“El tiempo es un problema para nosotros, un tembloroso y exigente problema, acaso el más vital de la metafísica,” afirma Borges
«Cada ser humano sabe que morirá, aunque ignora cuándo; anticipa su muerte mediante la conciencia de sí mismo. Es probable que enfrentar esta ansiedad normal ante la finitud y la muerte constituya, de hecho, el incentivo más eficaz del individuo para extraer lo máximo posible de los meses o años que le faltan para que la muerte lo derribe». Rollo May (2009). El dilema del hombre: Respuestas a los problemas del amor y de la angustia.
Utilizar métricas de mortalidad y años de vida perdidos para evaluar el desempeño del sistema sanitario e informar la política sanitaria
Este trabajo del New England Journal of Medicine Catalyst, importa porque muestra que una cobertura de un plan de salud es superior en cuanto a los años de vida perdidos y a la mortalidad entre los que están cubiertos solo por sistemas como el Medicare u otros, o los que no tienen cobertura formal.
Elizabeth A. McGlynn, PhD, Laura Dwyer-Lindgren, PhD, MPH, Anna C. Davis, PhD, Zhuochen Li, MS, John L. Adams, PhD, Ali H. Mokdad, PhD
October 2025
El estudio analiza el impacto de la afiliación a Kaiser Permanente (KP) en Estados Unidos sobre la mortalidad y los años de vida perdidos (YLL) en comparación con no afiliados en las mismas comunidades y la población nacional, usando datos de 2010 a 2022. KP, en colaboración con el Instituto de Métricas y Evaluación de la Salud (IHME), midió y comparó tasas de mortalidad y YLL para evaluar si alcanzaba su meta estratégica de mejorar la salud de sus miembros y comunidades. Entre 2010 y 2019, los afiliados a KP presentaron consistentemente tasas de mortalidad y YLL más bajas, y mayores descensos en ambos indicadores, que los no afiliados y la población general. Las disparidades por raza y etnia fueron menores dentro de KP y disminuyeron con el tiempo. Aunque durante la pandemia de Covid-19 aumentaron las tasas de mortalidad y YLL, los incrementos fueron menores entre los miembros de KP que a nivel nacional. El análisis indica que ni la presencia de personas sin seguro ni los efectos de selección explican por completo las diferencias observadas; la calidad y efectividad de los procesos de atención de KP parecen jugar un papel relevante. El enfoque metodológico utilizado por KP e IHME podría replicarse en otros sistemas de salud para fomentar el aprendizaje y la mejora de resultados en salud poblacional. El estudio sugiere que la afiliación a KP se asocia con mejores resultados globales de salud y menor inequidad, aunque persisten retos, especialmente en grupos raciales y étnicos específicos.
Los planes de salud en Estados Unidos no suelen haber examinado los resultados generales de mortalidad de sus inscritos.
Kaiser Permanente (KP) colaboró con el Instituto de Métricas y Evaluación de la Salud (IHME) de la Universidad de Washington para complementar el conjunto existente de medidas de calidad de KP con estimaciones de tasas de mortalidad y tasas de años de vida perdidos (YLL) para los miembros de KP.
Este trabajo fue diseñado para informar si KP estaba cumpliendo o no su objetivo estratégico de mejorar los resultados en salud de sus miembros y para estimular un diálogo nacional sobre cómo diferentes diseños de sistemas contribuyen a la salud de las poblaciones de las que los sistemas son responsables.
Los resultados para los miembros de KP se comparan con los no miembros en las comunidades donde opera KP y con la población general de Estados Unidos.
Los autores analizan las tendencias de las tres poblaciones durante el periodo de 10 años de 2010 a 2019, previo a la pandemia de Covid-19, y de 2019 a 2022 solo para KP y Estados Unidos; Las estimaciones de la comunidad no estaban disponibles más allá de 2019.
Durante el periodo inicial de estudio de 10 años, los miembros de KP tuvieron tasas de mortalidad y YLL más bajas y experimentaron mayores descensos en ese tiempo que los no miembros que viven en las comunidades donde opera KP («la comunidad»); de manera similar, la comunidad tenía tasas de mortalidad y YLL más bajas y experimentó mayores disminuciones a lo largo del tiempo que la población total de Estados Unidos.
Las tasas de mortalidad entre los miembros de KP fueron más bajas que en la comunidad para todos los grupos raciales y étnicos. La magnitud de las diferencias entre los grupos raciales y étnicos con las tasas de mortalidad más altas y más bajas también fue menor entre los miembros de KP que en la comunidad. KP —al igual que Estados Unidos en general— experimentó un aumento de las tasas de mortalidad durante los primeros años del Covid-19, pero las tasas de aumento entre los miembros de KP fueron sustancialmente menores que los incrementos ocurridos a nivel nacional.
Aunque los autores reconocen que parte de las diferencias observadas probablemente se deban a efectos de selección o a la presencia de personas sin seguro médico en la comunidad y en Estados Unidos, ofrecen perspectivas sobre por qué esto explica solo una parte de las diferencias.
Los resultados de este estudio son coherentes con los datos publicados sobre el rendimiento de KP en una variedad de medidas de calidad de procesos y ofrecen una métrica resumida de resultados que complementa la amplia colección de métricas de calidad específicas de la enfermedad que KP también monitoriza a lo largo del tiempo.
El proceso para medir los resultados de mortalidad a nivel de plan de salud que KP creó en colaboración con el IHME podría replicarse en otros sistemas sanitarios estadounidenses. Este tipo de análisis podría contribuir a una mejor comprensión de qué diseños organizativos y acciones del sistema de entrega están asociados con una mejor salud.
Introducción
El rendimiento del sistema sanitario estadounidense es generalmente inferior al de otros países.1 Existe una variación geográfica considerable en los resultados sanitarios2 y en el gasto3 en todo Estados Unidos, y hay poca evidencia de que gastar más logre mejores resultados.4,5 También existe una heterogeneidad considerable en cómo se organizan y prestan los servicios sanitarios estadounidenses. Se han implementado diversas soluciones políticas para abordar uno o más factores que causan deficiencias en el rendimiento del sistema sanitario estadounidense, incluyendo incentivos para adoptar tecnologías de la información sanitaria, ampliación de la cobertura de seguros privados y públicos y apoyo a compras basadas en el valor. La investigación se ha centrado típicamente en el impacto incremental de estas soluciones políticas en los resultados.6-12 Pocos esfuerzos han analizado cómo las diferentes combinaciones de soluciones organizativas, financieras y de responsabilidad se asocian con los resultados. Por lo tanto, los responsables políticos y los líderes sanitarios tienen conocimientos limitados sobre la efectividad comparativa de los diferentes diseños de sistemas para contribuir a la salud.
Desde 1945, la misión de Kaiser Permanente (KP) ha sido ofrecer servicios sanitarios de alta calidad y asequibles, así como mejorar la salud de nuestros miembros y de las comunidades a las que servimos. KP tiene una larga trayectoria de medición y seguimiento del rendimiento de calidad en la gestión de la salud poblacional, la elaboración de informes públicos, incentivos externos e internos basados en la calidad, y otras funciones esenciales de gestión de cuidados y planes de salud.
