Vallejo-Torres Laura.

Introducción

Este estudio proporciona un marco fácilmente actualizable y transferible para llegar a un valor corregido por sesgo, que se estimó en España en el rango de 27.000 a 34.000 € por año de vida ajustado por calidad.

El costo de oportunidad en salud (COO) mide la salud no percibida que se produce cuando nuevos costos recaen en el presupuesto de salud y los pacientes, en algún nivel del sistema, se ven afectados por el desplazamiento de recursos. Esta información es clave en sistemas de salud que operan con presupuestos limitados, ya que permite comparar las ganancias de salud esperadas asociadas con las nuevas intervenciones que generaron costos en el presupuesto de salud con la salud que probablemente se perderá debido al desplazamiento de recursos necesarios para financiar las nuevas intervenciones [ 1 , 2 ]. Por lo tanto, conocer el COO permite identificar intervenciones de salud que, de adoptarse, probablemente conduzcan a mejoras generales en la salud de la población.

En la práctica, medir la salud perdida en cada decisión de financiación no es factible por varias razones. Muy a menudo, se desconoce qué servicios podrían ser desplazados si se adopta una nueva intervención y, dentro de un país, diferentes regiones podrían desplazar diferentes servicios. Además, incluso después de que se toman las decisiones, los desplazamientos pueden permanecer sin identificar, en particular cuando estos toman la forma de retrasos en otros servicios o disminución de la calidad de los servicios prestados (por ejemplo, aumento de las listas de espera). Por lo tanto, una alternativa propuesta consiste en representar el HOC de las decisiones de financiación por el cambio promedio en la salud de la población debido a los cambios en el gasto sanitario general [ 3 ]. Esto proporciona una estimación de los HOC de todo el sistema que se esperan cuando los recursos se desplazan en cualquier parte del sistema. Este valor puede estimarse empíricamente con base en el efecto marginal del gasto sanitario sobre la salud de la población. Si la salud de la población se mide en términos de años de vida ajustados por calidad (AVAC), la estimación del HOC puede traducirse en el coste incremental por AVAC del gasto sanitario actual. Esta información puede servir de base para establecer un valor umbral en los análisis de coste-efectividad desde la perspectiva del sistema sanitario y utilizando los AVAC como medida de resultados. Se espera que las intervenciones con un coste incremental por AVAC inferior al coste incremental por AVAC estimado del gasto sanitario actual produzcan mejoras en la salud de la población y se consideren coste-efectivas, y viceversa.

Siguiendo este enfoque, investigadores de varios países han tratado de estimar el coste marginal por AVAC producido por sus sistemas de salud [ 4 , 5 , 6 , 7 , 8 , 9 , 10 , 11 , 12 , 13 , 14 , 15 ].

 En España, utilizando datos de panel de 2008 a 2012 en 17 regiones españolas, el coste por AVAC producido por el Sistema Nacional de Salud (SNS) español se estimó entre 22.000 y 25.000 € [ 6 ]. Estos valores se utilizan actualmente ampliamente para extraer conclusiones en la literatura de análisis de coste-efectividad realizada en España [ 16 ] y por algunas instituciones españolas de evaluación de tecnologías sanitarias que realizan análisis de coste-efectividad para informar las decisiones de financiación, como la Red Española de Agencias de Evaluación de Tecnologías Sanitarias.^Nota1

Sin embargo, es necesario que estos valores se actualicen regularmente para tener en cuenta los cambios en el presupuesto y la eficiencia a lo largo del tiempo [ 6 ]. Además, quedan varios problemas metodológicos y de disponibilidad de datos pendientes para estimar el efecto marginal del gasto en salud sobre la salud que deben abordarse [ 17 ]. Un desafío importante consiste en tener en cuenta el alto grado de endogeneidad debido al sesgo de variable omitida en la relación entre el gasto en salud y los resultados de salud [ 18 ]. Por lo tanto, para que esta evidencia desempeñe un papel importante en la toma de decisiones, es necesario refinar los métodos utilizados para llegar a dichos valores y actualizar los valores estimados [ 19 ].

