/Fuente: Federación Bioquímica de la Provincia de Buenos Aires

---

Información para las decisiones en salud pública:

La información circula con velocidad, pero no siempre con rigor, resulta imprescindible recordar que no hay política sanitaria efectiva sin conocimiento científico sólido fruto de Sistemas de Información en Salud (SIS).

Dr. Horacio Micucci

Para mayor información:

FBA: Viamonte 1167 3º Piso – CABA
Tel: (011) 4373-5659 / 5674
E-mail: obios@fba.org.ar
Sitio web: www.fba.org.ar/obios

Por Horacio Micucci ¹

En tiempos en que la información circula con velocidad, pero no siempre con rigor, resulta imprescindible recordar que no hay política sanitaria efectiva sin conocimiento científico sólido fruto de Sistemas de Información en Salud (SIS). Y estos, a su vez, articulados con métodos estadísticos apropiados para el estudio de los procesos de salud-enfermedad en las poblaciones. Esto implica la existencia de historias clínicas estandarizadas, criterios de diagnósticos claros y sistemas de registro confiables, consistentes y auditables.

Un Sistema de Información en Salud no es un simple archivo digital ni una planilla administrativa. Es la estructura que permite transformar hechos dispersos —una consulta, un análisis de laboratorio, una internación, un certificado de defunción, una dispensa de medicamentos— en datos organizados y convertir esos datos en indicadores válidos para orientar decisiones.

Los datos necesitan un lenguaje: la estadística

El dato, por sí mismo, no habla. Requiere un lenguaje para ser interpretado: la teoría de la probabilidad y los métodos estadísticos, que son herramientas que nos permiten comprender que los procesos de salud-enfermedad no se presentan de modo aislado ni aleatorio, sino con regularidades que pueden ser descubiertas, medidas y, en muchos casos, anticipadas.

Cuando hablamos de incidencia, prevalencia, tasas de mortalidad o letalidad, estamos describiendo eventos que se distribuyen en poblaciones de maneras predecibles. Esa distribución responde a patrones expresables matemáticamente según la naturaleza del fenómeno y las características de la población. Comprender estos patrones es fundamental para diseñar intervenciones efectivas y evaluar su impacto.

Tres modelos estadísticos fundamentales en salud pública

Existen varios modelos estadísticos que ayudan a analizar datos de salud. Tres de los más utilizados son:

La Distribución Binomial, se usa cuando evaluamos situaciones con dos resultados posibles —reactivo o no reactivo, enfermo o sano, vivo o muerto— en un número fijo de observaciones independientes. Por ejemplo, al evaluar si 100 pacientes responden o no a un tratamiento.

Aplicaciones en salud:

• Ensayos clínicos: calcular la probabilidad de que un número específico de pacientes mejore tras recibir un tratamiento nuevo.
• Estudios de prevalencia: estimar la probabilidad de encontrar casos de una enfermedad en un grupo de estudio.

Es importante recordar que este modelo asume que cada observación es independiente de las demás. En la práctica, esto no siempre se cumple, y eso requiere otras metodologías.

La Distribución de Poisson es usada para para modelar eventos que ocurren con baja frecuencia en un intervalo de tiempo o espacio determinado.

Aplicaciones en salud:

• Gestión de urgencias: predecir cuántos pacientes llegarán a la sala de emergencias en determinadas franjas horarias para asignar personal suficiente.
• Epidemiología de brotes: estimar el número de nuevos casos de una enfermedad infecciosa que aparecen por semana en una región.

Una limitación importante de esta distribución de Poisson en salud pública es que frecuentemente encontramos mayor variabilidad que la esperada (sobredispersión), lo cual requiere usar otros modelos estadísticos.

La Distribución Normal es útil para variables biológicas continuas que tienden a concentrarse alrededor de un valor central, con valores extremos menos frecuentes. Muchas mediciones en salud siguen aproximadamente este patrón.

Aplicaciones en salud:

• Establecer valores de referencia: definir los límites normales de presión arterial, niveles de glucosa o colesterol en sangre.
• Crear curvas de crecimiento: desarrollar percentiles de peso y talla para niños.
• Comparaciones estadísticas: evaluar si dos grupos difieren significativamente en alguna medición de interés.

Precaución necesaria: No todas las variables en salud siguen una distribución normal. Tiempos de sobrevida, ingresos económicos, conteos de eventos raros, etc. tienen distribuciones asimétricas o con valores extremos que hacen inadecuado el uso de este modelo. En estos casos existen métodos estadísticos alternativos (llamados no paramétricos).

La medicina es una ciencia social

Lo anterior lo afirmaba Rudolf Virchow, pionero de la medicina social, que sostenía que la salud y la enfermedad no son fenómenos puramente biológicos. En términos epidemiológicos, cada evento sanitario puede analizarse como una variable cuya ocurrencia depende de condiciones biológicas y sociales.

Las tasas que calculamos no son números absolutos ni verdades definitivas: son estimaciones con un margen de incertidumbre. Pero incertidumbre no es ignorancia. Por eso utilizamos intervalos de confianza, que expresan el rango en el cual, probablemente, se encuentra el valor real. Igualar incertidumbre con ignorancia conduce a interpretaciones superficiales y a decisiones equivocadas. Lo hemos visto en la reciente pandemia, tanto en quienes negaban o subestimaban la gravedad del problema como en los movimientos antivacunas que malinterpretaban sistemáticamente los datos disponibles.

La calidad del SIS determina la calidad de las conclusiones. Ningún procedimiento estadístico corrige deficiencias sistemáticas del registro. Si el registro es incompleto, si la notificación es tardía, si la clasificación diagnóstica es imprecisa, el análisis se construye sobre bases débiles. La calidad del SIS es condición previa para cualquier inferencia rigurosa.