En el plan estratégico de Kaiser Permanent para 2020 a 2025, uno de los cinco objetivos estratégicos era ofrecer una calidad superior y promover resultados de salud equitativos para nuestros miembros, así como mejorar las condiciones de salud en nuestras comunidades.
KP había adoptado previamente una visión de equidad que afirmaba que seríamos líderes en la eliminación de disparidades en salud y atención sanitaria, proporcionaríamos una atención equitativa a nuestros miembros, dirigiríamos recursos a áreas de necesidad en las comunidades a las que servimos e identificaríamos estrategias y políticas que apoyaran la equidad en salud. Para medir el rendimiento en estos objetivos, ampliamos el conjunto de medidas de calidad que seguimos rutinariamente (proceso clínico, experiencia de miembros y pacientes, acceso, resultados intermedios específicos de la enfermedad) para incluir métricas de mortalidad y años de vida perdidos (YLL). A diferencia de la mayoría de las medidas de calidad que monitorizamos habitualmente, los resultados de mortalidad se aplican a todos los miembros independientemente de su edad, estado de salud, ubicación geográfica o fuente de cobertura del seguro, y pueden utilizarse para evaluar la salud poblacional a diferentes niveles (sistema, comunidad, nación) y a lo largo del tiempo. La mayor parte del monitoreo de calidad de KP compara nuestro rendimiento con los estándares nacionales utilizando medidas estandarizadas.
Para crear comparaciones para este trabajo basadas en una metodología coherente, KP mantuvo una colaboración de investigación con el Instituto de Métricas y Evaluación de la Salud (IHME) de la Universidad de Washington.
El IHME fue seleccionado porque contaba con un método establecido para producir estimaciones de mortalidad y YLL por todas las causas y causas, y previamente había elaborado resultados para Estados Unidos y los condados de EE. UU., así como para otros países de todo el mundo.2,13-16
Utilizando datos de KP sobre su población de miembros y muertes de miembros, el IHME aplicó su enfoque analítico para generar resultados para los miembros de KP y comparar esos resultados con los resultados en las comunidades en las que KP opere, y los Estados Unidos.
Esta investigación es, por su naturaleza, observacional. No se asigna a las personas al azar a tipos de seguros (comercial, Medicare, Medicaid, sin seguro) ni a compañías de seguros específicas. Así, entendimos desde el principio que no podíamos establecer un vínculo causal entre la intervención (pertenencia a la KP) y los resultados (mortalidad), ni concluir que las estimaciones representaran efectos del tratamiento.
Más bien, nos interesaba examinar el rendimiento relativo de KP a lo largo del tiempo en comparación con las comunidades en las que opera y Estados Unidos, para fomentar un diálogo nacional sobre la efectividad comparativa de diferentes diseños de sistemas de prestación.
Métodos
Enfoque e Innovación
KP buscó desarrollar un enfoque para medir si estábamos logrando nuestro objetivo estratégico de mejorar la salud de nuestros miembros y determinar si los resultados de mortalidad eran apropiados para este propósito. Un grupo de trabajo interno de KP desarrolló un marco conceptual para caracterizar el proceso mediante el cual se podían lograr mejoras en los resultados de salud. Revisamos la literatura que describe los principales factores que contribuyen a la salud general — factores físicos, mentales, sociales y comportamientos relacionados con la salud — y las formas en que están interrelacionados e interactúan con el contexto social y ambiental más amplio a través de vías complejas para influir en los resultados de salud. Consideramos qué acciones podría tomar un sistema sanitario para mejorar los resultados (por ejemplo, cribado y tratamiento del cáncer, control de la presión arterial, tratamiento eficaz de los ictus, manejo del embarazo, identificación y tratamiento de la depresión).
Identificamos los tipos de inversiones que pueden realizarse para mejorar las condiciones de salud en las comunidades (por ejemplo, abordando la vivienda, la inseguridad alimentaria y la gestión ambiental).
Este marco confirmó que nuestra selección de resultados de mortalidad y YLL era adecuada para nuestros propósitos. La colaboración con el IHME nos permitió hacer comparaciones con nuestras comunidades y Estados Unidos. Además, dado que el IHME actualiza rutinariamente sus estimaciones a través del proyecto Global Burden of Disease (GBD), y nuestro método para proporcionar datos específicos de KP se basa en procesos internos rutinarios, este enfoque se consideró sostenible durante varios años. Este enfoque fue innovador en varios aspectos. KP no había examinado previamente los resultados de mortalidad por todas las causas para toda su población miembro ni había utilizado un método directo para examinar cómo se compararían sus resultados de mortalidad con un punto de referencia. El comparador comunitario fue una innovación conjunta; nos preocupaba que una comparación con el rendimiento general de EE. UU. pudiera considerarse injusta porque KP no opera en todos los estados ni en muchos estados con resultados peores conocidos. Al construir una comparación geográfica adaptada a la huella de KP, creamos un grupo de comparación más justo. Otros sistemas sanitarios estadounidenses podrían adoptar este enfoque para su geografía específica.
Setting
KP comprende tres entidades — Planes de Salud de la Fundación Kaiser (KFHP), Hospitales de la Fundación Kaiser (KFH) y los Grupos Médicos Permanentes (PMGs) — que operan colectivamente para proporcionar atención y cobertura integradas a 12,6 millones de miembros en ocho regiones: Norte de California, Sur de California, Colorado, Georgia, Hawái, Estados del Atlántico Medio (Distrito de Columbia y partes de Maryland y Virginia), Noroeste (Oregón y partes del suroeste de Washington), y Washington. KFH gestiona 40 hospitales y más de 720 otras instalaciones clínicas.
Los PMG son consultas de grupos médicos autogestionados en cada mercado que contratan exclusivamente con KFHP y sus filiales para satisfacer las necesidades de salud de los miembros de KP.
En las comunidades donde opera KP, la cuota de mercado comercial de KP fue del 28% (rango entre regiones, 7%–41%) en 2010 y del 30% (rango, 9%–47%) en 2019. La cuota de mercado de Medicare de KP en las comunidades fue del 16% (rango, 3%–25%) en 2010 y del 18% (rango, 4%–29%) en 2019.
En estas comunidades, los principales competidores de KP suelen ser grandes aseguradoras nacionales como UnitedHealthcare y los planes Blue Cross/Blue Shield; Los competidores de Medicare también incluyen Humana.
Población
Definimos tres grupos poblacionales para el análisis: miembros de KP, miembros no KP que viven en las comunidades donde opera KP (la comunidad) y Estados Unidos. La población KP se definía como los miembros de cada región KP que se inscribían en cualquier momento dentro del periodo de 90 días comprendido entre el 1 de abril y el 1 de julio de cada año. La región de KP Mid-Atlantic States fue excluida de este estudio debido a datos incompletos sobre las causas de muerte durante algunos años del estudio. La comunidad se definió como personas que no estaban inscritas en KP y vivían en los condados en los que KP tenía licencia para ofrecer seguro de salud comercial en 2019. Estados Unidos se definía como la población de los 50 estados y Washington, D.C. La población KP y la población comunitaria son mutuamente excluyentes, pero ambas están incluidas en la población de EE. UU.
