Evaluación espacial de la calidad de las estadísticas vitales a escala departamental: códigos poco útiles y autocorrelación local en Argentina (2017–2019)
Resumen
La precisión en la certificación de las causas de muerte es fundamental para el diseño de políticas públicas. Sin embargo, la certificación estadística de la Causa Básica de Muerte con "códigos poco útiles" —clásicamente denominados “garbage codes” en la literatura (categorías inespecíficas o mal definidas)— invisibiliza el perfil epidemiológico real de subpoblaciones y perpetúa la desigualdad sanitaria. Este artículo analiza la calidad de las estadísticas vitales en Argentina en relación con la mortalidad, con el objetivo de discernir si la ineficacia diagnóstica responde a un determinismo socio-geográfico (vulnerabilidad estructural) o a la capacidad institucional del Estado (matriz de gestión provincial). Se analizó un trienio de defunciones provisto por la Dirección de Estadísticas e Información de Salud (DEIS) a nivel departamental (N=511). La estrategia metodológica integró un Modelo Lineal Generalizado Mixto (GLMM) binomial, controlando la sobredispersión mediante un Efecto Aleatorio a Nivel de Observación (OLRE), y un Análisis Exploratorio de Datos Espaciales (AEDE) mediante el estadístico LISA Bivariado. Los resultados demuestran que la precariedad en la cobertura de salud de la población a nivel departamental estresa el sistema local e incrementa significativamente la probabilidad de mala codificación (p < 0.001). No obstante, la varianza explicada por la jurisdicción provincial resulta más del doble que la especificidad departamental. Mientras el análisis espacial confirmó un clúster macrorregional de ineficiencia en el centro-norte del país, la autocorrelación cruzada reveló casos atípicos de "resiliencia institucional" (ej. Pirané, Formosa), donde la micro gestión administrativa logra una alta especificidad diagnóstica en contextos de alta vulnerabilidad. Se concluye que la invisibilidad estadística constituye, fundamentalmente, un déficit de la capacidad estatal provincial, mitigable mediante intervenciones administrativas focalizadas.
Descargas
Citas
Alonso, G. V. (2022). Elementos para el análisis de capacidades estatales. En G. V. Alonso (Ed.), Capacidades estatales, instituciones y política social (pp. 17-39). Prometeo Libros.
Anselin, L. (1995). Local Indicators of Spatial Association—LISA. Geographical Analysis, 27(2), 93-115. https://doi.org/10.1111/j.1538-4632.1995.tb00338.x
Anselin, L. (2020). Local Spatial Autocorrelation (1). GeoDa Center - Documentation. https://geodacenter.github.io/workbook/6a_local_auto/lab6a.html#ref-EfronHastie:16
Balán, P. E. (2013). Determinantes de la capacidad estatal en las provincias argentinas. Colección, (23), 13-54. https://repositorio.uca.edu.ar/handle/123456789/7523
Bates, D., Mächler, M., Bolker, B. y Walker, S. (2015). Fitting Linear Mixed-Effects Models Using lme4. Journal of Statistical Software, 67(1). https://doi.org/10.18637/jss.v067.i01
Bivand, R., Altman, M., Anselin, L., Assunção, R., Bera, A., Berke, O., Blanchet, F. G., Carvalho, M., Christensen, B., Chun, Y., Dormann, C., Dray, S., Dunnington, D., Gómez-Rubio, V., Koley, M., Kossowski, T., Krainski, E., Legendre, P., Lewin-Koh, N., … Yu, D. (2026). spdep: Spatial Dependence: Weighting Schemes, Statistics (Versión 1.4-2) [Software]. https://cran.r-project.org/web/packages/spdep/index.html
Breilh, J. (2003). Epidemiología crítica: Ciencia emancipadora e interculturalidad. Lugar Editorial.
Breilh, J. (2013). La determinación social de la salud como herramienta de transformación hacia una nueva salud pública (salud colectiva). Revista Facultad Nacional de Salud Pública, 31, 13-27. https://doi.org/10.17533/udea.rfnsp.16637
Frenk, J., Frejka, T., Bobadilla, J. L., Stern, C., Lozano, R., Sepúlveda, J. y José, M. (1991). La transición epidemiológica en América Latina. Boletín de La Oficina Sanitaria Panamericana (OSP),111(6), Dic. https://iris.paho.org/handle/10665.2/16560
Hanson, J. K. y Sigman, R. (2021). Leviathan’s Latent Dimensions: Measuring State Capacity for Comparative Political Research. The Journal of Politics, 83, 1495-1510. The University of Chicago Press. https://doi.org/10.1086/715066 (Obra original publicada en 2013, World Bank Political Economy Brown Bag Lunch Series)
Hart, J. T. (1971). The Inverse care Law. The Lancet, 297(7696), 405-412. https://doi.org/10.1016/S0140-6736(71)92410-X
Iburg, K. M., Mikkelsen, L., Adair, T. y Lopez, A. D. (2020). Are cause of death data fit for purpose? Evidence from 20 countries at different levels of socio-economic development. PLOS ONE, 15(8), e0237539. https://doi.org/10.1371/journal.pone.0237539
Luque, M. G. (2021). Causas de defunciones “poco útiles” en las estadísticas de mortalidad de la Argentina: Análisis de los niveles y diferenciales sociodemográficos para la orientación de programas de mejoramiento de la información [Tesis doctoral]. Doctorado en Demografía, Universidad Nacional de Córdoba. https://rdu.unc.edu.ar/handle/11086/28158
Mikkelsen, L., Moesgaard, K., Hegnauer, M. y Lopez, A. D. (2020). ANACONDA: A new tool to improve mortality and cause of death data. BMC Medicine, 18(1), 61. https://doi.org/10.1186/s12916-020-01521-0
Naghavi, M., Richards, N., Chowdhury, H., Eynstone-Hinkins, J., Franca, E., Hegnauer, M., Khosravi, A., Moran, L., Mikkelsen, L. y Lopez, A. D. (2020). Improving the quality of cause of death data for public health policy: Are all ‘garbage’ codes equally problematic? BMC Medicine, 18(1), 55. https://doi.org/10.1186/s12916-020-01525-w
Oszlak, O. (1978). Formación histórica del estado en América Latina: Elementos teórico-metodológicos para su estudio. Centro de Estudios de Estado y Sociedad.
