Gran Santiago: estudio revela “zonas de riesgo” ante el coronavirus
![Metro Baquedano Coronavirus](https://www.latercera.com/resizer/v2/7TK3ATSWHJAB3G53HHOQTXAZYY.jpg?quality=80&smart=true&auth=00cd3177f7941827c44e7f0353f696cbecc35efcdc0a7f35ced1a78b7a6d8bcc&width=690&height=502)
Un cruce de información hecho por la consultora Unholster junto al economista Alexander Galetovic, a partir de la información de edad y domicilio presente en el padrón electoral y el perfil etario de fallecidos por coronavirus, muestra cómo varían los perfiles a lo largo de la capital e incluso entre sectores de una misma comuna.
¿Cómo detectar zonas complejas en la lucha contra el coronavirus en un universo de cerca de ocho millones de personas? Esa es la disyuntiva a la que se enfrenta Chile desde hace un par de semanas, con la explosión del brote en el Gran Santiago, y que ha llevado a medidas extremas, como una cuarentena general, que al menos durará 14 días, y la repartición, casa por casa, de la mayor parte de los 2,5 millones de cajas de mercadería anunciadas el domingo por el Presidente Sebastián Piñera.
Y es la premisa desde la que partió la consultora de big data Unholster para hacer lo que denominaron como un “mapa de riesgo potencial” de la capital. En conjunto con el economista Alexander Galetovic, la firma realizó un análisis extrayendo información de edad y domicilios a partir del padrón electoral y cruzando esos datos con los disponibles en cuanto al perfil de los fallecidos por Covid-19.
“El gráfico muestra el indicador de riesgo de muerte por edad, calculado a partir de la distribución de las edades de las personas que han muerto en Chile por Covid-19, Usamos ese indicador para cuantificar cómo varía el riesgo de muerte con la edad. Y luego identificamos las zonas de mayor riesgo en la ciudad, tanto por la edad de los adultos mayores de 60 años que habitan en una dirección, como por el número que ahí se concentra”, explica Galetovic.
Dicho ejercicio genera un perfil de aquellas zonas más vulnerables de cada una de las comunas de Santiago ante la epidemia por concentración de habitantes con un perfil de riesgo alto. Un elemento que, de acuerdo a sus autores, debiera ser tenido en cuenta como un punto de partida a la hora de elaborar estrategias de ayuda y protección sectorizadas.
Focos identificados
Cristóbal Huneeus, director de Data Science de Unholster, exhibe un mapa donde se ve prácticamente toda una comuna en verde, pero uno de sus sectores en rojo. El municipio es La Reina, y la zona identificada con este último color es la villa que lleva el mismo nombre de la comuna. De acuerdo al estudio, en ese lugar hay una concentración mayor de habitantes en riesgo por su perfil etario y, por ende, sería un lugar donde se requieren más protecciones.
La contraposición es el caso de Puente Alto, donde gran parte de la comuna aparece en tonos rojos, definidos en el trabajo como los que identifican a los lugares con mayores probabilidades de enfrentar situaciones complicadas.
“La ubicación geográfica de donde vive la gente mayor de 60 años no es pareja entre comunas de Santiago ni dentro de una misma comuna. La estrategia de focalizar recursos, desde cajas hasta testeo, tiene que tomar en cuenta esta información para tener más impacto”, dice Huneeus.
Antonio Díaz-Araujo, gerente de Unholster y director de Espacio Público, plantea que el cruce permite identificar, además, municipios con mayores puntos críticos. “Comunas como Puente Alto y La Florida necesitan solidaridad de comunas como Lo Barnechea, La Reina y Vitacura, que tienen focos muy definidos. Puente Alto y La Florida no tienen ese único foco: toda la comuna es prioridad”, afirma.
De hecho, si bien el estudio es concordante en el hecho de que municipios como los dos últimos, La Pintana, La Granja, Pedro Aguirre Cerda, Recoleta, El Bosque y San Ramón -entre los que tienen mayor cantidad de casos activos por habitante- aparecen con alta concentración de población de riesgo, también advierte de bolsones complejos en otras comunas que al menos hasta los últimos informes epidemiológicos aparecen en una mejor posición relativa, como Pudahuel o Maipú.
Decisiones desde los datos
Galetovic va más allá, indicando que “esta variación muestra que la cobertura geográfica necesaria es menor que toda la ciudad, y que seguramente los medios logísticos para llegar a los adultos mayores varían. Seguramente, quienes viven en zonas donde el riesgo es bajo ya están siendo atendidos por parientes, cuestión que sería conveniente que las autoridades averiguaran”.
“Nada impide que en esas zonas la ayuda sea prestada por voluntarios que vayan casa por casa y les ofrezcan ayuda a los adultos mayores. Pero comunas como Puente Alto o Maipú necesitan logística profesional y el Estado debe subcontratarla. No basta la solidaridad, porque por sí sola es ineficaz”, señala el economista.
Eso sí, los propios autores del trabajo reconocen las limitaciones del análisis. Como muestra, plantean que tener desagregados los casos y fallecimientos por sexo, edad y comuna ayudaría a entender las dinámicas de propagación, lo que, combinado con elementos como la trazabilidad de los desplazamientos en la capital, podrían permitir la generación de estrategias sofisticadas y estudios que ayuden a detectar posibles riesgos.
“Tenemos datos, tenemos capital humano y lo podemos hacer mucho mejor de lo que estamos haciendo. No lo digo livianamente: hay talento en este país para transformar datos en información sobre la cual actores como el Minsal y municipios puedan actuar en pro de salvar vidas", concluye Díaz-Araujo.
![mapa calor santiago covid-19](https://www.latercera.com/resizer/v2/HZK7XFHECVABPDQ6LDSLJ2IFRM.png?quality=80&smart=true&auth=998dd3bb2eabdf5fdc4d44e2890211bfca0f13b6886ccfe9e768cfc68fce4b31&width=790&height=644)
Geolocalización
Estadísticas del padrón
La base para el ejercicio de Unholster es el padrón electoral actualizado en 2020. Así, puede tener márgenes de error si es que una persona está inscrita en un domicilio que no corresponde al lugar actual donde está viviendo.
Otros factores
Unholster ha analizado el efecto de otros elementos, como la distancia a centros asistenciales, en relación a las perspectivas de la población frente al coronavirus. Una dificultad es que no existen datos desagregados públicos anónimos a nivel de persona para analizar.
Comenta
Por favor, inicia sesión en La Tercera para acceder a los comentarios.