Fuentes de datos
Los datos para la población miembro de KP se extrajeron de repositorios internos administrativos y de investigación. Las características de los miembros de KP incluían periodos de membresía, demografía y datos censales geográficamente vinculados basados en las direcciones residenciales de los miembros tanto para periodos actuales como históricos.
Los denominadores poblacionales se obtuvieron tabulando datos por grupo de edad, sexo, raza y grupo étnico (no nativo latino americano o nativo de Alaska [AI/AN], asiático o isleño del Pacífico no latino [API], negro o afroamericano no latino [negro], hispano o latino [latino], y blanco no latino [blanco]), región KP y año.
Utilizamos estas categorías raciales y étnicas porque son las que están consistentemente disponibles en las estadísticas vitales de EE. UU. durante el periodo del estudio.
La principal fuente de datos sobre raza y etnia para los miembros de KP (86%) fueron los autoinformes de los miembros durante la inscripción o las visitas de atención médica. Se utilizó el método bayesiano de Geocodificación de Apellidos Mejorados para estimar un grupo probabilístico de raza y etnia para quienes no tenían datos autodeclarados.17,18
KP construyó previamente repositorios de datos de defunciones en cada región basados en una combinación de estadísticas vitales estatales, Administración de la Seguridad Social, Índice Nacional de Defunciones y defunciones registradas en instalaciones KP. Los repositorios se construyeron utilizando procesos de vinculación deterministas y probabilísticas que emparejaron registros externos de defunción con registros internos de defunción y registros de membresía de KP.19-21 Estos repositorios se han utilizado en múltiples estudios de investigación.22 Para las comparaciones sociodemográficas de KP con la comunidad y Estados Unidos, se utilizaron datos a nivel de tramo de la Encuesta Comunitaria Americana (ACS) de la Oficina del Censo de los Estados Unidos para los años 2010 y 2019.23-26 Instantáneas de datos para los miembros KP en el finales de 2010 y 2019 se agregaron a los sectores censales, y elementos de datos adicionales (por ejemplo, ingresos, educación) que no estaban disponibles para los miembros de KP a nivel individual se sumaron desde ACS a nivel de parcela. Los datos del censo para la población general en las áreas de servicio de KP se recopilaron a partir de archivos de datos a nivel de tramo, y se construyeron estimaciones comunitarias restando los conteos correspondientes de miembros de los totales poblacionales para cada característica para llegar a los conteos de no miembros en cada una de las comunidades en las que opera KP. Finalmente, las estimaciones estadounidenses se definieron basándose en datos agregados a nivel de tramo para todos los sectores de Estados Unidos e incluyen a los miembros de KP. Hay más detalles disponibles en el Apéndice. Los datos sobre la población total para crear las estimaciones comunitarias de mortalidad y YLL se basaron en la serie «Estimaciones de Población Ponte-Raza» del Centro Nacional de Estadísticas de Salud.27,28 Los datos sobre muertes para crear las estimaciones comunitarias se basaron en un análisis anterior que estimaba las tasas de mortalidad por todas las causas por condado y grupo racial y étnico16 utilizando datos de certificados de defunción para la población total del Sistema Nacional de Estadísticas Vitales, 29 e incorporaron correcciones para tener en cuenta la declaración incorrecta de identidad racial y étnica en los certificados de defunción.30 Tanto los datos de población como los de defunción para la población total se subagruparon en los condados de la región de servicio KP para producir las estimaciones comunitarias. Finalmente, se obtuvieron estimaciones específicas por edad de las tasas de mortalidad por todas las causas y tasas YLL para Estados Unidos en general, a partir del estudio GBD31 para 2010 a 2019, y de la base de datos WONDER de los CDC (Centers for Disease Control and Prevention con datos ONrange Data for Epidemiologic Research) para 2019 a 2022 (solo mortalidad por todas las causas).32,33 Este estudio fue aprobado por los comités de revisión institucionales (IRB) de los estados de California y Oregón y por el IRB interregional KP. Para las regiones KP basándose en datos del Índice Nacional de Mortalidad (NDI) para la causa de la muerte, obtuvimos la aprobación del CDC para utilizar los datos de este estudio.
Análisis estadístico
Ajustamos por separado un modelo generalizado de efectos mixtos lineales para hombres y mujeres para estimar las tasas de mortalidad por todas las causas entre los miembros de KP por región, raza y grupo étnico, año, edad y sexo. Los modelos se montaron usando el paquete TMB (Template Model Builder) 34 en la versión 4.2.2 de R. (Véase el Apéndice para detalles sobre los modelos y el enfoque.) Las estimaciones de las tasas de mortalidad por todas las causas a nivel de condado para la población total se derivaron de un análisis previo de la mortalidad por todas las causas por condado, raza y grupo étnico, año, edad y sexo,16 multiplicado por población para obtener estimaciones del número de muertes y agregado a nivel regional. La población y las muertes por todas las causas de no miembros en las comunidades donde opera KP (la comunidad) se calcularon restando la población KP y las muertes de la población total agregada del condado y las muertes de cada región de servicio KP. La tasa de mortalidad de la comunidad se calculó entonces utilizando la población no KP y las muertes. Luego estimamos por separado las tasas YLL para KP y para miembros de la comunidad. Las tasas YLL se calcularon multiplicando la tasa estimada de mortalidad en cada grupo de edad por la esperanza de vida a la edad media de fallecimiento en ese mismo grupo de edad a partir de la tabla de referencia de vida utilizada por el estudio GBD, que se basa en las tasas de mortalidad más bajas observadas en cada grupo de edad a nivel global.35 La edad media al morir en cada grupo de edad se extrajo de tablas de vida construidas a partir de tasas estimadas de mortalidad utilizando métodos demográficos estándar.36
Las estimaciones de mortalidad y tasas de YLL para todas las regiones KP combinadas, para todos los grupos raciales y étnicos combinados, y para hombres y mujeres juntos se calcularon como promedios poblacionales ponderados por población de tasas específicas por región, raza, etnia y sexo. Todas las estimaciones de KP y comunidades reportadas fueron posteriormente estandarizadas directamente por edad a la población del censo decenal de Estados Unidos de 2010. De manera similar, estandarizamos directamente las estimaciones por edad para Estados Unidos en general utilizando las tablas de población del censo decenal de 2010 para crear tasas de mortalidad estandarizadas por edad de GBD y CDC que fueran comparables a los resultados de KP y la comunidad. Debido a que la pandemia provocó una nueva y significativa causa de muerte en Estados Unidos, la IHME tuvo que actualizar sus modelos para tener en cuenta la Covid-19. Por tanto, aún no existen comparaciones con la comunidad para el periodo más reciente. Decidimos analizar por separado la trayectoria de los resultados antes de la pandemia (2010–2019) y luego los resultados durante la pandemia (2020–2022) solo para las poblaciones de KP y Estados Unidos, siendo 2022 el último año en que los registros de estadísticas vitales de KP estuvieron completos.