El objetivo de este trabajo fue proporcionar una estimación actualizada y refinada del impacto causal del gasto sanitario en España, que pueda traducirse en una estimación del coste incremental por AVAC elaborada por el SNS. Para ello, en este estudio, utilizamos la evidencia más completa y reciente disponible sobre el gasto sanitario público y los resultados sanitarios en las distintas regiones españolas.

En España, la financiación de la sanidad se proporciona a través de impuestos generales recaudados tanto por los gobiernos central como autonómicos.

El gobierno central posteriormente distribuye un presupuesto a las regiones para apoyar la prestación de servicios públicos de los que las comunidades autónomas (CC. AA.) son responsables: sanidad, educación, servicios sociales y otros servicios generales como vivienda e infraestructuras.

Se utiliza un sistema de asignación para calcular la parte de los fondos transferidos del gobierno central a cada región (excepto Navarra y el País Vasco que tienen un sistema de financiación específico).

Este sistema se basa en un conjunto de indicadores de ponderación clasificados en dos grupos:

• un grupo se basa en la población relevante para cada una de las cuatro categorías principales de servicios: la población equivalente bajo la cobertura del SNS (para la sanidad), la población en edad escolar (para la educación), la población mayor (para los servicios sociales) y la población total (para otros servicios generales) y
•  (ii) el otro grupo se basa en las características regionales, dadas por el tamaño de la región, la dispersión de la población y la insularidad [ 20 ].

La población equivalente cubierta por el NHS se calcula como la suma ponderada según el gasto sanitario medio de cada grupo. Con base en estos criterios, el gobierno central asigna un presupuesto total a las regiones, que a su vez deciden cómo distribuir su presupuesto total entre los servicios públicos que supervisan.

Aunque el análisis empírico se centra en el caso español, este trabajo también pretende contribuir a la investigación internacional sobre el coste incremental por AVAC, proporcionando un marco que podría ser relevante y transferible a otros países con datos regionales sobre gasto sanitario y resultados en salud. Para ello, el análisis se realiza utilizando datos disponibles en la mayoría de los entornos y aplica una metodología relativamente sencilla. Un propósito adicional de esta investigación es proporcionar una estimación fácilmente actualizable para España en el futuro. Por este motivo, la recopilación y preparación de los datos se gestionaron cuidadosamente con el objetivo fundamental de permitir que estas estimaciones se actualicen periódicamente a medida que se disponga de nuevos datos.

2 métodos

2.1 Enfoque econométrico

Para estimar el impacto causal del gasto sanitario en los resultados de salud, este estudio compila un conjunto de datos de panel con información regional durante un período de 20 años. Los análisis aprovechan observaciones repetidas sobre el gasto sanitario y la salud de las regiones. De forma similar a la estimación previa [ 6 ], utilizamos modelos regionales de efectos fijos (EF) que incluyen variables ficticias específicas del año como regresores. Se recopilaron datos de 17 regiones para el período comprendido entre 2002 y 2022.

Las 17 comunidades autónomas pertenecen a las 17 CC. AA. responsables de la planificación y prestación de servicios sanitarios a sus poblaciones en España, las cuales gestionan más del 92 % del presupuesto nacional de salud. Las únicas zonas excluidas son las dos ciudades autónomas (Ceuta y Melilla), de gestión centralizada, que en conjunto representan menos del 0,037 % de la población española. Los datos se recopilaron a partir de 2002, fecha en la que se completó el proceso de descentralización que asignó competencias sanitarias a las CC. AA. Actualmente, los últimos datos publicados sobre el gasto sanitario regional corresponden a 2021, mientras que la información regional sobre la esperanza de vida (EV) está disponible hasta 2022.

El modelo de regresión toma la forma: log(Hit)=α+βlog(HCEit−1)+X′itθ+γt+μi+uit,(1)donde es la salud de la población observada para la región i en el tiempo t , es el gasto de atención médica para la región i en el tiempo t−1 , es un vector de variables de control observadas para la región i en el tiempo t−1 , es el vector de parámetros asociado del vector de variables de control observadas , es el efecto fijo de tiempo, es el efecto fijo regional y es el término de error idiosincrásico.HitHCEit−1X′itθX′itγtμiuit

