, la densidad de población y el grado de urbanización. En cambio, en el modelo de regresión solo resultó significativa la densidad poblacional cuando se consideraron los nueve municipios y el índice de masculinidad, cuando se excluyó el municipio atípico, Santiago de Cuba. El índice de masculinidad resultó ser una variable espuria condicionada por la densidad poblacional como variable confusora. El análisis de clúster reveló la formación de tres grupos de municipios, quedando Santiago de Cuba aislado del resto de los municipios.

Some researchers have used demographic indicators to estimate the number of people infected by COVID-19. The first goal of this study is to determine to what extent the incidence of cases of COVID-19 in the municipalities of the province of Santiago de Cuba can be explained by certain demographic indicators. The second goal is to construct a hierarchy of groups of municipalities according to the differentiated behavior of the selected demographic indicators. An ecological, exploratory, multi-group study was developed, comparing the nine municipalities of Santiago de Cuba province according to global level variables, supposedly related to the number of cases with COVID-19 confirmed from October 15, 2020 to January 16, 2021. Multiple linear regression analysis was applied to select the model that best described the behavior of the data and cluster analysis to visualize the grouping of the municipalities. A significant correlation was found between the number of cases with COVID-19, population density and urbanization level. On the other hand, in the regression model, only population density was significant when the nine municipalities were considered and the masculinity index, when the atypical municipality, Santiago de Cuba, was excluded. The masculinity index turned out to be a spurious variable conditioned by population density as a confounding variable. The cluster analysis revealed the formation of three groups of municipalities, with Santiago de Cuba being isolated from the rest of the municipalities.

Indicadores demográficos têm sido usados por alguns pesquisadores para estimar o número de pessoas infectadas pela Covid-19. O primeiro objetivo deste estudo é determinar até que ponto a incidência de casos de Covid-19 nos municípios da província de Santiago de Cuba pode ser explicada por certos indicadores demográficos. O segundo objetivo é construir uma hierarquia de grupos de municípios de acordo com o comportamento diferenciado dos indicadores demográficos selecionados. Foi desenvolvido um estudo ecológico, exploratório e multigrupo, comparando os nove municípios da província de Santiago de Cuba de acordo com variáveis de nível global, supostamente relacionadas ao número de casos de Covid-19 confirmados entre 15 de outubro de 2020 e 16 de janeiro de 2021. A análise de regressão linear múltipla foi aplicada para selecionar o modelo que melhor descrevia o comportamento dos dados e a análise de agrupamento para visualizar o agrupamento dos municípios. Foi encontrada uma correlação significativa entre o número de casos de Covid-19, a densidade populacional e o nível de urbanização. Por outro lado, no modelo de regressão, apenas a densidade populacional era significativa quando os nove municípios foram considerados e o índice de masculinidade, quando o município atípico, Santiago de Cuba, foi excluído. O índice de masculinidade revelou-se uma variável espúria condicionada pela densidade populacional como uma variável confusa. A análise de agrupamento revelou a formação de três grupos de municípios, com Santiago de Cuba sendo isolado do resto dos municípios.

Entrada de viajeros y densidad poblacional en la propagación de la COVID-19 en Cuba / Arrival of travelers and population density in the spread of COVID-19 in Cuba

Introducción: El comportamiento no homogéneo de la cantidad de casos confirmados con COVID-19 en diferentes regiones de Cuba aún no se ha esclarecido, lo cual resultaría de utilidad para la toma de decisiones en futuras epidemias en el país. Objetivo: Determinar la influencia de la entrada de viajeros y la densidad poblacional sobre la distribución no homogénea de la cantidad de casos con COVID-19 por provincias en Cuba. Métodos: Se desarrolló un estudio ecológico, exploratorio, de grupos múltiples, comparando las provincias cubanas según variables del nivel global y agregado, relacionadas con la cantidad de casos con COVID-19, confirmados durante la epidemia en Cuba. Se aplicó el análisis de regresión lineal múltiple para seleccionar el modelo que mejor describe el comportamiento de los datos y el análisis de clúster para visualizar la agrupación de las provincias. Resultados: Se evidenció una correlación significativa entre la cantidad de casos con COVID-19 y la cantidad de viajeros con COVID-19, la cantidad total de viajeros que arribaron al país en marzo y los eventos de trasmisión. En el modelo de regresión resultaron significativas la densidad poblacional y las cantidades de viajeros total y con COVID-19. El análisis de clúster reveló la formación de cuatro grupos de provincias. Conclusiones: La cantidad de casos con COVID-19 por provincia se relaciona con la cantidad de viajeros que entraron al país, con y sin COVID-19, y la densidad poblacional. Se forman cuatro grupos de provincias por su similitud en los aspectos identificados en la regresión(AU)

