pág. 2411
MOVILIDAD, MORTALIDAD Y SATURACIÓN
HOSPITALARIA: ANÁLISIS MULTIFUENTE DE LA
RESPUESTA PANDÉMICA DIFERENCIAL EN LAS
ENTIDADES FEDERATIVAS DE MÉXICO (2020-
2022)
MOBILITY, MORTALITY, AND HOSPITAL SATURATION: A
MULTI-SOURCE ANALYSIS OF DIFFERENTIAL PANDEMIC
RESPONSE ACROSS MEXICAN STATES (2020-2022)
Faustino Benjamín Rivera López
Universidad Nacional Rosario Castellanos
Tanya Arenas Reséndiz
Universidad Nacional Rosario Castellanos
Humberto Dorantes Benavidez
Tecnológico de Estudios Superiores del Oriente del Estado de México (TecNM-TESOEM)
Ana Laura González Alejo
Universidad Nacional Autónoma de México
Julio César Torres Valdez
División de Estudios de Posgrado e Investigación, Instituto Tecnológico de Oaxaca (TecNM)
pág. 2412
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24230
Movilidad, mortalidad y saturación hospitalaria: análisis multifuente de la
respuesta pandémica diferencial en las entidades federativas de México
(2020-2022)
Faustino Benjamín Rivera López1
d20161938@itoaxaca.edu.mx
https://orcid.org/0009-0004-1769-6152
Universidad Nacional Rosario Castellanos
Ciudad de México – México
Tanya Arenas Reséndiz
tanya.arenas@rcastellanos.cdmx.gob.mx
https://orcid.org/0000-0003-0385-0791
Universidad Nacional Rosario Castellanos
Ciudad de México – México
Humberto Dorantes Benavidez
humberdorantes@gmail.com
https://orcid.org/0000-0003-1490-1873
Tecnológico de Estudios Superiores del Oriente
del Estado de México (TecNM-TESOEM)
La Paz, Estado de México – México
Ana Laura González Alejo
algonzalez@encit.unam.mx
https://orcid.org/0000-0003-3446-8093
Escuela Nacional de Ciencias de la Tierra,
Universidad Nacional Autónoma de México
Ciudad de México – México
Julio César Torres Valdez
jcesartv@gmail.com
https://orcid.org/0000-0002-9125-2005
División de Estudios de Posgrado e
Investigación, Instituto Tecnológico de Oaxaca
(TecNM)
Oaxaca de Juárez, Oaxaca – México
1 Autor principal
Correspondencia: d20161938@itoaxaca.edu.mx
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24230
Movilidad, mortalidad y saturación hospitalaria: análisis multifuente de la
respuesta pandémica diferencial en las entidades federativas de México
(2020-2022)
Faustino Benjamín Rivera López1
d20161938@itoaxaca.edu.mx
https://orcid.org/0009-0004-1769-6152
Universidad Nacional Rosario Castellanos
Ciudad de México – México
Tanya Arenas Reséndiz
tanya.arenas@rcastellanos.cdmx.gob.mx
https://orcid.org/0000-0003-0385-0791
Universidad Nacional Rosario Castellanos
Ciudad de México – México
Humberto Dorantes Benavidez
humberdorantes@gmail.com
https://orcid.org/0000-0003-1490-1873
Tecnológico de Estudios Superiores del Oriente
del Estado de México (TecNM-TESOEM)
La Paz, Estado de México – México
Ana Laura González Alejo
algonzalez@encit.unam.mx
https://orcid.org/0000-0003-3446-8093
Escuela Nacional de Ciencias de la Tierra,
Universidad Nacional Autónoma de México
Ciudad de México – México
Julio César Torres Valdez
jcesartv@gmail.com
https://orcid.org/0000-0002-9125-2005
División de Estudios de Posgrado e
Investigación, Instituto Tecnológico de Oaxaca
(TecNM)
Oaxaca de Juárez, Oaxaca – México
1 Autor principal
Correspondencia: d20161938@itoaxaca.edu.mx
pág. 2413
RESUMEN
Contexto: México registró más de 334,000 defunciones oficiales por COVID-19 entre marzo de 2020 y
octubre de 2022, con una distribución territorial profundamente heterogénea entre sus 32 entidades
federativas: la tasa de mortalidad registrada en la Ciudad de México (484/100K) fue 11.4 veces superior
a la de Chiapas (42.6/100K). Ningún estudio previo ha integrado simultáneamente datos de movilidad,
restricciones sanitarias, epidemiología, ocupación hospitalaria, vacunación y pobreza para analizar los
determinantes de esta heterogeneidad. Objetivo: Examinar la secuencia asociativa entre política sanitaria
(Semáforo Epidemiológico), comportamiento poblacional (movilidad), presión sobre el sistema de salud
(ocupación hospitalaria), resultados epidemiológicos (mortalidad) y condiciones estructurales
(pobreza), en las 32 entidades federativas durante el período completo de la pandemia. Metodología:
Diseño cuantitativo longitudinal integrando ocho fuentes de datos oficiales con más de 350,000 registros
pareados. Se aplicaron pruebas de Kruskal-Wallis con ε² como tamaño del efecto, correlaciones cruzadas
con desfase temporal y corrección de Bonferroni (α ajustado = .006), test de Mann-Whitney con d de
Cohen, correlaciones de Pearson y Spearman con intervalos de confianza al 95% mediante
transformación z de Fisher, regresión lineal múltiple por MCO con diagnósticos de VIF y Shapiro-Wilk,
test de mediación de Sobel, test de tendencia de Kendall (unilateral) y pruebas de Dickey-Fuller
aumentada para estacionariedad. Se construyó un Índice de Respuesta al Semáforo (IRS) por entidad.
Resultados: El Semáforo Epidemiológico se asoció con diferencias significativas en movilidad entre sus
cuatro niveles (H(3) = 5,976.08, p < .001, ε² = .358) y en hospitalización (H(3) = 7,417.88, p < .001).
La movilidad se asoció con las defunciones con un desfase de 21 días (r = -.676, p ajustada < .001, R²
= .457), mediado por la ocupación hospitalaria (r = .877 a lag 0, R² = .770). Se documentó fatiga de
restricciones: la tercera ola produjo 26 puntos porcentuales menos de reducción de movilidad que la
segunda en niveles de alerta comparables (d de Cohen = -3.17, p < .001). La vacunación se asoció con
una reducción de la tasa de letalidad por caso de 11.9% a 0.3% (τ de Kendall = -1.000, p unilateral =
.008) y del ratio de ocupación UCI sobre hospitalización general de 1.18 a 0.48. La correlación negativa
entre pobreza y mortalidad registrada (r = -.616, IC 95% [-.794, -.340], p < .001) se interpretó como
sub-hospitalización diferencial; el test de Sobel para mediación a través de la hospitalización no alcanzó
significancia estadística (z = -1.55, p = .120), aunque la proporción mediada fue del 21.7%. Un modelo
de regresión múltiple ampliado con accesibilidad a carretera pavimentada (CONEVAL) incrementó la
varianza explicada de R² = .533 a R² = .636 (F(4,27) = 11.77, p < .001, VIF < 3), con la inaccesibilidad
vial como predictor significativo (β = -3.65, p = .010), precisando que el mecanismo operativo de la
paradoja es la distancia física al hospital. Conclusiones: La respuesta pandémica en México se
caracterizó por una secuencia asociativa de cuatro eslabones (restricciones, movilidad, hospitalización
y mortalidad), moderada por la vacunación y condicionada por la desigualdad estructural en
infraestructura sanitaria. La evidencia de temporalidad en los desfases y la consistencia de los gradientes
sugieren, sin ser concluyentes, una dirección causal que requiere confirmación mediante diseños cuasi-
experimentales.
Palabras clave: COVID-19; movilidad poblacional; semáforo epidemiológico; saturación hospitalaria;
desigualdad sanitaria; México.
RESUMEN
Contexto: México registró más de 334,000 defunciones oficiales por COVID-19 entre marzo de 2020 y
octubre de 2022, con una distribución territorial profundamente heterogénea entre sus 32 entidades
federativas: la tasa de mortalidad registrada en la Ciudad de México (484/100K) fue 11.4 veces superior
a la de Chiapas (42.6/100K). Ningún estudio previo ha integrado simultáneamente datos de movilidad,
restricciones sanitarias, epidemiología, ocupación hospitalaria, vacunación y pobreza para analizar los
determinantes de esta heterogeneidad. Objetivo: Examinar la secuencia asociativa entre política sanitaria
(Semáforo Epidemiológico), comportamiento poblacional (movilidad), presión sobre el sistema de salud
(ocupación hospitalaria), resultados epidemiológicos (mortalidad) y condiciones estructurales
(pobreza), en las 32 entidades federativas durante el período completo de la pandemia. Metodología:
Diseño cuantitativo longitudinal integrando ocho fuentes de datos oficiales con más de 350,000 registros
pareados. Se aplicaron pruebas de Kruskal-Wallis con ε² como tamaño del efecto, correlaciones cruzadas
con desfase temporal y corrección de Bonferroni (α ajustado = .006), test de Mann-Whitney con d de
Cohen, correlaciones de Pearson y Spearman con intervalos de confianza al 95% mediante
transformación z de Fisher, regresión lineal múltiple por MCO con diagnósticos de VIF y Shapiro-Wilk,
test de mediación de Sobel, test de tendencia de Kendall (unilateral) y pruebas de Dickey-Fuller
aumentada para estacionariedad. Se construyó un Índice de Respuesta al Semáforo (IRS) por entidad.
Resultados: El Semáforo Epidemiológico se asoció con diferencias significativas en movilidad entre sus
cuatro niveles (H(3) = 5,976.08, p < .001, ε² = .358) y en hospitalización (H(3) = 7,417.88, p < .001).
La movilidad se asoció con las defunciones con un desfase de 21 días (r = -.676, p ajustada < .001, R²
= .457), mediado por la ocupación hospitalaria (r = .877 a lag 0, R² = .770). Se documentó fatiga de
restricciones: la tercera ola produjo 26 puntos porcentuales menos de reducción de movilidad que la
segunda en niveles de alerta comparables (d de Cohen = -3.17, p < .001). La vacunación se asoció con
una reducción de la tasa de letalidad por caso de 11.9% a 0.3% (τ de Kendall = -1.000, p unilateral =
.008) y del ratio de ocupación UCI sobre hospitalización general de 1.18 a 0.48. La correlación negativa
entre pobreza y mortalidad registrada (r = -.616, IC 95% [-.794, -.340], p < .001) se interpretó como
sub-hospitalización diferencial; el test de Sobel para mediación a través de la hospitalización no alcanzó
significancia estadística (z = -1.55, p = .120), aunque la proporción mediada fue del 21.7%. Un modelo
de regresión múltiple ampliado con accesibilidad a carretera pavimentada (CONEVAL) incrementó la
varianza explicada de R² = .533 a R² = .636 (F(4,27) = 11.77, p < .001, VIF < 3), con la inaccesibilidad
vial como predictor significativo (β = -3.65, p = .010), precisando que el mecanismo operativo de la
paradoja es la distancia física al hospital. Conclusiones: La respuesta pandémica en México se
caracterizó por una secuencia asociativa de cuatro eslabones (restricciones, movilidad, hospitalización
y mortalidad), moderada por la vacunación y condicionada por la desigualdad estructural en
infraestructura sanitaria. La evidencia de temporalidad en los desfases y la consistencia de los gradientes
sugieren, sin ser concluyentes, una dirección causal que requiere confirmación mediante diseños cuasi-
experimentales.
Palabras clave: COVID-19; movilidad poblacional; semáforo epidemiológico; saturación hospitalaria;
desigualdad sanitaria; México.
pág. 2414
Mobility, Mortality, and Hospital Saturation: A Multi-Source Analysis of
Differential Pandemic Response across Mexican States (2020-2022)
ABSTRACT
Context: Mexico recorded over 334,000 official COVID-19 deaths between March 2020 and October
2022, with deeply heterogeneous territorial distribution across its 32 states: the registered mortality rate
in Mexico City (484/100K) was 11.4 times that of Chiapas (42.6/100K). No prior study has
simultaneously integrated mobility, health restrictions, epidemiological, hospital occupancy,
vaccination, and poverty data to analyze the determinants of this heterogeneity. Objective: To examine
the associative sequence between health policy (Epidemiological Traffic Light), population behavior
(mobility), health system pressure (hospital occupancy), epidemiological outcomes (mortality), and
structural conditions (poverty) across all 32 states during the full pandemic period. Methodology: A
quantitative longitudinal design integrating eight official data sources with over 350,000 matched
records. Kruskal-Wallis tests with ε² effect size, cross-correlations with Bonferroni correction (adjusted
α = .006), Mann-Whitney tests with Cohen's d, Pearson and Spearman correlations with 95% CIs via
Fisher's z-transformation, multiple OLS regression with VIF and Shapiro-Wilk diagnostics, Sobel
mediation test, one-sided Kendall trend test, and Augmented Dickey-Fuller stationarity tests were
applied. A Semaphore Response Index (SRI) was constructed per state. Results: The Epidemiological
Traffic Light was associated with significant mobility differences across its four levels (H(3) = 5,976.08,
p < .001, ε² = .358) and hospitalization (H(3) = 7,417.88, p < .001). Mobility was associated with deaths
at a 21-day lag (r = -.676, adjusted p < .001, R² = .457), mediated by hospital occupancy (r = .877 at lag
0, R² = .770). Restriction fatigue was documented: the 3rd wave produced 26 percentage points less
mobility reduction than the 2nd at comparable alert levels (Cohen's d = -3.17, p < .001). Vaccination
was associated with case fatality rate reduction from 11.9% to 0.3% (Kendall τ = -1.000, one-sided p =
.008) and ICU/hospitalization ratio reduction from 1.18 to 0.48. The negative poverty-mortality
correlation (r = -.616, 95% CI [-.794, -.340], p < .001) was interpreted as differential sub-hospitalization;
Sobel mediation test through hospitalization did not reach significance (z = -1.55, p = .120), though
21.7% proportion was mediated. An expanded regression model incorporating road accessibility
(CONEVAL) increased explained variance from R² = .533 to R² = .636 (F(4,27) = 11.77, p < .001, VIFs
< 3), with road inaccessibility as significant predictor (β = -3.65, p = .010). Conclusions: Mexico's
pandemic response was characterized by a four-link associative sequence (restrictions, mobility,
hospitalization, mortality), moderated by vaccination and conditioned by structural health infrastructure
inequality. Temporal lag evidence and gradient consistency suggest, without being conclusive, a causal
direction requiring quasi-experimental confirmation.
Keywords: COVID-19; population mobility; epidemiological traffic light; hospital saturation; health
inequality; Mexico.
Artículo recibido 25 marzo 2026
Aceptado para publicación: 25 abril 2026
Mobility, Mortality, and Hospital Saturation: A Multi-Source Analysis of
Differential Pandemic Response across Mexican States (2020-2022)
ABSTRACT
Context: Mexico recorded over 334,000 official COVID-19 deaths between March 2020 and October
2022, with deeply heterogeneous territorial distribution across its 32 states: the registered mortality rate
in Mexico City (484/100K) was 11.4 times that of Chiapas (42.6/100K). No prior study has
simultaneously integrated mobility, health restrictions, epidemiological, hospital occupancy,
vaccination, and poverty data to analyze the determinants of this heterogeneity. Objective: To examine
the associative sequence between health policy (Epidemiological Traffic Light), population behavior
(mobility), health system pressure (hospital occupancy), epidemiological outcomes (mortality), and
structural conditions (poverty) across all 32 states during the full pandemic period. Methodology: A
quantitative longitudinal design integrating eight official data sources with over 350,000 matched
records. Kruskal-Wallis tests with ε² effect size, cross-correlations with Bonferroni correction (adjusted
α = .006), Mann-Whitney tests with Cohen's d, Pearson and Spearman correlations with 95% CIs via
Fisher's z-transformation, multiple OLS regression with VIF and Shapiro-Wilk diagnostics, Sobel
mediation test, one-sided Kendall trend test, and Augmented Dickey-Fuller stationarity tests were
applied. A Semaphore Response Index (SRI) was constructed per state. Results: The Epidemiological
Traffic Light was associated with significant mobility differences across its four levels (H(3) = 5,976.08,
p < .001, ε² = .358) and hospitalization (H(3) = 7,417.88, p < .001). Mobility was associated with deaths
at a 21-day lag (r = -.676, adjusted p < .001, R² = .457), mediated by hospital occupancy (r = .877 at lag
0, R² = .770). Restriction fatigue was documented: the 3rd wave produced 26 percentage points less
mobility reduction than the 2nd at comparable alert levels (Cohen's d = -3.17, p < .001). Vaccination
was associated with case fatality rate reduction from 11.9% to 0.3% (Kendall τ = -1.000, one-sided p =
.008) and ICU/hospitalization ratio reduction from 1.18 to 0.48. The negative poverty-mortality
correlation (r = -.616, 95% CI [-.794, -.340], p < .001) was interpreted as differential sub-hospitalization;
Sobel mediation test through hospitalization did not reach significance (z = -1.55, p = .120), though
21.7% proportion was mediated. An expanded regression model incorporating road accessibility
(CONEVAL) increased explained variance from R² = .533 to R² = .636 (F(4,27) = 11.77, p < .001, VIFs
< 3), with road inaccessibility as significant predictor (β = -3.65, p = .010). Conclusions: Mexico's
pandemic response was characterized by a four-link associative sequence (restrictions, mobility,
hospitalization, mortality), moderated by vaccination and conditioned by structural health infrastructure
inequality. Temporal lag evidence and gradient consistency suggest, without being conclusive, a causal
direction requiring quasi-experimental confirmation.
Keywords: COVID-19; population mobility; epidemiological traffic light; hospital saturation; health
inequality; Mexico.
Artículo recibido 25 marzo 2026
Aceptado para publicación: 25 abril 2026
pág. 2415
INTRODUCCIÓN
La pandemia de COVID-19 representó para México uno de los desafíos sanitarios más severos de su
historia contemporánea. Con más de 7.2 millones de casos confirmados y 334,000 defunciones
oficialmente registradas entre marzo de 2020 y octubre de 2022, el país se ubicó entre los más afectados
a nivel mundial en términos absolutos (Hernández-Ávila et al., 2022). Las estimaciones de exceso de
mortalidad del Instituto de Métricas y Evaluación en Salud sugieren que la cifra real podría ascender a
798,000 defunciones, equivalentes a una tasa de 325 por cada 100,000 habitantes, la cuarta más alta
globalmente (Wang et al., 2022). El INEGI documentó 704,358 defunciones por encima de lo esperado
entre 2020 y 2021, un exceso del 47% (INEGI, 2022).
La distribución territorial de estos impactos fue profundamente heterogénea. La Ciudad de México
registró 484 defunciones por cada 100,000 habitantes, mientras que Chiapas reportó 42.6 por la misma
proporción, una disparidad de 11.4 veces. Esta brecha no puede explicarse únicamente por diferencias
epidemiológicas; refleja desigualdades estructurales en la capacidad de diagnóstico, registro,
hospitalización y atención sanitaria (Palacio-Mejía et al., 2022). Dahal et al. (2022) documentaron que
las defunciones atribuidas a COVID-19 representaban solo el 21% del exceso de mortalidad en Chiapas,
frente al 76% en Quintana Roo, evidenciando un sub-registro profundamente diferencial.
El gobierno federal implementó el Semáforo Epidemiológico como principal instrumento de política
pública para regular la movilidad poblacional. Este sistema, operativo desde junio de 2020 hasta abril
de 2022, clasificaba semanalmente a cada entidad en cuatro niveles de riesgo (Máximo, Alto, Medio,
Bajo) con implicaciones sobre las restricciones permitidas. Sin embargo, a pesar de su centralidad, la
revisión de la literatura revela que no existe una evaluación cuantitativa integral que haya medido su
efectividad utilizando simultáneamente datos de movilidad, hospitalización y mortalidad para las 32
entidades (Knaul et al., 2021). Las evaluaciones existentes se han limitado a análisis descriptivos,
críticas de gobernanza o clasificaciones alternativas metodológicas sin datos de resultado (RUDICS-
UNAM, 2021).
Los estudios previos que utilizaron los Google Community Mobility Reports (GCMR) para México se
concentraron en muestras reducidas: Méndez-Lizárraga et al. (2022) analizaron cuatro estados durante
la primera ola, encontrando que cada 1% de incremento en movilidad se asociaba con un 5.2% de
INTRODUCCIÓN
La pandemia de COVID-19 representó para México uno de los desafíos sanitarios más severos de su
historia contemporánea. Con más de 7.2 millones de casos confirmados y 334,000 defunciones
oficialmente registradas entre marzo de 2020 y octubre de 2022, el país se ubicó entre los más afectados
a nivel mundial en términos absolutos (Hernández-Ávila et al., 2022). Las estimaciones de exceso de
mortalidad del Instituto de Métricas y Evaluación en Salud sugieren que la cifra real podría ascender a
798,000 defunciones, equivalentes a una tasa de 325 por cada 100,000 habitantes, la cuarta más alta
globalmente (Wang et al., 2022). El INEGI documentó 704,358 defunciones por encima de lo esperado
entre 2020 y 2021, un exceso del 47% (INEGI, 2022).
La distribución territorial de estos impactos fue profundamente heterogénea. La Ciudad de México
registró 484 defunciones por cada 100,000 habitantes, mientras que Chiapas reportó 42.6 por la misma
proporción, una disparidad de 11.4 veces. Esta brecha no puede explicarse únicamente por diferencias
epidemiológicas; refleja desigualdades estructurales en la capacidad de diagnóstico, registro,
hospitalización y atención sanitaria (Palacio-Mejía et al., 2022). Dahal et al. (2022) documentaron que
las defunciones atribuidas a COVID-19 representaban solo el 21% del exceso de mortalidad en Chiapas,
frente al 76% en Quintana Roo, evidenciando un sub-registro profundamente diferencial.
El gobierno federal implementó el Semáforo Epidemiológico como principal instrumento de política
pública para regular la movilidad poblacional. Este sistema, operativo desde junio de 2020 hasta abril
de 2022, clasificaba semanalmente a cada entidad en cuatro niveles de riesgo (Máximo, Alto, Medio,
Bajo) con implicaciones sobre las restricciones permitidas. Sin embargo, a pesar de su centralidad, la
revisión de la literatura revela que no existe una evaluación cuantitativa integral que haya medido su
efectividad utilizando simultáneamente datos de movilidad, hospitalización y mortalidad para las 32
entidades (Knaul et al., 2021). Las evaluaciones existentes se han limitado a análisis descriptivos,
críticas de gobernanza o clasificaciones alternativas metodológicas sin datos de resultado (RUDICS-
UNAM, 2021).
Los estudios previos que utilizaron los Google Community Mobility Reports (GCMR) para México se
concentraron en muestras reducidas: Méndez-Lizárraga et al. (2022) analizaron cuatro estados durante
la primera ola, encontrando que cada 1% de incremento en movilidad se asociaba con un 5.2% de
pág. 2416
aumento en incidencia; Prieto et al. (2022) modelaron exclusivamente la Ciudad de México; Rangel
González et al. (2021) cubrieron las 32 entidades pero sin incorporar el semáforo, la vacunación ni la
hospitalización. Ninguno de estos estudios abarcó el período completo de la pandemia ni integró
múltiples fuentes.
El presente estudio se propone aportar la primera evaluación cuantitativa integral del Semáforo
Epidemiológico que integra simultáneamente datos de movilidad, hospitalización y mortalidad para las
32 entidades federativas, mediante la articulación de ocho fuentes de datos oficiales. La investigación
se estructura en torno a cuatro preguntas: (PI1) ¿En qué medida el Semáforo se asoció con variaciones
en movilidad y presión hospitalaria? (PI2) ¿Cuál es el desfase temporal entre movilidad, hospitalización
y mortalidad? (PI3) ¿Cómo se modificó la relación entre estas variables tras la vacunación masiva? (PI4)
¿Qué papel desempeñaron las condiciones estructurales de pobreza en la respuesta diferencial?
MARCO TEÓRICO
Epidemiología social y determinantes estructurales de la salud
El presente estudio se inscribe en la tradición de la epidemiología social, que postula que la distribución
poblacional de la enfermedad y la muerte no es aleatoria sino que sigue los gradientes de desigualdad
estructural preexistentes (Krieger, 2011). El marco de los determinantes sociales de la salud (Marmot,
2005) establece que las condiciones en que las personas nacen, crecen, trabajan y envejecen configuran
trayectorias de exposición diferencial al riesgo. Paremoer et al. (2021) argumentaron en BMJ que la
pandemia de COVID-19 expuso con claridad estas dinámicas a escala global, demostrando que las
inequidades en salud no son accidentes sino productos de elecciones políticas. Bambra et al. (2022), en
una revisión de alcance publicada en The Lancet Public Health que sintetizó 56 estudios de 17 países,
confirmaron que las tasas de mortalidad por COVID-19 fueron sistemáticamente mayores en áreas con
mayor privación socioeconómica, configurando lo que denominaron una pandemia sindémica de
desigualdades preexistentes.