H y HCE se transforman logarítmicamente, por lo que puede interpretarse como una elasticidad: el cambio porcentual esperado en la salud dado un cambio del 1% en el gasto sanitario. El gasto sanitario, junto con las demás variables explicativas, se rezaga un año para tener en cuenta el retraso esperado en la obtención de un beneficio sanitario derivado de las variaciones en el gasto sanitario.β

Los EF anuales y regionales dan cuenta de factores no observados que pueden explicar una tendencia nacional común en el gasto sanitario y la salud, así como de diferencias invariantes en el tiempo no observadas entre regiones. Para explorar cualquier sesgo restante que no se elimine con la inclusión de los EF, incluimos una lista de posibles covariables, denotadas por , que captura las posibles diferencias en factores demográficos, socioeconómicos, de estilo de vida, contextuales y de salud no susceptibles al gasto sanitario, de forma similar al enfoque adoptado en Siverskog y Henriksson [ 8 ]. El impacto potencial del sesgo de variable omitida en las estimaciones a menudo se evalúa explorando los movimientos de los coeficientes al incorporar controles adicionales, y los movimientos limitados generalmente se interpretan como un signo de sesgo de variable omitida limitado. Sin embargo, como señaló Oster [ 20 ], la falta de movimientos de coeficientes por sí sola cuando se añaden controles no es suficiente para descartar el sesgo de variable omitida. Propone un método que escala los movimientos de los coeficientes según los movimientos en R-cuadrado, argumentando que los pequeños movimientos de los coeficientes podrían deberse al bajo poder explicativo de estas covariables adicionales. Con base en los supuestos sobre la importancia de las variables no observables en relación con las observables a la hora de influir en el gasto (denotado por ) y la proporción de varianza de la variable dependiente, que puede explicarse conjuntamente por las variables observadas y no observadas (denotado por ), Oster propone una aproximación del efecto del tratamiento con corrección de sesgo, que se deriva de la siguiente manera:X′itδRmax β∗≈β~−δ[β˙−β~]Rmax−R~R~−R˙,(2)

donde es la estimación de β de la regresión no controlada y es la estimación de β de la regresión incluyendo las variables de control. y son los valores R-cuadrado de la regresión no controlada y controlada, respectivamente. Oster argumenta que un límite superior apropiado de es el de la selección igual (es decir, ), lo que implica que las variables no observables y las variables observables están igualmente relacionadas con el tratamiento y afectan a β en la misma dirección. El límite cuando es, es decir, la estimación de la regresión controlada. Por lo tanto, el coeficiente insesgado se encontraría dentro de los límites. La estimación de también depende del valor seleccionado de, la variación explicada máxima, que debido a errores de medición idiosincrásicos Oster supone que es <1 y propone un valor basado en evidencia externa en estudios aleatorios. Este valor sugiere un límite donde las variables no observables explican algo menos que las variables observables. Esta suposición tiene cierto atractivo intuitivo si se eligen variables observables para incluir los factores más importantes que explican el resultado [ 21 ]. Este enfoque nos permite construir un conjunto de β con dos límites: , que es la estimación de β de la regresión controlada, y , que es el efecto del gasto en salud sobre la salud corregido por el sesgo de la variable omitida, dado un valor de δ y . será el límite superior si el efecto del gasto en salud sobre la salud es positivo y las variables omitidas generan un sesgo descendente, como podría esperarse en la relación entre la salud y el gasto en salud. Esto se debe a que el gasto en salud está determinado en parte por el nivel de necesidades de atención médica, que a su vez causa resultados de salud, por lo tanto, esperamos que los modelos que no tienen en cuenta el sesgo de la variable omitida muestren un sesgo descendente en la relación entre el gasto y la salud. Utilizamos los métodos de Oster para estimar utilizando la ecuación. 1 como modelo controlado, y especificamos los modelos no controlados como:β˙β~R˙R~δδ=1δ=0β~[β∗,β~]β∗RmaxRmax=1.3∗R~β~β∗Rmaxβ∗β∗

log(Hit)=α+βlog(HCEit−1)+γt+μi+uit.(3)

