Factores estructurales determinantes para las defunciones por COVID-19 en el sector

hospitalario privado de la Ciudad de México

Jorge Emilio Gómez Mendoza
El Colegio de México

Introducción

A la fecha en la que se escribe este breve reporte, han pasado cerca de veintiún meses desde
el 27 de febrero de 2020; es decir, desde el día de la detección del primer caso de COVID-
19 en México.1 Como era de esperarse en el contexto de una pandemia global, tanto el
gobierno como la sociedad civil mexicana se han enfrentado a una diversidad de
problemáticas que dejaron en evidencia a una serie de fallas estructurales en los distintos
sistemas y organizaciones gubernamentales mexicanas. Sin embargo, para sorpresa de
nadie, la presente situación sanitaria mostró también un enorme potencial comercial en el
que se ofrecían nuevas oportunidades de negocios por explorar, así como la posibilidad de
adaptar y especializar industrias preexistentes a las condiciones actuales. Para esta última
categoría, a fin de entender una dimensión que al momento todavía es poco estudiada, es
posible analizar el caso de la atención médica privada con relación al efecto del virus de
SARS- CoV-2.

Antes de comenzar, es necesario aclarar algunos conceptos teóricos básicos sobre el

manejo de la salud en México. En su forma más simple, la estructura del sistema de salud
mexicano puede reducirse a la existencia de dos sectores: público y privado. El primero de
ellos se compone por instituciones públicas de seguridad social entre las que destacan el
Instituto Mexicano del Seguro Social (IMSS), Instituto de Seguridad y Servicios Sociales
de los Trabajadores del Estado (ISSTE), así como los distintos programas de salud para la
población sin afiliación a alguno de estos organismos. 2 Por su parte, la dimensión privada
de este sistema “comprende a las compañías aseguradoras y los prestadores de servicios

1 V Suárez et al., “Epidemiología de COVID-19 en México: del 27 de febrero al 30 de abril de

2020”, Revista Clínica Española 220, no.8, (2020): 463-471.
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7250750/

2 Octavio Gómez Dantés et al., “Sistema de salud de México”, Salud Pública Méx 53, (Enero 2011):
220-232. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0036-36342011000800017

1
que trabajan en consultorios, clínicas y hospitales privados, incluyendo a los prestadores de
servicios de medicina alternativa.” 3 Si bien es posible reconocer a ambas como dos partes
de un mismo marco organizacional, no se debe perder de vista que el área privada obedece
a una lógica empresarial y de mercado, por lo que su comportamiento, evaluación, y
administración—al menos en términos de negocios—deben entenderse bajo el mismo
criterio que cualquier compañía.
Ahora bien, la afirmación anterior no debe traducirse en una completa negación del
valor de las organizaciones dentro del sistema de salud mexicano. Aunque su enfoque,
financiamiento, y beneficiaros son distintos al de los organismos como el ISSTE, es
necesario reconocer la importancia de la existencia de los diferentes elementos que
componen al sector privado mexicano en materia de salud y revisar la manera en la que se
complementan con sus contrapartes públicas. Un ejemplo de ello dentro de las condiciones
sanitarias actuales es el de la cooperación entre el Instituto Mexicano del Seguro Social y
los miembros del Consorcio Mexicano de Hospitales Privados para brindar atención a
derechohabientes con padecimientos distintos a COVID-19. De acuerdo con datos oficiales,
dicho convenio facilitó otorgar 17 mil 728 atenciones al 30 de septiembre de 2021, lo que
permitió “proteger del COVID-19 a embarazadas, pacientes que recibieron intervenciones y
cirugías, así como a personas que pertenecen a grupos vulnerables.” 4
A fin de obtener una mayor comprensión sobre el panorama del sector salud privado
con relación a la pandemia por COVID-19, este breve reporte introducirá la primera de tres
etapas de una consultoría desarrollada para un grupo hospitalario de la Ciudad de México.
En ella, se analizarán los factores estructurales en el manejo de pacientes de esta
enfermedad y la manera en la que se relacionan al riesgo de fallecer por ella. Para cumplir
con dicho objetivo, este texto se dividirá en cinco secciones: la primera será la presente
introducción; a continuación, se discutirán algunos antecedentes de investigación; en tercer
lugar, se presentará la metodología bajo la que se realizó el trabajo; posteriormente, se
recopilarán los resultados más relevantes; y finalmente se ofrecerán conclusiones y