Para México, con un coeficiente de Gini de 0.45 y donde el 43.9% de la población se encontraba en
situación de pobreza multidimensional en 2020 (CONEVAL, 2021), esta perspectiva adquiere particular
relevancia: la pandemia no afectó a un país homogéneo sino a un mosaico de realidades
socioeconómicas, desde entidades con indicadores de ingreso comparables a los de Europa occidental
aumento en incidencia; Prieto et al. (2022) modelaron exclusivamente la Ciudad de México; Rangel
González et al. (2021) cubrieron las 32 entidades pero sin incorporar el semáforo, la vacunación ni la
hospitalización. Ninguno de estos estudios abarcó el período completo de la pandemia ni integró
múltiples fuentes.
El presente estudio se propone aportar la primera evaluación cuantitativa integral del Semáforo
Epidemiológico que integra simultáneamente datos de movilidad, hospitalización y mortalidad para las
32 entidades federativas, mediante la articulación de ocho fuentes de datos oficiales. La investigación
se estructura en torno a cuatro preguntas: (PI1) ¿En qué medida el Semáforo se asoció con variaciones
en movilidad y presión hospitalaria? (PI2) ¿Cuál es el desfase temporal entre movilidad, hospitalización
y mortalidad? (PI3) ¿Cómo se modificó la relación entre estas variables tras la vacunación masiva? (PI4)
¿Qué papel desempeñaron las condiciones estructurales de pobreza en la respuesta diferencial?
MARCO TEÓRICO
Epidemiología social y determinantes estructurales de la salud
El presente estudio se inscribe en la tradición de la epidemiología social, que postula que la distribución
poblacional de la enfermedad y la muerte no es aleatoria sino que sigue los gradientes de desigualdad
estructural preexistentes (Krieger, 2011). El marco de los determinantes sociales de la salud (Marmot,
2005) establece que las condiciones en que las personas nacen, crecen, trabajan y envejecen configuran
trayectorias de exposición diferencial al riesgo. Paremoer et al. (2021) argumentaron en BMJ que la
pandemia de COVID-19 expuso con claridad estas dinámicas a escala global, demostrando que las
inequidades en salud no son accidentes sino productos de elecciones políticas. Bambra et al. (2022), en
una revisión de alcance publicada en The Lancet Public Health que sintetizó 56 estudios de 17 países,
confirmaron que las tasas de mortalidad por COVID-19 fueron sistemáticamente mayores en áreas con
mayor privación socioeconómica, configurando lo que denominaron una pandemia sindémica de
desigualdades preexistentes.
Para México, con un coeficiente de Gini de 0.45 y donde el 43.9% de la población se encontraba en
situación de pobreza multidimensional en 2020 (CONEVAL, 2021), esta perspectiva adquiere particular
relevancia: la pandemia no afectó a un país homogéneo sino a un mosaico de realidades
socioeconómicas, desde entidades con indicadores de ingreso comparables a los de Europa occidental
pág. 2417
(Nuevo León, 19.7% de pobreza) hasta estados con niveles de privación propios de los países menos
desarrollados (Chiapas, 74.4%). Mena et al. (2021), en un estudio publicado en Science con datos
individuales de 3.5 millones de habitantes de Santiago de Chile, una ciudad con segregación
socioeconómica comparable a las metrópolis mexicanas, demostraron que las comunas de menor ingreso
tuvieron una tasa de mortalidad 10 veces mayor que las de mayor ingreso, con la particularidad de que
la relación operó a través de la imposibilidad de cumplir con el distanciamiento: las personas pobres no
podían dejar de desplazarse porque dependían de empleos presenciales. Gutiérrez et al. (2021)
documentaron un patrón análogo para África y América Latina, encontrando que la movilidad laboral
fue significativamente menos sensible a las restricciones en contextos de pobreza, no por desobediencia
sino por necesidad económica.
La aplicación de este marco a la pandemia de COVID-19 en México permite formular lo que
denominamos la paradoja pobreza-mortalidad: a nivel ecológico estatal, las entidades más pobres
registran menor mortalidad registrada, un resultado que contradice la teoría de los determinantes
sociales. Esta paradoja ha sido documentada por Cortez Yactayo e Islas Camargo (2025) y Bello-
Chavolla et al. (2021) a nivel estatal, y por Contreras-Manzano et al. (2022) a nivel municipal, quienes
encontraron que la marginación se asociaba inversamente con mortalidad registrada pero positivamente
con letalidad por caso (IRR 3.17 para el quintil de mayor pobreza extrema). Su resolución proviene del
análisis individual: Arceo-Gómez et al. (2022), utilizando registros del IMSS con datos de ingreso real,
encontraron que los trabajadores de menor ingreso tenían cuatro veces más probabilidad de
hospitalización y mayor mortalidad. Recientemente, Bello-Chavolla et al. (2024), en un estudio
específico sobre Chiapas publicado en BMC Infectious Diseases, documentaron que las comunidades
indígenas de esa entidad tuvieron tasas de vacunación y registro de defunciones significativamente
menores que las no indígenas, confirmando que la paradoja ecológica refleja no protección de la pobreza
sino un sesgo de detección que opera a través de la capacidad hospitalaria y diagnóstica diferencial.
Aranda Audelo et al. (2021) documentaron este mismo mecanismo para comunidades indígenas de
Oaxaca, donde la organización comunitaria (tequio, guelaguetza) proporcionó formas alternativas de
respuesta pandémica fuera del sistema de vigilancia epidemiológica formal. Ibarra-Nava et al. (2021),
en un estudio con 31 citaciones publicado en Public Health, encontraron que los pacientes indígenas con
(Nuevo León, 19.7% de pobreza) hasta estados con niveles de privación propios de los países menos
desarrollados (Chiapas, 74.4%). Mena et al. (2021), en un estudio publicado en Science con datos
individuales de 3.5 millones de habitantes de Santiago de Chile, una ciudad con segregación
socioeconómica comparable a las metrópolis mexicanas, demostraron que las comunas de menor ingreso
tuvieron una tasa de mortalidad 10 veces mayor que las de mayor ingreso, con la particularidad de que
la relación operó a través de la imposibilidad de cumplir con el distanciamiento: las personas pobres no
podían dejar de desplazarse porque dependían de empleos presenciales. Gutiérrez et al. (2021)
documentaron un patrón análogo para África y América Latina, encontrando que la movilidad laboral
fue significativamente menos sensible a las restricciones en contextos de pobreza, no por desobediencia
sino por necesidad económica.
La aplicación de este marco a la pandemia de COVID-19 en México permite formular lo que
denominamos la paradoja pobreza-mortalidad: a nivel ecológico estatal, las entidades más pobres
registran menor mortalidad registrada, un resultado que contradice la teoría de los determinantes
sociales. Esta paradoja ha sido documentada por Cortez Yactayo e Islas Camargo (2025) y Bello-
Chavolla et al. (2021) a nivel estatal, y por Contreras-Manzano et al. (2022) a nivel municipal, quienes
encontraron que la marginación se asociaba inversamente con mortalidad registrada pero positivamente
con letalidad por caso (IRR 3.17 para el quintil de mayor pobreza extrema). Su resolución proviene del
análisis individual: Arceo-Gómez et al. (2022), utilizando registros del IMSS con datos de ingreso real,
encontraron que los trabajadores de menor ingreso tenían cuatro veces más probabilidad de
hospitalización y mayor mortalidad. Recientemente, Bello-Chavolla et al. (2024), en un estudio
específico sobre Chiapas publicado en BMC Infectious Diseases, documentaron que las comunidades
indígenas de esa entidad tuvieron tasas de vacunación y registro de defunciones significativamente
menores que las no indígenas, confirmando que la paradoja ecológica refleja no protección de la pobreza
sino un sesgo de detección que opera a través de la capacidad hospitalaria y diagnóstica diferencial.
Aranda Audelo et al. (2021) documentaron este mismo mecanismo para comunidades indígenas de
Oaxaca, donde la organización comunitaria (tequio, guelaguetza) proporcionó formas alternativas de
respuesta pandémica fuera del sistema de vigilancia epidemiológica formal. Ibarra-Nava et al. (2021),
en un estudio con 31 citaciones publicado en Public Health, encontraron que los pacientes indígenas con
pág. 2418
COVID-19 en México tuvieron una tasa de letalidad 1.4 veces mayor que los no indígenas, pero con
menores tasas de hospitalización, sugiriendo que el acceso limitado a hospitales —no la menor
incidencia— explicaba las menores tasas de mortalidad registrada en entidades con mayor proporción
indígena. Argoty-Pantoja et al. (2021), en el Journal of Epidemiology and Community Health,
confirmaron que los pacientes indígenas hospitalizados tenían 24% más probabilidad de morir que los
no indígenas (OR 1.24, IC 95% [1.15, 1.34]), pero con menor probabilidad de ser hospitalizados en
primer lugar. Heredia-Pi et al. (2023), en el Journal of Global Health, demostraron que la marginación
municipal amplificaba el efecto de ser indígena sobre la letalidad por COVID-19, configurando lo que
denominaron una doble vulnerabilidad: biológica (mayor prevalencia de comorbilidades no
diagnosticadas) y estructural (menor acceso a servicios de salud).
Movilidad poblacional y transmisión epidémica
La relación entre movilidad humana y propagación de enfermedades infecciosas ha sido documentada
desde los trabajos fundacionales de epidemiología espacial (Riley, 2007). En el contexto del COVID-
19, Kraemer et al. (2020) demostraron para China que las reducciones de movilidad se asociaron con
disminuciones subsecuentes en tasas de contagio. La evidencia más robusta proviene de Nouvellet et al.
(2021), quienes en un estudio publicado en Nature Communications con datos de 52 países y 537
citaciones, estimaron que las reducciones de movilidad explicaban entre el 50% y el 80% de la variación
en las tasas de transmisión (Rt) durante las primeras semanas de intervención, aunque esta relación se
debilitó con el tiempo. Badr et al. (2020) establecieron para Estados Unidos que la relación opera con
un desfase temporal de 9 a 11 días que varía según el contexto. Glodeanu et al. (2021) vincularon
directamente los patrones de movilidad de Google con el exceso de mortalidad (no solo con los casos
registrados) en Inglaterra y Gales, encontrando que las reducciones de movilidad superiores al 40% se
asociaron con disminuciones significativas del exceso de mortalidad dos a tres semanas después.
Los GCMR, basados en datos anonimizados de dispositivos móviles (Aktay et al., 2020), ofrecen seis
categorías de movilidad diferenciadas, cobertura subnacional y actualización diaria. Han sido utilizados
como fuente primaria de datos en más de 500 estudios sobre COVID-19 (Sulyok y Walker, 2021). Sin
embargo, presentan limitaciones documentadas: sesgo hacia poblaciones urbanas y usuarios de
dispositivos Android, subrepresentación de adultos mayores y poblaciones rurales, y dependencia de la
COVID-19 en México tuvieron una tasa de letalidad 1.4 veces mayor que los no indígenas, pero con
menores tasas de hospitalización, sugiriendo que el acceso limitado a hospitales —no la menor
incidencia— explicaba las menores tasas de mortalidad registrada en entidades con mayor proporción
indígena. Argoty-Pantoja et al. (2021), en el Journal of Epidemiology and Community Health,
confirmaron que los pacientes indígenas hospitalizados tenían 24% más probabilidad de morir que los
no indígenas (OR 1.24, IC 95% [1.15, 1.34]), pero con menor probabilidad de ser hospitalizados en
primer lugar. Heredia-Pi et al. (2023), en el Journal of Global Health, demostraron que la marginación
municipal amplificaba el efecto de ser indígena sobre la letalidad por COVID-19, configurando lo que
denominaron una doble vulnerabilidad: biológica (mayor prevalencia de comorbilidades no
diagnosticadas) y estructural (menor acceso a servicios de salud).
Movilidad poblacional y transmisión epidémica
La relación entre movilidad humana y propagación de enfermedades infecciosas ha sido documentada
desde los trabajos fundacionales de epidemiología espacial (Riley, 2007). En el contexto del COVID-
19, Kraemer et al. (2020) demostraron para China que las reducciones de movilidad se asociaron con
disminuciones subsecuentes en tasas de contagio. La evidencia más robusta proviene de Nouvellet et al.
(2021), quienes en un estudio publicado en Nature Communications con datos de 52 países y 537
citaciones, estimaron que las reducciones de movilidad explicaban entre el 50% y el 80% de la variación
en las tasas de transmisión (Rt) durante las primeras semanas de intervención, aunque esta relación se
debilitó con el tiempo. Badr et al. (2020) establecieron para Estados Unidos que la relación opera con
un desfase temporal de 9 a 11 días que varía según el contexto. Glodeanu et al. (2021) vincularon
directamente los patrones de movilidad de Google con el exceso de mortalidad (no solo con los casos
registrados) en Inglaterra y Gales, encontrando que las reducciones de movilidad superiores al 40% se
asociaron con disminuciones significativas del exceso de mortalidad dos a tres semanas después.
Los GCMR, basados en datos anonimizados de dispositivos móviles (Aktay et al., 2020), ofrecen seis
categorías de movilidad diferenciadas, cobertura subnacional y actualización diaria. Han sido utilizados
como fuente primaria de datos en más de 500 estudios sobre COVID-19 (Sulyok y Walker, 2021). Sin
embargo, presentan limitaciones documentadas: sesgo hacia poblaciones urbanas y usuarios de
dispositivos Android, subrepresentación de adultos mayores y poblaciones rurales, y dependencia de la
pág. 2419
penetración de teléfonos inteligentes, que en México en 2020 era del 70% a nivel nacional pero inferior
al 50% en localidades rurales de menos de 2,500 habitantes (INEGI, 2020). Para el contexto subnacional
mexicano, Prieto et al. (2022) validaron que las tendencias de los GCMR para la Ciudad de México
fueron consistentes con los datos de aforo del Metro y con los registros de movilidad de Apple, aunque
con diferencias en magnitud.
Intervenciones no farmacológicas y fatiga de restricciones
Las INF constituyeron la primera línea de defensa antes de la vacunación. Li et al. (2021), en una
revisión sistemática de 49 estudios publicada en The Journal of Infection, concluyeron que las
restricciones de movilidad, el distanciamiento social y el uso de mascarillas fueron las tres INF más
efectivas para reducir la transmisión, pero con heterogeneidad considerable entre países (I² > 80%).
Mendez-Brito et al. (2021), en un metaanálisis de 34 estudios publicado en PLoS ONE, encontraron que
las restricciones de movilidad reducían la incidencia entre un 3% y un 7% por cada 10% de reducción
en movilidad, con efectos no lineales: las primeras restricciones producían mayor impacto marginal que
las subsecuentes.
La literatura ha identificado el fenómeno de fatiga conductual (pandemic fatigue), por el cual la
adherencia poblacional a las restricciones se deteriora progresivamente. Petherick et al. (2021), en un
estudio multinacional publicado en Nature Human Behaviour con datos de 14 países, encontraron
evidencia mixta: mientras que la adherencia al distanciamiento social sí declinó con el tiempo, la de
higiene personal se mantuvo. Crane et al. (2022) documentaron específicamente que los sistemas de
restricciones escalonadas (tiered restrictions), análogos al semáforo mexicano, aceleraron la fatiga: cada
cambio de nivel producía una respuesta inicial seguida de un retorno más rápido al comportamiento
previo. Sterman et al. (2020), en un modelo de dinámica de sistemas calibrado para 92 naciones,
formalizaron la fatiga de adherencia como un parámetro clave que explicaba por qué las segundas y
terceras olas fueron más difíciles de controlar que la primera, aun con restricciones similares. No
obstante, Reicher y Drury (2021) argumentaron en BMJ que el concepto de fatiga pandémica ha sido
frecuentemente sobrediagnosticado, y que la reducción en adherencia refleja más la falta de apoyo
material para cumplir las restricciones (particularmente en poblaciones con empleo informal) que un
agotamiento psicológico.
penetración de teléfonos inteligentes, que en México en 2020 era del 70% a nivel nacional pero inferior
al 50% en localidades rurales de menos de 2,500 habitantes (INEGI, 2020). Para el contexto subnacional
mexicano, Prieto et al. (2022) validaron que las tendencias de los GCMR para la Ciudad de México
fueron consistentes con los datos de aforo del Metro y con los registros de movilidad de Apple, aunque
con diferencias en magnitud.
Intervenciones no farmacológicas y fatiga de restricciones
Las INF constituyeron la primera línea de defensa antes de la vacunación. Li et al. (2021), en una
revisión sistemática de 49 estudios publicada en The Journal of Infection, concluyeron que las
restricciones de movilidad, el distanciamiento social y el uso de mascarillas fueron las tres INF más
efectivas para reducir la transmisión, pero con heterogeneidad considerable entre países (I² > 80%).
Mendez-Brito et al. (2021), en un metaanálisis de 34 estudios publicado en PLoS ONE, encontraron que
las restricciones de movilidad reducían la incidencia entre un 3% y un 7% por cada 10% de reducción
en movilidad, con efectos no lineales: las primeras restricciones producían mayor impacto marginal que
las subsecuentes.
La literatura ha identificado el fenómeno de fatiga conductual (pandemic fatigue), por el cual la
adherencia poblacional a las restricciones se deteriora progresivamente. Petherick et al. (2021), en un
estudio multinacional publicado en Nature Human Behaviour con datos de 14 países, encontraron
evidencia mixta: mientras que la adherencia al distanciamiento social sí declinó con el tiempo, la de
higiene personal se mantuvo. Crane et al. (2022) documentaron específicamente que los sistemas de
restricciones escalonadas (tiered restrictions), análogos al semáforo mexicano, aceleraron la fatiga: cada
cambio de nivel producía una respuesta inicial seguida de un retorno más rápido al comportamiento
previo. Sterman et al. (2020), en un modelo de dinámica de sistemas calibrado para 92 naciones,
formalizaron la fatiga de adherencia como un parámetro clave que explicaba por qué las segundas y
terceras olas fueron más difíciles de controlar que la primera, aun con restricciones similares. No
obstante, Reicher y Drury (2021) argumentaron en BMJ que el concepto de fatiga pandémica ha sido
frecuentemente sobrediagnosticado, y que la reducción en adherencia refleja más la falta de apoyo
material para cumplir las restricciones (particularmente en poblaciones con empleo informal) que un
agotamiento psicológico.
pág. 2420
El antecedente internacional más directamente comparable al semáforo mexicano es el sistema de
restricciones por colores implementado en Italia durante la segunda ola. Della Rossa et al. (2021), en un
estudio publicado en Nature Communications, evaluaron el impacto de los niveles amarillo, naranja y
rojo sobre la movilidad y la tasa de reproducción (Rt) en las 21 regiones italianas, encontrando que cada
nivel adicional de restricción reducía el Rt en aproximadamente 0.15 puntos y la movilidad en 10-15%,
pero con rendimientos decrecientes en las olas subsecuentes. Brauner et al. (2021), también en Nature
Communications, estimaron la efectividad de 17 INF diferentes en la segunda ola europea, encontrando
que el cierre de negocios presenciales y las restricciones de reuniones fueron las más efectivas
(reducción del Rt de 18-35%), mientras que los toques de queda y los confinamientos nocturnos tuvieron
efectos menores. Ninguno de estos estudios abarcó sistemas de alerta de cuatro niveles como el
mexicano.
Para México, Knaul et al. (2021) documentaron que las puntuaciones de cumplimiento descendieron
tras la implementación del semáforo. Bello-Chavolla et al. (2021), en un estudio de 2.8 millones de
casos a nivel municipal en la Ciudad de México, encontraron que las áreas de menor ingreso tuvieron
mayor mortalidad por COVID-19 y menor reducción de movilidad, sugiriendo que la efectividad del
semáforo fue mediada por las condiciones socioeconómicas del territorio. Suárez-Lastra et al. (2023),
analizando los patrones espaciales de transmisión en México publicado en PNAS Nexus, documentaron
que la difusión del virus siguió una estructura jerárquica desde las metrópolis hacia las zonas rurales, lo
que implica que un instrumento como el semáforo pudo haber sido más relevante para los contextos
urbanos que para los rurales.
Saturación hospitalaria como amplificador de mortalidad
La saturación del sistema hospitalario amplificó la mortalidad pandémica a través de múltiples
mecanismos documentados tanto para México como para otros países de ingreso medio. Bastos et al.
(2021), en un análisis retrospectivo de 250,000 admisiones hospitalarias por COVID-19 en Brasil
publicado en The Lancet Respiratory Medicine, encontraron que la letalidad intrahospitalaria fue del
38% a nivel nacional pero alcanzó el 58% en regiones del norte donde la infraestructura sanitaria era
más precaria, demostrando que la capacidad hospitalaria preexistente era un determinante directo de la
mortalidad. Rees et al. (2021), analizando datos de 33 países, concluyeron que las condiciones pre-
El antecedente internacional más directamente comparable al semáforo mexicano es el sistema de
restricciones por colores implementado en Italia durante la segunda ola. Della Rossa et al. (2021), en un
estudio publicado en Nature Communications, evaluaron el impacto de los niveles amarillo, naranja y
rojo sobre la movilidad y la tasa de reproducción (Rt) en las 21 regiones italianas, encontrando que cada
nivel adicional de restricción reducía el Rt en aproximadamente 0.15 puntos y la movilidad en 10-15%,
pero con rendimientos decrecientes en las olas subsecuentes. Brauner et al. (2021), también en Nature
Communications, estimaron la efectividad de 17 INF diferentes en la segunda ola europea, encontrando
que el cierre de negocios presenciales y las restricciones de reuniones fueron las más efectivas
(reducción del Rt de 18-35%), mientras que los toques de queda y los confinamientos nocturnos tuvieron
efectos menores. Ninguno de estos estudios abarcó sistemas de alerta de cuatro niveles como el
mexicano.
Para México, Knaul et al. (2021) documentaron que las puntuaciones de cumplimiento descendieron
tras la implementación del semáforo. Bello-Chavolla et al. (2021), en un estudio de 2.8 millones de
casos a nivel municipal en la Ciudad de México, encontraron que las áreas de menor ingreso tuvieron
mayor mortalidad por COVID-19 y menor reducción de movilidad, sugiriendo que la efectividad del
semáforo fue mediada por las condiciones socioeconómicas del territorio. Suárez-Lastra et al. (2023),
analizando los patrones espaciales de transmisión en México publicado en PNAS Nexus, documentaron
que la difusión del virus siguió una estructura jerárquica desde las metrópolis hacia las zonas rurales, lo
que implica que un instrumento como el semáforo pudo haber sido más relevante para los contextos
urbanos que para los rurales.
Saturación hospitalaria como amplificador de mortalidad
La saturación del sistema hospitalario amplificó la mortalidad pandémica a través de múltiples
mecanismos documentados tanto para México como para otros países de ingreso medio. Bastos et al.
(2021), en un análisis retrospectivo de 250,000 admisiones hospitalarias por COVID-19 en Brasil
publicado en The Lancet Respiratory Medicine, encontraron que la letalidad intrahospitalaria fue del
38% a nivel nacional pero alcanzó el 58% en regiones del norte donde la infraestructura sanitaria era
más precaria, demostrando que la capacidad hospitalaria preexistente era un determinante directo de la
mortalidad. Rees et al. (2021), analizando datos de 33 países, concluyeron que las condiciones pre-
pág. 2421
pandémicas del sistema de salud (camas por habitante, gasto sanitario per cápita, personal médico)
explicaron una proporción significativa de la variación en exceso de mortalidad entre países, más allá
de las medidas de contención adoptadas.
Para México, la evidencia es particularmente contundente. Olivas-Martínez et al. (2021) documentaron
prospectivamente que el 45.6% de los no sobrevivientes en un centro de tercer nivel de la Ciudad de
México no recibieron cuidados de UCI por indisponibilidad de camas. Hernández-Ávila et al. (2022)
reportaron una tasa de letalidad intrahospitalaria del 45.1% en las cinco olas pandémicas del IMSS. La
segunda vía de amplificación es indirecta: Antonio-Villa et al. (2022) demostraron que la alta ocupación
hospitalaria por COVID-19 fue un determinante del exceso de mortalidad no-COVID (diabetes,
enfermedades cardiovasculares), y Bello-Chavolla et al. (2022) cuantificaron que la mortalidad por
diabetes se incrementó un 38% durante 2020 respecto al trienio 2017-2019, con mayor incremento en
estados con mayor ocupación hospitalaria COVID. Fernández-Rojas et al. (2022), en un análisis de 1.07
millones de actas de defunción en México publicado en International Journal of Epidemiology,
encontraron que el exceso de mortalidad no-COVID fue del 21% en 2020, concentrado en las entidades
con mayor saturación hospitalaria.