La regresión no controlada incluye solo la variable clave de interés (en nuestro caso, el gasto en salud) y covariables observadas cuya correlación con la variable explicativa clave de interés no es informativa acerca del sesgo de selección; este es el caso de las regiones y los EF del año, que se capturan completamente y no tienen contrapartes no observadas [ 22 ]. Calculamos usando la fórmula en la ecuación 2 , donde y son los β estimados a partir de las ecuaciones 1 y 3 , respectivamente, y y son los valores dentro de R-cuadrado de las ecuaciones 1 y 3 , respectivamente. Siguiendo las sugerencias de Oster, utilizamos y para calcular la estimación del límite superior. En un análisis complementario, exploramos el supuesto de que y aplicamos el comando psacalc de Stata para estimar los coeficientes de Oster con corrección del sesgo.β∗β~β˙R~R˙δ=1Rmax=1.3∗R~Rmax=1

Los modelos principales se estiman utilizando estimadores de EF. Ponderación poblacional.^{NotaEn todos los modelos se aplican el método 2} y el ajuste de los errores estándar para la agrupación a nivel regional. Los valores p inferiores a 0,1 se consideran débilmente significativos, y los valores p inferiores a 0,05, fuertemente significativos. Se realizan diversas comprobaciones de robustez, incluyendo el uso de diferentes formas funcionales y estructuras de rezagos. También se explora el impacto del gasto sanitario en la mortalidad y en la calidad de vida, así como los cambios en el efecto estimado al añadir datos de años recientes a los modelos. Los análisis se realizan con el software Stata v16.

2.2 Datos

La salud poblacional se mide mediante la EV promedio ajustada por calidad (EVC). La EV ajustada por calidad se obtiene combinando información sobre la EV y la CdV. La información sobre la EV específica por región y año puede obtenerse de las tablas de vida [ 23 ], que proporcionan información sobre el número de años que se espera que viva una cohorte si se expone, desde el nacimiento hasta la muerte, a las tasas de mortalidad observadas en el año t. Esta información suele estar disponible de forma rutinaria en la mayoría de los entornos.

Para estimar el coste incremental por AVAC a nivel sistémico, se requieren datos de calidad de vida a escala de AVAC a nivel poblacional. Lamentablemente, en España no se recopilan datos sobre calidad de vida de forma rutinaria ni regionalmente representativos, lo que podría ocurrir también en otros entornos. En España, la única fuente de datos representativos a nivel nacional y regional sobre un instrumento relevante de calidad de vida es la Encuesta Española de Salud (EQ-5D) realizada en 2011/12, que recopiló datos del EQ-5D de una muestra de más de 21.000 residentes españoles de 15 años o más. La Encuesta Española de Salud se realiza cada 4-5 años (disponible en 2003/04, 2006/07, 2011/12 y 2016/17) [ 24 ]. La Encuesta Europea de Salud en España es una fuente adicional de datos de salud representativos a nivel regional, que también se lleva a cabo cada 5 años alternos (es decir, en 2009/10, 2014/15 y 2019/2020) [ 25 ]. Utilizando el mismo enfoque que en la estimación anterior [ 6 ], predecimos valores EQ-5D específicos de edad-género-región basados ​​en un conjunto común de variables socioeconómicas y de salud incluidas en todas estas encuestas (véase el Apéndice 1 del Material Suplementario Electrónico [ESM]). Los modelos EQ-5D se estratificaron por género y grupos de edad (15-44, 45-64 y 65 o más años). Las puntuaciones EQ-5D predichas por grupos de edad-género y por región y año se aplicaron luego para ajustar LE, de modo que obtenemos valores de QALE utilizando el enfoque descrito en Gaminde y Roset [ 26 ]. Las puntuaciones previstas del EQ-5D se asignaron a cada año correspondiente a la realización de una encuesta de salud (ya sea la Encuesta Española de Salud o la Encuesta Europea en España). En los años en los que no se disponía de las puntuaciones previstas del EQ-5D (ninguna de las encuestas se realizó en 2005, 2008, 2013, 2018 y 2021), se utilizaron los valores del año más cercano para ajustar la EV.