Describir, explicar, comprender

De la descripción del fenómeno sanitario debemos pasar a su comprensión. Eso es un salto en calidad en el nivel del análisis.

La Estadística descriptiva nos indica qué está pasando y constituye el primer nivel de análisis. Distribuir los casos según tiempo, lugar y persona es el núcleo de la vigilancia epidemiológica. El estudio de series temporales permite detectar tendencias y estacionalidades; la estandarización por edad evita comparaciones erradas entre poblaciones con estructuras etarias distintas. Estos procedimientos no son meros ejercicios académicos: son instrumentos para anticipar brotes, planificar recursos y evaluar resultados de intervenciones.

La estadística inferencial agrega la fase explicativa. A través de estudios epidemiológicos podemos estimar asociaciones entre exposiciones y eventos de salud. Hay herramientas que nos ayudan a identificar factores que aumentan o disminuyen la probabilidad de enfermar.

Sobre la causalidad en salud pública es importante aclarar que establecer una asociación estadística no es lo mismo que demostrar causalidad. Para inferir relaciones causales necesitamos considerar criterios adicionales: secuencia temporal (la causa precede al efecto), fuerza de la asociación, coherencia con el conocimiento existente, y evidencia de estudios con diferentes diseños.

¿Por qué insistimos con detalles que parecen menores?

Cuando en proyectos de investigación como los de OBIOS-OBA se solicita la edad, el sexo, o la ubicación geográfica del caso, es porque esos datos son necesarios para que los equipos de investigación puedan formular hipótesis adecuadas y avanzar en descubrir relaciones de causa y efecto. Una ciudad mal denominada, información incorrecta de sexo o edad, o datos faltantes pueden hacer que el más sofisticado análisis estadístico —incluso con inteligencia artificial— produzca conclusiones erróneas.

«Fortalecer los SIS, jerarquizar la formación en epidemiología y estadística, adoptar estándares de interoperabilidad, y considerar aspectos éticos en el manejo de datos sensibles no es un lujo académico».

Estamos aprendiendo todos: tanto quienes informan como quienes recopilan y analizan. El objetivo es desarrollar sistemas de información sólidos que permitan medidas sanitarias efectivas en el camino hacia la mejora continua de la salud pública.

Métodos estadísticos contemporáneos y aprendizaje continuo

En la actualidad, los SIS incorporan métodos estadísticos cada vez más elaborados: modelos que consideran múltiples factores simultáneamente, análisis que pueden manejar estructuras de datos complejas, y enfoques que permiten actualizar probabilidades a medida que aparece nueva evidencia. Estas herramientas exigen formación sólida y compromiso institucional con la producción de datos de calidad.

Más allá de lo biológico: el desafío de la medicina social

Desde la medicina social, el desafío es mayor. No alcanza con registrar diagnósticos. Es necesario captar determinantes estructurales: condiciones de trabajo, ingreso, hábitat familiar, ambiente. El riesgo de enfermar no está determinado únicamente por factores biológicos; está fuertemente condicionado por desigualdades sociales.

Métodos estadísticos avanzados permiten estimar cuánto del riesgo observado se explica por factores individuales (edad, sexo, genética) y cuánto por contextos colectivos (barrio, acceso a servicios, condiciones laborales). Allí la estadística se convierte en herramienta para visibilizar inequidades y orientar políticas públicas que aborden las causas profundas de la enfermedad, no sólo sus manifestaciones individuales.

El que informa también recibirá información

Un sistema de información en salud no debe ser una vía de un solo sentido. Quienes informan —trabajadores de salud en terreno, responsables de centros de atención, profesionales, etc.— también deben recibir información procesada que les sea útil para la toma de decisiones locales.

Esta retroalimentación convierte a cada sujeto del sistema no sólo en informante, sino también en decisor a nivel local que puede orientar soluciones más precisas y oportunas. La construcción de este flujo bidireccional de información es parte del desafío de implementación que enfrentamos.

Historias clínicas estandarizadas: una necesidad no resuelta

Las historias clínicas estandarizadas y universales son una necesidad que permanece sin resolver desde las propuestas visionarias de Ramón Carrillo en Argentina. La estandarización significa hablar un lenguaje común que permita que la información fluya entre niveles de atención, instituciones y jurisdicciones.

Hoy existen estándares internacionales de codificación e interoperabilidad que facilitan este intercambio. Adoptarlos de manera gradual y sostenida es parte de la modernización necesaria de nuestros sistemas de salud.

Conclusión: información, análisis y justicia sanitaria

Los Sistemas de Información en Salud, articulados con métodos estadísticos apropiados, constituyen una herramienta estratégica de cualquier sistema sanitario que aspire a ser efectivo e igualitario. Sin información confiable y análisis riguroso, la gestión queda reducida a intuiciones o presiones coyunturales. Con sistemas robustos y capacidad analítica, la política sanitaria puede apoyarse en evidencia verificable.

Fortalecer los SIS, jerarquizar la formación en epidemiología y estadística, adoptar estándares de interoperabilidad, y considerar aspectos éticos en el manejo de datos sensibles no es un lujo académico. Esta última dimensión ética es inseparable del desarrollo técnico de los SIS.

Los SIS son una necesidad para garantizar decisiones racionales, eficiencia en el uso de recursos, y justicia en el acceso a la salud.

1 Doctor (Área Farmacia y Bioquímica – Epidemiología) UBA. / Magister en Epidemiología, Gestión y Políticas de Salud UNLa.
Director Coordinador del diseño y desarrollo de bases de datos sanitarios y ambientales de OBIOS. (Observatorio Bioquímico de la Salud- FBA) / Director del Observatorio Bioquímico Argentino. INFIBIOC-UBA