La evidencia internacional sobre la relación causal entre saturación y mortalidad se ha fortalecido
sustancialmente. French et al. (2021), en un informe del CDC publicado en el MMWR con datos de
todos los hospitales de Estados Unidos, encontraron que cuando la ocupación de camas UCI alcanzaba
el 75%, se producían aproximadamente 12,000 muertes excesivas adicionales por quincena, y cuando
superaba el 100%, las muertes excesivas se duplicaban. Bravata et al. (2021), en un estudio con 246
citaciones publicado en JAMA Network Open con datos de 88,486 pacientes del sistema de Veteranos,
demostraron que cada aumento de 10 puntos porcentuales en la demanda de UCI se asoció con un
incremento de mortalidad intrahospitalaria de 1.94 puntos porcentuales (IC 95% [0.88, 3.00]). Karaca-
Mandic et al. (2022), en un estudio publicado en BMJ Open durante el epicentro de Nueva York,
confirmaron que la tasa de ocupación hospitalaria fue un factor de riesgo independiente para la
mortalidad intrahospitalaria (OR 1.03 por cada punto porcentual de ocupación, IC 95% [1.02, 1.04]),
controlando por comorbilidades y factores demográficos. Estos hallazgos establecen que el mecanismo
pandémicas del sistema de salud (camas por habitante, gasto sanitario per cápita, personal médico)
explicaron una proporción significativa de la variación en exceso de mortalidad entre países, más allá
de las medidas de contención adoptadas.
Para México, la evidencia es particularmente contundente. Olivas-Martínez et al. (2021) documentaron
prospectivamente que el 45.6% de los no sobrevivientes en un centro de tercer nivel de la Ciudad de
México no recibieron cuidados de UCI por indisponibilidad de camas. Hernández-Ávila et al. (2022)
reportaron una tasa de letalidad intrahospitalaria del 45.1% en las cinco olas pandémicas del IMSS. La
segunda vía de amplificación es indirecta: Antonio-Villa et al. (2022) demostraron que la alta ocupación
hospitalaria por COVID-19 fue un determinante del exceso de mortalidad no-COVID (diabetes,
enfermedades cardiovasculares), y Bello-Chavolla et al. (2022) cuantificaron que la mortalidad por
diabetes se incrementó un 38% durante 2020 respecto al trienio 2017-2019, con mayor incremento en
estados con mayor ocupación hospitalaria COVID. Fernández-Rojas et al. (2022), en un análisis de 1.07
millones de actas de defunción en México publicado en International Journal of Epidemiology,
encontraron que el exceso de mortalidad no-COVID fue del 21% en 2020, concentrado en las entidades
con mayor saturación hospitalaria.
La evidencia internacional sobre la relación causal entre saturación y mortalidad se ha fortalecido
sustancialmente. French et al. (2021), en un informe del CDC publicado en el MMWR con datos de
todos los hospitales de Estados Unidos, encontraron que cuando la ocupación de camas UCI alcanzaba
el 75%, se producían aproximadamente 12,000 muertes excesivas adicionales por quincena, y cuando
superaba el 100%, las muertes excesivas se duplicaban. Bravata et al. (2021), en un estudio con 246
citaciones publicado en JAMA Network Open con datos de 88,486 pacientes del sistema de Veteranos,
demostraron que cada aumento de 10 puntos porcentuales en la demanda de UCI se asoció con un
incremento de mortalidad intrahospitalaria de 1.94 puntos porcentuales (IC 95% [0.88, 3.00]). Karaca-
Mandic et al. (2022), en un estudio publicado en BMJ Open durante el epicentro de Nueva York,
confirmaron que la tasa de ocupación hospitalaria fue un factor de riesgo independiente para la
mortalidad intrahospitalaria (OR 1.03 por cada punto porcentual de ocupación, IC 95% [1.02, 1.04]),
controlando por comorbilidades y factores demográficos. Estos hallazgos establecen que el mecanismo
pág. 2422
saturación → mortalidad no es una correlación espuria sino una relación con plausibilidad biológica
directa (menor calidad de atención bajo presión) y evidencia dosis-respuesta.
La contribución específica del presente estudio consiste en utilizar la ocupación hospitalaria no como
variable de resultado sino como variable mediadora temporal entre movilidad y mortalidad a nivel de
panel estatal, articulación que no ha sido realizada previamente en la literatura mexicana.
Accesibilidad geográfica como barrera al sistema de salud
Un cuerpo creciente de literatura ha demostrado que la accesibilidad física al sistema de salud —medida
por distancia, tiempo de traslado o disponibilidad de carretera pavimentada— es un determinante directo
tanto de la utilización de servicios como de la mortalidad. Hierink et al. (2021), en una revisión
sistemática de 64 estudios en países de ingreso bajo y medio publicada en PLOS ONE, concluyeron que
la menor accesibilidad geográfica se asoció simultáneamente con tres fenómenos convergentes: mayor
carga de enfermedades infecciosas, resultados de salud más severos y menor reporte epidemiológico a
los sistemas de vigilancia. Esta triple convergencia —mayor enfermedad, mayor severidad y menor
registro— es precisamente el mecanismo que proponemos para explicar la paradoja pobreza-mortalidad
en México.
La evidencia cuasi-experimental más sólida proviene de Aggarwal (2021), quien publicó en el Journal
of Development Economics un análisis de la política de pavimentación rural en India (programa
PMGSY) utilizando variación cuasi-aleatoria en la intensidad de construcción. Encontró que la
construcción de carreteras pavimentadas incrementó las visitas prenatales institucionales, los partos
atendidos y la cobertura de vacunación, confirmando que la accesibilidad vial opera causalmente sobre
el acceso a servicios de salud. Quattrochi et al. (2020), en BMC Health Services Research con datos de
Malawi, estimaron que cada kilómetro adicional de distancia al centro de salud incrementaba la razón
de riesgos de mortalidad infantil en 0.7%. Kibret et al. (2023), también en BMC Health Services
Research para Etiopía, encontraron que por cada 10 km de aumento en distancia a instalaciones
sanitarias, la razón de momios de mortalidad neonatal aumentaba 1.33%. Banke-Thomas et al. (2022),
en BMJ Global Health, documentaron para Nigeria que la mortalidad materna se multiplicaba por siete
cuando el tiempo de traslado excedía los 120 minutos.
saturación → mortalidad no es una correlación espuria sino una relación con plausibilidad biológica
directa (menor calidad de atención bajo presión) y evidencia dosis-respuesta.
La contribución específica del presente estudio consiste en utilizar la ocupación hospitalaria no como
variable de resultado sino como variable mediadora temporal entre movilidad y mortalidad a nivel de
panel estatal, articulación que no ha sido realizada previamente en la literatura mexicana.
Accesibilidad geográfica como barrera al sistema de salud
Un cuerpo creciente de literatura ha demostrado que la accesibilidad física al sistema de salud —medida
por distancia, tiempo de traslado o disponibilidad de carretera pavimentada— es un determinante directo
tanto de la utilización de servicios como de la mortalidad. Hierink et al. (2021), en una revisión
sistemática de 64 estudios en países de ingreso bajo y medio publicada en PLOS ONE, concluyeron que
la menor accesibilidad geográfica se asoció simultáneamente con tres fenómenos convergentes: mayor
carga de enfermedades infecciosas, resultados de salud más severos y menor reporte epidemiológico a
los sistemas de vigilancia. Esta triple convergencia —mayor enfermedad, mayor severidad y menor
registro— es precisamente el mecanismo que proponemos para explicar la paradoja pobreza-mortalidad
en México.
La evidencia cuasi-experimental más sólida proviene de Aggarwal (2021), quien publicó en el Journal
of Development Economics un análisis de la política de pavimentación rural en India (programa
PMGSY) utilizando variación cuasi-aleatoria en la intensidad de construcción. Encontró que la
construcción de carreteras pavimentadas incrementó las visitas prenatales institucionales, los partos
atendidos y la cobertura de vacunación, confirmando que la accesibilidad vial opera causalmente sobre
el acceso a servicios de salud. Quattrochi et al. (2020), en BMC Health Services Research con datos de
Malawi, estimaron que cada kilómetro adicional de distancia al centro de salud incrementaba la razón
de riesgos de mortalidad infantil en 0.7%. Kibret et al. (2023), también en BMC Health Services
Research para Etiopía, encontraron que por cada 10 km de aumento en distancia a instalaciones
sanitarias, la razón de momios de mortalidad neonatal aumentaba 1.33%. Banke-Thomas et al. (2022),
en BMJ Global Health, documentaron para Nigeria que la mortalidad materna se multiplicaba por siete
cuando el tiempo de traslado excedía los 120 minutos.
pág. 2423
Para contextos de alta accesibilidad como los países de ingreso alto, la evidencia también es
contundente. Wercholuk et al. (2022), en JCO Oncology Practice, documentaron que las barreras de
transporte en poblaciones rurales de Estados Unidos se asociaron con retrasos en el seguimiento post-
tamizaje, menor acceso a atención oncológica especializada y menor recepción de tratamiento
concordante con guías. Sánchez-Mateos et al. (2025), en Health Policy, encontraron que en regiones
rurales de España con limitada infraestructura de transporte, más del 40% de la población requería más
de 30 minutos para acceder a un hospital, con acceso especialmente deficiente en áreas envejecidas y
despobladas.
Para México, la evidencia sobre accesibilidad geográfica y COVID-19 es limitada pero convergente.
Serván-Mori et al. (2021), en un estudio de 465,676 adultos hospitalizados con COVID-19 publicado
en el Journal of Epidemiology and Community Health, encontraron que los pacientes indígenas tuvieron
mayor probabilidad de hospitalización (OR ajustada = 1.9), muerte (OR ajustada = 1.3) y mortalidad
temprana (OR ajustada = 1.2) comparados con no indígenas, con las asociaciones parcialmente
explicadas por vivir en jurisdicciones sanitarias con bajos recursos humanos y equipamiento
hospitalario. Little et al. (2023), con 3.4 millones de adultos mexicanos positivos a COVID-19 publicado
en el Journal of Global Health, documentaron que los individuos indígenas marginados tuvieron
significativamente menor probabilidad de admisión a UCI y ventilación mecánica que los no indígenas
no marginados, a pesar de presentar mayor riesgo COVID-19. Flores-Cisneros et al. (2025) identificaron
que el retraso en búsqueda de atención mayor a 7 días, en interacción con estatus indígena, incrementó
la mortalidad con aOR = 5.86, mecanismo consistente con las barreras de acceso físico. Salas-Ortiz
(2023), aplicando la descomposición de Oaxaca-Blinder, cuantificó que el 22.8% de la brecha étnica en
hospitalizaciones y el 17.5% en mortalidad temprana permanecen inexplicadas por características
observables, sugiriendo discriminación estructural que incluye barreras de acceso no capturadas en las
covariables estándar.
A pesar de esta evidencia convergente, ningún estudio previo ha integrado el indicador CONEVAL de
accesibilidad a carretera pavimentada con variables pandémicas a nivel estatal mexicano. Esta omisión
es notable porque dicho indicador captura precisamente el mecanismo de sub-hospitalización diferencial
que Arceo-Gómez et al. (2022) identificaron a nivel individual: en entidades donde grandes porcentajes
Para contextos de alta accesibilidad como los países de ingreso alto, la evidencia también es
contundente. Wercholuk et al. (2022), en JCO Oncology Practice, documentaron que las barreras de
transporte en poblaciones rurales de Estados Unidos se asociaron con retrasos en el seguimiento post-
tamizaje, menor acceso a atención oncológica especializada y menor recepción de tratamiento
concordante con guías. Sánchez-Mateos et al. (2025), en Health Policy, encontraron que en regiones
rurales de España con limitada infraestructura de transporte, más del 40% de la población requería más
de 30 minutos para acceder a un hospital, con acceso especialmente deficiente en áreas envejecidas y
despobladas.
Para México, la evidencia sobre accesibilidad geográfica y COVID-19 es limitada pero convergente.
Serván-Mori et al. (2021), en un estudio de 465,676 adultos hospitalizados con COVID-19 publicado
en el Journal of Epidemiology and Community Health, encontraron que los pacientes indígenas tuvieron
mayor probabilidad de hospitalización (OR ajustada = 1.9), muerte (OR ajustada = 1.3) y mortalidad
temprana (OR ajustada = 1.2) comparados con no indígenas, con las asociaciones parcialmente
explicadas por vivir en jurisdicciones sanitarias con bajos recursos humanos y equipamiento
hospitalario. Little et al. (2023), con 3.4 millones de adultos mexicanos positivos a COVID-19 publicado
en el Journal of Global Health, documentaron que los individuos indígenas marginados tuvieron
significativamente menor probabilidad de admisión a UCI y ventilación mecánica que los no indígenas
no marginados, a pesar de presentar mayor riesgo COVID-19. Flores-Cisneros et al. (2025) identificaron
que el retraso en búsqueda de atención mayor a 7 días, en interacción con estatus indígena, incrementó
la mortalidad con aOR = 5.86, mecanismo consistente con las barreras de acceso físico. Salas-Ortiz
(2023), aplicando la descomposición de Oaxaca-Blinder, cuantificó que el 22.8% de la brecha étnica en
hospitalizaciones y el 17.5% en mortalidad temprana permanecen inexplicadas por características
observables, sugiriendo discriminación estructural que incluye barreras de acceso no capturadas en las
covariables estándar.
A pesar de esta evidencia convergente, ningún estudio previo ha integrado el indicador CONEVAL de
accesibilidad a carretera pavimentada con variables pandémicas a nivel estatal mexicano. Esta omisión
es notable porque dicho indicador captura precisamente el mecanismo de sub-hospitalización diferencial
que Arceo-Gómez et al. (2022) identificaron a nivel individual: en entidades donde grandes porcentajes
pág. 2424
de la población carecen de acceso físico, los pacientes graves pueden morir sin llegar al sistema de salud
y sus defunciones quedar fuera de la vigilancia epidemiológica formal.
Modelo conceptual
Con base en la revisión precedente, se propone un modelo conceptual de secuencia asociativa con cuatro
eslabones articulados por dos condicionantes estructurales (Figura 1): (1) el Semáforo Epidemiológico
se asocia con variaciones en la movilidad poblacional, moduladas por la fatiga de restricciones a lo largo
del tiempo; (2) la movilidad se asocia, con un desfase temporal, con la ocupación hospitalaria; (3) la
hospitalización se asocia casi simultáneamente con la mortalidad registrada; (4) las condiciones
estructurales de pobreza multidimensional e inaccesibilidad vial condicionan este proceso en forma
complementaria: la pobreza determina vulnerabilidades socioeconómicas asociadas a exposición y
comorbilidades, mientras la inaccesibilidad vial determina directamente la capacidad de llegada al
sistema de salud y, consecuentemente, la probabilidad de diagnóstico, hospitalización y registro
epidemiológico. La vacunación opera como moderador al reducir la letalidad intrahospitalaria sin
necesariamente reducir la hospitalización. Se emplea deliberadamente el término secuencia asociativa
en lugar de cadena causal, dado que el diseño observacional no permite establecer causalidad formal,
aunque la evidencia de temporalidad (desfases), gradiente (dosis-respuesta del semáforo) y consistencia
(replicación entre fuentes) sugiere una dirección causal plausible.
METODOLOGÍA
Diseño de investigación
Se adopta un diseño ecológico longitudinal de panel (32 entidades federativas × T períodos temporales),
con alcance correlacional-explicativo. El diseño ecológico —donde la unidad de análisis es la entidad
federativa y no el individuo— fue seleccionado deliberadamente por dos razones: permite integrar
fuentes macro (semáforo, vacunación, pobreza CONEVAL) con fuentes de resolución poblacional
(movilidad, hospitalización), y posibilita evaluar políticas públicas que operan precisamente a nivel
subnacional (Wu et al., 2020). No obstante, este diseño implica que las asociaciones observadas a nivel
estatal no son directamente transferibles a nivel individual (falacia ecológica), limitación que se aborda
explícitamente en la sección de Discusión. El período general es febrero de 2020 a diciembre de 2022,
aunque las fuentes cubren sub-períodos diferentes (véase infra). La presentación del estudio sigue las
de la población carecen de acceso físico, los pacientes graves pueden morir sin llegar al sistema de salud
y sus defunciones quedar fuera de la vigilancia epidemiológica formal.
Modelo conceptual
Con base en la revisión precedente, se propone un modelo conceptual de secuencia asociativa con cuatro
eslabones articulados por dos condicionantes estructurales (Figura 1): (1) el Semáforo Epidemiológico
se asocia con variaciones en la movilidad poblacional, moduladas por la fatiga de restricciones a lo largo
del tiempo; (2) la movilidad se asocia, con un desfase temporal, con la ocupación hospitalaria; (3) la
hospitalización se asocia casi simultáneamente con la mortalidad registrada; (4) las condiciones
estructurales de pobreza multidimensional e inaccesibilidad vial condicionan este proceso en forma
complementaria: la pobreza determina vulnerabilidades socioeconómicas asociadas a exposición y
comorbilidades, mientras la inaccesibilidad vial determina directamente la capacidad de llegada al
sistema de salud y, consecuentemente, la probabilidad de diagnóstico, hospitalización y registro
epidemiológico. La vacunación opera como moderador al reducir la letalidad intrahospitalaria sin
necesariamente reducir la hospitalización. Se emplea deliberadamente el término secuencia asociativa
en lugar de cadena causal, dado que el diseño observacional no permite establecer causalidad formal,
aunque la evidencia de temporalidad (desfases), gradiente (dosis-respuesta del semáforo) y consistencia
(replicación entre fuentes) sugiere una dirección causal plausible.
METODOLOGÍA
Diseño de investigación
Se adopta un diseño ecológico longitudinal de panel (32 entidades federativas × T períodos temporales),
con alcance correlacional-explicativo. El diseño ecológico —donde la unidad de análisis es la entidad
federativa y no el individuo— fue seleccionado deliberadamente por dos razones: permite integrar
fuentes macro (semáforo, vacunación, pobreza CONEVAL) con fuentes de resolución poblacional
(movilidad, hospitalización), y posibilita evaluar políticas públicas que operan precisamente a nivel
subnacional (Wu et al., 2020). No obstante, este diseño implica que las asociaciones observadas a nivel
estatal no son directamente transferibles a nivel individual (falacia ecológica), limitación que se aborda
explícitamente en la sección de Discusión. El período general es febrero de 2020 a diciembre de 2022,
aunque las fuentes cubren sub-períodos diferentes (véase infra). La presentación del estudio sigue las
pág. 2425
recomendaciones de la guía STROBE (Strengthening the Reporting of Observational Studies in
Epidemiology) para estudios observacionales (Von Elm et al., 2007), adaptada para diseño ecológico
según las recomendaciones de Morgenstern (2008).
Fuentes de datos y cobertura temporal
El estudio integra siete fuentes oficiales (Tabla 1): (1) Google Community Mobility Reports: 32,142
registros diarios por entidad, febrero 2020 - octubre 2022; (2) Semáforo Epidemiológico SSA: 16,704
registros pareados con movilidad, noviembre 2020 - abril 2022; (3) Casos confirmados DGE: 40,095
registros, marzo 2020 - junio 2023; (4) Defunciones DGE: 39,402 registros, marzo 2020 - junio 2023;
(5) Avance de vacunación SSA: 493 registros diarios, diciembre 2020 - abril 2022; (6) Ocupación
hospitalaria SSA: 31,410 registros estatales y 836,020 a nivel de unidad médica (1,083 unidades), abril
2020 - diciembre 2022; (7) Pobreza multidimensional CONEVAL 2020: 32 entidades, medición
estática. (8) Grado de accesibilidad a carretera pavimentada (CONEVAL): 192,245 localidades, 2,456
municipios y 32 entidades, con porcentaje de población con accesibilidad muy baja o baja, tiempo de
traslado a cabecera municipal y distancia a centro de servicios, basado en el Censo de Población 2010 y
la Red Nacional de Caminos. Esta tabla presenta la cobertura temporal de cada fuente, los registros
válidos tras limpieza y el porcentaje de datos faltantes. Los valores sentinela (-10,000 en hospitalización)
fueron recodificados como datos faltantes (0.3% del total). Se empleó eliminación por lista (listwise
deletion) para los análisis pareados, excluyendo solo los registros sin dato en la variable requerida para
cada análisis específico.
recomendaciones de la guía STROBE (Strengthening the Reporting of Observational Studies in
Epidemiology) para estudios observacionales (Von Elm et al., 2007), adaptada para diseño ecológico
según las recomendaciones de Morgenstern (2008).
Fuentes de datos y cobertura temporal
El estudio integra siete fuentes oficiales (Tabla 1): (1) Google Community Mobility Reports: 32,142
registros diarios por entidad, febrero 2020 - octubre 2022; (2) Semáforo Epidemiológico SSA: 16,704
registros pareados con movilidad, noviembre 2020 - abril 2022; (3) Casos confirmados DGE: 40,095
registros, marzo 2020 - junio 2023; (4) Defunciones DGE: 39,402 registros, marzo 2020 - junio 2023;
(5) Avance de vacunación SSA: 493 registros diarios, diciembre 2020 - abril 2022; (6) Ocupación
hospitalaria SSA: 31,410 registros estatales y 836,020 a nivel de unidad médica (1,083 unidades), abril
2020 - diciembre 2022; (7) Pobreza multidimensional CONEVAL 2020: 32 entidades, medición
estática. (8) Grado de accesibilidad a carretera pavimentada (CONEVAL): 192,245 localidades, 2,456
municipios y 32 entidades, con porcentaje de población con accesibilidad muy baja o baja, tiempo de
traslado a cabecera municipal y distancia a centro de servicios, basado en el Censo de Población 2010 y
la Red Nacional de Caminos. Esta tabla presenta la cobertura temporal de cada fuente, los registros
válidos tras limpieza y el porcentaje de datos faltantes. Los valores sentinela (-10,000 en hospitalización)
fueron recodificados como datos faltantes (0.3% del total). Se empleó eliminación por lista (listwise
deletion) para los análisis pareados, excluyendo solo los registros sin dato en la variable requerida para
cada análisis específico.
pág. 2426
Tabla 1
Fuentes de datos, cobertura temporal y registros válidos
Fuente Registros Período Resolución Faltantes Variables clave
GCMR (Google) 32,142 Feb 2020 – Oct
2022
Diaria 0.0% 6 categ. movilidad
Semáforo SSA 16,704 Nov 2020 –
Abr 2022
Diaria 0.0% 4 niveles alerta
Casos DGE 40,095 Mar 2020 – Jun
2023
Diaria 0.0% Confirmados/estado
Defunciones
DGE
39,402 Mar 2020 – Jun
2023
Diaria 0.0% Defunciones/estado
Vacunación SSA 493 Dic 2020 – Abr
2022
Diaria 0.0% Dosis, esquemas
Hospital. SSA 31,410 Abr 2020 – Dic
2022
Diaria 0.3% % ocupación, UCI
Pobreza
CONEVAL
32 Punto único
2020
Estática 0.0% % pobreza, extrema
Accesibilidad
CONEVAL
192,245 Censo
2010/RNC
Estática 0.0% % inacc. vial, dist.
Nota. GCMR = Google Community Mobility Reports. DGE = Dirección General de Epidemiología. RNC = Red Nacional de
Caminos. Inacc. = inaccesibilidad vial.
Operacionalización de variables
Se definieron las siguientes variables. Variable dependiente: tasa de mortalidad registrada por COVID-
19 por 100,000 habitantes por entidad (defunciones registradas como COVID, no exceso de mortalidad;
esta distinción es central para la interpretación de la paradoja pobreza-mortalidad). Variables
independientes temporales: nivel de semáforo (ordinal: Máximo = 4, Alto = 3, Medio = 2, Bajo = 1),
Tabla 1
Fuentes de datos, cobertura temporal y registros válidos
Fuente Registros Período Resolución Faltantes Variables clave
GCMR (Google) 32,142 Feb 2020 – Oct
2022
Diaria 0.0% 6 categ. movilidad
Semáforo SSA 16,704 Nov 2020 –
Abr 2022
Diaria 0.0% 4 niveles alerta
Casos DGE 40,095 Mar 2020 – Jun
2023
Diaria 0.0% Confirmados/estado
Defunciones
DGE
39,402 Mar 2020 – Jun
2023
Diaria 0.0% Defunciones/estado
Vacunación SSA 493 Dic 2020 – Abr
2022
Diaria 0.0% Dosis, esquemas
Hospital. SSA 31,410 Abr 2020 – Dic
2022
Diaria 0.3% % ocupación, UCI
Pobreza
CONEVAL
32 Punto único
2020
Estática 0.0% % pobreza, extrema
Accesibilidad
CONEVAL
192,245 Censo
2010/RNC
Estática 0.0% % inacc. vial, dist.
Nota. GCMR = Google Community Mobility Reports. DGE = Dirección General de Epidemiología. RNC = Red Nacional de
Caminos. Inacc. = inaccesibilidad vial.
Operacionalización de variables
Se definieron las siguientes variables. Variable dependiente: tasa de mortalidad registrada por COVID-
19 por 100,000 habitantes por entidad (defunciones registradas como COVID, no exceso de mortalidad;
esta distinción es central para la interpretación de la paradoja pobreza-mortalidad). Variables
independientes temporales: nivel de semáforo (ordinal: Máximo = 4, Alto = 3, Medio = 2, Bajo = 1),
pág. 2427
movilidad comercial (porcentaje de cambio vs. línea base), ocupación hospitalaria general (porcentaje
de camas ocupadas), ratio de ocupación UCI/hospitalización general (definido como el cociente entre el
porcentaje de camas UCI ocupadas y el porcentaje de camas generales ocupadas; valores superiores a
1.0 indican que la presión sobre UCI fue proporcionalmente mayor que sobre camas generales) y
cobertura vacunal acumulada (personas con al menos una dosis). Variables estructurales transversales:
pobreza multidimensional CONEVAL 2020 (variable estática; se asume que la estructura relativa de
pobreza entre entidades no se alteró sustancialmente durante el período, aunque se reconoce que la
pandemia generó pobreza transitoria no capturada) e inaccesibilidad vial (porcentaje de la población del
estado cuyas localidades tienen accesibilidad muy baja o baja a carretera pavimentada, según
CONEVAL; Oaxaca lidera con 41.2%, seguido de Chiapas 32.4% y Guerrero 27.3%, frente a 0.8% en
la Ciudad de México).