3 Gómez Dantés, “Sistema de Salud en México”, 220-232

4 Instituto Mexicano del Seguro Social, “El Director General del IMSS sostiene reunión de trabajo
con el Consorcio Mexicano de Hospitales para realizar un balance de los resultados obtenidos en el trabajo
conjunto”, Gobierno de México, Noviembre 2020, http://www.imss.gob.mx/prensa/archivo/202011/744

2
comentarios finales sobre los hallazgos de este ejercicio. Por motivos de privacidad, el
nombre del hospital estudiado no se mencionará de forma explícita.

Antecedentes de investigación

En principio, es importante señalar que este reporte no corresponde a una

investigación médica tradicional, sino que, como se mencionó con anterioridad, se
desarrolla con base en la primera etapa de una consultoría realizada para un grupo
hospitalario privado. Por ello, no se puede perder de vista que el enfoque de este análisis
yace en la correcta comprensión de un caso particular a fin de alcanzar un mejor
desempeño futuro en el sentido comercial. A partir de esta consideración, la selección de
antecedentes investigativos se ha realizado para crear un marco de referencia con el que se
puedan obtener estimaciones teóricas sobre los posibles resultados de los modelos.
Asimismo, la revisión de literatura actúa como una guía para el diseño, desarrollo, y
evaluación de la metodología empleada en esta labor de análisis.
Debido a que el principal fenómeno por analizar en esta consultoría es el riesgo de
defunción por COVID-19, es importante revisar algunos aspectos generales sobre el
comportamiento de esta enfermedad en nuestro país. De acuerdo con datos oficiales del
Gobierno de México, se estima que, desde la confirmación del primer diagnóstico hasta el 3
de diciembre de 2021, han existido un total 4 millones 124 mil 761 casos positivos. 5 Por
otra parte, la misma fuente propone una estimación de 308 mil 798 defunciones como
consecuencia de este virus, de las cuales el 38.28% corresponde a mujeres y el 61.72% a
hombres. 6Además, en su artículo Epidemiología de COVID-19 en México: del 27 de
febrero al 30 de abril de 2020, V. Suarez et al. identifican que “el mayor número de
infectados ocurre en el rango de edad entre 30 y 59 años”, así como la importancia de
comorbilidades como hipertensión, diabetes, y obesidad como factores determinantes.7

5 Dirección General de Epidemiología, “Datos Abiertos Dirección General de Epidemiología”,

Gobierno de México, 3 de diciembre de 2021, https://www.gob.mx/salud/documentos/datos-abiertos-152127.