Los valores de EV ajustados por calidad proporcionan el número esperado de años de vida saludables restantes que se espera que vivan los individuos de una cohorte de edad dada x al nacer, al año, a los 5 años, a los 10 años, …, a los 95 años). El QALE promedio de una población dada se puede calcular como la media ponderada por población del QALE en las cohortes de edad:QALEx=

QALEm=∑wxQALEx,(4)

donde es la proporción de la población en el grupo de edad x . Utilizamos el CALE promedio ( como variable dependiente principal.wxQALEm)

La variable explicativa de interés es el gasto sanitario público anual per cápita. Disponemos de información sobre el gasto sanitario anual per cápita, específico de cada región y año, que realizan anualmente las CC. AA. Esta información está disponible públicamente en España a través de la página web «Indicadores clave del SNS» [ 27 ]. Se utilizó el gasto corriente para cada año. Las mismas estimaciones de coeficientes se obtuvieron al utilizar valores reales calculados mediante estimaciones del deflactor del producto interior bruto para España. Denotamos nuestra variable explicativa de interés, el gasto sanitario anual per cápita, porHCE.

Utilizando principalmente el sitio web de “indicadores clave del SNS” [ 27 ], también compilamos un conjunto de variables de control basadas en fuentes rutinarias del Sistema de Información del SNS español y fuentes de datos gestionadas por otros organismos oficiales. Estos indicadores son publicados por el Ministerio de Sanidad español en el sitio web de “indicadores clave del SNS” inmediatamente después de que los datos se publiquen en la fuente original. Algunos indicadores se actualizan anualmente, mientras que otros se actualizan de acuerdo con la periodicidad de la fuente original, por ejemplo, algunos indicadores se recuperan de las encuestas de salud realizadas cada 2-3 años. También se obtuvieron una serie de indicadores de los datos publicados por el Instituto Nacional de Estadística (INE) de España, que ofrece una gran cantidad de información estadística de libre acceso de fuentes oficiales [ 28 , 29 , 30 , 31 ].

El conjunto de posibles factores de confusión se eligió cuidadosamente para incorporar factores que caen en cinco categorías predefinidas: factores demográficos (perfil de edad y género, tamaño de la población, densidad de población); factores socioeconómicos (producto interno bruto per cápita, tasa de desempleo, tasa de inmigración y gasto de bolsillo en atención médica), factores de estilo de vida (tabaquismo, sedentarismo, prevalencia de obesidad), factores contextuales (costo laboral y precio del espacio habitable) y factores de salud no susceptibles de gasto en salud (víctimas de accidentes de tráfico y tasas de accidentes laborales). Las últimas variables se seleccionaron siguiendo el modelo conceptual propuesto por Siverskog et al. [ 7 ], que enfatiza que «debemos ser cuidadosos al controlar la morbilidad, ya que las medidas de morbilidad que se ven afectadas por (susceptibles de) atención médica bloquearán la ruta entre el gasto y la esperanza de vida». La Tabla 1 resume las variables utilizadas en este estudio, sus fuentes de datos y su disponibilidad por año. Cuando los datos no estaban disponibles para un año determinado, se utilizó la información del año más cercano.

2.3 Derivación del costo incremental por AVAC estimada en las ecuaciones 1 a 3 mide la elasticidad del gasto en salud, interpretada en nuestro caso como el cambio porcentual esperado en el promedio de AVAC restante de la población, dado un aumento del 1% en el gasto anual en salud. Para traducir esto al costo incremental por AVAC, utilizamos las siguientes fórmulas:β

CostperQALY=LEm¯∂QALEm∂HCE=1∂QALEm∂HCE1LEm=LEm¯βQALEm¯HCE¯=1βQALEm¯HCE¯1LEm,(5)

donde es la LE restante promedio de la población, calculada utilizando las mismas fórmulas que para (Ec. 4 ). Como señalaron Siverskog y Henriksson [ 7 ], derivar el coste incremental por AVAC basándose en estos modelos que miden el impacto del gasto anual en salud en una medida de LE (ajustada por calidad), puede entenderse de dos maneras. Primero, como el número promedio de años que quedan de vida por el gasto adicional durante cada año (para un aumento de 1 € en el gasto, esto se convierte simplemente en la media de), dividido por el cambio en los AVAC debido al aumento del gasto en salud (para un aumento de 1 € en el gasto, este es el efecto marginal del gasto en salud sobre la salud denotado por ). Segundo, y se muestra a continuación en la Ec. 5 , puede calcularse y entenderse alternativamente como el gasto adicional por año (es decir, aumento de 1 €) dividido por el cambio en los AVAC debido al aumento del gasto asignado equitativamente entre los años de vida restantes (para un aumento de 1 €, este es el efecto marginal del gasto en salud sobre la salud dividido por las EV restantes, es decir, ). Los dos últimos términos de la ecuación 5 muestran cómo se calcula esto utilizando la entrada de nuestros modelos de regresión, donde la se expresa como una elasticidad en lugar del efecto marginal (es decir, ). Utilizando la ecuación. 5 , estimamos los costos incrementales por AVAC correspondientes al conjunto estimado de .LEmQALEmLEm∂QALEm∂HCE∂QALEm∂HCE1LEmββ=∂QALEm∂HCE×HCE¯QALEm¯β: [β∗,β~]