Resultados
La Tabla 1 compara las características sociodemográficas de los miembros de KP, la comunidad (no miembros KP en las comunidades donde opera KP) y Estados Unidos en 2019. Los patrones son generalmente consistentes durante el periodo de estudio (véase Apéndice, Tabla Suplementaria e2 para los resultados de 2010). Las características sociodemográficas de los miembros de KP son similares a las de la comunidad, sin que ninguna de las diferencias, salvo la tasa de no seguro, supere los 5 puntos porcentuales. Se encuentran diferencias superiores a 5 puntos porcentuales entre los miembros de KP y la población total de Estados Unidos en la composición racial y étnica de las poblaciones, los ingresos y las tasas de no seguro.
Tasas de mortalidad estandarizadas por edad, 2010–2019
En 2010, al inicio de nuestro periodo de estudio, la tasa general de mortalidad estandarizada por edad en Estados Unidos era de 801 por cada 100.000 habitantes, en comparación con 753 por cada 100.000 en la comunidad y 599 por cada 100.000 miembros de KP (Figura 1A). Esto representó una tasa de mortalidad un 20,5% menor para los miembros de KP que en la comunidad y un 25,2% menor que en Estados Unidos en 2010.
A continuación examinamos las tendencias de 2010 a 2019. Dado que los cambios relativos en las tasas pueden no contar una historia completa, dadas las diferentes tasas iniciales, la Figura 1 facilita la consideración tanto de los cambios absolutos como relativos a lo largo del tiempo. Para 2019 (Figura 1A y Figura 1B), la tasa de mortalidad en Estados Unidos había disminuido a 779 por cada 100.000 habitantes (reducción del 2,7% respecto a 2010), la tasa en las comunidades había disminuido a 710 por cada 100.000 (reducción del 5,7% respecto a 2010), y la tasa KP había disminuido a 558 por cada 100.000 habitantes (reducción del 6,9% respecto a 2010). El aumento de las tasas de mortalidad observado en las tres poblaciones a partir de 2014 y 2015 ha sido objeto de debate a nivel nacional, aunque no existe una explicación sencilla y única. En 2015, se observaron aumentos en 8 de las 10 principales causas de muerte.37
Como ilustra la Figura 2, las tasas de mortalidad entre los miembros de KP (Figura 2A) fueron más bajas que en la comunidad (Figura 2B) para todos los grupos raciales y étnicos, con las mayores diferencias encontradas entre las poblaciones IA/AN y negras.
Tasas de mortalidad estandarizadas por edad por todas las causas para Kaiser Permanente, la comunidad y Estados Unidos.
Esta cifra muestra que la tasa de mortalidad por todas las causas fue consistentemente más baja para los miembros de Kaiser Permanente (KP) que para los no miembros en las comunidades donde opera KP (la comunidad), y menor que la de la población estadounidense entre 2010 y 2019, como se muestra en el Panel A. El gráfico del Panel B muestra el cambio relativo en la tasa de mortalidad en comparación con el año base 2010; cabe destacar que la población KP experimentó consistentemente una mejora mayor que los dos comparadores, con una reducción global del 6,9% en la tasa de mortalidad en 2019, frente a una reducción del 5,7% en la comunidad y una reducción del 2,7% en la población total de EE. UU.
Las diferencias entre los grupos con las tasas de mortalidad más altas y más bajas también fueron mayores en la comunidad que en la población KP. Entre los miembros de KP (Figura 2A), las tasas de mortalidad en 2010 para los miembros negros fueron de 702 por cada 100.000 en comparación con 458 por cada 100.000 para los miembros de la API (diferencia del 34,7%). En 2019, las tasas fueron de 653 por cada 100.000 frente a 432 por cada 100.000, respectivamente (una diferencia del 33,9%). En la comunidad (Figura 2B), las tasas de mortalidad en 2010 fueron de 1.128 por cada 100.000 para los miembros de AI/AN y 506 por cada 100.000 para los miembros de la API (55,2% de diferencia), y fueron de 1.114 por cada 100.000 frente a 466 por cada 100.000 en 2019 (58,2% de diferencia).
Tasa de mortalidad estandarizada por edad por todas las causas por raza y etnia, 2010–2019
Esta cifra muestra que en todos los años de 2010 a 2019, la tasa de mortalidad por todas las causas, estandarizada por edad por raza y etnia para los miembros de Kaiser Permanente (KP) (mostrada en el Panel A) fue consistentemente inferior a la de la comunidad (mostrada en el Panel B). Además, la variación entre diferentes grupos raciales y étnicos era menor dentro de la población KP que en la comunidad. De hecho, la brecha entre los miembros de KP se reduce ligeramente, pasando de una diferencia de 244 por cada 100.000 en 2010 a una diferencia de 221 por cada 100.000 en 2019. En la comunidad, la brecha se amplió ligeramente durante ese tiempo, pasando de una diferencia de 622 por cada 100.000 en 2010 a una brecha de 648 por cada 100.000 en 2019.
En la comunidad, las mayores caídas en las tasas de mortalidad durante el periodo de 10 años se produjeron entre las poblaciones API y negras (disminuciones del 7,9% y 7,8% entre 2010 y 2019, respectivamente; Apéndice, Tabla Suplementaria e4). Entre los miembros de KP, las mayores caídas en las tasas de mortalidad se produjeron entre los latinos (disminución del 8,8%), seguidos por los miembros negros (disminución del 7,0%).
Tasas de años de vida estandarizados por edad, 2010–2019
En consonancia con el patrón de las tasas de mortalidad, encontramos que en 2010, las tasas YLL para los miembros de KP eran de 10.141 por cada 100.000 en comparación con 14.695 por 100.000 en la comunidad y 17.099 por cada causa para Kaiser Permanente, la comunidad y Estados Unidos. Esta cifra muestra que, de 2010 a 2019, Los miembros de Kaiser Permanente (KP) tuvieron consistentemente menos años de vida estandarizados por edad (YLL) por cada 100.000 habitantes por cada 100.000 habitantes que la comunidad y Estados Unidos en general, como se muestra en el Panel A. Además, como se observa en el Panel B, en comparación con 2010, para 2019 hubo una mayor mejora en YLL entre los miembros de KP (reducción del 9,1%) que en la comunidad (reducción del 4,2%) y en Estados Unidos en general (reducción del 1,4%).