Se construyó un Índice de Respuesta al Semáforo (IRS) definido como el coeficiente de correlación de
Pearson entre el nivel de semáforo y la movilidad comercial para cada entidad durante el período de
vigencia. Como análisis de robustez, se calculó también mediante Spearman (dado el carácter ordinal
del semáforo), encontrándose diferencias mínimas entre ambos (diferencia media absoluta = 0.02). Los
IC 95% se calcularon mediante transformación z de Fisher.
Estrategia analítica
El análisis se estructuró en cuatro fases. La Fase 1 evaluó la asociación entre semáforo, movilidad y
hospitalización mediante Kruskal-Wallis (seleccionado sobre ANOVA por violación del supuesto de
normalidad verificada con Shapiro-Wilk) con ε² como tamaño del efecto (Tomczak y Tomczak, 2014)
y comparación inter-olas mediante Mann-Whitney con d de Cohen. La Fase 2 estimó desfases
temporales mediante correlaciones cruzadas con datos suavizados por media móvil de 7 días, evaluando
8 desfases (0-49 días) con corrección de Bonferroni (α ajustado = .006). Se reconoce explícitamente que
las series temporales en niveles resultaron no estacionarias según la prueba de Dickey-Fuller aumentada
(ADF; movilidad p = .611, defunciones p = .133, hospitalización p = .097), aunque sus primeras
diferencias sí lo fueron (p < .001 en todos los casos). En consecuencia, los resultados de CCF deben
interpretarse con prudencia: las correlaciones en niveles pueden reflejar co-movimiento tendencial
además de relaciones dinámicas genuinas. Huo et al. (2025), en Water, demostraron que en series no
movilidad comercial (porcentaje de cambio vs. línea base), ocupación hospitalaria general (porcentaje
de camas ocupadas), ratio de ocupación UCI/hospitalización general (definido como el cociente entre el
porcentaje de camas UCI ocupadas y el porcentaje de camas generales ocupadas; valores superiores a
1.0 indican que la presión sobre UCI fue proporcionalmente mayor que sobre camas generales) y
cobertura vacunal acumulada (personas con al menos una dosis). Variables estructurales transversales:
pobreza multidimensional CONEVAL 2020 (variable estática; se asume que la estructura relativa de
pobreza entre entidades no se alteró sustancialmente durante el período, aunque se reconoce que la
pandemia generó pobreza transitoria no capturada) e inaccesibilidad vial (porcentaje de la población del
estado cuyas localidades tienen accesibilidad muy baja o baja a carretera pavimentada, según
CONEVAL; Oaxaca lidera con 41.2%, seguido de Chiapas 32.4% y Guerrero 27.3%, frente a 0.8% en
la Ciudad de México).
Se construyó un Índice de Respuesta al Semáforo (IRS) definido como el coeficiente de correlación de
Pearson entre el nivel de semáforo y la movilidad comercial para cada entidad durante el período de
vigencia. Como análisis de robustez, se calculó también mediante Spearman (dado el carácter ordinal
del semáforo), encontrándose diferencias mínimas entre ambos (diferencia media absoluta = 0.02). Los
IC 95% se calcularon mediante transformación z de Fisher.
Estrategia analítica
El análisis se estructuró en cuatro fases. La Fase 1 evaluó la asociación entre semáforo, movilidad y
hospitalización mediante Kruskal-Wallis (seleccionado sobre ANOVA por violación del supuesto de
normalidad verificada con Shapiro-Wilk) con ε² como tamaño del efecto (Tomczak y Tomczak, 2014)
y comparación inter-olas mediante Mann-Whitney con d de Cohen. La Fase 2 estimó desfases
temporales mediante correlaciones cruzadas con datos suavizados por media móvil de 7 días, evaluando
8 desfases (0-49 días) con corrección de Bonferroni (α ajustado = .006). Se reconoce explícitamente que
las series temporales en niveles resultaron no estacionarias según la prueba de Dickey-Fuller aumentada
(ADF; movilidad p = .611, defunciones p = .133, hospitalización p = .097), aunque sus primeras
diferencias sí lo fueron (p < .001 en todos los casos). En consecuencia, los resultados de CCF deben
interpretarse con prudencia: las correlaciones en niveles pueden reflejar co-movimiento tendencial
además de relaciones dinámicas genuinas. Huo et al. (2025), en Water, demostraron que en series no
pág. 2428
estacionarias el prewhitening es preferible a los métodos tradicionales para evitar sobreestimación de
tendencias; la aplicación de estas técnicas a nuestros datos constituye una línea futura inmediata. Como
evidencia complementaria de la plausibilidad direccional, Morel et al. (2023), en PLOS Computational
Biology, desarrollaron un método de time-warping para series epidemiológicas con desfases variables
que valida la interpretación de los desfases observados entre movilidad, hospitalización y mortalidad
como expresión de relaciones causales plausibles, no meros artefactos de co-tendencia. La Fase 3 analizó
la vacunación mediante comparación de CFR y ratios UCI/hospitalización entre cinco olas, con
tendencia evaluada por Kendall (τ, prueba unilateral dada la hipótesis direccional). Se reconoce el bajo
poder estadístico con n = 5 olas, complementado con la magnitud del cambio como evidencia de
relevancia práctica. La Fase 4 examinó las relaciones estructurales mediante correlaciones bivariadas de
Pearson y Spearman con IC 95%, regresión MCO con diagnósticos de multicolinealidad (VIF),
normalidad de residuos (Shapiro-Wilk) e independencia (Durbin-Watson), y test de mediación de Sobel
para evaluar si la hospitalización media la relación pobreza-mortalidad. Se reconoce que con N = 32
entidades y 3 predictores, la potencia estadística del modelo es limitada. Octava, los datos de
accesibilidad a carretera pavimentada provienen del Censo 2010 y la Red Nacional de Caminos, lo que
introduce un desfase temporal de una década respecto al período pandémico; sin embargo, la
infraestructura vial rural en México cambió poco entre 2010 y 2020, particularmente en los estados del
sur donde la inaccesibilidad es más alta (potencia estimada ≈ .80 para efectos grandes, f² > 0.35).
RESULTADOS
Panorama descriptivo de las cinco olas pandémicas
La Tabla 2 presenta las características de las cinco olas identificadas. La primera ola (abril-septiembre
2020) registró 812,000 casos, 96,800 defunciones (CFR 11.9%), movilidad comercial promedio de -
43%, ocupación hospitalaria de 33.4% y ratio UCI/hospitalización de 1.19. La segunda ola (octubre
2020 - febrero 2021) fue la más letal: 1.33 millones de casos, 115,250 defunciones (CFR 8.7%),
movilidad -30% y ratio 1.18. La tercera ola (junio-octubre 2021) tuvo 1.41 millones de casos con 59,100
defunciones (CFR 4.2%), movilidad -6%, ocupación hospitalaria máxima (51.5% pico en agosto) y ratio
1.17. La ola Ómicron (diciembre 2021-marzo 2022) fue la más masiva en contagios (1.82 millones) con
25,350 defunciones (CFR 1.4%), movilidad positiva (+5%) y ratio reducido a 0.89. La quinta ola (mayo-
estacionarias el prewhitening es preferible a los métodos tradicionales para evitar sobreestimación de
tendencias; la aplicación de estas técnicas a nuestros datos constituye una línea futura inmediata. Como
evidencia complementaria de la plausibilidad direccional, Morel et al. (2023), en PLOS Computational
Biology, desarrollaron un método de time-warping para series epidemiológicas con desfases variables
que valida la interpretación de los desfases observados entre movilidad, hospitalización y mortalidad
como expresión de relaciones causales plausibles, no meros artefactos de co-tendencia. La Fase 3 analizó
la vacunación mediante comparación de CFR y ratios UCI/hospitalización entre cinco olas, con
tendencia evaluada por Kendall (τ, prueba unilateral dada la hipótesis direccional). Se reconoce el bajo
poder estadístico con n = 5 olas, complementado con la magnitud del cambio como evidencia de
relevancia práctica. La Fase 4 examinó las relaciones estructurales mediante correlaciones bivariadas de
Pearson y Spearman con IC 95%, regresión MCO con diagnósticos de multicolinealidad (VIF),
normalidad de residuos (Shapiro-Wilk) e independencia (Durbin-Watson), y test de mediación de Sobel
para evaluar si la hospitalización media la relación pobreza-mortalidad. Se reconoce que con N = 32
entidades y 3 predictores, la potencia estadística del modelo es limitada. Octava, los datos de
accesibilidad a carretera pavimentada provienen del Censo 2010 y la Red Nacional de Caminos, lo que
introduce un desfase temporal de una década respecto al período pandémico; sin embargo, la
infraestructura vial rural en México cambió poco entre 2010 y 2020, particularmente en los estados del
sur donde la inaccesibilidad es más alta (potencia estimada ≈ .80 para efectos grandes, f² > 0.35).
RESULTADOS
Panorama descriptivo de las cinco olas pandémicas
La Tabla 2 presenta las características de las cinco olas identificadas. La primera ola (abril-septiembre
2020) registró 812,000 casos, 96,800 defunciones (CFR 11.9%), movilidad comercial promedio de -
43%, ocupación hospitalaria de 33.4% y ratio UCI/hospitalización de 1.19. La segunda ola (octubre
2020 - febrero 2021) fue la más letal: 1.33 millones de casos, 115,250 defunciones (CFR 8.7%),
movilidad -30% y ratio 1.18. La tercera ola (junio-octubre 2021) tuvo 1.41 millones de casos con 59,100
defunciones (CFR 4.2%), movilidad -6%, ocupación hospitalaria máxima (51.5% pico en agosto) y ratio
1.17. La ola Ómicron (diciembre 2021-marzo 2022) fue la más masiva en contagios (1.82 millones) con
25,350 defunciones (CFR 1.4%), movilidad positiva (+5%) y ratio reducido a 0.89. La quinta ola (mayo-
pág. 2429
agosto 2022) registró 1.31 millones de casos, 4,400 defunciones (CFR 0.3%), movilidad +11% y ratio
0.50.
Tabla 2
Características de las cinco olas pandémicas en México
Ola Período Casos
(K)
Def.
(K)
CFR
(%)
Mov.
(%)
Hosp
(%)
UCI
(%)
Ratio Vacun.
(M)
1ª Abr–Sep
2020
812 96.8 11.9 -43 33.4 39.7 1.19 Sin
vacuna
2ª Oct 20–Feb
21
1,328 115.3 8.7 -30 35.4 41.7 1.18 0–1.1
3ª Jun–Oct
2021
1,411 59.1 4.2 -6 33.0 38.5 1.17 30.9–
74.6
Ómicron Dic 21–Mar
22
1,822 25.4 1.4 +5 22.8 20.3 0.89 81.9–
82.9
5ª May–Ago
2022
1,306 4.4 0.3 +11 12.3 6.2 0.50 83+
Nota. CFR = tasa de letalidad por caso. Ratio = % ocupación UCI / % ocupación camas generales. Vacunados en millones
con al menos una dosis.
Asociación del Semáforo Epidemiológico con movilidad y hospitalización (PI1)
El Semáforo Epidemiológico se asoció con diferencias estadísticamente significativas en movilidad
comercial entre sus cuatro niveles. La prueba de Kruskal-Wallis arrojó H(3) = 5,976.08, p < .001, con
un tamaño del efecto grande (ε² = .358; Tomczak y Tomczak, 2014), indicando que el nivel de semáforo
explicó el 35.8% de la varianza en rangos de movilidad. El gradiente fue monotónico: nivel Máximo,
M = -28.8% (IC 95% [-29.8, -27.8], n = 767); Alto, M = -17.8% (IC 95% [-18.2, -17.3], n = 4,337);
Medio, M = -8.6% (IC 95% [-9.0, -8.2], n = 5,130); Bajo, M = +5.5% (IC 95% [5.1, 5.8], n = 6,470).
Los intervalos no se solaparon entre niveles adyacentes. Esta magnitud de gradiente es consistente con
la documentada por Della Rossa et al. (2021) en Nature Communications para el sistema italiano de
agosto 2022) registró 1.31 millones de casos, 4,400 defunciones (CFR 0.3%), movilidad +11% y ratio
0.50.
Tabla 2
Características de las cinco olas pandémicas en México
Ola Período Casos
(K)
Def.
(K)
CFR
(%)
Mov.
(%)
Hosp
(%)
UCI
(%)
Ratio Vacun.
(M)
1ª Abr–Sep
2020
812 96.8 11.9 -43 33.4 39.7 1.19 Sin
vacuna
2ª Oct 20–Feb
21
1,328 115.3 8.7 -30 35.4 41.7 1.18 0–1.1
3ª Jun–Oct
2021
1,411 59.1 4.2 -6 33.0 38.5 1.17 30.9–
74.6
Ómicron Dic 21–Mar
22
1,822 25.4 1.4 +5 22.8 20.3 0.89 81.9–
82.9
5ª May–Ago
2022
1,306 4.4 0.3 +11 12.3 6.2 0.50 83+
Nota. CFR = tasa de letalidad por caso. Ratio = % ocupación UCI / % ocupación camas generales. Vacunados en millones
con al menos una dosis.
Asociación del Semáforo Epidemiológico con movilidad y hospitalización (PI1)
El Semáforo Epidemiológico se asoció con diferencias estadísticamente significativas en movilidad
comercial entre sus cuatro niveles. La prueba de Kruskal-Wallis arrojó H(3) = 5,976.08, p < .001, con
un tamaño del efecto grande (ε² = .358; Tomczak y Tomczak, 2014), indicando que el nivel de semáforo
explicó el 35.8% de la varianza en rangos de movilidad. El gradiente fue monotónico: nivel Máximo,
M = -28.8% (IC 95% [-29.8, -27.8], n = 767); Alto, M = -17.8% (IC 95% [-18.2, -17.3], n = 4,337);
Medio, M = -8.6% (IC 95% [-9.0, -8.2], n = 5,130); Bajo, M = +5.5% (IC 95% [5.1, 5.8], n = 6,470).
Los intervalos no se solaparon entre niveles adyacentes. Esta magnitud de gradiente es consistente con
la documentada por Della Rossa et al. (2021) en Nature Communications para el sistema italiano de
pág. 2430
restricciones por colores, donde cada nivel adicional de alerta redujo la movilidad en 10-15 puntos
porcentuales. Nuestro gradiente mexicano (diferencia de 11 puntos entre niveles adyacentes en
promedio) se ubica dentro de este rango internacional.
El patrón se replicó en hospitalización: H(3) = 6,788.56, p < .001. En nivel Máximo, M = 64.3% (IC
95% [63.2, 65.4]); Alto, M = 41.9% (IC 95% [41.4, 42.5]); Medio, M = 25.1% (IC 95% [24.6, 25.5]);
Bajo, M = 14.3% (IC 95% [13.9, 14.6]). La correlación entre el porcentaje de entidades en nivel
Alto/Máximo y la ocupación hospitalaria nacional fue r = .779, p < .001, R² = .607 (n = 520 días).
La efectividad se erosionó con el tiempo. En entidades clasificadas en Alto/Máximo, la movilidad
promedio fue M = -32.8% (DE = 8.7, n = 1,613) durante la segunda ola (enero-febrero 2021) y M = -
6.7% (DE = 7.8, n = 1,038) durante la tercera (agosto-septiembre 2021), una diferencia de 26.1 puntos
porcentuales (Mann-Whitney U = 16,228, p < .001, d de Cohen = -3.17).
El IRS osciló entre -0.781 (Estado de México, IC 95% [-0.812, -0.745]) y -0.157 (Campeche, IC 95%
[-0.239, -0.072]), con mediana de -0.626 y DE = 0.133. Los valores por Spearman fueron similares
(diferencia media absoluta Pearson-Spearman = 0.02, máxima = 0.06). Las 32 correlaciones fueron
significativas (p < .001, excepto Campeche con p < .001). Los estados más responsivos (Estado de
México, Yucatán, Ciudad de México, Tlaxcala, Puebla) fueron predominantemente del centro; los
menos responsivos (Campeche, Tamaulipas, Chiapas) del sureste y norte.
Desfases temporales en la secuencia movilidad-hospitalización-defunción (PI2)
La Tabla 3 presenta los resultados de correlación cruzada con corrección de Bonferroni (8
comparaciones, α ajustado = .006). La correlación máxima entre movilidad comercial y defunciones se
alcanzó a 21 días: r = -.676 (p ajustada < .001, n = 958), explicando el 45.7% de la varianza. Todos los
desfases evaluados (0-49 días) mantuvieron significancia tras corrección. La curva fue unimodal con
valores que oscilaron entre r = -.621 (lag 0) y r = -.676 (lag 21).
restricciones por colores, donde cada nivel adicional de alerta redujo la movilidad en 10-15 puntos
porcentuales. Nuestro gradiente mexicano (diferencia de 11 puntos entre niveles adyacentes en
promedio) se ubica dentro de este rango internacional.
El patrón se replicó en hospitalización: H(3) = 6,788.56, p < .001. En nivel Máximo, M = 64.3% (IC
95% [63.2, 65.4]); Alto, M = 41.9% (IC 95% [41.4, 42.5]); Medio, M = 25.1% (IC 95% [24.6, 25.5]);
Bajo, M = 14.3% (IC 95% [13.9, 14.6]). La correlación entre el porcentaje de entidades en nivel
Alto/Máximo y la ocupación hospitalaria nacional fue r = .779, p < .001, R² = .607 (n = 520 días).
La efectividad se erosionó con el tiempo. En entidades clasificadas en Alto/Máximo, la movilidad
promedio fue M = -32.8% (DE = 8.7, n = 1,613) durante la segunda ola (enero-febrero 2021) y M = -
6.7% (DE = 7.8, n = 1,038) durante la tercera (agosto-septiembre 2021), una diferencia de 26.1 puntos
porcentuales (Mann-Whitney U = 16,228, p < .001, d de Cohen = -3.17).
El IRS osciló entre -0.781 (Estado de México, IC 95% [-0.812, -0.745]) y -0.157 (Campeche, IC 95%
[-0.239, -0.072]), con mediana de -0.626 y DE = 0.133. Los valores por Spearman fueron similares
(diferencia media absoluta Pearson-Spearman = 0.02, máxima = 0.06). Las 32 correlaciones fueron
significativas (p < .001, excepto Campeche con p < .001). Los estados más responsivos (Estado de
México, Yucatán, Ciudad de México, Tlaxcala, Puebla) fueron predominantemente del centro; los
menos responsivos (Campeche, Tamaulipas, Chiapas) del sureste y norte.
Desfases temporales en la secuencia movilidad-hospitalización-defunción (PI2)
La Tabla 3 presenta los resultados de correlación cruzada con corrección de Bonferroni (8
comparaciones, α ajustado = .006). La correlación máxima entre movilidad comercial y defunciones se
alcanzó a 21 días: r = -.676 (p ajustada < .001, n = 958), explicando el 45.7% de la varianza. Todos los
desfases evaluados (0-49 días) mantuvieron significancia tras corrección. La curva fue unimodal con
valores que oscilaron entre r = -.621 (lag 0) y r = -.676 (lag 21).
pág. 2431
Tabla 3
Correlaciones cruzadas con desfase temporal y corrección de Bonferroni (α ajustado = .006)
Par de variables Lag (d) r p adj. R² n
Movilidad → Defunciones 0 -.621 < .001 .386 937
7 -.648 < .001 .419 944
14 -.667 < .001 .445 951
21* -.676 < .001 .457 958
28 -.675 < .001 .455 965
Mov. → Hospitalización 14* -.500 < .001 .250 904
Hosp. → Defunciones 0* +.877 < .001 .770 890
7 +.872 < .001 .761 890
Nota. * = desfase óptimo. Datos suavizados por media móvil 7 días. p adj. = p × 8 (Bonferroni).
La hospitalización funcionó como eslabón intermediario con dos hallazgos. Primero, la movilidad se
asoció con la hospitalización con desfases de 0 a 49 días (r entre -.493 y -.509, todos p ajustados < .001).
Segundo, la hospitalización se asoció casi simultáneamente con defunciones: r = .877 (p < .001, R² =
.770) a lag 0, r = .872 a lag 7, r = .831 a lag 14. La hospitalización explicó por sí sola el 77.0% de la
varianza diaria en defunciones.
Se reconoce que las series en niveles no fueron estacionarias (prueba ADF: movilidad p = .611,
defunciones p = .133, hospitalización p = .097), aunque las primeras diferencias sí lo fueron (todas p <
.001). Esta no-estacionariedad implica que las correlaciones cruzadas en niveles pueden reflejar
parcialmente co-movimiento tendencial; los resultados deben interpretarse con cautela y
complementarse con análisis en diferencias en investigaciones futuras.
Efecto moderador de la vacunación (PI3)
La CFR descendió monotónicamente: 11.9%, 8.7%, 4.2%, 1.4%, 0.3% a lo largo de las cinco olas
(Kendall τ = -1.000, p unilateral = .008), con una reducción relativa acumulada del 97.1%. Dado que el
Tabla 3
Correlaciones cruzadas con desfase temporal y corrección de Bonferroni (α ajustado = .006)
Par de variables Lag (d) r p adj. R² n
Movilidad → Defunciones 0 -.621 < .001 .386 937
7 -.648 < .001 .419 944
14 -.667 < .001 .445 951
21* -.676 < .001 .457 958
28 -.675 < .001 .455 965
Mov. → Hospitalización 14* -.500 < .001 .250 904
Hosp. → Defunciones 0* +.877 < .001 .770 890
7 +.872 < .001 .761 890
Nota. * = desfase óptimo. Datos suavizados por media móvil 7 días. p adj. = p × 8 (Bonferroni).
La hospitalización funcionó como eslabón intermediario con dos hallazgos. Primero, la movilidad se
asoció con la hospitalización con desfases de 0 a 49 días (r entre -.493 y -.509, todos p ajustados < .001).
Segundo, la hospitalización se asoció casi simultáneamente con defunciones: r = .877 (p < .001, R² =
.770) a lag 0, r = .872 a lag 7, r = .831 a lag 14. La hospitalización explicó por sí sola el 77.0% de la
varianza diaria en defunciones.
Se reconoce que las series en niveles no fueron estacionarias (prueba ADF: movilidad p = .611,
defunciones p = .133, hospitalización p = .097), aunque las primeras diferencias sí lo fueron (todas p <
.001). Esta no-estacionariedad implica que las correlaciones cruzadas en niveles pueden reflejar
parcialmente co-movimiento tendencial; los resultados deben interpretarse con cautela y
complementarse con análisis en diferencias en investigaciones futuras.
Efecto moderador de la vacunación (PI3)
La CFR descendió monotónicamente: 11.9%, 8.7%, 4.2%, 1.4%, 0.3% a lo largo de las cinco olas
(Kendall τ = -1.000, p unilateral = .008), con una reducción relativa acumulada del 97.1%. Dado que el
pág. 2432
test se realizó con n = 5 observaciones (una por ola), su poder estadístico es limitado; la significancia se
complementa con la magnitud del cambio como evidencia de relevancia clínica.
El ratio de ocupación UCI sobre hospitalización general descendió de 1.19 (primera ola) a 1.18
(segunda), 1.17 (tercera), 0.89 (Ómicron) y 0.50 (quinta ola) (Kendall τ = -1.000, p unilateral = .008).
Valores superiores a 1.0 durante las tres primeras olas indican que la presión sobre UCI fue
proporcionalmente mayor que sobre camas generales; la caída a 0.50 indica que la vacunación redujo
en un 58% la proporción de hospitalizados que requirieron cuidados intensivos.
La comparación entre segunda y tercera ola es reveladora: con ocupación hospitalaria similar (35.4%
vs. 33.0%), las defunciones se redujeron un 48.7% (de 115,254 a 59,134). Esto indica que la vacunación
no evitó la hospitalización (que alcanzó su pico de 51.5% en agosto de 2021 con 58 millones de
vacunados), pero sí redujo la letalidad intrahospitalaria.
Pobreza, sub-hospitalización y mortalidad diferencial (PI4)
La Tabla 4 presenta la matriz de correlaciones de sección cruzada (N = 32). La pobreza se asoció
negativamente con mortalidad registrada tanto por Pearson (r = -.616, IC 95% [-.794, -.340], p < .001)
como por Spearman (ρ = -.628, p < .001), con R² = .380. También se asoció negativamente con
hospitalización promedio (r = -.402, IC 95% [-.658, -.061], p = .023). Sin embargo, no se asoció
significativamente con el IRS (r = -.214, IC 95% [-.523, +.146], p = .241), refutando la hipótesis de que
los estados más pobres obedecieron menos las restricciones. Oaxaca (63.8% de pobreza) mostró un IRS
de -0.647, superior al de Sonora (31.2%, IRS = -0.457).
test se realizó con n = 5 observaciones (una por ola), su poder estadístico es limitado; la significancia se
complementa con la magnitud del cambio como evidencia de relevancia clínica.