3 resultados

3.1 Estadísticas descriptivas

La esperanza de vida al nacer, la EVAC al nacer, la EVAC promedio de la población y el gasto público en salud per cápita para cada región y para años seleccionados del período 2002-22 se presentan en la Tabla 2. Las estadísticas de resumen para el conjunto completo de variables se muestran en la Tabla 1 .

Cuadro 2 EV al nacer, EVAC al nacer, EVAC promedio de la población y gasto público en salud per cápita para cada región y para años seleccionados del período 2002-2002

En general, la EV al nacer en España aumentó de 79,7 años en 2002 a 83,05 años en 2022 (un aumento del 4,2%), y la QALE al nacer aumentó de 73,3 a 75,8 años (un aumento del 3,4%). Todas las regiones han seguido tendencias similares: el cambio porcentual más bajo en la EV en el período 2002-22 es un aumento del 3,3% en Aragón y el más alto es un aumento del 4,9% en Madrid. Sin embargo, el QALE promedio de la población española ha disminuido de 39,9 a 37,3 años. La razón es que este último se calcula como el QALE medio ponderado por la población en las cohortes de edad, teniendo en cuenta la proporción de la población en cada grupo de edad (véase la Ec. 4 ). En la mayoría de las regiones, las proporciones de los grupos de mayor edad han aumentado con el tiempo, y el número restante esperado de años saludables de vida en estos grupos de edad es menor. Esto ha provocado una disminución del EAVD medio de la población durante el periodo de análisis. Retomamos esta cuestión y sus implicaciones para nuestras estimaciones en la sección de Discusión. Por el contrario, el gasto sanitario público per cápita se ha duplicado, pasando de 873 € en 2002 a 1777 € en 2021 (año con los últimos datos disponibles). El mayor incremento se produjo en las Islas Baleares (un aumento del 120,6%), mientras que el menor se produjo en La Rioja (un aumento del 83,4%). Para comparar gráficamente la evolución entre 2002 y 2021 del EAVD medio y el gasto sanitario per cápita, la figura 1 muestra el cambio porcentual anual medio del gasto sanitario público frente al cambio porcentual anual medio del EAVD medio para cada región. El gráfico sugiere una asociación positiva entre los cambios en el gasto sanitario y los cambios en el EAVD medio, pero esta observación por sí sola no implica una relación causal.

Figura 1

Variación porcentual anual media de los años de vida ajustados por calidad (VCA) frente a la variación porcentual anual media del gasto sanitario per cápita por región en el período 2002-21. Esperanza de vida ajustada por calidad ( EVAC)

3.2 Resultados econométricos

3.2.1 Resultados principales

La Tabla 3 muestra los coeficientes estimados de los análisis de regresión. A efectos comparativos, las dos primeras columnas muestran los resultados de aplicar mínimos cuadrados ordinarios (MCO) al conjunto de datos agrupados sin ajustar por los EF regionales (los denominamos modelos MCO agrupados). Se presentan las estimaciones sin controles (columna 1) y con controles (columna 2). Las dos columnas siguientes muestran las estimaciones correspondientes para los modelos regionales de EF no controlados (columna 3) y controlados (columna 4). Todos los modelos incluyen variables ficticias anuales.