100.000 en Estados Unidos (Figura 3A). En 2019, las tasas YLL para los miembros de KP eran de 9.216 por cada 100.000, frente a 14.079 por cada 100.000 en la comunidad (34,5% de diferencia) y 16.852 por cada 100.000 en Estados Unidos (45,3% de diferencia). Los resultados reflejaron una mayor tasa de mejora a lo largo del tiempo para KP (Figura 3B), con una reducción del 9,1% en el YLL para KP en el periodo de 10 años, frente a una reducción del 4,2% en la comunidad y una disminución del 1,4% en Estados Unidos. Para todos los grupos raciales y étnicos, los miembros de KP experimentaron menos YLL que sus homólogos de la comunidad. Para KP (Figura 4A), en 2019, la tasa YLL osciló entre 6.739 por cada 100.000 miembros de la API y 12.059 por cada 100.000 para miembros negros (44,1% de diferencia). Para la comunidad en 2019
Tasa de años de vida estandarizados por todas las causas por raza y etnia, 2010–2019
Esta cifra muestra que en todos los años de 2010 a 2019, la tasa de años perdidos por todas las causas y estandarizada por edad (YLL), por raza y etnia, para los miembros de Kaiser Permanente (KP), como se muestra en el Panel A, fue consistentemente inferior a la de la comunidad, como se muestra en el Panel B. Además, la variación de las tasas entre diferentes grupos raciales y étnicos era menor dentro de la población KP que en la comunidad. De hecho, la brecha se redujo de un diferencial de 5.607 YLL en 2010 a una diferencia de 5.320 en 2019. La brecha en la comunidad se amplió durante ese tiempo, pasando de 15.594 YLL en 2010 a 17.926 YLL en 2019
(Figura 4B), el rango fue de 9.169 por cada 100.000 habitantes para la población API a 27.095 por cada 100.000 para la población AI/AN (diferencia del 66,2%). Durante el periodo de 10 años, entre los miembros de KP, las tasas YLL disminuyeron en todos los grupos, oscilando entre una disminución del 5,9% entre los miembros de AI/AN y una disminución del 9,0% entre los miembros de la API. Los cambios en las tasas de YLL en la comunidad oscilaron entre un aumento del 7,6% de 2010 a 2019 para la población AI/AN hasta una disminución del 5,4% para la población negra (Apéndice, Tabla Suplementaria e6
Tasa de mortalidad estandarizada por edad por todas las causas durante los años de la Covid-19
c Esta cifra muestra que el impacto de la pandemia de Covid-19 en la tasa de mortalidad estandarizada por edad por todas las causas en Estados Unidos en general fue mayor que el impacto para los miembros de Kaiser Permanente (KP), como se muestra en el Panel A. Cabe destacar que las tasas de mortalidad por cada 100.000 habitantes fueron más bajas y los aumentos porcentuales en 2020 y 2021 fueron menores. El Panel B muestra que entre los miembros de KP, las tasas de mortalidad por todas las causas durante la pandemia de Covid-19 variaron entre grupos raciales y étnicos. La tasa más alta fue de 763 muertes por cada 100.000 entre los miembros negros en 2021, mientras que el mayor aumento porcentual interanual (20,5%) se produjo entre los miembros latinos entre 2019 y 2020.
Los años de la Covid-19 Los años de la Covid-19 (en este artículo, se define como de 2020 a 2022) interrumpieron las tendencias que se habían observado hasta 2019 para Estados Unidos y KP (Figura 5A). Las tasas de mortalidad estandarizadas por edad aumentaron en Estados Unidos de 769 por cada 100.000 en 2019 a 945 por cada 100.000 en 2021, seguidas de una disminución a 858 por cada 100.000 en 2022. Las tasas de mortalidad siguieron un modelo similar
Los aumentos de tasas fueron menores entre 2020 y 2021, y las diferencias se mantuvieron, oscilando entre un aumento del 8,2% entre los miembros latinos y un aumento del 3,0% entre los miembros blancos. Las tasas de mortalidad disminuyeron entre 2021 y 2022 en todos los grupos, con las mayores caídas entre los miembros latinos (disminución del 13,8%) y las disminuciones más pequeñas entre los miembros blancos (disminución del 1,9%). Las disminuciones en las tasas de mortalidad no compensaron completamente los incrementos durante este periodo, y todos los grupos tuvieron tasas de mortalidad más altas en 2022 que en 2019. Se observaron patrones similares en las tasas YLL para los miembros de KP durante el periodo de Covid-19 (Apéndice, Tabla Suplementaria e5 y Tabla e6).
Discusión
Durante el periodo inicial de estudio de 10 años, los miembros de KP tuvieron tasas más bajas de mortalidad y YLL y experimentaron mayores descensos en ambos resultados que los no miembros que viven en las comunidades donde opera KP. La comunidad también tenía tasas de mortalidad y YLL más bajas, y experimentó tasas de descenso mayores que la población de Estados Unidos. Este periodo coincidió con la implementación de la Ley de Cuidado de Salud a Bajo Precio, que llevó a aumentos sustanciales en las tarifas de la cobertura de seguro de salud en Estados Unidos. Iniciativas políticas previas también habían estimulado la adopción de historiales médicos electrónicos en hospitales y consultas médicas, así como la expansión del pago basado en el valor. Durante los años de Covid-19, las tasas de mortalidad en Estados Unidos y entre los miembros de KP aumentaron hasta 2021 y disminuyeron en 2022, pero las tasas de aumento entre los miembros de KP fueron mucho menores. Los datos por raza y etnia estaban disponibles solo para la población KP; los cambios en las tasas de mortalidad durante este periodo variaron entre los miembros de KP según raza y etnia, con mayores aumentos entre los miembros negros y latinos.
¿En qué medida las diferencias observadas en las tasas de mortalidad entre KP, la comunidad y Estados Unidos se deben al efecto de tener cobertura de seguro médico?
Esta pregunta no puede responderse de forma definitiva, por lo que ofrecemos algunas perspectivas diferentes sobre el asunto que, en conjunto, informan la posible contribución de la cobertura de seguro a estos hallazgos. En primer lugar, el periodo 2010–2019 supone un experimento natural interesante porque la implementación de la Ley de Cuidado de Salud Asequible, que entró en vigor en marzo de 2010, llevó a la reducción de las tasas de no seguro en Estados Unidos del 14,9% en 2010 al 8,8% en 2019, una disminución del 41% (Apéndice, Tabla Suplementaria e2 y Tabla 1).
Tras eliminar la población KP (que, por definición, está asegurada al 100%), las tasas de no seguro entre los miembros no KP de la comunidad disminuyeron del 20,0% al 9,6%, una disminución del 52% en el mismo periodo.
Dada la asociación entre las tasas de mortalidad y la falta de seguro, uno podría haber esperado que la gran disminución de las tasas de no seguro en la comunidad y en Estados Unidos atenuara las diferencias en las tasas de mortalidad o en las tasas de cambio entre KP, la comunidad y Estados Unidos, pero eso no es lo que observamos; las tasas de mortalidad por raza y etnia estuvieron disponibles durante los años del Covid-19 solo para los miembros de KP. Las tasas de mortalidad aumentaron para los miembros de KP en todos los grupos raciales y étnicos, aunque las tasas de cambio variaron entre los grupos. En el periodo 2019–2020, el rango fue de un aumento del 20,5% entre los miembros latinos a un aumento del 6,8% entre los miembros blancos (Figura 5B). Aunque la mortalidad Aunque los aumentos en la tasa de mortalidad fueron menores entre 2020 y 2021, las diferencias se mantivieron, oscilando entre un aumento del 8,2% entre los miembros latinos y un aumento del 3,0% entre los miembros blancos. Las tasas de mortalidad disminuyeron entre 2021 y 2022 en todos los grupos, con las mayores caídas entre los miembros latinos (disminución del 13,8%) y las disminuciones más pequeñas entre los miembros blancos (disminución del 1,9%).