El ratio de ocupación UCI sobre hospitalización general descendió de 1.19 (primera ola) a 1.18
(segunda), 1.17 (tercera), 0.89 (Ómicron) y 0.50 (quinta ola) (Kendall τ = -1.000, p unilateral = .008).
Valores superiores a 1.0 durante las tres primeras olas indican que la presión sobre UCI fue
proporcionalmente mayor que sobre camas generales; la caída a 0.50 indica que la vacunación redujo
en un 58% la proporción de hospitalizados que requirieron cuidados intensivos.
La comparación entre segunda y tercera ola es reveladora: con ocupación hospitalaria similar (35.4%
vs. 33.0%), las defunciones se redujeron un 48.7% (de 115,254 a 59,134). Esto indica que la vacunación
no evitó la hospitalización (que alcanzó su pico de 51.5% en agosto de 2021 con 58 millones de
vacunados), pero sí redujo la letalidad intrahospitalaria.
Pobreza, sub-hospitalización y mortalidad diferencial (PI4)
La Tabla 4 presenta la matriz de correlaciones de sección cruzada (N = 32). La pobreza se asoció
negativamente con mortalidad registrada tanto por Pearson (r = -.616, IC 95% [-.794, -.340], p < .001)
como por Spearman (ρ = -.628, p < .001), con R² = .380. También se asoció negativamente con
hospitalización promedio (r = -.402, IC 95% [-.658, -.061], p = .023). Sin embargo, no se asoció
significativamente con el IRS (r = -.214, IC 95% [-.523, +.146], p = .241), refutando la hipótesis de que
los estados más pobres obedecieron menos las restricciones. Oaxaca (63.8% de pobreza) mostró un IRS
de -0.647, superior al de Sonora (31.2%, IRS = -0.457).
pág. 2433
Tabla 4
Correlaciones bivariadas de sección cruzada (N = 32 entidades)
Par de variables r IC 95% p ρ R²
Pobreza vs. Mortalidad -.616 [-.794, -.340] < .001 -.628 .380
Inacc. vial vs. Mortalidad -.650 [-.814, -.389] < .001 -.469 .423
Pobreza vs. Hospitalización -.402 [-.658, -.061] .023 -.320 .162
Inacc. vial vs. Hospital. -.182 [-.499, +.178] .318 -.130 .033
Pobreza vs. IRS -.214 [-.523, +.146] .241 -.439 .046
Hosp. vs. Mortalidad +.465 [+.138, +.700] .007 +.361 .216
Pobreza vs. Inacc. vial +.720 [+.495, +.854] < .001 +.570 .518
Nota. r = Pearson. ρ = Spearman. IC 95% por transformación z de Fisher. IRS = Índice de Respuesta al Semáforo. Inacc. =
inaccesibilidad vial (CONEVAL). N = 32.
La inaccesibilidad vial mostró una correlación negativa fuerte con la mortalidad registrada (r = -.650,
IC 95% [-.814, -.389], p < .001), superior en magnitud a la observada para la pobreza. Es notable que la
inaccesibilidad no se asoció significativamente con la hospitalización promedio (r = -.182, p = .318): en
los estados con alta inaccesibilidad, no hubo menor ocupación hospitalaria entre quienes fueron
hospitalizados, sino menor cantidad de personas llegando al sistema. La correlación entre pobreza e
inaccesibilidad fue alta (r = +.720, IC 95% [+.495, +.854], p < .001), consistente con la tesis de que
ambas variables capturan dimensiones correlacionadas pero no idénticas de la desigualdad estructural.
La hospitalización se asoció positivamente con mortalidad (r = +.465, IC 95% [+.138, +.700], p = .007)
y los días de saturación hospitalaria (>75%) también (r = +.432, IC 95% [+.098, +.678], p = .014). La
Ciudad de México registró 92 días con ocupación >75% y 484 defunciones/100K; Chiapas registró 0
días >75% y 42.6 defunciones/100K.
Para evaluar formalmente si la hospitalización media la relación pobreza-mortalidad, se aplicó el test de
Sobel. El camino a (pobreza → hospitalización) arrojó β = -0.183 (p = .023); el camino b
(hospitalización → mortalidad controlando pobreza) arrojó β = 2.811 (p = .103). El efecto indirecto (a
Tabla 4
Correlaciones bivariadas de sección cruzada (N = 32 entidades)
Par de variables r IC 95% p ρ R²
Pobreza vs. Mortalidad -.616 [-.794, -.340] < .001 -.628 .380
Inacc. vial vs. Mortalidad -.650 [-.814, -.389] < .001 -.469 .423
Pobreza vs. Hospitalización -.402 [-.658, -.061] .023 -.320 .162
Inacc. vial vs. Hospital. -.182 [-.499, +.178] .318 -.130 .033
Pobreza vs. IRS -.214 [-.523, +.146] .241 -.439 .046
Hosp. vs. Mortalidad +.465 [+.138, +.700] .007 +.361 .216
Pobreza vs. Inacc. vial +.720 [+.495, +.854] < .001 +.570 .518
Nota. r = Pearson. ρ = Spearman. IC 95% por transformación z de Fisher. IRS = Índice de Respuesta al Semáforo. Inacc. =
inaccesibilidad vial (CONEVAL). N = 32.
La inaccesibilidad vial mostró una correlación negativa fuerte con la mortalidad registrada (r = -.650,
IC 95% [-.814, -.389], p < .001), superior en magnitud a la observada para la pobreza. Es notable que la
inaccesibilidad no se asoció significativamente con la hospitalización promedio (r = -.182, p = .318): en
los estados con alta inaccesibilidad, no hubo menor ocupación hospitalaria entre quienes fueron
hospitalizados, sino menor cantidad de personas llegando al sistema. La correlación entre pobreza e
inaccesibilidad fue alta (r = +.720, IC 95% [+.495, +.854], p < .001), consistente con la tesis de que
ambas variables capturan dimensiones correlacionadas pero no idénticas de la desigualdad estructural.
La hospitalización se asoció positivamente con mortalidad (r = +.465, IC 95% [+.138, +.700], p = .007)
y los días de saturación hospitalaria (>75%) también (r = +.432, IC 95% [+.098, +.678], p = .014). La
Ciudad de México registró 92 días con ocupación >75% y 484 defunciones/100K; Chiapas registró 0
días >75% y 42.6 defunciones/100K.
Para evaluar formalmente si la hospitalización media la relación pobreza-mortalidad, se aplicó el test de
Sobel. El camino a (pobreza → hospitalización) arrojó β = -0.183 (p = .023); el camino b
(hospitalización → mortalidad controlando pobreza) arrojó β = 2.811 (p = .103). El efecto indirecto (a
pág. 2434
× b = -0.514) tuvo un error estándar de 0.373, resultando en z = -1.55, p = .120, con IC 95% [-1.244,
0.217]. La mediación no alcanzó significancia estadística formal, aunque la proporción mediada fue del
21.7% (efecto total c = -3.059; efecto directo c' = -2.545). Este resultado sugiere una mediación parcial
en magnitud pero insuficiente para confirmarla estadísticamente con N = 32.
Para formalizar estos hallazgos, se estimaron cinco modelos de regresión lineal múltiple con la
mortalidad por 100,000 habitantes como variable dependiente (Tabla 5). El Modelo A (pobreza +
hospitalización + IRS) explicó el 52.9% de la varianza (F(3,28) = 10.64, p < .001, R² = .533, AIC =
347.6), con la pobreza como predictor más fuerte (β = -3.35, p < .001).
Tabla 5
Comparación de cinco modelos de regresión para mortalidad registrada por COVID-19
Modelo R² R² adj. AIC F p(F) Predict.
signif.
A: Pob+Hosp+IRS .533 .483 347.6 10.64 < .001 Pob***, IRS*
B: Inacc+Hosp+IRS .605 .563 342.2 14.30 < .001 Inacc***,
Hosp†
C: Pob+Inacc+Hosp+IRS .636 .582 341.6 11.77 < .001 Inacc**, IRS*
D: %Vul+Hosp/100K+IRS .410 .346 354.3 6.48 .002 %Vul***,
IRS*
E: Dist(km)+Hosp+IRS .222 .139 363.1 2.67 .066 Hosp*
Nota. Pob = pobreza CONEVAL. Inacc = inaccesibilidad vial. Hosp = hospitalización promedio. %Vul = % municipios con
>50% inaccesibilidad. * p < .05. ** p < .01. *** p < .001. † p < .10.
La incorporación de la inaccesibilidad vial (CONEVAL) modificó sustancialmente los resultados. El
Modelo B (inaccesibilidad en lugar de pobreza + hospitalización + IRS) explicó el 60.5% de la varianza
(R² = .605, AIC = 342.2, F(3,28) = 14.30, p < .001), con la inaccesibilidad altamente significativa (β =
-5.03, p < .001) y la hospitalización marginalmente significativa (β = 2.81, p = .062), lo que sugiere que
al controlar por acceso físico, la capacidad hospitalaria también predice mortalidad, una relación
obscurecida cuando se controla únicamente por pobreza monetaria.
× b = -0.514) tuvo un error estándar de 0.373, resultando en z = -1.55, p = .120, con IC 95% [-1.244,
0.217]. La mediación no alcanzó significancia estadística formal, aunque la proporción mediada fue del
21.7% (efecto total c = -3.059; efecto directo c' = -2.545). Este resultado sugiere una mediación parcial
en magnitud pero insuficiente para confirmarla estadísticamente con N = 32.
Para formalizar estos hallazgos, se estimaron cinco modelos de regresión lineal múltiple con la
mortalidad por 100,000 habitantes como variable dependiente (Tabla 5). El Modelo A (pobreza +
hospitalización + IRS) explicó el 52.9% de la varianza (F(3,28) = 10.64, p < .001, R² = .533, AIC =
347.6), con la pobreza como predictor más fuerte (β = -3.35, p < .001).
Tabla 5
Comparación de cinco modelos de regresión para mortalidad registrada por COVID-19
Modelo R² R² adj. AIC F p(F) Predict.
signif.
A: Pob+Hosp+IRS .533 .483 347.6 10.64 < .001 Pob***, IRS*
B: Inacc+Hosp+IRS .605 .563 342.2 14.30 < .001 Inacc***,
Hosp†
C: Pob+Inacc+Hosp+IRS .636 .582 341.6 11.77 < .001 Inacc**, IRS*
D: %Vul+Hosp/100K+IRS .410 .346 354.3 6.48 .002 %Vul***,
IRS*
E: Dist(km)+Hosp+IRS .222 .139 363.1 2.67 .066 Hosp*
Nota. Pob = pobreza CONEVAL. Inacc = inaccesibilidad vial. Hosp = hospitalización promedio. %Vul = % municipios con
>50% inaccesibilidad. * p < .05. ** p < .01. *** p < .001. † p < .10.
La incorporación de la inaccesibilidad vial (CONEVAL) modificó sustancialmente los resultados. El
Modelo B (inaccesibilidad en lugar de pobreza + hospitalización + IRS) explicó el 60.5% de la varianza
(R² = .605, AIC = 342.2, F(3,28) = 14.30, p < .001), con la inaccesibilidad altamente significativa (β =
-5.03, p < .001) y la hospitalización marginalmente significativa (β = 2.81, p = .062), lo que sugiere que
al controlar por acceso físico, la capacidad hospitalaria también predice mortalidad, una relación
obscurecida cuando se controla únicamente por pobreza monetaria.
pág. 2435
El Modelo C representó el mejor ajuste (Tabla 6): R² = .636, R² ajustado = .582, AIC = 341.6, F(4,27)
= 11.77, p < .001. Los diagnósticos fueron satisfactorios: VIF de 2.79 (pobreza), 2.14 (inaccesibilidad),
1.60 (hospitalización) y 1.37 (IRS), todos por debajo de 3 (Hair et al., 2010). La normalidad de residuos
fue aceptable (Shapiro-Wilk W = .972, p = .568). En este modelo, la inaccesibilidad fue significativa (β
= -3.65, t = -2.76, p = .010, IC 95% [-6.36, -0.94]) junto con la pobreza (β = -1.47, t = -1.50, p = .144,
IC 95% [-3.47, 0.54]) y el IRS (β = -183.89, t = -2.48, p = .020). La hospitalización no alcanzó
significancia individual (β = 1.61, p = .331).
Tabla 6
Coeficientes del Modelo C: Mortalidad = f(Pobreza, Inaccesibilidad, Hospitalización, IRS)
Predictor β SE t p IC 95% VIF
Constante 336.02 62.41 5.38 < .001 [207.93, 464.12] —
Pobreza (%) -1.47 0.98 -1.50 .144 [-3.47, 0.54] 2.79
Inacc. vial (%) -3.65 1.32 -2.76 .010 [-6.36, -0.94] 2.14
Hosp. prom. (%) 1.61 1.63 0.99 .331 [-1.73, 4.95] 1.60
IRS -183.89 74.18 -2.48 .020 [-336.09, -31.70] 1.37
Nota. R² = .636, R² adj. = .582. F(4,27) = 11.77, p < .001. Shapiro-Wilk residuos: W = .972, p = .568. Durbin-Watson = 2.06.
VIF = factor de inflación de varianza. Inacc. = % población con acceso muy bajo/bajo a carretera pavimentada.
La comparación de modelos revela tres hallazgos. Primero, la inaccesibilidad incrementó el R² de .533
a .636, un aumento del 19% en varianza explicada con reducción del AIC de 347.0 a 339.4. Segundo,
ambas variables (pobreza e inaccesibilidad) fueron significativas en el Modelo C, indicando que
capturan dimensiones distintas de la desigualdad: la pobreza refleja privación socioeconómica general
mientras la inaccesibilidad mide la barrera física al sistema de salud. Su correlación mutua fue moderada
(r = .720, p < .001), confirmando constructos relacionados pero no redundantes (VIF < 2). Tercero, la
inaccesibilidad no correlacionó con la hospitalización promedio (r = -.080, p = .663): no es que en los
estados inaccesibles haya menos hospitales per cápita, sino que la población no puede acceder
físicamente a los existentes.
El Modelo C representó el mejor ajuste (Tabla 6): R² = .636, R² ajustado = .582, AIC = 341.6, F(4,27)
= 11.77, p < .001. Los diagnósticos fueron satisfactorios: VIF de 2.79 (pobreza), 2.14 (inaccesibilidad),
1.60 (hospitalización) y 1.37 (IRS), todos por debajo de 3 (Hair et al., 2010). La normalidad de residuos
fue aceptable (Shapiro-Wilk W = .972, p = .568). En este modelo, la inaccesibilidad fue significativa (β
= -3.65, t = -2.76, p = .010, IC 95% [-6.36, -0.94]) junto con la pobreza (β = -1.47, t = -1.50, p = .144,
IC 95% [-3.47, 0.54]) y el IRS (β = -183.89, t = -2.48, p = .020). La hospitalización no alcanzó
significancia individual (β = 1.61, p = .331).
Tabla 6
Coeficientes del Modelo C: Mortalidad = f(Pobreza, Inaccesibilidad, Hospitalización, IRS)
Predictor β SE t p IC 95% VIF
Constante 336.02 62.41 5.38 < .001 [207.93, 464.12] —
Pobreza (%) -1.47 0.98 -1.50 .144 [-3.47, 0.54] 2.79
Inacc. vial (%) -3.65 1.32 -2.76 .010 [-6.36, -0.94] 2.14
Hosp. prom. (%) 1.61 1.63 0.99 .331 [-1.73, 4.95] 1.60
IRS -183.89 74.18 -2.48 .020 [-336.09, -31.70] 1.37
Nota. R² = .636, R² adj. = .582. F(4,27) = 11.77, p < .001. Shapiro-Wilk residuos: W = .972, p = .568. Durbin-Watson = 2.06.
VIF = factor de inflación de varianza. Inacc. = % población con acceso muy bajo/bajo a carretera pavimentada.
La comparación de modelos revela tres hallazgos. Primero, la inaccesibilidad incrementó el R² de .533
a .636, un aumento del 19% en varianza explicada con reducción del AIC de 347.0 a 339.4. Segundo,
ambas variables (pobreza e inaccesibilidad) fueron significativas en el Modelo C, indicando que
capturan dimensiones distintas de la desigualdad: la pobreza refleja privación socioeconómica general
mientras la inaccesibilidad mide la barrera física al sistema de salud. Su correlación mutua fue moderada
(r = .720, p < .001), confirmando constructos relacionados pero no redundantes (VIF < 2). Tercero, la
inaccesibilidad no correlacionó con la hospitalización promedio (r = -.080, p = .663): no es que en los
estados inaccesibles haya menos hospitales per cápita, sino que la población no puede acceder
físicamente a los existentes.
pág. 2436
A nivel municipal (N = 2,456), Oaxaca concentró el 59% de los municipios en el quintil de peor
accesibilidad nacional (291 de 491 municipios con más del 93% de inaccesibilidad media). La
distribución fue bimodal dentro de Oaxaca: 143 municipios accesibles (inaccesibilidad media 4.4%)
concentraban el 44.6% de la población estatal, mientras 143 municipios muy inaccesibles (100%)
albergaban apenas el 7.9%, a una distancia promedio de 22.7 km al centro de servicios versus 1.5 km
en municipios accesibles. El 48.1% de las localidades del país carece de transporte público a su cabecera
municipal.
CASO OAXACA
Oaxaca representa un caso ilustrativo como entidad del sur con alta pobreza (63.8%, tercera del país)
pero mortalidad inferior a la media (153.5/100K vs. 256.5/100K nacional). Su ocupación hospitalaria
promedio fue 25.4% (cerca de la media nacional de 23.6%), con 78 días >50% y solo 6 >75%, pero con
una distribución institucional reveladora: las 40 unidades de la SSA promediaron 13.6% de ocupación
versus 36.8% en las 4 del IMSS. Su IRS de -0.647 indica una respuesta al semáforo superior a la
mediana. La movilidad comercial pasó de -35.8% en 2020 a +22.6% en 2022, un rebote superior al
promedio nacional (+8.7%), asociado con la reactivación turística y de mercados tradicionales.
DISCUSIÓN
Síntesis de hallazgos principales
Este estudio integró siete fuentes de datos oficiales con más de 350,000 registros para documentar una
secuencia asociativa de cuatro eslabones entre restricciones, movilidad, hospitalización y mortalidad en
las 32 entidades federativas de México durante 2020-2022. Los hallazgos principales son: (a) el
Semáforo Epidemiológico se asoció con un gradiente significativo y grande en movilidad (ε² = .358) y
hospitalización (R² = .607), con fatiga documentada (d = -3.17); (b) la movilidad predijo defunciones
con desfase de 21 días (r = -.676), mediado por hospitalización (r = .877 a lag 0); (c) la vacunación
redujo la CFR de 11.9% a 0.3% y el ratio UCI/hospitalización de 1.18 a 0.48 sin prevenir la
hospitalización de la tercera ola; (d) la paradoja pobreza-mortalidad (r = -.614) se explica parcialmente
por sub-hospitalización diferencial (mediación del 21.7%, Sobel p = .168).
A nivel municipal (N = 2,456), Oaxaca concentró el 59% de los municipios en el quintil de peor
accesibilidad nacional (291 de 491 municipios con más del 93% de inaccesibilidad media). La
distribución fue bimodal dentro de Oaxaca: 143 municipios accesibles (inaccesibilidad media 4.4%)
concentraban el 44.6% de la población estatal, mientras 143 municipios muy inaccesibles (100%)
albergaban apenas el 7.9%, a una distancia promedio de 22.7 km al centro de servicios versus 1.5 km
en municipios accesibles. El 48.1% de las localidades del país carece de transporte público a su cabecera
municipal.
CASO OAXACA
Oaxaca representa un caso ilustrativo como entidad del sur con alta pobreza (63.8%, tercera del país)
pero mortalidad inferior a la media (153.5/100K vs. 256.5/100K nacional). Su ocupación hospitalaria
promedio fue 25.4% (cerca de la media nacional de 23.6%), con 78 días >50% y solo 6 >75%, pero con
una distribución institucional reveladora: las 40 unidades de la SSA promediaron 13.6% de ocupación
versus 36.8% en las 4 del IMSS. Su IRS de -0.647 indica una respuesta al semáforo superior a la
mediana. La movilidad comercial pasó de -35.8% en 2020 a +22.6% en 2022, un rebote superior al
promedio nacional (+8.7%), asociado con la reactivación turística y de mercados tradicionales.
DISCUSIÓN
Síntesis de hallazgos principales
Este estudio integró siete fuentes de datos oficiales con más de 350,000 registros para documentar una
secuencia asociativa de cuatro eslabones entre restricciones, movilidad, hospitalización y mortalidad en
las 32 entidades federativas de México durante 2020-2022. Los hallazgos principales son: (a) el
Semáforo Epidemiológico se asoció con un gradiente significativo y grande en movilidad (ε² = .358) y
hospitalización (R² = .607), con fatiga documentada (d = -3.17); (b) la movilidad predijo defunciones
con desfase de 21 días (r = -.676), mediado por hospitalización (r = .877 a lag 0); (c) la vacunación
redujo la CFR de 11.9% a 0.3% y el ratio UCI/hospitalización de 1.18 a 0.48 sin prevenir la
hospitalización de la tercera ola; (d) la paradoja pobreza-mortalidad (r = -.614) se explica parcialmente
por sub-hospitalización diferencial (mediación del 21.7%, Sobel p = .168).
pág. 2437
Evaluación de plausibilidad causal: criterios de Bradford Hill
Aunque el diseño ecológico no permite establecer causalidad formal, los hallazgos pueden evaluarse
contra los criterios de Bradford Hill (1965), actualizados por Fedak et al. (2015), como marco de
plausibilidad. De los nueve criterios, la evidencia satisface al menos cinco. Primero, temporalidad: los
desfases documentados (movilidad precede defunciones por 21 días) establecen la secuencia temporal
necesaria. Segundo, fuerza de asociación: las correlaciones son sustanciales (r = .877 hospitalización-
defunciones, ε² = .358 semáforo-movilidad). Tercero, gradiente biológico (dosis-respuesta): existe un
gradiente monotónico en los cuatro niveles del semáforo, tanto para movilidad como para
hospitalización, con intervalos de confianza no solapados entre niveles adyacentes. Cuarto, consistencia:
los desfases observados (21 días) replican los reportados internacionalmente por Jeffrey et al. (2021),
Askitas et al. (2023) y Badr et al. (2020). Quinto, plausibilidad biológica: el mecanismo movilidad →
contactos → contagio → hospitalización → muerte es biológicamente coherente con el curso clínico del
SARS-CoV-2. Los criterios no satisfechos incluyen especificidad (la movilidad afecta múltiples
outcomes), y la experimentalidad requiere diseños cuasi-experimentales futuros. Esta evaluación
posiciona la evidencia como consistente con una interpretación causal sin ser concluyente, siguiendo las
recomendaciones de Rothman y Greenland (2005) sobre el uso prudente de los criterios de Hill.
Primera evaluación cuantitativa integral del Semáforo Epidemiológico
Este estudio aporta la primera evaluación cuantitativa integral del Semáforo Epidemiológico que integra
simultáneamente datos de movilidad, hospitalización y mortalidad para las 32 entidades. El instrumento
se asoció con un gradiente significativo y grande en movilidad (ε² = .358) y hospitalización (R² = .607
con la proporción de entidades en alerta), pero con una erosión progresiva documentada por una d de
Cohen de -3.17 entre la segunda y tercera ola. Este hallazgo es consistente con la fatiga de intervención
documentada internacionalmente por Petherick et al. (2021), pero presenta un matiz importante: la
erosión fue parcialmente adaptativa. Con 58 millones de vacunados y una CFR reducida de 8.7% a 4.2%,
la menor restricción durante la tercera ola representó una recalibración del comportamiento ante un
riesgo objetivamente menor, no únicamente desobediencia. Esta interpretación es consistente con Knaul
et al. (2021), quienes observaron descensos en cumplimiento de INF tras la implementación del
semáforo.
Evaluación de plausibilidad causal: criterios de Bradford Hill
Aunque el diseño ecológico no permite establecer causalidad formal, los hallazgos pueden evaluarse
contra los criterios de Bradford Hill (1965), actualizados por Fedak et al. (2015), como marco de
plausibilidad. De los nueve criterios, la evidencia satisface al menos cinco. Primero, temporalidad: los
desfases documentados (movilidad precede defunciones por 21 días) establecen la secuencia temporal
necesaria. Segundo, fuerza de asociación: las correlaciones son sustanciales (r = .877 hospitalización-
defunciones, ε² = .358 semáforo-movilidad). Tercero, gradiente biológico (dosis-respuesta): existe un
gradiente monotónico en los cuatro niveles del semáforo, tanto para movilidad como para
hospitalización, con intervalos de confianza no solapados entre niveles adyacentes. Cuarto, consistencia:
los desfases observados (21 días) replican los reportados internacionalmente por Jeffrey et al. (2021),
Askitas et al. (2023) y Badr et al. (2020). Quinto, plausibilidad biológica: el mecanismo movilidad →
contactos → contagio → hospitalización → muerte es biológicamente coherente con el curso clínico del
SARS-CoV-2. Los criterios no satisfechos incluyen especificidad (la movilidad afecta múltiples
outcomes), y la experimentalidad requiere diseños cuasi-experimentales futuros. Esta evaluación
posiciona la evidencia como consistente con una interpretación causal sin ser concluyente, siguiendo las
recomendaciones de Rothman y Greenland (2005) sobre el uso prudente de los criterios de Hill.