6 Dirección General de Epidemiología, “Datos Abiertos”.

7 Suárez, “Epidemiología de COVID-19 en México: del 27 de febrero al 30 de abril de 2020”. pp.

463-471

3
 Además de características como la presencia de comorbilidades y el género del
paciente, el lugar donde recibió la atención médica actúa como factor determinante en los
riesgos que éste tiene de fallecer por COVID-19. En La letalidad hospitalaria por covid-19
en México: desigualdades institucionales, el Doctor Mariano Sánchez Talanquer identifica
que la mortalidad por esta enfermedad es casi tres veces mayor en la principal institución
mexicana de salud pública, el Instituto Mexicano del Seguro Social, que en el sector
privado.8 Por su parte, los doctores Máximo Ernesto Jaramillo y Jesús D. Zazueta Barboa
proponen que el riesgo de muerte por este virus es del 27% si se ingresa a una institución
privada con respecto de hacerlo en el IMSS o el ISSTE.9 En cuanto a la explicación de este
fenómeno, la primera fuente propone que el origen del problema se encuentra en factores
estructurales; es decir, “diferencias en infraestructura hospitalaria, equipo, disponibilidad y
10
capacitación del personal, protocolos de atención, etcétera”. Finalmente, la segunda
fuente considera que esta variación actúa como evidencia de la importancia de las
desigualdades en el acceso a la salud.11
Cabe señalar que, si bien existe una clara mejor oportunidad de supervivencia si se
recibe atención en el sector privado, asumir que toda la población mexicana puede
atenderse en él es cuanto menos irreal. De acuerdo con datos del Censo de Población y
Vivienda 2020, el Instituto Nacional de Estadística y Geografía (INEGI) reporta un total de
92 mil 582 812 personas con afiliación a servicios de salud, de las cuales solo el 2.82%
12
corresponde a una institución privada. Asimismo, el Consejo Nacional de Evaluación de
la Política de Desarrollo Social (CONEVAL) afirma que cerca del 28.2% de la población
8 Mariano Sánchez Talanquer, “La letalidad hospitalaria por covid-19 en México: desigualdades
institucionales”, Revista Nexos, Agosto 18 de 2020, https://datos.nexos.com.mx/la-letalidad-hospitalaria-por-
covid-19-en-mexico-desigualdades-institucionales/

9 Máximo Ernesto Jaramillo, Jesús D. Zazueta Barboa, “91El impacto desigual de la pandemia:
Determinantes socioeconómicas y de salud en las tasas de fatalidad del Covid-19 en México.”, Revista de
Administración Pública No.152, Vol. LV No. 2, (Mayo-Agosto 2020), pp. 91:107.

10 Sánchez Talanquer, “Letalidad”

11 Jaramillo, Zazueta “Impacto Desigual”, pp. 91:107

12 Instituto Nacional de Estadística y Geografía, “Población según condición de afiliación a

servicios de salud y sexo por entidad federativa, 2020”, Salud y Seguridad Social,
https://www.inegi.org.mx/app/tabulados/interactivos/?
pxq=Derechohabiencia_Derechohabiencia_01_3e83e8a1-690d-4cfb-8af0-a1e675979b3e&idrt=143&opc=t

4
nacional en 2020 se encontraba en condición de carencia en el acceso a los servicios de
salud.13 Las desigualdades prexistentes en este sector se vuelven evidentes en el tratamiento
de COVID-19, ya que se estima que el costo de un día de hospitalización oscila entre los
$80,000 y $100,00 pesos mexicanos, por lo que las cuentas total de un solo paciente
ascenderá potencialmente a cifras millonarias .14
Finalmente, en tanto que se está realizando una consultoría para un hospital en dicha
entidad federativa, es pertinente analizar también al caso particular del COVID-19 en la
Ciudad de México. El gobierno de esta ciudad reporta un total de 450 mil 580 casos
confirmados, siendo la alcaldía Iztapalapa la principal afectada con 67 mil 880 de ellos. 15
En un estudio de caso realizado en 2021 por el Institute for Global Health Sciences de la
Universidad de California, se afirma que la Ciudad de México aportó de forma
desproporcionada a la tasa de mortalidad a nivel nacional. El antiguo Distrito Federal, lugar
en donde habita el 7.3% de la población mexicana, acumuló cerca del 14.5% del total de las
muertes por esta enfermedad en el país.16 La misma fuente afirma que la capital de nuestro
país presenta un mayor exceso de muertes que otras urbes profundamente afectadas por la
pandemia como Lima, Nueva York, Londres, Santiago, entre otras.17

13 Consejo Nacional de Evaluación de la Política de Desarrollo Social, “Nota técnica sobre la

carencia por acceso a los servicios de salud, 2018-2020”, CONEVAL, 5 de Agosto de 2021,
https://www.coneval.org.mx/Medicion/MP/Documents/MMP_2018_2020/Notas_pobreza_2020/Nota_tecnica
_sobre_la_carencia_por_acceso_a_los_servicios_de_salud_2018_2020.pdf

14 Procuraduría Federal del Consumidor, “Transparencia en el precio de hospitales”, Gobierno de

México, 4 de junio de 2021, https://www.gob.mx/profeco/es/articulos/transparencia-en-precios-de-hospitales?
idiom=es