Las disminuciones en las tasas de mortalidad no compensaron completamente los incrementos durante este periodo, y todos los grupos tuvieron tasas de mortalidad más altas en 2022 que en 2019. Se observaron patrones similares en las tasas YLL para los miembros de KP durante el periodo de Covid-19 (Apéndice, Tabla Suplementaria e5 y Tabla e6).
Desde estas tres perspectivas, concluimos que, aunque una fracción de la diferencia observada probablemente se deba a la falta de seguro, esto no explica la mayoría de las diferencias.
Tras considerar el impacto de la falta de seguro en estos resultados, consideramos cómo la selección podría afectar a los resultados; es decir, ¿las personas que se inscriben en los planes de seguro KP son sistemáticamente diferentes de las que se inscriben en otros planes o que no tienen seguro? Desafortunadamente, la magnitud y dirección de los efectos de selección no pueden estimarse con los datos que tenemos, pero sí podemos hacer algunas observaciones generales dadas las diferencias. Aunque existían limitaciones en los datos sociodemográficos disponibles (por ejemplo, porque los ingresos y la educación no se miden directamente en los miembros de KP ni se registran en los certificados de defunción), observamos que los miembros de KP y los no miembros de KP en la comunidad son similares, con pocas diferencias superiores a 5 puntos porcentuales. El Índice de Vulnerabilidad Social (SVI) proporciona una métrica para resumir las diferencias sociodemográficas. En otros estudios se ha encontrado que la SVI está asociada con diferencias en la mortalidad por paro cardíaco41 y la mortalidad por cáncer,42 por lo que esto podría explicar algunas de las diferencias en las tasas de mortalidad. Sin embargo, la magnitud del impacto es difícil de estimar, especialmente teniendo en cuenta que KP tiene un porcentaje menor de miembros tanto en las categorías más vulnerables como en las menos vulnerables (1,6% y 2,8% menos que la comunidad, respectivamente).
Los efectos de selección son más difíciles de tener en cuenta cuando no se pueden medir las características, como las preferencias por adoptar conductas saludables o seguir las recomendaciones del clínico. Idealmente, podríamos tener en cuenta el tipo y la calidad específicos de la cobertura del seguro, los factores en la elección del seguro e información detallada sobre el estado de salud y los comportamientos de salud, pero estos datos no están disponibles vinculados a estadísticas vitales. En este análisis, solo podemos controlar por edad, sexo, raza y geografía. La literatura sobre los factores que influyen en los planes de seguro que eligen las personas es mixta, con el precio, el diseño de beneficios, las preferencias de elección de profesionales y la calidad que influyen.43 Las personas más sanas pueden ser más propensas a elegir planes basándose en el precio bajo la expectativa de que no necesitarán utilizar seguro; KP no ha sido la aseguradora de precio más bajo en la mayoría de nuestros mercados. Las personas más enfermas pueden preferir una mayor variedad de clínicos, y la naturaleza cerrada del modelo KP puede llevar a que algunas de esas personas no elijan KP. Se desconoce cómo se equilibran estos distintos factores, pero reconocemos que pueden explicar parcialmente los resultados.
Este estudio encontró que existían disparidades por raza y etnia dentro de KP, pero estas eran mucho menos pronunciadas que en la comunidad y, en la mayoría de los casos, disminuían con el tiempo. Algunas de estas diferencias podrían reflejar efectos de selección, pero KP también ha seguido rutinariamente las diferencias en el rendimiento en las medidas de procesos por raza y etnia y ha desarrollado programas de mejora de calidad para abordar las disparidad. No obstante, se requiere una mayor atención a abordar las diferencias de mortalidad, especialmente entre las poblaciones de IA/AN y negras, tanto en la comunidad como en KP. Análisis como los presentados aquí, si se replican en otros planes de salud, podrían utilizarse para examinar si diferentes sistemas son capaces de ofrecer resultados más equitativos.
¿Existe alguna evidencia de que KP preste servicios de forma más eficaz que sus competidores, es decir, podrían las diferencias en el proceso de atención explicar los resultados?
KP cuenta con estructuras y procesos para monitorizar activamente el rendimiento en procesos de atención y resultados intermedios, así como para investigar e impulsar acciones en torno a las oportunidades de mejora. Para comparar el rendimiento de calidad de KP con el de los competidores, resumimos los datos de Datos e Información de Eficacia Sanitaria (HEDIS) reportados al Comité Nacional para el Aseguramiento de la Calidad (NCQA) por más del 90% de los planes de salud de EE. UU. Utilizando datos de Quality Compass de NCQA, examinamos el desempeño de KP en todas las medidas de efectividad de la atención, así como el acceso oportuno a la atención prenatal y posparto, en comparación con todos los demás planes de salud del país, tanto para productos comerciales como Medicare.
Descubrimos que KP era el mejor desempeño del país en más medidas que cualquier otro plan. Específicamente, en la línea de productos comerciales, KP fue el mejor desempeño nacional en el 24% de las medidas en 2010 y en el 38% en 2019. El siguiente mejor competidor comercial fue el mejor en el 8% y 18% de las medidas, respectivamente (Apéndice, Tabla Suplementaria e9). De manera similar, para Medicare, KP fue el mejor desempeño en el 25% de las medidas en 2010 y en el 40% de las medidas en 2018 (el rendimiento de Medicare no fue notificable en el año de medición 2019 debido a la pandemia).
El siguiente mejor competidor de Medicare fue el mejor en el 17% de las medidas en 2010 y en el 7% en 2018.
«Nuestro estudio encontró que existían disparidades por raza y etnia dentro de Kaiser Permanente, pero estas eran mucho menos pronunciadas que en la comunidad y, en la mayoría de los casos, disminuían con el tiempo.»
También analizamos el rendimiento en un subconjunto de medidas HEDIS asociadas con algunas de las principales causas de muerte (cáncer, enfermedades cardiovasculares, diabetes y enfermedades respiratorias crónicas), comparando cada plan KP con sus competidores dentro del mismo mercado. Para los miembros comerciales, KP fue el mejor desempeño en el 63% de las medidas seleccionadas en 2010 y en el 61% en 2019 (Apéndice, Figura Suplementaria e1).