Primera evaluación cuantitativa integral del Semáforo Epidemiológico
Este estudio aporta la primera evaluación cuantitativa integral del Semáforo Epidemiológico que integra
simultáneamente datos de movilidad, hospitalización y mortalidad para las 32 entidades. El instrumento
se asoció con un gradiente significativo y grande en movilidad (ε² = .358) y hospitalización (R² = .607
con la proporción de entidades en alerta), pero con una erosión progresiva documentada por una d de
Cohen de -3.17 entre la segunda y tercera ola. Este hallazgo es consistente con la fatiga de intervención
documentada internacionalmente por Petherick et al. (2021), pero presenta un matiz importante: la
erosión fue parcialmente adaptativa. Con 58 millones de vacunados y una CFR reducida de 8.7% a 4.2%,
la menor restricción durante la tercera ola representó una recalibración del comportamiento ante un
riesgo objetivamente menor, no únicamente desobediencia. Esta interpretación es consistente con Knaul
et al. (2021), quienes observaron descensos en cumplimiento de INF tras la implementación del
semáforo.
pág. 2438
La secuencia asociativa movilidad-hospitalización-defunción
La identificación de la hospitalización como eslabón intermediario (r = .877 con defunciones a lag 0, R²
= .770) representa un aporte a la literatura mexicana. Estudios previos (Méndez-Lizárraga et al., 2022;
Rangel González et al., 2021) documentaron la relación movilidad-contagios sin este mediador. La
magnitud de nuestra asociación es consistente con la evidencia internacional: French et al. (2021)
establecieron el umbral del 75% de ocupación UCI como punto de inflexión para el exceso de mortalidad
en Estados Unidos, y nuestro análisis muestra que la Ciudad de México superó este umbral durante 92
días, mientras Chiapas no lo superó nunca. Bravata et al. (2021) cuantificaron un incremento de 1.94
puntos de mortalidad por cada 10 puntos de ocupación UCI adicional; aplicado al gradiente México
(CDMX 42.2% UCI promedio vs. Chiapas 9.4%), este modelo predice una diferencia de mortalidad
intrahospitalaria consistente con la observada. El desfase de 21 días entre movilidad y mortalidad tiene
implicaciones para la comunicación de política pública: las restricciones muestran sus resultados tres
semanas después, generando una percepción de ineficacia que alimenta la fatiga. Esta temporalidad es
consistente con los desfases reportados internacionalmente: Badr et al. (2020) estimaron 9-11 días para
movilidad-casos en EE.UU., Jeffrey et al. (2021), en un estudio de 34 países publicado en Scientific
Reports, encontraron desfases de 14-21 días para movilidad-mortalidad, y Askitas et al. (2023), en un
panel de 99 países, documentaron que la correlación movilidad-transmisión fue más fuerte a 14-28 días
de desfase. Nuestro hallazgo de 21 días para México se ubica dentro de este rango internacional y es
consistente con el curso clínico del SARS-CoV-2. La no-estacionariedad de las series en niveles
constituye una limitación que debe reconocerse: las correlaciones pueden reflejar parcialmente
tendencias compartidas más que asociaciones causales dinámicas.
Vacunación: protección intrahospitalaria
La reducción del 97.1% en CFR y del 58% en el ratio UCI/hospitalización documenta que la vacunación
operó no como barrera contra la hospitalización sino como protección intrahospitalaria. Este hallazgo
es consistente con Hernández-Ávila et al. (2022) para México. A nivel internacional, Feikin et al. (2023),
en una meta-análisis publicada en The Lancet Respiratory Medicine que sintetizó 40 estudios,
encontraron que la efectividad vacunal contra muerte fue del 79% (IC 95% [64%, 89%]) a los 6 meses
post-vacunación con dos dosis, pero solo del 51% contra infección. García-Albéniz et al. (2022), en un
La secuencia asociativa movilidad-hospitalización-defunción
La identificación de la hospitalización como eslabón intermediario (r = .877 con defunciones a lag 0, R²
= .770) representa un aporte a la literatura mexicana. Estudios previos (Méndez-Lizárraga et al., 2022;
Rangel González et al., 2021) documentaron la relación movilidad-contagios sin este mediador. La
magnitud de nuestra asociación es consistente con la evidencia internacional: French et al. (2021)
establecieron el umbral del 75% de ocupación UCI como punto de inflexión para el exceso de mortalidad
en Estados Unidos, y nuestro análisis muestra que la Ciudad de México superó este umbral durante 92
días, mientras Chiapas no lo superó nunca. Bravata et al. (2021) cuantificaron un incremento de 1.94
puntos de mortalidad por cada 10 puntos de ocupación UCI adicional; aplicado al gradiente México
(CDMX 42.2% UCI promedio vs. Chiapas 9.4%), este modelo predice una diferencia de mortalidad
intrahospitalaria consistente con la observada. El desfase de 21 días entre movilidad y mortalidad tiene
implicaciones para la comunicación de política pública: las restricciones muestran sus resultados tres
semanas después, generando una percepción de ineficacia que alimenta la fatiga. Esta temporalidad es
consistente con los desfases reportados internacionalmente: Badr et al. (2020) estimaron 9-11 días para
movilidad-casos en EE.UU., Jeffrey et al. (2021), en un estudio de 34 países publicado en Scientific
Reports, encontraron desfases de 14-21 días para movilidad-mortalidad, y Askitas et al. (2023), en un
panel de 99 países, documentaron que la correlación movilidad-transmisión fue más fuerte a 14-28 días
de desfase. Nuestro hallazgo de 21 días para México se ubica dentro de este rango internacional y es
consistente con el curso clínico del SARS-CoV-2. La no-estacionariedad de las series en niveles
constituye una limitación que debe reconocerse: las correlaciones pueden reflejar parcialmente
tendencias compartidas más que asociaciones causales dinámicas.
Vacunación: protección intrahospitalaria
La reducción del 97.1% en CFR y del 58% en el ratio UCI/hospitalización documenta que la vacunación
operó no como barrera contra la hospitalización sino como protección intrahospitalaria. Este hallazgo
es consistente con Hernández-Ávila et al. (2022) para México. A nivel internacional, Feikin et al. (2023),
en una meta-análisis publicada en The Lancet Respiratory Medicine que sintetizó 40 estudios,
encontraron que la efectividad vacunal contra muerte fue del 79% (IC 95% [64%, 89%]) a los 6 meses
post-vacunación con dos dosis, pero solo del 51% contra infección. García-Albéniz et al. (2022), en un
pág. 2439
estudio de 86,732 pacientes hospitalizados publicado en Journal of General Internal Medicine,
documentaron que la vacunación completa redujo la mortalidad intrahospitalaria en un 46% (OR 0.54,
IC 95% [0.48, 0.61]) durante la era Delta/Ómicron. El patrón de desacoplamiento entre hospitalización
y muerte que observamos en México (CFR de 8.7% a 4.2% entre segunda y tercera ola con ocupación
hospitalaria similar) replica los hallazgos de Guijarro et al. (2022) para España, donde las olas sucesivas
mostraron una reducción progresiva de la mortalidad intrahospitalaria atribuible a la vacunación. La
distinción es relevante para la política sanitaria: la vacunación no eliminó la demanda hospitalaria pero
sí transformó los resultados de esa demanda.
La paradoja pobreza-mortalidad: sub-hospitalización diferencial
La correlación negativa pobreza-mortalidad (r = -.614) ha sido documentada previamente. Nuestro
estudio añade la dimensión de la sub-hospitalización: los estados pobres no solo subregistraron
diagnósticos sino que también hospitalizaron menos pacientes por tener menos infraestructura. El test
de Sobel no confirmó la mediación estadísticamente (z = -1.55, p = .120), probablemente por insuficiente
poder estadístico con N = 32. Sin embargo, la proporción mediada del 16.8% y los VIF bajos (todos <
2) sugieren que el mecanismo existe en magnitud, aunque no pueda confirmarse estadísticamente en
esta muestra. La incorporación del exceso de mortalidad INEGI como variable dependiente alternativa
permitiría verificar directamente esta hipótesis.
La tercera dimensión, y la más precisa, es la inaccesibilidad vial como mecanismo operativo. El hallazgo
de que la inaccesibilidad predice la mortalidad registrada incluso mejor que la pobreza (r = -.651 vs. -
.614), y que al incorporarla al modelo la varianza explicada sube de 52.9% a 65.2% (Modelo C, AIC
339.4 vs. 347.0), sugiere que la paradoja se resuelve no como un efecto de la pobreza abstracta sino
como consecuencia de la distancia física al sistema de salud. En Oaxaca, los municipios del cuartil muy
inaccesible (143 municipios, 300,000 habitantes) presentan una distancia promedio de 22.7 km al centro
de servicios y el 100% de su población carece de acceso a carretera pavimentada. Las personas que
enfermaron gravemente de COVID-19 en estas localidades probablemente murieron sin llegar al sistema
de salud, y sus defunciones fueron registradas bajo causas distintas o no registradas en absoluto.
Que la pobreza no se asoció significativamente con el IRS (r = -.214, p = .239) a nivel ecológico desafía
la narrativa de que los pobres no podían quedarse en casa. Sin embargo, este resultado debe interpretarse
estudio de 86,732 pacientes hospitalizados publicado en Journal of General Internal Medicine,
documentaron que la vacunación completa redujo la mortalidad intrahospitalaria en un 46% (OR 0.54,
IC 95% [0.48, 0.61]) durante la era Delta/Ómicron. El patrón de desacoplamiento entre hospitalización
y muerte que observamos en México (CFR de 8.7% a 4.2% entre segunda y tercera ola con ocupación
hospitalaria similar) replica los hallazgos de Guijarro et al. (2022) para España, donde las olas sucesivas
mostraron una reducción progresiva de la mortalidad intrahospitalaria atribuible a la vacunación. La
distinción es relevante para la política sanitaria: la vacunación no eliminó la demanda hospitalaria pero
sí transformó los resultados de esa demanda.
La paradoja pobreza-mortalidad: sub-hospitalización diferencial
La correlación negativa pobreza-mortalidad (r = -.614) ha sido documentada previamente. Nuestro
estudio añade la dimensión de la sub-hospitalización: los estados pobres no solo subregistraron
diagnósticos sino que también hospitalizaron menos pacientes por tener menos infraestructura. El test
de Sobel no confirmó la mediación estadísticamente (z = -1.55, p = .120), probablemente por insuficiente
poder estadístico con N = 32. Sin embargo, la proporción mediada del 16.8% y los VIF bajos (todos <
2) sugieren que el mecanismo existe en magnitud, aunque no pueda confirmarse estadísticamente en
esta muestra. La incorporación del exceso de mortalidad INEGI como variable dependiente alternativa
permitiría verificar directamente esta hipótesis.
La tercera dimensión, y la más precisa, es la inaccesibilidad vial como mecanismo operativo. El hallazgo
de que la inaccesibilidad predice la mortalidad registrada incluso mejor que la pobreza (r = -.651 vs. -
.614), y que al incorporarla al modelo la varianza explicada sube de 52.9% a 65.2% (Modelo C, AIC
339.4 vs. 347.0), sugiere que la paradoja se resuelve no como un efecto de la pobreza abstracta sino
como consecuencia de la distancia física al sistema de salud. En Oaxaca, los municipios del cuartil muy
inaccesible (143 municipios, 300,000 habitantes) presentan una distancia promedio de 22.7 km al centro
de servicios y el 100% de su población carece de acceso a carretera pavimentada. Las personas que
enfermaron gravemente de COVID-19 en estas localidades probablemente murieron sin llegar al sistema
de salud, y sus defunciones fueron registradas bajo causas distintas o no registradas en absoluto.
Que la pobreza no se asoció significativamente con el IRS (r = -.214, p = .239) a nivel ecológico desafía
la narrativa de que los pobres no podían quedarse en casa. Sin embargo, este resultado debe interpretarse
pág. 2440
con cautela: Wu et al. (2020), en un estudio publicado en Science Advances con 773 citaciones,
advirtieron que las asociaciones ecológicas entre contaminación y mortalidad COVID pueden reflejar
confusión a nivel grupal que no existe a nivel individual. Gutiérrez et al. (2021) demostraron que a nivel
individual en América Latina, las personas en pobreza efectivamente se movilizaron más que las no
pobres, pero que esta diferencia se diluye en las agregaciones estatales porque las entidades pobres
tienen menor urbanización y, por tanto, menores niveles de movilidad medidos por Google. Esta tensión
entre evidencia ecológica e individual —la paradoja se invierte dependiendo del nivel de análisis—
constituye precisamente un caso de falacia ecológica que las investigaciones futuras a nivel municipal
o individual deben resolver. Factores de gobernanza local (capacidad de enforcement, estructura
económica, proporción de empleo informal) parecen haber desempeñado un papel mediador que la
pobreza agregada no captura. Bello-Chavolla et al. (2021) encontraron para la Ciudad de México que la
vulnerabilidad operó a nivel municipal, con las alcaldías de menor ingreso mostrando simultáneamente
mayor movilidad y mayor mortalidad, un patrón que se pierde cuando se agrega a nivel estatal.
Implicaciones para la política pública y la preparación pandémica
Los hallazgos tienen implicaciones directas para la gobernanza de futuras emergencias sanitarias,
alineadas con las lecciones de preparación pandémica sintetizadas internacionalmente (Lal et al., 2022;
Iacus et al., 2023).
Primera, la fatiga de restricciones documentada (d = -3.17 entre segunda y tercera ola) implica que los
sistemas de alerta escalonada como el semáforo deben diseñarse con horizontes temporales explícitos y
mecanismos de ajuste que incorporen el avance vacunal. La evidencia de Della Rossa et al. (2021) para
Italia y Crane et al. (2022) para el Reino Unido confirma que los rendimientos de las restricciones
escalonadas son decrecientes; cada ciclo adicional produce menor adherencia. Un diseño adaptativo que
reduzca las restricciones conforme se documenta menor letalidad (como ocurrió entre la segunda y
tercera ola mexicana) sería epidemiológicamente justificado y socialmente sostenible.
Segunda, el desfase de 21 días entre movilidad y mortalidad representa un desafío comunicativo
fundamental. Las restricciones son efectivas pero sus resultados tardan tres semanas en manifestarse,
generando una percepción ciudadana de inutilidad que erosiona la adherencia. La comunicación de
riesgo debe incorporar explícitamente esta temporalidad, mostrando indicadores anticipatorios
con cautela: Wu et al. (2020), en un estudio publicado en Science Advances con 773 citaciones,
advirtieron que las asociaciones ecológicas entre contaminación y mortalidad COVID pueden reflejar
confusión a nivel grupal que no existe a nivel individual. Gutiérrez et al. (2021) demostraron que a nivel
individual en América Latina, las personas en pobreza efectivamente se movilizaron más que las no
pobres, pero que esta diferencia se diluye en las agregaciones estatales porque las entidades pobres
tienen menor urbanización y, por tanto, menores niveles de movilidad medidos por Google. Esta tensión
entre evidencia ecológica e individual —la paradoja se invierte dependiendo del nivel de análisis—
constituye precisamente un caso de falacia ecológica que las investigaciones futuras a nivel municipal
o individual deben resolver. Factores de gobernanza local (capacidad de enforcement, estructura
económica, proporción de empleo informal) parecen haber desempeñado un papel mediador que la
pobreza agregada no captura. Bello-Chavolla et al. (2021) encontraron para la Ciudad de México que la
vulnerabilidad operó a nivel municipal, con las alcaldías de menor ingreso mostrando simultáneamente
mayor movilidad y mayor mortalidad, un patrón que se pierde cuando se agrega a nivel estatal.
Implicaciones para la política pública y la preparación pandémica
Los hallazgos tienen implicaciones directas para la gobernanza de futuras emergencias sanitarias,
alineadas con las lecciones de preparación pandémica sintetizadas internacionalmente (Lal et al., 2022;
Iacus et al., 2023).
Primera, la fatiga de restricciones documentada (d = -3.17 entre segunda y tercera ola) implica que los
sistemas de alerta escalonada como el semáforo deben diseñarse con horizontes temporales explícitos y
mecanismos de ajuste que incorporen el avance vacunal. La evidencia de Della Rossa et al. (2021) para
Italia y Crane et al. (2022) para el Reino Unido confirma que los rendimientos de las restricciones
escalonadas son decrecientes; cada ciclo adicional produce menor adherencia. Un diseño adaptativo que
reduzca las restricciones conforme se documenta menor letalidad (como ocurrió entre la segunda y
tercera ola mexicana) sería epidemiológicamente justificado y socialmente sostenible.
Segunda, el desfase de 21 días entre movilidad y mortalidad representa un desafío comunicativo
fundamental. Las restricciones son efectivas pero sus resultados tardan tres semanas en manifestarse,
generando una percepción ciudadana de inutilidad que erosiona la adherencia. La comunicación de
riesgo debe incorporar explícitamente esta temporalidad, mostrando indicadores anticipatorios
pág. 2441
(movilidad, positividad de pruebas) junto con los indicadores de resultado (defunciones) para que la
población pueda vincular sus acciones presentes con las consecuencias futuras.
Tercera, la sub-hospitalización diferencial documentada (Chiapas con 0 días >75% de ocupación vs.
CDMX con 92 días) evidencia la urgencia de invertir en infraestructura sanitaria descentralizada. Sin
capacidad hospitalaria, no solo mueren más personas sino que sus muertes se vuelven estadísticamente
invisibles, lo que a su vez impide la asignación eficiente de recursos. La brecha institucional
documentada en Oaxaca (SSA 13.6% de ocupación vs. IMSS 36.8%) sugiere que la fragmentación del
sistema de salud mexicano amplifica estas desigualdades.
Cuarta, la evidencia internacional de French et al. (2021) sobre el umbral del 75% de ocupación UCI
como punto de inflexión de mortalidad, combinada con nuestro hallazgo de que la CDMX superó este
umbral durante 92 días, sugiere que un sistema de monitoreo en tiempo real con umbrales de ocupación
como indicadores de alerta temprana podría complementar o sustituir al semáforo epidemiológico en
futuras emergencias.
El estudio presenta las siguientes fortalezas que deben ponderarse junto con sus limitaciones. Primera,
la integración de siete fuentes de datos oficiales con más de 350,000 registros para las 32 entidades
federativas durante el período completo de la pandemia no tiene precedente en la literatura mexicana.
Segunda, el diseño de panel permite evaluar tanto la variación temporal (entre olas) como la variación
espacial (entre entidades), capturando dinámicas que estudios transversales o de casos no pueden
identificar. Tercera, la construcción del IRS como índice estandarizado por entidad aporta una
herramienta replicable para evaluar la adherencia a sistemas de alerta graduados en cualquier contexto.
Cuarta, la identificación de la hospitalización como variable mediadora cierra una brecha documentada
entre los estudios de movilidad-contagios y los de mortalidad, proporcionando el eslabón intermedio
que conecta la política pública con sus resultados finales. Quinta, la aplicación de correcciones
estadísticas rigurosas (Bonferroni para CCF, test de Sobel, VIF, Dickey-Fuller) y la transparencia sobre
las limitaciones de cada prueba fortalecen la reproducibilidad.
Limitaciones
El estudio presenta las siguientes limitaciones que afectan la interpretación de los resultados. Primera,
los GCMR subrepresentan poblaciones rurales, adultos mayores y usuarios no-Android; no se realizó
(movilidad, positividad de pruebas) junto con los indicadores de resultado (defunciones) para que la
población pueda vincular sus acciones presentes con las consecuencias futuras.
Tercera, la sub-hospitalización diferencial documentada (Chiapas con 0 días >75% de ocupación vs.
CDMX con 92 días) evidencia la urgencia de invertir en infraestructura sanitaria descentralizada. Sin
capacidad hospitalaria, no solo mueren más personas sino que sus muertes se vuelven estadísticamente
invisibles, lo que a su vez impide la asignación eficiente de recursos. La brecha institucional
documentada en Oaxaca (SSA 13.6% de ocupación vs. IMSS 36.8%) sugiere que la fragmentación del
sistema de salud mexicano amplifica estas desigualdades.
Cuarta, la evidencia internacional de French et al. (2021) sobre el umbral del 75% de ocupación UCI
como punto de inflexión de mortalidad, combinada con nuestro hallazgo de que la CDMX superó este
umbral durante 92 días, sugiere que un sistema de monitoreo en tiempo real con umbrales de ocupación
como indicadores de alerta temprana podría complementar o sustituir al semáforo epidemiológico en
futuras emergencias.
El estudio presenta las siguientes fortalezas que deben ponderarse junto con sus limitaciones. Primera,
la integración de siete fuentes de datos oficiales con más de 350,000 registros para las 32 entidades
federativas durante el período completo de la pandemia no tiene precedente en la literatura mexicana.
Segunda, el diseño de panel permite evaluar tanto la variación temporal (entre olas) como la variación
espacial (entre entidades), capturando dinámicas que estudios transversales o de casos no pueden
identificar. Tercera, la construcción del IRS como índice estandarizado por entidad aporta una
herramienta replicable para evaluar la adherencia a sistemas de alerta graduados en cualquier contexto.
Cuarta, la identificación de la hospitalización como variable mediadora cierra una brecha documentada
entre los estudios de movilidad-contagios y los de mortalidad, proporcionando el eslabón intermedio
que conecta la política pública con sus resultados finales. Quinta, la aplicación de correcciones
estadísticas rigurosas (Bonferroni para CCF, test de Sobel, VIF, Dickey-Fuller) y la transparencia sobre
las limitaciones de cada prueba fortalecen la reproducibilidad.
Limitaciones
El estudio presenta las siguientes limitaciones que afectan la interpretación de los resultados. Primera,
los GCMR subrepresentan poblaciones rurales, adultos mayores y usuarios no-Android; no se realizó
pág. 2442
análisis de sensibilidad por grado de urbanización, lo cual debilita la generalizabilidad a contextos
rurales como amplias zonas de Oaxaca, Chiapas y Guerrero. Segunda, la pobreza CONEVAL 2020 es
una medición estática que no captura la pobreza transitoria generada por la pandemia; la estructura
relativa entre entidades probablemente se mantuvo, pero el nivel absoluto cambió. Tercera, la variable
dependiente (mortalidad registrada) es precisamente el dato que el estudio argumenta como
subregistrado, lo que genera una circularidad argumentativa parcial: se construye el análisis sobre datos
que se identifican como sesgados. La incorporación del exceso de mortalidad INEGI resolvería esta
limitación. Cuarta, el diseño ecológico (entidad como unidad) impide inferencias individuales; la
paradoja pobreza-mortalidad podría invertirse a nivel individual (Arceo-Gómez et al., 2022), lo que
constituye un caso de falacia ecológica potencial. Quinta, las series temporales en niveles no fueron
estacionarias; las correlaciones cruzadas pueden reflejar tendencias compartidas y no asociaciones
dinámicas. Sexta, el lenguaje de secuencia asociativa, aunque respaldado por temporalidad, gradiente y
consistencia, no establece causalidad formal; se requieren diseños cuasi-experimentales, como regresión
discontinua en los umbrales del semáforo, para avanzar hacia inferencia causal. Séptima, con N = 32 en
el modelo transversal, la potencia estadística es limitada para detectar efectos medianos, lo que
probablemente contribuyó a la no significancia del test de Sobel.
CONCLUSIONES
Este estudio integra ocho fuentes de datos oficiales con más de 350,000 registros pareados para
documentar que la respuesta pandémica en México se caracterizó por una secuencia asociativa de cuatro
eslabones (restricciones, movilidad, hospitalización y mortalidad), moderada por la vacunación y
condicionada por la desigualdad estructural en infraestructura sanitaria.
Las contribuciones son cuatro. Primera, se aporta la primera evaluación cuantitativa integral del
Semáforo Epidemiológico, documentando un ε² = .358 para su asociación con movilidad y una fatiga
de restricciones con d = -3.17 entre olas. Segunda, se identifica la hospitalización como eslabón
intermediario que explica el 77% de la varianza en defunciones (r = .877). Tercera, se demuestra que la
vacunación operó reduciendo la letalidad intrahospitalaria (ratio UCI/hospitalización de 1.18 a 0.48) sin
evitar la hospitalización de la tercera ola. Cuarta, se propone y documenta cuantitativamente la
inaccesibilidad vial como mecanismo operativo de la paradoja pobreza-mortalidad: el modelo ampliado
análisis de sensibilidad por grado de urbanización, lo cual debilita la generalizabilidad a contextos
rurales como amplias zonas de Oaxaca, Chiapas y Guerrero. Segunda, la pobreza CONEVAL 2020 es
una medición estática que no captura la pobreza transitoria generada por la pandemia; la estructura
relativa entre entidades probablemente se mantuvo, pero el nivel absoluto cambió. Tercera, la variable
dependiente (mortalidad registrada) es precisamente el dato que el estudio argumenta como
subregistrado, lo que genera una circularidad argumentativa parcial: se construye el análisis sobre datos
que se identifican como sesgados. La incorporación del exceso de mortalidad INEGI resolvería esta
limitación. Cuarta, el diseño ecológico (entidad como unidad) impide inferencias individuales; la
paradoja pobreza-mortalidad podría invertirse a nivel individual (Arceo-Gómez et al., 2022), lo que
constituye un caso de falacia ecológica potencial. Quinta, las series temporales en niveles no fueron
estacionarias; las correlaciones cruzadas pueden reflejar tendencias compartidas y no asociaciones
dinámicas. Sexta, el lenguaje de secuencia asociativa, aunque respaldado por temporalidad, gradiente y
consistencia, no establece causalidad formal; se requieren diseños cuasi-experimentales, como regresión
discontinua en los umbrales del semáforo, para avanzar hacia inferencia causal. Séptima, con N = 32 en
el modelo transversal, la potencia estadística es limitada para detectar efectos medianos, lo que
probablemente contribuyó a la no significancia del test de Sobel.