15 Gobierno de la Ciudad de México, “Datos abiertos sobre salud pública, acciones sociales y gasto
público en la Ciudad de México”, Portal de Datos Abiertos, 3 de diciembre de 2021,
https://paginas.datos.cdmx.gob.mx/transparencia-covid

16 University of California, “Mexico's Response to Covid-19: A Case Study”, Institute for Global
Health Sciences, 12 de abril de 2021, p. 20

17 University of California “Mexico´s Response to Covid-19”, p.23

5
Datos, Metodología, y Desarrollo de Modelos

Datos
Los datos utilizados para la elaboración de esta investigación provienen del sistema
interno de uno de los hospitales del grupo hospitalario para el que se realiza la consultoría.
Para recuperarlos, se revisaron directamente los registros de los diferentes pacientes de
COVID-19 que visitaron las instalaciones entre marzo de 2020 y septiembre de 2021. En
tanto que cada área operativa del hospital contaba con sus propias bases de datos y no se
facilitó el acceso (o publicación) a los informes médicos de cada individuo, la información
en la que se basa esta investigación proviene de tres fuentes: Registro Comercial de
Pacientes Covid-19, en donde se especificaba el gasto y origen comercial de éstos; Registro
Hospitalario A de Pacientes COVID-19, en el que se daba cuenta de los días de estancia y
defunción del individuo; y Registro Global de Pacientes COVID-19, que mencionaba su
diagnóstico, tipo de atención, y fecha de ingreso.
La base de datos final es producto de la mezcla de los tres registros mencionados
con anterioridad. Debido a que dichas herramientas de control fueron llenadas de forma
manual, diversas celdas estaban plagadas de errores de registro que imposibilitaban su
análisis, por lo que fueron desechadas. Como consecuencia de ello, se pasó de tener una
base original con más de 1,800 observaciones a una con cerca de 1,200. Posteriormente, al
cotejar este nuevo documento con las listas de pacientes en función de su origen
empresarial y días internados, la cantidad de observaciones se redujo a 385 unidades. Como
mecanismos de control, se realizaron pruebas para comprobar la distribución de las
variables categóricas y se revisó cada uno de los casos de forma manual para comprobar
que no estuviese sesgado por equivocaciones de quienes crearon la base.

Metodología
Para la primera parte de esta consultoría, se ha desarrollado un modelo de regresión
logística binomial con las variables estructurales relativas a la atención hospitalaria por
COVID-19. A fin de lograr este objetivo, se ha empleado el programa de análisis
estadístico RStudio como herramienta principal, y Microsoft Excel para la construcción y
refinamiento de las bases de datos. Por su parte, la paquetería especializada seleccionada
mantiene su enfoque en la creación, manipulación, análisis, e interpretación de modelos de

6
 regresión, así como en la descripción estadística y en el análisis de información. Es
importante mencionar que, con el propósito de ofrecer una mayor claridad en los resultados
presentados en la siguiente sección, se han aplicado comandos que eliminan la notación
científica.
La selección de variables obedece a la búsqueda de factores contextuales que
determinen los riesgos de defunción por COVID-19. Entre las independientes, es posible
encontrar variables continuas (Estancia), categóricas (Atención, Ola), y dicotómicas
(Empresa, Diagnóstico, Género); mientras que la variable dependiente (Defunción)
corresponde a una de doble categoría donde se establece si el paciente falleció. Cabe
señalar que, si bien muchos de ellos fueron escogidos con base en las sugerencias de la
revisión de literatura, se han incluido una serie de factores con un propósito plenamente
exploratorio. La Tabla n°1 ilustra esta sección de la metodología.

Variable Tipo de Codificación Efecto Estimado Fuentes

Variable

Empresa Dicotómica Privado: El paciente es de origen Desconocido Registro

particular o es un trabajador del Comercial de
propio grupo hospitalario. Pacientes
Aseguradora: el paciente proviene de COVID-19.
una aseguradora y cuenta con una
póliza de gastos médicos mayores.