Para estas mismas medidas, los planes comerciales de KP tuvieron un rendimiento en el percentil 90 o por encima del 57% de las veces en 2010 y el 49% de las veces en 2019, en comparación con el 10% de las veces para los competidores en 2010 y el 9% de las veces en 2019 (Apéndice, Figura Suplementaria e2). En Medicare, KP fue el mejor desempeño en el 66% de las medidas en 2010 y en el 78% en 2018. KP obtuvo un rendimiento en el percentil 90 o por encima del 90º para los miembros de Medicare en el 78% de las medidas en 2010 y 77% en 2019, en comparación con el 17% y 6% entre los competidores en 2010 y 2018, respectivamente. Aunque KP experimentó un aumento en las tasas de mortalidad durante los primeros años de la Covid-19, las tasas de aumento fueron sustancialmente menores que en Estados Unidos en general. KP emprendió diversas acciones durante este tiempo, incluyendo la creación de un registro de Covid-19 que permitió el seguimiento rutinario en tiempo real de la utilización y los resultados, actualizaciones regulares de la evidencia a través de la Biblioteca Clínica de KP que fueron resumidas y fácilmente accesibles para clínicos ocupados, participación en ensayos clínicos de vacunas y tratamientos contra la Covid-19, planificación de emergencias (incluyendo la posibilidad de trasladar personal clínico a áreas con mayor carga de la enfermedad). la rápida implementación de visitas de telemedicina mediante la ampliación de herramientas y flujos de trabajo previamente desplegados, la colaboración comunitaria en torno al despliegue de la vacuna contra la Covid-19 para mejorar la distribución equitativa, y una variedad de evaluaciones internas de las intervenciones del sistema. Hubo diferencias notables dentro de KP según raza y etnia, con un impacto particularmente grande para la población latina. Aunque no se disponían de comparaciones comunitarias por raza y etnia durante los años de la Covid-19, otros informes sugieren que las diferencias por raza y etnia observadas entre los miembros de KP son similares a los patrones en general en Estados Unidos.44 Para 2022, ni KP ni Estados Unidos habían vuelto a las tasas de mortalidad previas a la Covid-19 en general ni (en KP) para ningún grupo racial o étnico.
Mirando hacia el futuro:
La pregunta que nos propusimos responder fue esta: ¿Está KP cumpliendo su compromiso de mejorar la salud de nuestros miembros y de las comunidades en las que operamos? Las tasas de mortalidad y YLL proporcionan una evaluación global difícil de lograr mediante un mosaico de procesos y medidas de resultados específicas de cada enfermedad. Estas medidas de resultados nos indican si estamos alcanzando nuestros objetivos y siguen desafiándonos a mejorar. Los resultados presentados aquí sugieren que la inscripción en KP se asocia con una mortalidad significativamente menor y años de vida perdidos, coherentes con el rendimiento absoluto y relativo de KP en las medidas de proceso. Sigue habiendo margen de mejora y necesitamos invertir en intervenciones comunitarias que contribuyan a cerrar las brechas observadas.
El análisis que KP creó en colaboración con el IHME podría ser replicado por otros sistemas sanitarios estadounidenses interesados en examinar su desempeño en resultados de salud equitativos. Si estos métodos se implementaran en múltiples sistemas con diferentes diseños que operan en distintas áreas geográficas con características demográficas variadas en sus poblaciones inscritas, podríamos crear un nuevo entorno de aprendizaje para las acciones que conducen a una mejor salud y un compromiso con la consecución de esos resultados.
References
- Schneider EC, Shah A, Doty MM, Tikkanen R, Fields K, Williams RD II. Mirror, mirror 2021.
Reflecting poorly: health care in the US compared to other high-income countries. New York, NY: The
Commonwealth Fund, August 2021. Accessed December 13, 2024. https://www.commonwealthfund
.org/sites/default/files/2021-08/Schneider Mirror Mirror 2021.pdf. - Mokdad AH, Ballestros K, Echko M, et al. The state of US health, 1990–2016: burden of diseases,
injuries, and risk factors among US states. JAMA 2018;319:1444-1472. https://jamanetwork.com/
journals/jama/fullarticle/2678018. https://doi.org/10.1001/jama.2018.0158 - Johnson EK, Wojtesta MA, Crosby SW, et al. Varied health spending growth across US states was
associated with incomes, price levels, and Medicaid expansion, 2000–19. Health Aff (Millwood)
2022;41:1088-1097. https://www.healthaffairs.org/doi/10.1377/hlthaff.2021.01834. https://doi.org/10
.1377/hlthaff.2021.01834 - Smith M, Saunders R, Stuckhardt L, McGinnis JM (eds). Best care at lower cost: the path to continuously
learning health care in America. Washington, DC: National Academies Press (US), May 10, 2013.
https://nap.nationalacademies.org/catalog/13444/best-care-at-lower-cost-the-path-to-continuously
-learning. https://doi.org/10.17226/13444 - Hussey PS, Wertheimer S, Mehrotra A. The association between health care quality and cost:
a systematic review. Ann Intern Med 2013;158:27-34. https://pmc.ncbi.nlm.nih.gov/articles/
PMC4863949/. https://doi.org/10.7326/0003-4819-158-1-201301010-00006 - Woolhandler S, Himmelstein DU. The relationship of health insurance and mortality: is lack of
insurance deadly? Ann Intern Med 2017;167:424-431. https://www.acpjournals.org/doi/10.7326/M17
-1403. https://doi.org/10.7326/M17-1403 - Soni A, Wherry LR, Simon KI. How have ACA insurance expansions affected health outcomes? Findings
from the literature. Health Aff (Millwood) 2020;39:371-378. https://www.healthaffairs.org/doi/10.1377/
hlthaff.2019.01436. https://doi.org/10.1377/hlthaff.2019.01436 - Sommers BD, Baicker K, Epstein AM. Mortality and access to care among adults after state
Medicaid expansions. N Engl J Med 2012;367:1025-1034. https://www.nejm.org/doi/full/10.1056/
NEJMsa1202099. https://doi.org/10.1056/NEJMsa1202099 - Mathes T, Pieper D, Morche J, Polus S, Jaschinski T, Eikermann M. Pay for performance for hospitals.
Cochrane Database Syst Rev 2019;7:CD011156. https://pmc.ncbi.nlm.nih.gov/articles/PMC6611555/.
https://doi.org/10.1002/14651858.CD011156.pub2 - Kaufman BG, Spivack BS, Stearns SC, Song PH, O’Brien EC. Impact of accountable care organizations
on utilization, care, and outcomes: a systematic review. Med Care Res Rev 2019;76:255-290. https://
journals.sagepub.com/doi/10.1177/1077558717745916. https://doi.org/10.1177/1077558717745916 - Brenner SK, Kaushal R, Grinspan Z, et al. Effects of health information technology on patient outcomes:
a systematic review. J Am Med Inform Assoc 2016;23:1016-1036. https://pmc.ncbi.nlm.nih.gov/articles/
PMC6375119/. https://doi.org/10.1093/jamia/ocv138 - Borgschulte M, Vogler J. Did the ACA Medicaid expansion save lives? J Health Econ 2020;72:102333.