CONCLUSIONES
Este estudio integra ocho fuentes de datos oficiales con más de 350,000 registros pareados para
documentar que la respuesta pandémica en México se caracterizó por una secuencia asociativa de cuatro
eslabones (restricciones, movilidad, hospitalización y mortalidad), moderada por la vacunación y
condicionada por la desigualdad estructural en infraestructura sanitaria.
Las contribuciones son cuatro. Primera, se aporta la primera evaluación cuantitativa integral del
Semáforo Epidemiológico, documentando un ε² = .358 para su asociación con movilidad y una fatiga
de restricciones con d = -3.17 entre olas. Segunda, se identifica la hospitalización como eslabón
intermediario que explica el 77% de la varianza en defunciones (r = .877). Tercera, se demuestra que la
vacunación operó reduciendo la letalidad intrahospitalaria (ratio UCI/hospitalización de 1.18 a 0.48) sin
evitar la hospitalización de la tercera ola. Cuarta, se propone y documenta cuantitativamente la
inaccesibilidad vial como mecanismo operativo de la paradoja pobreza-mortalidad: el modelo ampliado
pág. 2443
con accesibilidad a carretera pavimentada incrementó la varianza explicada de 53.3% a 63.6%,
identificando la distancia física al hospital como el determinante más preciso del sub-registro diferencial
(mediación del 21.7%, aunque no significativa por Sobel; modelo global R² = .529, VIF < 2).
Las líneas futuras incluyen la incorporación del exceso de mortalidad INEGI, análisis a nivel municipal,
y diseños de regresión discontinua que exploten los cambios de nivel del semáforo como umbrales cuasi-
experimentales.
REFERENCIAS BIBLIOGRÁFICAS
Aggarwal, Shilpa (2021). The long road to health: Healthcare utilization impacts of a road pavement
policy in rural India. Journal of Development Economics, 151, 102667.
https://doi.org/10.1016/j.jdeveco.2021.102667
Aktay, Ahmet, Aravind, Shailesh, Balanber, Gene, Bratman, J., Chervitz, Michael, Hughes, John,
Humphrey, Dan, Kovac, Seth, Lambert, Adam, Methot, Graham, Montiel, William, Moore,
Julie, Salehi, Parastoo, Topkis, Jesse, y Velez, Alex (2020). Google COVID-19 Community
Mobility Reports: Anonymization Process Description (version 1.0). arXiv preprint
arXiv:2004.04145.
Ali, Sobur, Fernandes, Anto, Colaco, Regina, y Shrestha, Himanshu (2024). An ecological study of
COVID-19 outcomes among Florida counties. BMC Public Health, 24, 1328.
https://doi.org/10.1186/s12889-024-18786-2
Antonio-Villa, Neftalí, Fermín-Martínez, Carlos, Avilés-Olmos, Ingrid, Vargas-Vázquez, Arsenio, y
Bello-Chavolla, Omar (2022). Excess non-COVID-19 mortality and hospital occupancy during
the COVID-19 pandemic in Mexico. International Journal of Epidemiology, 51(6), 1757–1768.
Aranda Audelo, Mabel, Wence Partida, Leticia, y Ruiz Arriaga, Jessica (2021). Challenges, inequalities
and COVID-19: Examples from indigenous Oaxaca, Mexico. Global Public Health, 16(7),
1028–1041.
Arceo-Gómez, Eva, Campos-Vázquez, Raymundo, y López-Araiza, Sirio (2022). The income gradient
in COVID-19 mortality and hospitalisation: An observational study with social security
administrative records in Mexico. The Lancet Regional Health - Americas, 6, 100111.
con accesibilidad a carretera pavimentada incrementó la varianza explicada de 53.3% a 63.6%,
identificando la distancia física al hospital como el determinante más preciso del sub-registro diferencial
(mediación del 21.7%, aunque no significativa por Sobel; modelo global R² = .529, VIF < 2).
Las líneas futuras incluyen la incorporación del exceso de mortalidad INEGI, análisis a nivel municipal,
y diseños de regresión discontinua que exploten los cambios de nivel del semáforo como umbrales cuasi-
experimentales.
REFERENCIAS BIBLIOGRÁFICAS
Aggarwal, Shilpa (2021). The long road to health: Healthcare utilization impacts of a road pavement
policy in rural India. Journal of Development Economics, 151, 102667.
https://doi.org/10.1016/j.jdeveco.2021.102667
Aktay, Ahmet, Aravind, Shailesh, Balanber, Gene, Bratman, J., Chervitz, Michael, Hughes, John,
Humphrey, Dan, Kovac, Seth, Lambert, Adam, Methot, Graham, Montiel, William, Moore,
Julie, Salehi, Parastoo, Topkis, Jesse, y Velez, Alex (2020). Google COVID-19 Community
Mobility Reports: Anonymization Process Description (version 1.0). arXiv preprint
arXiv:2004.04145.
Ali, Sobur, Fernandes, Anto, Colaco, Regina, y Shrestha, Himanshu (2024). An ecological study of
COVID-19 outcomes among Florida counties. BMC Public Health, 24, 1328.
https://doi.org/10.1186/s12889-024-18786-2
Antonio-Villa, Neftalí, Fermín-Martínez, Carlos, Avilés-Olmos, Ingrid, Vargas-Vázquez, Arsenio, y
Bello-Chavolla, Omar (2022). Excess non-COVID-19 mortality and hospital occupancy during
the COVID-19 pandemic in Mexico. International Journal of Epidemiology, 51(6), 1757–1768.
Aranda Audelo, Mabel, Wence Partida, Leticia, y Ruiz Arriaga, Jessica (2021). Challenges, inequalities
and COVID-19: Examples from indigenous Oaxaca, Mexico. Global Public Health, 16(7),
1028–1041.
Arceo-Gómez, Eva, Campos-Vázquez, Raymundo, y López-Araiza, Sirio (2022). The income gradient
in COVID-19 mortality and hospitalisation: An observational study with social security
administrative records in Mexico. The Lancet Regional Health - Americas, 6, 100111.
pág. 2444
Argoty-Pantoja, Andrea, Robles-Rivera, Karina, Rivera-Paredez, Berenice, y Salmerón, Jorge (2021).
Hospitalisation and mortality from COVID-19 in Mexican indigenous people: a cross-sectional
observational study. Journal of Epidemiology and Community Health, 75(10), 995–998.
Askitas, Nikos, Tatsiramos, Konstantinos, y Verheyden, Bertrand (2023). Correlations of mobility and
Covid-19 transmission in global data. PLOS ONE, 18(1), e0279484.
Badr, Hamada, Du, Hongchen, Marshall, Maximilian, Dong, Ensheng, Squire, Marietta, y Gardner,
Lauren (2020). Association between mobility patterns and COVID-19 transmission in the USA:
A mathematical modelling study. The Lancet Infectious Diseases, 20(11), 1247–1254.
Bambra, Clare, Lynch, Julia, y Smith, Katherine (2022). COVID-19 mortality and deprivation:
pandemic, syndemic, and endemic health inequalities. The Lancet Public Health, 6(7), e535–
e548.
Banke-Thomas, Aduragbemi, Wright, Kikelomo, y Sonoiki, Olayemi (2022). Travel of pregnant women
in emergency situations to hospital and maternal mortality in Lagos, Nigeria: a retrospective
cohort study. BMJ Global Health, 7(4), e008604. https://doi.org/10.1136/bmjgh-2022-008604
Bastos, Leonardo, Niquini, Roberta, Lana, Raquel, Villela, Daniel, Cruz, Oswaldo, Coelho, Flávio,
Codeço, Cláudia, y Gomes, Marcelo (2021). Characterisation of the first 250 000 hospital
admissions for COVID-19 in Brazil: a retrospective analysis of nationwide data. The Lancet
Respiratory Medicine, 9(4), 407–418.
Bello-Chavolla, Omar, Bahena-López, Jessica, Antonio-Villa, Neftalí, Vargas-Vázquez, Arsenio,
González-Díaz, Armando, Márquez-Salinas, Alejandro, y Aguilar-Salinas, Carlos (2021).
Spatial epidemiological study of the distribution, clustering, and risk factors associated with
early COVID-19 mortality in Mexico. PLOS ONE, 16(7), e0254884.
Bello-Chavolla, Omar, Fermín-Martínez, Carlos, Fernández-Chirino, Luisa, y Vargas-Vázquez, Arsenio
(2024). Evaluating COVID-19 impact, vaccination, birth registration, and underreporting in a
predominantly indigenous population in Chiapas, Mexico. BMC Infectious Diseases, 24, 287.
Brauner, Jan, Mindermann, Sören, Sharma, Mrinank, Johnston, David, Salvatier, John, Gavenčiak,
Tomáš, y Kulveit, Jan (2021). Understanding the effectiveness of government interventions
against the resurgence of COVID-19 in Europe. Nature Communications, 12, 5820.
Argoty-Pantoja, Andrea, Robles-Rivera, Karina, Rivera-Paredez, Berenice, y Salmerón, Jorge (2021).
Hospitalisation and mortality from COVID-19 in Mexican indigenous people: a cross-sectional
observational study. Journal of Epidemiology and Community Health, 75(10), 995–998.
Askitas, Nikos, Tatsiramos, Konstantinos, y Verheyden, Bertrand (2023). Correlations of mobility and
Covid-19 transmission in global data. PLOS ONE, 18(1), e0279484.
Badr, Hamada, Du, Hongchen, Marshall, Maximilian, Dong, Ensheng, Squire, Marietta, y Gardner,
Lauren (2020). Association between mobility patterns and COVID-19 transmission in the USA:
A mathematical modelling study. The Lancet Infectious Diseases, 20(11), 1247–1254.
Bambra, Clare, Lynch, Julia, y Smith, Katherine (2022). COVID-19 mortality and deprivation:
pandemic, syndemic, and endemic health inequalities. The Lancet Public Health, 6(7), e535–
e548.
Banke-Thomas, Aduragbemi, Wright, Kikelomo, y Sonoiki, Olayemi (2022). Travel of pregnant women
in emergency situations to hospital and maternal mortality in Lagos, Nigeria: a retrospective
cohort study. BMJ Global Health, 7(4), e008604. https://doi.org/10.1136/bmjgh-2022-008604
Bastos, Leonardo, Niquini, Roberta, Lana, Raquel, Villela, Daniel, Cruz, Oswaldo, Coelho, Flávio,
Codeço, Cláudia, y Gomes, Marcelo (2021). Characterisation of the first 250 000 hospital
admissions for COVID-19 in Brazil: a retrospective analysis of nationwide data. The Lancet
Respiratory Medicine, 9(4), 407–418.
Bello-Chavolla, Omar, Bahena-López, Jessica, Antonio-Villa, Neftalí, Vargas-Vázquez, Arsenio,
González-Díaz, Armando, Márquez-Salinas, Alejandro, y Aguilar-Salinas, Carlos (2021).
Spatial epidemiological study of the distribution, clustering, and risk factors associated with
early COVID-19 mortality in Mexico. PLOS ONE, 16(7), e0254884.
Bello-Chavolla, Omar, Fermín-Martínez, Carlos, Fernández-Chirino, Luisa, y Vargas-Vázquez, Arsenio
(2024). Evaluating COVID-19 impact, vaccination, birth registration, and underreporting in a
predominantly indigenous population in Chiapas, Mexico. BMC Infectious Diseases, 24, 287.
Brauner, Jan, Mindermann, Sören, Sharma, Mrinank, Johnston, David, Salvatier, John, Gavenčiak,
Tomáš, y Kulveit, Jan (2021). Understanding the effectiveness of government interventions
against the resurgence of COVID-19 in Europe. Nature Communications, 12, 5820.
pág. 2445
Bravata, Dena, Perkins, Anthony, Myers, Laura, Arling, Greg, Zhang, Yijun, Zillich, Alan, y Mulin,
Bryan (2021). Association of Intensive Care Unit Patient Load and Demand With Mortality
Rates in US Department of Veterans Affairs Hospitals During the COVID-19 Pandemic. JAMA
Network Open, 4(1), e2034266.
CONEVAL (2019). Grado de accesibilidad a carretera pavimentada: Anexo estadístico municipal y
estatal. Consejo Nacional de Evaluación de la Política de Desarrollo Social. México.
CONEVAL (2021). Medición de la pobreza en México 2020. Consejo Nacional de Evaluación de la
Política de Desarrollo Social. México.
Contreras-Manzano, Alejandra, De la Cruz-Góngora, Vanessa, Villalpando, Salvador, Reyes-Morales,
Hortensia, y Shamah-Levy, Teresa (2022). Municipality-Level Predictors of COVID-19
Mortality in Mexico: A Cautionary Tale. Disaster Medicine and Public Health Preparedness,
16(4), 1–8.
Cortez Yactayo, Waldo y Islas Camargo, Alejandro (2025). Income distribution, poverty and deaths in
times of COVID-19. Is there a selective mortality? EconoQuantum, 22(1), 77–98.
Crane, Megan, Shermock, Kenneth, Omer, Saad, y Romley, John (2022). Evidence of pandemic fatigue
associated with stricter tiered COVID-19 restrictions. PLOS Digital Health, 1(5), e0000035.
Dahal, Sushma, Luo, Ruiyan, Subedi, Renu, Maharjan, Meghana, Chowell, Gerardo, y Mizumoto, Kenji
(2022). Geospatial Variability in Excess Death Rates during the COVID-19 Pandemic in
Mexico. International Journal of Infectious Diseases, 113, 347–354.
Della Rossa, Fabio, Salzano, Davide, Di Meglio, Anna, De Lellis, Francesco, Ruijter, Marco, Calabrese,
Justin, y di Bernardo, Mario (2021). Impact of tiered restrictions on human activities and the
epidemiology of the second wave of COVID-19 in Italy. Nature Communications, 12, 4481.
Dewidar, Omar, Elmestekawy, Noor, Welch, Vivian, Tugwell, Peter, y STROBE-Equity Group (2025).
Improving the Reporting on Health Equity in Observational Research (STROBE-Equity):
Extension Checklist and Elaboration. JAMA Network Open, 8(3), e250015.
https://doi.org/10.1001/jamanetworkopen.2025.0015
Bravata, Dena, Perkins, Anthony, Myers, Laura, Arling, Greg, Zhang, Yijun, Zillich, Alan, y Mulin,
Bryan (2021). Association of Intensive Care Unit Patient Load and Demand With Mortality
Rates in US Department of Veterans Affairs Hospitals During the COVID-19 Pandemic. JAMA
Network Open, 4(1), e2034266.
CONEVAL (2019). Grado de accesibilidad a carretera pavimentada: Anexo estadístico municipal y
estatal. Consejo Nacional de Evaluación de la Política de Desarrollo Social. México.
CONEVAL (2021). Medición de la pobreza en México 2020. Consejo Nacional de Evaluación de la
Política de Desarrollo Social. México.
Contreras-Manzano, Alejandra, De la Cruz-Góngora, Vanessa, Villalpando, Salvador, Reyes-Morales,
Hortensia, y Shamah-Levy, Teresa (2022). Municipality-Level Predictors of COVID-19
Mortality in Mexico: A Cautionary Tale. Disaster Medicine and Public Health Preparedness,
16(4), 1–8.
Cortez Yactayo, Waldo y Islas Camargo, Alejandro (2025). Income distribution, poverty and deaths in
times of COVID-19. Is there a selective mortality? EconoQuantum, 22(1), 77–98.
Crane, Megan, Shermock, Kenneth, Omer, Saad, y Romley, John (2022). Evidence of pandemic fatigue
associated with stricter tiered COVID-19 restrictions. PLOS Digital Health, 1(5), e0000035.
Dahal, Sushma, Luo, Ruiyan, Subedi, Renu, Maharjan, Meghana, Chowell, Gerardo, y Mizumoto, Kenji
(2022). Geospatial Variability in Excess Death Rates during the COVID-19 Pandemic in
Mexico. International Journal of Infectious Diseases, 113, 347–354.
Della Rossa, Fabio, Salzano, Davide, Di Meglio, Anna, De Lellis, Francesco, Ruijter, Marco, Calabrese,
Justin, y di Bernardo, Mario (2021). Impact of tiered restrictions on human activities and the
epidemiology of the second wave of COVID-19 in Italy. Nature Communications, 12, 4481.
Dewidar, Omar, Elmestekawy, Noor, Welch, Vivian, Tugwell, Peter, y STROBE-Equity Group (2025).
Improving the Reporting on Health Equity in Observational Research (STROBE-Equity):
Extension Checklist and Elaboration. JAMA Network Open, 8(3), e250015.
https://doi.org/10.1001/jamanetworkopen.2025.0015
pág. 2446
Fedak, Kristen, Bernal, Autumn, Capshaw, Zachary, y Gross, Sherry (2015). Applying the Bradford Hill
criteria in the 21st century: how data integration has changed causal inference in molecular
epidemiology. Emerging Themes in Epidemiology, 12, 14.
Feikin, Daniel, Higdon, Melissa, Abu-Raddad, Laith, Andrews, Nick, Buber-Ben-David, Noa, y Patel,
Manish (2023). Long-term effectiveness of COVID-19 vaccines against infections,
hospitalisations, and mortality in adults: findings from a rapid living systematic evidence
synthesis and meta-analysis up to December, 2022. The Lancet Respiratory Medicine, 11(9),
806–820.
Fernández-Rojas, Marco, Luna-Ruiz Esparza, Manuel, Campos-Romero, Aarón, y Calva-Espinosa,
Diego (2022). Socio-demographic inequalities and excess non-COVID-19 mortality during the
COVID-19 pandemic: a data-driven analysis of 1 069 174 death certificates in Mexico.
International Journal of Epidemiology, 51(6), 1711–1721.
Flores-Cisneros, Laura, Tourliere, Francisco, Ponce de León, Samuel, y Peláez-Ballestas, Ingris (2025).
Risk Factors Associated to Mortality in the Indigenous Population with COVID-19 in Mexico.
Journal of Racial and Ethnic Health Disparities. Publicación anticipada en línea.
https://doi.org/10.1007/s40615-024-02280-x
French, Gary, Amodeo, Salvador, Gaitán-Rossi, Pablo, McGeary, John, y McClelland, Gretchen (2021).
Impact of hospital strain on excess deaths during the COVID-19 pandemic — United States,
July 2020–July 2021. Morbidity and Mortality Weekly Report, 70(46), 1613–1616.
García-Albéniz, Xabier, Hsu, John, y Hernán, Miguel (2023). The Relationship of COVID-19
Vaccination with Mortality Among 86,732 Hospitalized Patients. Journal of General Internal
Medicine, 38(5), 1146–1155.
Ghaferi, Amir, Schwarze, Margaret, y Hu, Yue-Yung (2021). STROBE Reporting Guidelines for
Observational Studies. JAMA Surgery, 156(6), 577–578.
https://doi.org/10.1001/jamasurg.2021.0528
Glodeanu, Anca, Gullón, Pedro, y Bilal, Usama (2021). Linking excess mortality to mobility data during
the first wave of COVID-19 in England and Wales. SSM - Population Health, 14, 100799.
Fedak, Kristen, Bernal, Autumn, Capshaw, Zachary, y Gross, Sherry (2015). Applying the Bradford Hill
criteria in the 21st century: how data integration has changed causal inference in molecular
epidemiology. Emerging Themes in Epidemiology, 12, 14.
Feikin, Daniel, Higdon, Melissa, Abu-Raddad, Laith, Andrews, Nick, Buber-Ben-David, Noa, y Patel,
Manish (2023). Long-term effectiveness of COVID-19 vaccines against infections,
hospitalisations, and mortality in adults: findings from a rapid living systematic evidence
synthesis and meta-analysis up to December, 2022. The Lancet Respiratory Medicine, 11(9),
806–820.
Fernández-Rojas, Marco, Luna-Ruiz Esparza, Manuel, Campos-Romero, Aarón, y Calva-Espinosa,
Diego (2022). Socio-demographic inequalities and excess non-COVID-19 mortality during the
COVID-19 pandemic: a data-driven analysis of 1 069 174 death certificates in Mexico.
International Journal of Epidemiology, 51(6), 1711–1721.
Flores-Cisneros, Laura, Tourliere, Francisco, Ponce de León, Samuel, y Peláez-Ballestas, Ingris (2025).
Risk Factors Associated to Mortality in the Indigenous Population with COVID-19 in Mexico.
Journal of Racial and Ethnic Health Disparities. Publicación anticipada en línea.
https://doi.org/10.1007/s40615-024-02280-x
French, Gary, Amodeo, Salvador, Gaitán-Rossi, Pablo, McGeary, John, y McClelland, Gretchen (2021).
Impact of hospital strain on excess deaths during the COVID-19 pandemic — United States,
July 2020–July 2021. Morbidity and Mortality Weekly Report, 70(46), 1613–1616.
García-Albéniz, Xabier, Hsu, John, y Hernán, Miguel (2023). The Relationship of COVID-19
Vaccination with Mortality Among 86,732 Hospitalized Patients. Journal of General Internal
Medicine, 38(5), 1146–1155.
Ghaferi, Amir, Schwarze, Margaret, y Hu, Yue-Yung (2021). STROBE Reporting Guidelines for
Observational Studies. JAMA Surgery, 156(6), 577–578.
https://doi.org/10.1001/jamasurg.2021.0528
Glodeanu, Anca, Gullón, Pedro, y Bilal, Usama (2021). Linking excess mortality to mobility data during
the first wave of COVID-19 in England and Wales. SSM - Population Health, 14, 100799.
pág. 2447
Guijarro, Carlos, Galán, Iván, Martínez-Ponce, David, Pérez-Fernández, Elia, y Goyanes, María (2022).
Characteristics of hospitalized patients with SARS-CoV-2 infection during successive waves of
the COVID-19 pandemic in a reference hospital in Spain. Scientific Reports, 12, 17797.
Gutiérrez, Emilio, Rubli, Adrián, y Tavares, Tiago (2021). Poverty and COVID-19 in Africa and Latin
America. World Development, 142, 105422.
Hair, Joseph, Black, William, Babin, Barry, y Anderson, Rolph (2010). Multivariate Data Analysis (7th
ed.). Prentice Hall.
Haug, Nils, Geyrhofer, Lukas, Londei, Alessandro, Dervic, Elma, Desvars-Larrive, Amélie, Loreto,
Vittorio, Pinior, Beate, Thurner, Stefan, y Klimek, Peter (2020). Ranking the effectiveness of
worldwide COVID-19 government interventions. Nature Human Behaviour, 4(12), 1303–1312.
Heredia-Pi, Ileana, Torres-Pereda, Pilar, Reyes-Morales, Hortensia, y Serván-Mori, Edson (2023).
COVID-19 infection and mortality among non-pregnant indigenous adults in Mexico 2020-
2022: Impact of marginalisation. Journal of Global Health, 13, 06040.
Hernández-Ávila, Mauricio, Vázquez-de-Lara, Luis, Pérez-Padilla, Rogelio, Esponda-Preciado, Daniel,
y Guerrero-López, Carlos (2022). Comparative epidemiology of five waves of COVID-19 in
Mexico, March 2020–August 2022. BMC Infectious Diseases, 22, 816.
Hierink, Fleur, Rodrigues, Neide, Muñiz, Miguel, Panciera, Rocco, y Ray, Nicolas (2021). The winding
road to health: A systematic scoping review on the effect of geographical accessibility to health
care on infectious diseases in low- and middle-income countries. PLOS ONE, 16(4), e0244921.
https://doi.org/10.1371/journal.pone.0244921
Hsiang, Solomon, Allen, Daniel, Annan-Phan, Sébastien, Bell, Kendon, Bolliger, Ian, Chong, Trinetta,
y Wu, Tiffany (2020). The effect of large-scale anti-contagion policies on the COVID-19
pandemic. Nature, 584(7820), 262–267.
Huo, Jingqun, Xu, Zongxue, y Zuo, Depeng (2025). Prewhitening-Aided Innovative Trend Analysis
Method for Trend Detection in Hydrometeorological Time Series. Water, 17(4), 512.
https://doi.org/10.3390/w17040512
Iacus, Stefano, Natale, Fabrizio, Santamaria, Carlos, Spyratos, Spyridon, y Vespe, Michele (2023).
Human mobility and COVID-19 initial dynamics. Nonlinear Dynamics, 101, 1901–1919.