Pebesma, E. (2018). Simple Features for R: Standardized Support for Spatial Vector Data. The R Journal, 10(1), 439-446. https://doi.org/10.32614/RJ-2018-009
Pebesma, E. y Bivand, R. (2023). Spatial Data Science: With Applications in R. Chapman and Hall/CRC. https://doi.org/10.1201/9780429459016
Pinto, A. (1970). Naturaleza e implicaciones de la «Heterogeneidad estructural» de la América Latina. El Trimestre Económico, 37(145), 83-100. https://www.eltrimestreeconomico.com.mx/index.php/te/article/view/3337
Ribotta, B. S. (2014). Evaluación de la exactitud de los datos sobre la causa básica de muerte en América Latina. https://ri.conicet.gov.ar/handle/11336/39429
Ribotta, B. S. (2016). Causas de defunción mal definidas en las provincias de Argentina, 2001-2013. Memorias del Instituto de Investigaciones en Ciencias de la Salud, 14(3), 78-87. https://revistascientificas.una.py/index.php/RIIC/article/view/1878
Ribotta, B. S., Luque, M. G. y Bertone, C. L. (2024). Exactitud de las causas de muerte en Argentina. Situación reciente y buenas prácticas implementadas. Revista Cubana de Salud Pública, 50. https://revsaludpublica.sld.cu/index.php/spu/article/view/3799
Samaja, J. (2004). Epistemología de la salud. Lugar Editorial. https://lugareditorial.com.ar/producto/epistemologia-de-la-salud/
Scott, J. C. (1998). Seeing Like a State: How Certain Schemes to Improve the Human Condition Have Failed. Yale University Press. https://www.jstor.org/stable/j.ctt1nq3vk
Soifer, H. D. (2012). Measuring state capacity in contemporary Latin America. Revista de Ciencia Política, 32(3), 585-598. https://doi.org/10.4067/S0718-090X2012000300004
Wang, Z., Hu, L., Li, J., Wei, L., Zhang, J. y Zhou, J. (2020). Magnitude, temporal trends and inequality in global burden of tracheal, bronchus and lung cancer: Findings from the Global Burden of Disease Study 2017. BMJ Global Health, 5(10). https://doi.org/10.1136/bmjgh-2020-002788
Zuur, A. F., Ieno, E. N., Walker, N., Saveliev, A. A. y Smith, G. M. (2009). Mixed effects models and extensions in ecology with R. Springer New York. https://doi.org/10.1007/978-0-387-87458-6
Otros documentos
Bivand, R., Altman, M., Anselin, L., Assunção, R., Bera, A., Berke, O., Blanchet, F. G., Carvalho, M., Christensen, B., Chun, Y., Dormann, C., Dray, S., Dunnington, D., Gómez-Rubio, V., Koley, M., Kossowski, T., Krainski, E., Legendre, P., Lewin-Koh, N., … Yu, D. (2026). spdep: Spatial Dependence: Weighting Schemes, Statistics (Versión 1.4-2) [Software]. https://cran.r-project.org/web/packages/spdep/index.html
Organización Panamericana de Salud (OPS). (2017a). Lineamientos básicos para el análisis de la mortalidad. https://doi.org/10.37774/9789275319819
Organización Panamericana de Salud (OPS). (2017b). Salud en las Américas+, edición del 2017. Resumen: Panorama regional y perfiles de país. https://iris.paho.org/handle/10665.2/34322
R Core Team, R. F. for S. C. (2025). R: The R Project for Statistical Computing. https://www.r-project.org/
WHO (2024). MDB. Mortality DB. http://platform.who.int/mortality/about/list-of-causes-and-corresponding-icd-10-codes
Wickham, H., Vaughan, D., Girlich, M., Ushey, K., Software, P. y PBC. (2025). tidyr: Tidy Messy Data (Versión 1.3.2) [Software]. https://cran.r-project.org/web/packages/tidyr/index.html
Anexo
Declaración de disponibilidad de datos
Los datos de mortalidad fueron provistos por la Dirección de Estadísticas e Información de Salud (DEIS) del Ministerio de Salud de la Nación Argentina ante una solicitud. El listado exhaustivo de los códigos de la CIE-10 considerados como "códigos poco útiles" según nivel de importancia para la política pública, se encuentra alojado para su libre acceso y reproducibilidad en el repositorio Zenodo bajo el DOI: https://doi.org/10.5281/zenodo.18789861
Los autores conservan los derechos sobre su obra garantizando a esta revista el derecho de primera publicación, comprometiéndose a citar el Journal de Ciencias Sociales como referencia de la publicación original.
Los trabajos publicados en el Journal se publican bajo los términos que se indican en la Licencia de Creative Commons con la Atribución 4.0 Internacional (CC BY 4.0).