Tabla 3 Resultados del análisis de regresión

El modelo MCO agrupado muestra una relación negativa entre el gasto en salud y el EAVD promedio de la población. Al añadir los controles, la magnitud absoluta del efecto disminuye, pero aún muestra una asociación negativa. Incorporar el efecto económico regional modifica el signo del efecto estimado, y añadir el conjunto completo de variables de control aumenta ligeramente la magnitud del coeficiente, obteniendo un efecto estimado significativo y positivo. En esta especificación preferida (columna 4), el efecto estimado indica que un aumento del 1% en el gasto anual en salud aumenta el EAVD de la población en un 0,061%. Además del impacto del gasto en salud, la densidad de población y el producto interior bruto per cápita son las únicas covariables estadísticamente significativas adicionales del modelo que explican los efectos económicos regionales, y ambas muestran un efecto positivo.

La Tabla 4 presenta los límites del valor de β de los modelos de EF con controles. La elasticidad corregida por sesgo ( propuesta por Oster, bajo los supuestos de que y es de 0,075, lo que indica que el sesgo de la variable omitida genera un sesgo a la baja en el efecto estimado. β∗)δ=1Rmax=1.3×R~

Tabla 4 Límites de Oster para modelos de efectos fijos con controles: impacto del gasto público en salud en la esperanza de vida promedio ajustada por calidad

Los costes incrementales por AVAC correspondientes al conjunto estimado se presentan en las dos últimas columnas de la Tabla 4. Estos se calculan transformando las elasticidades estimadas en efectos marginales en las medias (columnas 3 y 4) y aplicando la Ec. 5. Los valores medios ponderados por población de la EV media, el AVAC medio y el gasto sanitario medio per cápita fueron 43,22, 37,49 y 1777 € en 2021, respectivamente. Utilizando estos valores, y basándose en el límite inferior del impacto del gasto sanitario en el AVAC, el coste incremental por AVAC se estima en 33.578 €/AVAC (= 43,22/(0,061*37,49/1777) o, equivalentemente, = 1/((0,061*37,49/1777)/43,22, véase la ecuación 5 ). Este valor disminuye a 27.165 €/AVAC cuando se utiliza el límite superior = 0,075 como elasticidad.[β∗,β~]β∗

La parte inferior de la Tabla 4 muestra cómo el efecto estimado y el costo incremental asociado por AVAC cambian al incorporar cada vez más un año adicional de datos durante los últimos 5 años anteriores.^Nota3 Observamos que los coeficientes estimados del gasto en salud en salud basados ​​en los modelos de EF controlados y no controlados caen, lo que podría sugerir una elasticidad del gasto decreciente con el tiempo. Además, los resultados muestran que antes de 2020, las estimaciones ajustadas y las estimaciones corregidas por sesgo (es decir, los límites y, respectivamente) eran muy cercanos, lo que indica evidencia de un sesgo limitado por variable omitida antes de este año. Sin embargo, esta brecha es mayor después de la pandemia de COVID-19. Este resultado enfatiza que el sesgo exhibido en la relación entre el gasto en salud y los resultados de salud ha aumentado debido a la pandemia y la respuesta requerida del sistema de salud a esta. La brecha más grande se observa cuando se incluyen datos de 2020 en el análisis, pero esta brecha se está cerrando a medida que se introducen nuevos años de datos. Como resultado, mientras que las estimaciones no controladas y controladas parecen disminuir con el tiempo, no hay una tendencia clara en los coeficientes corregidos por sesgo. Esto se debe a que el grado de sesgo aumentó al incluir los años de la pandemia, pero luego disminuyó al incluir el período pospandémico. Se obtuvieron resultados similares al aplicar el supuesto de quey usar el comando psacalc de Stata (Apéndice 2 del ESM).β~β∗Rmax=1

3.2.2 Análisis adicionales

La Tabla 5 muestra los resultados de los modelos de EF controlados cuando se utilizan especificaciones alternativas y estructuras de rezago. Incluir el gasto en salud en forma cuadrática no produjo un efecto no lineal significativo ( valor p = 0,193; no se muestra en la Tabla 5 ). El uso de una especificación lineal en lugar de un modelo logarítmico produjo un impacto similar en términos del efecto marginal estimado y el coste incremental asociado por AVAC. La estimación del impacto sin tener en cuenta un rezago en la relación entre el gasto en salud y los resultados de salud (es decir, los datos de salud y gasto corresponden al mismo año) muestra un efecto menor (y, por lo tanto, un coste incremental por AVAC más alto), y lo mismo ocurre al imponer un efecto de rezago de 2 años; en ese caso, el efecto del gasto en salud sobre el AVAC promedio es solo débilmente significativo.