Guijarro, Carlos, Galán, Iván, Martínez-Ponce, David, Pérez-Fernández, Elia, y Goyanes, María (2022).
Characteristics of hospitalized patients with SARS-CoV-2 infection during successive waves of
the COVID-19 pandemic in a reference hospital in Spain. Scientific Reports, 12, 17797.
Gutiérrez, Emilio, Rubli, Adrián, y Tavares, Tiago (2021). Poverty and COVID-19 in Africa and Latin
America. World Development, 142, 105422.
Hair, Joseph, Black, William, Babin, Barry, y Anderson, Rolph (2010). Multivariate Data Analysis (7th
ed.). Prentice Hall.
Haug, Nils, Geyrhofer, Lukas, Londei, Alessandro, Dervic, Elma, Desvars-Larrive, Amélie, Loreto,
Vittorio, Pinior, Beate, Thurner, Stefan, y Klimek, Peter (2020). Ranking the effectiveness of
worldwide COVID-19 government interventions. Nature Human Behaviour, 4(12), 1303–1312.
Heredia-Pi, Ileana, Torres-Pereda, Pilar, Reyes-Morales, Hortensia, y Serván-Mori, Edson (2023).
COVID-19 infection and mortality among non-pregnant indigenous adults in Mexico 2020-
2022: Impact of marginalisation. Journal of Global Health, 13, 06040.
Hernández-Ávila, Mauricio, Vázquez-de-Lara, Luis, Pérez-Padilla, Rogelio, Esponda-Preciado, Daniel,
y Guerrero-López, Carlos (2022). Comparative epidemiology of five waves of COVID-19 in
Mexico, March 2020–August 2022. BMC Infectious Diseases, 22, 816.
Hierink, Fleur, Rodrigues, Neide, Muñiz, Miguel, Panciera, Rocco, y Ray, Nicolas (2021). The winding
road to health: A systematic scoping review on the effect of geographical accessibility to health
care on infectious diseases in low- and middle-income countries. PLOS ONE, 16(4), e0244921.
https://doi.org/10.1371/journal.pone.0244921
Hsiang, Solomon, Allen, Daniel, Annan-Phan, Sébastien, Bell, Kendon, Bolliger, Ian, Chong, Trinetta,
y Wu, Tiffany (2020). The effect of large-scale anti-contagion policies on the COVID-19
pandemic. Nature, 584(7820), 262–267.
Huo, Jingqun, Xu, Zongxue, y Zuo, Depeng (2025). Prewhitening-Aided Innovative Trend Analysis
Method for Trend Detection in Hydrometeorological Time Series. Water, 17(4), 512.
https://doi.org/10.3390/w17040512
Iacus, Stefano, Natale, Fabrizio, Santamaria, Carlos, Spyratos, Spyridon, y Vespe, Michele (2023).
Human mobility and COVID-19 initial dynamics. Nonlinear Dynamics, 101, 1901–1919.
pág. 2448
Ibarra-Nava, Iván, Flores-Rodriguez, Karla, Ruiz-Herrera, Verónica, Ochoa-Bayona, Humberto, y
Salinas-Zertuche, Andrés (2021). COVID-19 fatality in Mexico's indigenous populations.
Public Health, 193, 69–75.
INEGI (2020). Encuesta Nacional sobre Disponibilidad y Uso de Tecnologías de la Información en los
Hogares (ENDUTIH) 2020. Instituto Nacional de Estadística y Geografía. México.
INEGI (2022). Estadísticas de defunciones registradas 2021. Comunicado de prensa Núm. 600/22.
Instituto Nacional de Estadística y Geografía. México.
Jeffrey, Benjamin, Walters, Catherine, Ainslie, Kylie, Eales, Oliver, Caterall, Lilith, Bhatt, Samir, y
Riley, Steven (2021). Mobility restrictions were associated with reductions in COVID-19
incidence early in the pandemic: evidence from a real-time evaluation in 34 countries. Scientific
Reports, 11, 13526.
Karaca-Mandic, Pinar, Georgiou, Andrew, y Sen, Soumya (2022). Hospital bed occupancy rate is an
independent risk factor for COVID-19 inpatient mortality: a pandemic epicentre cohort study.
BMJ Open, 12(2), e054614.
Kibret, Getiye, Demant, Daniel, y Hayen, Andrew (2023). The effect of distance to health facility on
neonatal mortality in Ethiopia. BMC Health Services Research, 23, 114.
https://doi.org/10.1186/s12913-023-09070-x
Knaul, Felicia, Arreola-Ornelas, Héctor, Porteny, Thalia, Touchton, Michael, Sánchez-Talanquer,
Mariano, Méndez, Óscar, Benítez, Gabriela, y Lajous, Martín (2021). Not far enough: Public
health policies to combat COVID-19 in Mexico's states. PLOS ONE, 16(6), e0251722.
Kraemer, Moritz, Yang, Chia-Hung, Gutierrez, Bernardo, Wu, Chieh-Hsi, Klein, Brennan, y Pybus,
Oliver (2020). The effect of human mobility and control measures on the COVID-19 epidemic
in China. Science, 368(6490), 493–497.
Krieger, Nancy (2011). Epidemiology and the People's Health: Theory and Context. Oxford University
Press.
Lal, Anita, Erondu, Ngozi, Heymann, David, Gitahi, Githinji, y Yates, Robert (2022). Pandemic
preparedness and response: exploring the role of universal health coverage within the global
health security architecture. The Lancet Global Health, 10(11), e1675–e1683.
Ibarra-Nava, Iván, Flores-Rodriguez, Karla, Ruiz-Herrera, Verónica, Ochoa-Bayona, Humberto, y
Salinas-Zertuche, Andrés (2021). COVID-19 fatality in Mexico's indigenous populations.
Public Health, 193, 69–75.
INEGI (2020). Encuesta Nacional sobre Disponibilidad y Uso de Tecnologías de la Información en los
Hogares (ENDUTIH) 2020. Instituto Nacional de Estadística y Geografía. México.
INEGI (2022). Estadísticas de defunciones registradas 2021. Comunicado de prensa Núm. 600/22.
Instituto Nacional de Estadística y Geografía. México.
Jeffrey, Benjamin, Walters, Catherine, Ainslie, Kylie, Eales, Oliver, Caterall, Lilith, Bhatt, Samir, y
Riley, Steven (2021). Mobility restrictions were associated with reductions in COVID-19
incidence early in the pandemic: evidence from a real-time evaluation in 34 countries. Scientific
Reports, 11, 13526.
Karaca-Mandic, Pinar, Georgiou, Andrew, y Sen, Soumya (2022). Hospital bed occupancy rate is an
independent risk factor for COVID-19 inpatient mortality: a pandemic epicentre cohort study.
BMJ Open, 12(2), e054614.
Kibret, Getiye, Demant, Daniel, y Hayen, Andrew (2023). The effect of distance to health facility on
neonatal mortality in Ethiopia. BMC Health Services Research, 23, 114.
https://doi.org/10.1186/s12913-023-09070-x
Knaul, Felicia, Arreola-Ornelas, Héctor, Porteny, Thalia, Touchton, Michael, Sánchez-Talanquer,
Mariano, Méndez, Óscar, Benítez, Gabriela, y Lajous, Martín (2021). Not far enough: Public
health policies to combat COVID-19 in Mexico's states. PLOS ONE, 16(6), e0251722.
Kraemer, Moritz, Yang, Chia-Hung, Gutierrez, Bernardo, Wu, Chieh-Hsi, Klein, Brennan, y Pybus,
Oliver (2020). The effect of human mobility and control measures on the COVID-19 epidemic
in China. Science, 368(6490), 493–497.
Krieger, Nancy (2011). Epidemiology and the People's Health: Theory and Context. Oxford University
Press.
Lal, Anita, Erondu, Ngozi, Heymann, David, Gitahi, Githinji, y Yates, Robert (2022). Pandemic
preparedness and response: exploring the role of universal health coverage within the global
health security architecture. The Lancet Global Health, 10(11), e1675–e1683.
pág. 2449
Li, Yang, Campbell, Harry, Kulkarni, Durga, Harber, Alice, Theodoratou, Evropi, y Nair, Harish (2021).
Systematic review of empirical studies comparing the effectiveness of non-pharmaceutical
interventions against COVID-19. The Journal of Infection, 83(3), 281–293.
Li, Daniel, Johnson, Aaron, Zeger, Scott, y Weeks, William (2025). Integrative ecological regression
analysis of U.S. county and state level COVID-19 death data for studying health disparity
associations. The Annals of Applied Statistics, 19(1), 123–152. https://doi.org/10.1214/24-
AOAS1897
Little, Bertha, Ahmad, Shakir, y Vega, María (2023). COVID-19 infection and mortality among non-
pregnant indigenous adults in Mexico 2020–2022: Impact of marginalisation. Journal of Global
Health, 13, 06021. https://doi.org/10.7189/jogh.13.06021
Marmot, Michael (2005). Social determinants of health inequalities. The Lancet, 365(9464), 1099–1104.
Mena, Gonzalo, Martínez, Pamela, Mahmud, Ayesha, Marquet, Pablo, Buckee, Caroline, y Santillana,
Mauricio (2021). Socioeconomic status determines COVID-19 incidence and related mortality
in Santiago, Chile. Science, 372(6545), eabg5298.
Mendez-Brito, Alba, El Bcheraoui, Charbel, y Pozo-Martin, Francisco (2021). Effectiveness of non-
pharmaceutical public health interventions against COVID-19: A systematic review and meta-
analysis. PLoS ONE, 16(12), e0260371.
Morel, Jean-David, Morel, Jean-Michel, y Alvarez, Luis (2023). Time warping between main epidemic
time series in epidemiological surveillance. PLOS Computational Biology, 19(8), e1011283.
https://doi.org/10.1371/journal.pcbi.1011283
Morgenstern, Hal (2008). Ecologic Studies. En K. Rothman, S. Greenland, y T. Lash (Eds.), Modern
Epidemiology (3rd ed., pp. 512–531). Lippincott Williams & Wilkins.
Méndez-Lizárraga, Carlos, Castañeda-Cediel, María, Villarreal-Ríos, Enrique, y Torres-Reyes, Álvaro
(2022). Evaluating the impact of mobility in COVID-19 incidence and mortality: A case study
from four states of Mexico. Frontiers in Public Health, 10, 877800.
Nouvellet, Pierre, Bhatia, Sangeeta, Cori, Anne, Ainslie, Kylie, Baguelin, Marc, Bhatt, Samir,
Boonyasiri, Adhiratha, Brazeau, Nicholas, Cattarino, Lorenzo, Cooper, Laura, y Riley, Steven
(2021). Reduction in mobility and COVID-19 transmission. Nature Communications, 12, 1090.
Li, Yang, Campbell, Harry, Kulkarni, Durga, Harber, Alice, Theodoratou, Evropi, y Nair, Harish (2021).
Systematic review of empirical studies comparing the effectiveness of non-pharmaceutical
interventions against COVID-19. The Journal of Infection, 83(3), 281–293.
Li, Daniel, Johnson, Aaron, Zeger, Scott, y Weeks, William (2025). Integrative ecological regression
analysis of U.S. county and state level COVID-19 death data for studying health disparity
associations. The Annals of Applied Statistics, 19(1), 123–152. https://doi.org/10.1214/24-
AOAS1897
Little, Bertha, Ahmad, Shakir, y Vega, María (2023). COVID-19 infection and mortality among non-
pregnant indigenous adults in Mexico 2020–2022: Impact of marginalisation. Journal of Global
Health, 13, 06021. https://doi.org/10.7189/jogh.13.06021
Marmot, Michael (2005). Social determinants of health inequalities. The Lancet, 365(9464), 1099–1104.
Mena, Gonzalo, Martínez, Pamela, Mahmud, Ayesha, Marquet, Pablo, Buckee, Caroline, y Santillana,
Mauricio (2021). Socioeconomic status determines COVID-19 incidence and related mortality
in Santiago, Chile. Science, 372(6545), eabg5298.
Mendez-Brito, Alba, El Bcheraoui, Charbel, y Pozo-Martin, Francisco (2021). Effectiveness of non-
pharmaceutical public health interventions against COVID-19: A systematic review and meta-
analysis. PLoS ONE, 16(12), e0260371.
Morel, Jean-David, Morel, Jean-Michel, y Alvarez, Luis (2023). Time warping between main epidemic
time series in epidemiological surveillance. PLOS Computational Biology, 19(8), e1011283.
https://doi.org/10.1371/journal.pcbi.1011283
Morgenstern, Hal (2008). Ecologic Studies. En K. Rothman, S. Greenland, y T. Lash (Eds.), Modern
Epidemiology (3rd ed., pp. 512–531). Lippincott Williams & Wilkins.
Méndez-Lizárraga, Carlos, Castañeda-Cediel, María, Villarreal-Ríos, Enrique, y Torres-Reyes, Álvaro
(2022). Evaluating the impact of mobility in COVID-19 incidence and mortality: A case study
from four states of Mexico. Frontiers in Public Health, 10, 877800.
Nouvellet, Pierre, Bhatia, Sangeeta, Cori, Anne, Ainslie, Kylie, Baguelin, Marc, Bhatt, Samir,
Boonyasiri, Adhiratha, Brazeau, Nicholas, Cattarino, Lorenzo, Cooper, Laura, y Riley, Steven
(2021). Reduction in mobility and COVID-19 transmission. Nature Communications, 12, 1090.
pág. 2450
Olivas-Martínez, Antonio, Cárdenas-Fragoso, José, Jiménez, José, Lozano-Cruz, Oscar, y
Kershenobich, David (2021). In-hospital mortality from severe COVID-19 in a tertiary care
center in Mexico City; causes of death, risk factors and the impact of hospital saturation. PLOS
ONE, 16(2), e0245772.
Palacio-Mejía, Lina, Hernández-Ávila, Juan, Hernández-Ávila, Mauricio, y López-Ridaura, Ruy
(2022). Leading causes of excess mortality in Mexico during the COVID-19 pandemic 2020–
2021. The Lancet Regional Health - Americas, 13, 100303.
Paremoer, Lauren, Nandi, Sulakshana, Serag, Hani, y Baum, Frances (2021). Covid-19 pandemic and
the social determinants of health. The BMJ, 372, n129.
Petherick, Anna, Goldszmidt, Rafael, Andrade, Eduardo, Furst, Rodrigo, Hale, Thomas, Pott, Annalena,
y Wood, Andrew (2021). A worldwide assessment of changes in adherence to COVID-19
protective behaviours and hypothesized pandemic fatigue. Nature Human Behaviour, 5(9),
1145–1160.
Prieto, Karla, Chávez-Hernández, Erick, y Romero-Leiton, Jhoana (2022). On mobility trends analysis
of COVID-19 dissemination in Mexico City. PLOS ONE, 17(2), e0263367.
Quattrochi, John, Coville, Aidan, Mvukiyehe, Eric, Iyengar, Radha, y Humphreys, Macartan (2020).
The effects of changes in distance to nearest health facility on under-5 mortality and health care
utilization in rural Malawi, 1980–1998. BMC Health Services Research, 20, 899.
https://doi.org/10.1186/s12913-020-05738-w
Rangel González, Erick, Llamosas-Rosas, Irving, y Fonseca, Felipe (2021). Aislamiento social y el
COVID-19 en las regiones de México. EconoQuantum, 18(2), 1–29.
Rees, Emma, Nightingale, Emily, Jafari, Yalda, Waterlow, Naomi, Clifford, Samuel, Pearson, Carl, y
Jombart, Thibaut (2021). The underlying factors of excess mortality in 2020: a cross-country
analysis of pre-pandemic healthcare conditions and strategies to cope with Covid-19. BMC
Health Services Research, 21, 137.
Reicher, Stephen y Drury, John (2021). Pandemic fatigue? How adherence to covid-19 regulations has
been misrepresented and why it matters. The BMJ, 372, n137.
Olivas-Martínez, Antonio, Cárdenas-Fragoso, José, Jiménez, José, Lozano-Cruz, Oscar, y
Kershenobich, David (2021). In-hospital mortality from severe COVID-19 in a tertiary care
center in Mexico City; causes of death, risk factors and the impact of hospital saturation. PLOS
ONE, 16(2), e0245772.
Palacio-Mejía, Lina, Hernández-Ávila, Juan, Hernández-Ávila, Mauricio, y López-Ridaura, Ruy
(2022). Leading causes of excess mortality in Mexico during the COVID-19 pandemic 2020–
2021. The Lancet Regional Health - Americas, 13, 100303.
Paremoer, Lauren, Nandi, Sulakshana, Serag, Hani, y Baum, Frances (2021). Covid-19 pandemic and
the social determinants of health. The BMJ, 372, n129.
Petherick, Anna, Goldszmidt, Rafael, Andrade, Eduardo, Furst, Rodrigo, Hale, Thomas, Pott, Annalena,
y Wood, Andrew (2021). A worldwide assessment of changes in adherence to COVID-19
protective behaviours and hypothesized pandemic fatigue. Nature Human Behaviour, 5(9),
1145–1160.
Prieto, Karla, Chávez-Hernández, Erick, y Romero-Leiton, Jhoana (2022). On mobility trends analysis
of COVID-19 dissemination in Mexico City. PLOS ONE, 17(2), e0263367.
Quattrochi, John, Coville, Aidan, Mvukiyehe, Eric, Iyengar, Radha, y Humphreys, Macartan (2020).
The effects of changes in distance to nearest health facility on under-5 mortality and health care
utilization in rural Malawi, 1980–1998. BMC Health Services Research, 20, 899.
https://doi.org/10.1186/s12913-020-05738-w
Rangel González, Erick, Llamosas-Rosas, Irving, y Fonseca, Felipe (2021). Aislamiento social y el
COVID-19 en las regiones de México. EconoQuantum, 18(2), 1–29.
Rees, Emma, Nightingale, Emily, Jafari, Yalda, Waterlow, Naomi, Clifford, Samuel, Pearson, Carl, y
Jombart, Thibaut (2021). The underlying factors of excess mortality in 2020: a cross-country
analysis of pre-pandemic healthcare conditions and strategies to cope with Covid-19. BMC
Health Services Research, 21, 137.
Reicher, Stephen y Drury, John (2021). Pandemic fatigue? How adherence to covid-19 regulations has
been misrepresented and why it matters. The BMJ, 372, n137.
pág. 2451
Riley, Steven (2007). Large-scale spatial-transmission models of infectious disease. Science, 316(5829),
1298–1301.
Rothman, Kenneth y Greenland, Sander (2005). Causation and causal inference in epidemiology.
American Journal of Public Health, 95(S1), S144–S150.
Salas-Ortiz, Alejandra (2023). Socioeconomic Inequalities and Ethnic Discrimination in COVID-19
Outcomes: the Case of Mexico. Journal of Racial and Ethnic Health Disparities, 10, 3115–
3127. https://doi.org/10.1007/s40615-022-01499-w
Serván-Mori, Edson, Contreras-Loya, David, Gómez-Dantés, Octavio, Nigenda, Gustavo, y Lozano,
Rafael (2021). Hospitalisation and mortality from COVID-19 in Mexican indigenous people: a
cross-sectional observational study. Journal of Epidemiology and Community Health, 76(1),
16–23. https://doi.org/10.1136/jech-2021-217212
Sterman, John, Oliva, Rogelio, Linderman, Kevin, y Bendoly, Elliot (2020). Behavioral dynamics of
COVID-19: estimating underreporting, multiple waves, and adherence fatigue across 92 nations.
System Dynamics Review, 36(3), 319–352.
Suárez-Lastra, Manuel, Valdés-González, Carlos, Galindo-Pérez, María, y Sosa-López, Salvador
(2023). Spatial scales of COVID-19 transmission in Mexico. PNAS Nexus, 2(5), pgad149.
Sánchez-Mateos, Héctor, Cebrián-Abellán, Aarón, y Pillet-Capdepón, Félix (2025). The challenge of
access to healthcare services as a condition for territorial equity. A methodological approach for
sparsely populated rural areas. Health Policy, 151, 105189.
https://doi.org/10.1016/j.healthpol.2024.105189
Tomczak, Maciej y Tomczak, Ewa (2014). The need to report effect size estimates revisited. An
overview of some recommended measures of effect size. Trends in Sport Sciences, 1(21), 19–
25.
Von Elm, Erik, Altman, Douglas, Egger, Matthias, Pocock, Stuart, Gøtzsche, Peter, y Vandenbroucke,
Jan (2007). The Strengthening the Reporting of Observational Studies in Epidemiology
(STROBE) statement: guidelines for reporting observational studies. The Lancet, 370(9596),
1453–1457.
Riley, Steven (2007). Large-scale spatial-transmission models of infectious disease. Science, 316(5829),
1298–1301.
Rothman, Kenneth y Greenland, Sander (2005). Causation and causal inference in epidemiology.
American Journal of Public Health, 95(S1), S144–S150.
Salas-Ortiz, Alejandra (2023). Socioeconomic Inequalities and Ethnic Discrimination in COVID-19
Outcomes: the Case of Mexico. Journal of Racial and Ethnic Health Disparities, 10, 3115–
3127. https://doi.org/10.1007/s40615-022-01499-w
Serván-Mori, Edson, Contreras-Loya, David, Gómez-Dantés, Octavio, Nigenda, Gustavo, y Lozano,
Rafael (2021). Hospitalisation and mortality from COVID-19 in Mexican indigenous people: a
cross-sectional observational study. Journal of Epidemiology and Community Health, 76(1),
16–23. https://doi.org/10.1136/jech-2021-217212
Sterman, John, Oliva, Rogelio, Linderman, Kevin, y Bendoly, Elliot (2020). Behavioral dynamics of
COVID-19: estimating underreporting, multiple waves, and adherence fatigue across 92 nations.
System Dynamics Review, 36(3), 319–352.
Suárez-Lastra, Manuel, Valdés-González, Carlos, Galindo-Pérez, María, y Sosa-López, Salvador
(2023). Spatial scales of COVID-19 transmission in Mexico. PNAS Nexus, 2(5), pgad149.
Sánchez-Mateos, Héctor, Cebrián-Abellán, Aarón, y Pillet-Capdepón, Félix (2025). The challenge of
access to healthcare services as a condition for territorial equity. A methodological approach for
sparsely populated rural areas. Health Policy, 151, 105189.
https://doi.org/10.1016/j.healthpol.2024.105189
Tomczak, Maciej y Tomczak, Ewa (2014). The need to report effect size estimates revisited. An
overview of some recommended measures of effect size. Trends in Sport Sciences, 1(21), 19–
25.
Von Elm, Erik, Altman, Douglas, Egger, Matthias, Pocock, Stuart, Gøtzsche, Peter, y Vandenbroucke,
Jan (2007). The Strengthening the Reporting of Observational Studies in Epidemiology
(STROBE) statement: guidelines for reporting observational studies. The Lancet, 370(9596),
1453–1457.
pág. 2452
Wang, Haidong, Paulson, Katherine, Pease, Spencer, Watson, Stefanie, y Murray, Christopher (2022).
Estimating excess mortality due to the COVID-19 pandemic: a systematic analysis of COVID-
19-related mortality, 2020–21. The Lancet, 399(10334), 1513–1536.
Watson, Oliver, Barnsley, Gregory, Toor, Jaspreet, Hogan, Alexandra, Winskill, Peter, y Ghani, Azra
(2022). Global impact of the first year of COVID-19 vaccination: a mathematical modelling
study. The Lancet Infectious Diseases, 22(9), 1293–1302.
Wercholuk, Ashley, Parikh, Alexander, y Snyder, Rebecca (2022). The Road Less Traveled:
Transportation Barriers to Cancer Care Delivery in the Rural Patient Population. JCO Oncology
Practice, 18(9), 652–662. https://doi.org/10.1200/OP.22.00242
Wu, Xiao, Nethery, Rachel, Sabath, Benjamin, Braun, Danielle, y Dominici, Francesca (2020). Air
pollution and COVID-19 mortality in the United States: Strengths and limitations of an
ecological regression analysis. Science Advances, 6(45), eabd4049.
Wang, Haidong, Paulson, Katherine, Pease, Spencer, Watson, Stefanie, y Murray, Christopher (2022).
Estimating excess mortality due to the COVID-19 pandemic: a systematic analysis of COVID-
19-related mortality, 2020–21. The Lancet, 399(10334), 1513–1536.
Watson, Oliver, Barnsley, Gregory, Toor, Jaspreet, Hogan, Alexandra, Winskill, Peter, y Ghani, Azra
(2022). Global impact of the first year of COVID-19 vaccination: a mathematical modelling
study. The Lancet Infectious Diseases, 22(9), 1293–1302.
Wercholuk, Ashley, Parikh, Alexander, y Snyder, Rebecca (2022). The Road Less Traveled:
Transportation Barriers to Cancer Care Delivery in the Rural Patient Population. JCO Oncology
Practice, 18(9), 652–662. https://doi.org/10.1200/OP.22.00242
Wu, Xiao, Nethery, Rachel, Sabath, Benjamin, Braun, Danielle, y Dominici, Francesca (2020). Air
pollution and COVID-19 mortality in the United States: Strengths and limitations of an
ecological regression analysis. Science Advances, 6(45), eabd4049.