https://www.sciencedirect.com/science/article/abs/pii/S0167629619306228. https://doi.org/10.1016/j
.jhealeco.2020.102333 - Murray CJL. The global burden of disease study at 30 years. Nat Med 2022;28:2019-2026. https://www
.nature.com/articles/s41591-022-01990-1. https://doi.org/10.1038/s41591-022-01990-1 - Dwyer-Lindgren L, Bertozzi-Villa A, Stubbs RW, et al. US county-level trends in mortality rates for
major causes of death, 1980–2014. JAMA 2016;316:2385-2401. https://pmc.ncbi.nlm.nih.gov/articles/
PMC5576343/. https://doi.org/10.1001/jama.2016.13645 - GBD 2021 US Burden of Disease Collaborators. The burden of diseases, injuries, and risk factors by
state in the USA, 1990–2021: a systematic analysis for the Global Burden of Disease Study 2021. Lancet
2024;404:2314-2340. https://pmc.ncbi.nlm.nih.gov/articles/PMC11694014/. https://doi.org/10.1016/
S0140-6736(24)01446-6 - Dwyer-Lindgren L, Kendrick P, Kelly YO, et al. Cause-specific mortality by county, race, and
ethnicity in the USA, 2000–19: a systematic analysis of health disparities. Lancet 2023;402:1065-1082. https://pmc.ncbi.nlm.nih.gov/articles/PMC10528747/. https://doi.org/10.1016/S0140 - -6736(23)01088-7
- Adjaye-Gbewonyo D, Bednarczyk RA, Davis RL, Omer SB. Using the Bayesian Improved Surname
Geocoding Method (BISG) to create a working classification of race and ethnicity in a diverse managed
care population: a validation study. Health Serv Res 2014;49:268-283. https://pmc.ncbi.nlm.nih.gov/
articles/PMC3922477/. https://doi.org/10.1111/1475-6773.12089 - RAND Health Care. RAND Bayesian improved surname geocoding: advancing equity through data
science. 2022. Accessed November 22, 2024. https://www.rand.org/health-care/tools-methods/bisg
.html. - Bell RM, Keesey J, Richards T. The urge to merge: linking vital statistics records and Medicaid
claims. Med Care 1994;32:1004-1018. https://www.jstor.org/stable/3766585. https://doi.org/10.1097
/00005650-199410000-00003 - Fellegi IP, Sunter AB. A theory for record linkage. J Am Stat Assoc 1969;64:1183-1210. https://www
.tandfonline.com/doi/abs/10.1080/01621459.1969.10501049. https://doi.org/10.1080/01621459.1969
.10501049 - Harron KL, Doidge JC, Knight HE, et al. A guide to evaluating linkage quality for the analysis of linked
data. Int J Epidemiol 2017;46:1699-1710. https://pmc.ncbi.nlm.nih.gov/articles/PMC5837697/. https://
doi.org/10.1093/ije/dyx177 - Ross TR, Ng D, Brown JS, et al. The HMO research network virtual data warehouse: a public data model
to support collaboration. EGEMS (Wash DC) 2014;2:1049. https://pmc.ncbi.nlm.nih.gov/articles/
PMC4371424/. https://doi.org/10.13063/2327-9214.1049 - Manson SM, Schroeder J, Van Riper D, et al. IPUMS national historical geographic information system:
version 19.0 [dataset]. Minneapolis, MN: Integrated Public Use Microdata Series, 2024. https://www
.ipums.org/projects/ipums-nhgis. https://doi.org/10.18128/C050 - United States Census Bureau. American community survey 5-year data (2009–2023). December 12,
- Accessed April 29, 2025. https://www.census.gov/data/developers/data-sets/acs-5year.html.
- United States Census Bureau. American community survey 5-year estimates: comparison profiles
5-year. 2019. Accessed May 15, 2025. https://www.census.gov/data/developers/data-sets/acs5year.2019.html. - United States Census Bureau. American community survey 5-year estimates: comparison profiles
5-year. 2010. Accessed May 15, 2025. https://www.census.gov/data/developers/data-sets/acs5year.2010.html. - National Center for Health Statistics, Centers for Disease Control and Prevention, US Census Bureau.
United States bridged-race intercensal population estimates 2000–2009. Hyattsville, MD: NCHS, CDC,
2012. - National Center for Health Statistics, Centers for Disease Control and Prevention, US Census Bureau.
United States vintage 2019 bridged-race postcensal population estimates 2010–2019. Hyattsville,
MD: NCHS, CDC, 2020 - National Center for Health Statistics. National vital statistics system: mortality multiple cause — all
counties files, 2000–2019. Hyattsville, MD: NCHS, 2021. - Arias E, Heron M, Hakes JK. The validity of race and Hispanic origin reporting on death certificates in
the United States: an update. Vital Health Stat 2 2016;2:1-21. https://stacks.cdc.gov/view/cdc/45533. - GBD 2021 Demographics Collaborators. Global age-sex-specific mortality, life expectancy, and
population estimates in 204 countries and territories and 811 subnational locations, 1950–2021, and the
impact of the COVID-19 pandemic: a comprehensive demographic analysis for the Global Burden of
Disease Study 2021. Lancet 2024;403:1989-2056. https://pmc.ncbi.nlm.nih.gov/articles/PMC11126395/
pdf/main.pdf. https://doi.org/10.1016/S0140-6736(24)00476-8 - Friede A, Reid JA, Ory HW. CDC WONDER: a comprehensive on-line public health information system
of the Centers for Disease Control and Prevention. Am J Public Health 1993;83:1289-1294. https://pmc
.ncbi.nlm.nih.gov/articles/PMC1694976/. https://doi.org/10.2105/ajph.83.9.1289 - National Center for Health Statistics. CDC WONDER: underlying cause of death by single-race categories
2018–2023. Reviewed August 20, 2025. Accessed November 22, 2024. https://wonder.cdc.gov/wonder/help
/ucd-expanded.html. - Kristensen K, Nielsen A, Berg CW, Skaug H, Bell B. TMB: automatic differentiation and Laplace
approximation. September 2, 2015. Accessed April 21, 2023. https://arxiv.org/abs/1509.00660. Preprint. - GBD 2019 Diseases and Injuries Collaborators. Global burden of 369 diseases and injuries in 204
countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease Study - Lancet 2020;396:1204-1222. https://www.thelancet.com/journals/lancet/article/PIIS0140
-6736(20)30925-9/fulltext. https://doi.org/10.1016/S0140-6736(20)30925-9 - Preston SH, Heuveline P, Guillot M. Demography: measuring and modeling population processes.
Malden, MA: Blackwell Publishers, 2001. - Xu J, Murphy SL, Kochanek KD, Arias E. Mortality in the United States, 2015. NCHS Data Brief No. 267.
Hyattsville, MD: National Center for Health Statistics, December 2016. Accessed November 5, 2024.
https://www.cdc.gov/nchs/data/databriefs/db267.pdf. - Institute of Medicine (US) Committee on the Consequences of Uninsurance. Care without coverage: too
little, too late. Washington, DC: National Academies Press (US), 2002. https://nap.nationalacademies
.org/catalog/10367/care-without-coverage-too-little-too-late. - Kronick R. Health insurance coverage and mortality revisited. Health Serv Res 2009;44:1211-1231.
https://pmc.ncbi.nlm.nih.gov/articles/PMC2739025/. https://doi.org/10.1111/j.1475-6773.2009.00973.x
40.Levy H, Buchmueller TC. The impact of health insurance on mortality. Annu Rev Public Health
2025;46:541-550. https://www.annualreviews.org/content/journals/10.1146/annurev-publhealth
-061022-042335. https://doi.org/10.1146/annurev-publhealth-061022-042335 - Gonuguntla K, Chobufo MD, Shaik A, et al. Impact of social vulnerability on cardiac arrest mortality
in the United States, 2016 to 2020. J Am Heart Assoc 2024;13:e033411. https://pmc.ncbi.nlm.nih.gov/
articles/PMC11179923/. https://doi.org/10.1161/JAHA.123.033411