Diagnóstico Dicotómica Sospechoso: El último diagnóstico Dado que fueron estos Registro Global
registrado corresponde a un caso quienes llegaban en peores de Pacientes
sospechoso. condiciones de salud, se COVID-19.
espera que el riesgo de morir
Confirmado: El último diagnóstico sea mayor en casos
registrado corresponde a un caso confirmados.
confirmado

Atención Categórica Ambulatorio: El paciente no requirió Los momios de morir frente a Registro Global
de hospitalizarse. sobrevivir aumentan de forma de Pacientes
radical si el paciente es COVID-19
Hospitalizado: El paciente requirió de intubado.
hospitalización, pero no de terapia

7
 intensiva.

Intubado: El paciente fue intubado en

terapia intensiva.

Género Dicotómica 0 si el género del paciente es En sintonía con la revisión de Registro

masculino, 1 si es femenino. literatura, se espera un Hospitalario A de
decremento en los momios de Pacientes
morir contra sobrevivir para COVID-19.
las mujeres.

Ola Categórica O1 para los pacientes que fueron Dado que se adquiere Archivo Médico
atendidos en los meses experiencia en el tratamiento del Hospital //
correspondientes a la primera ola de de los pacientes, se estima Registro Global
COVID-19 en México (Marzo-Julio que los momios de morir de Pacientes
2020) contra sobrevivir disminuyen COVID-19
conforme se aleje de la
O2 para los pacientes que fueron primera ola de referencia.
atendidos en los meses
correspondientes a la segunda ola de
COVID-19 en México (Agosto 2020-
Febrero 2021)

O3 para los pacientes que fueron

atendidos en los meses
correspondientes a la tercera ola de
COVID-19 en México (Marzo-
Septiembre 2021)

Estancia Continua Número de días desde la llegada del A mayor número de días Registro
paciente hasta su alta o defunción. internado, mayores serán los Comercial de
momios de morir contra Pacientes
sobrevivir. COVID-19
Tabla 1: Declaración de Variables. Fuentes: Elaboración propia.

Construcción de Modelos
Para realizar la construcción de los modelos, se comenzó planteando un prototipo
que incluía cada una de las variables declaradas anteriormente. Después de realizar pruebas
de ANOVA y de razones de verosimilitud, se determinó que era posible prescindir de la
8
variable de ola, ya que no presentaba una significancia estadística importante y empeoraba
algunas de las medidas de bondad de ajuste. Este proceso se repitió en dos ocasiones,
demostrando en primer lugar que Diagnóstico resultaba irrelevante para el modelo; y
posteriormente que la Empresa podría ser eliminada bajo el mismo criterio de un alto valor
p. En este sentido, ya que sobrevivieron de forma consistente a la diversidad de pruebas
realizadas, se mantienen en el modelo final las variables de Atención, Género, y Estancia.
A fin de ahondar en la comparación de modelos, se incluye la Tabla n°2. M0
representa a un prototipo con todas las variables, y M1, M2, y M3 prescinden en orden de
las variables de Ola, Diagnóstico, y Empresa. Podemos observar que la parsimonia del
modelo mejora al acercarnos a su versión final, aunque el PseudoR2 empeora y la Devianza
Residual aumenta. Sin embargo, en tanto que se mantienen solo las variables con una
verdadera significancia estadística y no se “inflan” las medidas de forma artificial, es
posible argumentar que el Modelo 3 es la mejor alternativa para explicar los momios de
fallecer frente a sobrevivir al COVID-19.

Criterio M0 M1 M2 M3 (Final)

Variables sin significancia estadística mayor

3 2 1 0
a 90%

Devianza Residual 290.51 291.26 291.73 292.54

AIC 308.51 305.26 303.73 302.54

PseudoR2 0.1854334 0.18334 0.1820185 0.1797489

Tabla 2: Comparativa entre modelos de regresión binomial. Fuentes: Elaboración Propia.