Introduction: The non-homogeneous behavior of the number of COVID-19 confirmed cases in different regions of Cuba has not yet been clarified, which would be useful for decision-making in future epidemics in the country. Objective: To determine the influence of the arrival of travelers and the population density on the non-homogeneous distribution of the number of COVID-19 cases by provinces in Cuba. Methods: An ecological, exploratory, multiple group study was carried out, comparing Cuban provinces according to variables of the global and aggregate levels, related to the number of COVID-19 cases, confirmed during the epidemic in Cuba. Multiple linear regression analysis was applied to select the model that best describes the behavior of the data and cluster analysis to visualize the grouping of the provinces. Results: A significant correlation was proved between the number of COVID-19 cases and the number of travelers with COVID-19, the total number of travelers who arrived in Cuba in March, and transmission events. In the regression model, the population density and the total number of travelers and those with COVID-19 were significant. The cluster analysis revealed the formation of four groups of provinces. Conclusions: The number of cases with COVID-19 by province is related to the number of travelers who arrived in the country, with and with no COVID-19, and the population density. Four groups of provinces are formed by their similarity in the aspects identified at regression(AU)

Colesterol -LDL: ¿determinación química, fórmula de Friedewald o análisis de Regresión ? / LDL cholesterol: Direct homogeneous assay, Friedewald formula, or regression analysis?

La elevación del colesterol de la lipoproteína de baja densidad (C-LDL) es una de las principales causas de riesgo cardiovascular. Pese a la existencia de métodos analíticos para medir la concentración de C-LDL, el uso de la fórmula de Friedewald permite estimar su valor a partir de los valores de colesterol, triglicéridos y colesterol de la lipoproteína de alta densidad (C-HDL). Nuestro objetivo fue el evaluar la validez de la utilización de la fórmula, comparándola con la medida directa del C-LDL y el análisis de regresión múltiple a partir de datos de muestras de pacientes pediátricos. Se realizo un análisis de regresión lineal múltiple. La ecuación de regresión obtenida fue: C-LDL= -1,5988 + (0,845168*CT)-(0,0966192*TG)-(0,80157*C-HDL)+ (1,13943*sexo). Este modelo resulta satisfactorio (p-valor < 0,00001) ya que explica el 95,43% del comportamiento de las C-LDL con un valor de R2 = 0,9543. Los valores de C-LDL predichos con la ecuación de regresión presentaron un valor 97,26 ± 35,57 mg/dl, no mostrando diferencias significativas (p-valor=0,981) con los valores hallados con el método homogéneo 97,47 ± 36,55 mg/dl lo que permitiría su aplicación en nuestro laboratorio (AU)

High low-density lipoprotein (LDL) cholesterol levels is one of the main causes of cardiovascular risk. Although different analytical methods exist, the Friedewald formula allows to estimate LDL based on total cholesterol, triglyceride, and high-density lipoprotein (HDL) cholesterol levels. Our aim was to evaluate the validity of the formula comparing it to direct LDL-cholesterol measurement using multiple linear regression analysis of the data of samples of pediatric patients. Performing multiple regression analysis, the regression equation obtained was: LDL cholesterol =-1.5988+(0.845168*CT)- (0.0966192*TG)-(0.80157*HDL cholesterol)+(1.13943*sex). The model proved to be satisfactory (p-value < 0.00001) as it confirmed 95.43% of the LDL cholesterol levels with an R2 value = 0.9543. The LDL cholesterol levels predicted by regression equation were 97.26 ± 35.57 mg/dl, not showing significant differences (p-value=0.981) compared with levels found using the homogeneous method (97.47 ± 36.55 mg/dl) allowing its use in our laboratory (AU)