Cabe mencionar que el propósito inicial detrás de la inclusión de la variable de Ola

era el de actuar como reflejo de una diversidad de características. Por un lado, se
consideraba que este factor representaría de forma indirecta la mejoría en el tratamiento de
esta enfermedad a partir de la suma de experiencia de los médicos. Adicionalmente, en
tanto que representaba a una dimensión temporal, esta variable tenía el potencial de hacer
eco de los distintos puntos críticos de la pandemia. En este sentido, en tanto que
probablemente se trataba de una empresa demasiado ambiciosa y poco representativa de
situaciones específicas, se considera que es mejor separar esta variable a lo largo de los
bloques de las siguientes etapas de esta consultoría.

9
Resultados
En principio, es pertinente revisar algunos datos descriptivos de los pacientes del
hospital en cuestión con relación a las variables categóricas dependientes declaradas. Al
observar la Tabla n°3, podremos notar que 311 de las 379 observaciones en la base de datos
corresponden a sobrevivientes de COVID-19, mientras que 68 son de fallecidos por dicha
enfermedad. El 80.08% de las defunciones fueron de pacientes masculinos, y tan solo el
19.11% de ellas fue en mujeres. Asimismo, del 100% de las no defunciones, 45.33%
corresponde a pacientes ambulatorios, 52.41% a hospitalizados, y 2.25% a los intubados.
Cabe señalar que, en tanto que se trata de una variable continua, no se incluye aquí el efecto
de los días hospitalizados. Todos los datos provienen del hospital para el que se realiza la
consultoría.

Totales %

Variables No defunción Defunción No defunción Defunción

Género

Mujer 110 13 35.36% 19.11%

Hombre 201 55 64.63% 80.08%

Atención

Ambulatorio 141 7 45.33% 10.29%

Hospitalizado 163 48 52.41% 70.55%

Intubado 7 13 2.25% 19.11%

Total 311 68 100% 100%

Tabla 3: Estadísticas de los Pacientes en función de variables categóricas. Fuentes: Elaboración propia a partir de
Registro Comercial de Pacientes COVID-19, Registro Global de Pacientes COVID-19, Registro Hospitalario A de
Pacientes COVID-19.

Como se señaló en la sección anterior, se eliminaron tres variables del modelo final,
ya que éstas no presentaban una significancia estadística importante y no mejoraban
demasiado—o empeoraban—el ajuste de los datos. Podemos observar la representación del

10
modelo de regresión binomial en la Tabla n°4. En ella se incluyen los coeficientes de cada
variable, su significancia estadística, y las medidas de bondad de ajuste. Asimismo, se
presenta la ecuación del modelo definitivo con la omisión de la notación científica, por lo
que podemos descubrir la manera en la que afectan los momios de fallecer frente a
sobrevivir al COVID-19.
Descubrimos que el modelo seleccionado sólo incluye variables con altos grados de
significancia estadística entre 99% y 99.9%. Las medidas de bondad demuestran
parsimonia (AIC de 302.54), así como un buen ajuste a los datos analizados (Devianza
Residual de 292.54). Por otra parte, en tanto que se trata de un modelo de regresión
binomial, el PseudoR2 de 0.1797 es favorable denota que las variables seleccionadas
explican en gran medida la varianza en los momios de fallecer contra sobrevivir al COVID-
19. Este último aspecto cobra más sentido al pensar que este se trata de un primer bloque de
variables en la consultoría, por lo que ofrece un gran punto de partida para construir
mayores estudios.

Intercepto Estimado Error Std. Valor Z Pr (> |z|)

At. Hospitalizado -2.91818 0.41567 -7.020 0.00000000000221 ***

At. Intubado 1.20959 0.44543 2.716 0.00616 **

Femenino 2.88890 0.63787 4.529 0.00000592743717 ***

Estancia 0.07123 0.01880 3.788 0.000152 ***

Medidas de Bondad de Ajuste

Devianza Residual: 292.54 Devianza Nula: 356.65

AIC: 302.54 Pseudo R2: 0.1797489

Tabla 4: Resumen del Modelo Definitivo. Fuentes: Elaboración Propia

A partir de la interpretación de la ecuación de este modelo de regresión binomial

(Ilustración 1), podemos cuantificar el efecto de cada variable sobre los momios de fallecer
frente a sobrevivir al COVID-19. En primer lugar, descubrimos que, con respecto de ser un
paciente ambulatorio, ser hospitalizado multiplica los momios 3.3521 veces, mientras que
ser intubado lo hace en 17.9735 veces. Adicionalmente, en sintonía con la literatura
revisada, descubrimos que el riesgo de morir por esta enfermedad se reduce casi a la mitad

11
en pacientes femeninos frente a los masculinos. En cuanto a los días de estancia, cada
aumento de una variación estándar aumentará en 1.0738 los momios descritos
anteriormente.

Ilustración 1: Ecuación del Modelo Definitivo

Conclusiones y Comentarios Finales

12
 Bibliografía

Consejo Nacional de Evaluación de la Política de Desarrollo Social, “Nota técnica sobre la

carencia por acceso a los servicios de salud, 2018-2020”, CONEVAL, 5 de Agosto
de 2021,
https://www.coneval.org.mx/Medicion/MP/Documents/MMP_2018_2020/Notas_po
breza_2020/Nota_tecnica_sobre_la_carencia_por_acceso_a_los_servicios_de_salud
_2018_2020.pdf

Dirección General de Epidemiología, “Datos Abiertos Dirección General de

Epidemiología”, Gobierno de México, 3 de diciembre de 2021,
https://www.gob.mx/salud/documentos/datos-abiertos-152127.

Gobierno de la Ciudad de México, “Datos abiertos sobre salud pública, acciones sociales y
gasto público en la Ciudad de México”, Portal de Datos Abiertos, 3 de diciembre de
2021, https://paginas.datos.cdmx.gob.mx/transparencia-covid
Gómez Dantés, Octavio, et al., “Sistema de salud de México”, Salud Pública Méx 53,
(Enero 2011): 220-232. http://www.scielo.org.mx/scielo.php?
script=sci_arttext&pid=S0036-36342011000800017

Instituto Mexicano del Seguro Social, “El Director General del IMSS sostiene reunión de
trabajo con el Consorcio Mexicano de Hospitales para realizar un balance de los
resultados obtenidos en el trabajo conjunto”, Gobierno de México, Noviembre 2020,
http://www.imss.gob.mx/prensa/archivo/202011/744

Instituto Nacional de Estadística y Geografía, “Población según condición de afiliación a

servicios de salud y sexo por entidad federativa, 2020”, Salud y Seguridad Social,

13
 https://www.inegi.org.mx/app/tabulados/interactivos/?
pxq=Derechohabiencia_Derechohabiencia_01_3e83e8a1-690d-4cfb-8af0-
a1e675979b3e&idrt=143&opc=t

Jaramillo, Máximo Ernesto, Zazueta Barboa, Jesús D., “El impacto desigual de la
pandemia: Determinantes socioeconómicas y de salud en las tasas de fatalidad del
Covid-19 en México.”, Revista de Administración Pública No.152, Vol. LV No. 2,
(Mayo-Agosto 2020), pp. 91:107.

Procuraduría Federal del Consumidor, “Transparencia en el precio de hospitales”,

Gobierno de México, 4 de junio de 2021,
https://www.gob.mx/profeco/es/articulos/transparencia-en-precios-de-hospitales?
idiom=es

Sánchez Talanquer, Mariano, “La letalidad hospitalaria por covid-19 en México:

desigualdades institucionales”, Revista Nexos, Agosto 18 de 2020,
https://datos.nexos.com.mx/la-letalidad-hospitalaria-por-covid-19-en-mexico-
desigualdades-institucionales/

Suárez, V. et al., “Epidemiología de COVID-19 en México: del 27 de febrero al 30 de abril

de 2020.”, Revista Clínica Española 220, no.8, (2020): 463-471.
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7250750/

University of California, “Mexico's Response to Covid-19: A Case Study”, Institute for

Global Health Sciences, 12 de abril de 2021.

14