Tabla 5 Análisis adicionales: impacto del gasto público en salud en los resultados de salud basados ​​en modelos de efectos fijos controlado

La Tabla 5 también muestra por separado el impacto del gasto en mortalidad y en calidad de vida. El primero se realiza utilizando como variable dependiente la EV promedio de la población, sin ajustar por la CV, mientras que el segundo explora el impacto del gasto en el valor promedio de la puntuación de CV de la población utilizando solo los años en los que se disponía de datos de CV previstos. Observamos que el impacto estimado del gasto en salud en mortalidad es ligeramente menor que el impacto en la CV, lo que sugiere que el gasto en salud podría tener un mayor impacto en la mejora de la CV de la población que en el aumento de la EV. Sin embargo, se estima que el impacto en la CV es solo débilmente significativo, probablemente debido a la naturaleza y la menor calidad y cantidad de los datos, con base en las puntuaciones medias previstas del EQ-5D por grupos de edad derivadas de datos de encuestas.

Excluir los años de datos más afectados por el impacto de la pandemia de COVID-19 aumenta ligeramente el impacto estimado del gasto sanitario en los resultados de salud y arroja un valor estimado menor del coste incremental por AVAC producido por el sistema sanitario.

Estos se estiman en 29.883 €/AVAC si se excluyen los datos de 2020 y 2021, y en 32.104 €/AVAC si solo se excluyen los datos de 2020.

Incluir solo los años en los que se realizó una encuesta de salud en España (es decir, excluyendo 2005, 2008, 2013, 2018 y 2021) arroja resultados muy similares a los obtenidos en el caso base, que imputó los datos de CdV de estos años utilizando el año más cercano disponible.

4 Discusión

En este artículo, ilustramos el uso de modelos de elementos finitos regionales y los métodos de Oster para estimar el impacto del gasto sanitario en los resultados de salud en el SNS español y explorar el papel del sesgo por variable omitida en esta relación. Para ello, utilizamos un panel de 17 regiones a lo largo de 20 años de datos y, con base en los efectos estimados, derivamos el coste incremental por AVAC generado por el sistema sanitario. Los datos se recopilaron a partir de bases de datos administrativas y de encuestas de libre acceso y actualización periódica disponibles en España. La recopilación de datos se gestionó cuidadosamente mediante el programa Stata para facilitar la actualización de las estimaciones cuando se disponga de nuevos datos.

Según las cifras estimadas, los límites inferior y superior de la elasticidad del gasto sanitario del AVAC son de 0,061 y 0,075, respectivamente, y los valores de coste incremental asociados se sitúan entre 27.165 y 33.578 € por AVAC en España. Estos resultados sugieren que persiste cierto grado de sesgo por omisión de variables tras aplicar una estimación controlada de efectos finitos (EF), aunque la magnitud de la brecha es relativamente pequeña.

Además, este estudio muestra cómo el impacto estimado y el coste incremental por AVAC asociado cambian a medida que se incluyen en el análisis datos de años recientes. Nuestros resultados sugieren que la elasticidad del gasto podría estar disminuyendo con el tiempo, lo que se traduce en mayores valores de coste incremental por AVAC. Sin embargo, el grado de sesgo por omisión de variables parece aumentar, especialmente al incluir datos de 2020 y 2021. Este hallazgo indica que, como era de esperar, la pandemia de COVID-19 ha aumentado el sesgo en la relación estimada entre el gasto sanitario y los resultados en salud. La exclusión de estos años de datos resultó en elasticidades ligeramente mayores y estimaciones de coste incremental por AVAC más bajas.

Los valores proporcionados en este estudio (utilizando datos de 2002 a 2022) no son directamente comparables con los valores publicados previamente para España que utilizaron datos de 2008 a 2012 [ 6 ]. No obstante, observamos, con cautela, que la elasticidad del gasto se estimó en 0,068 en Vallejo-Torres et al., mientras que la estimación de un modelo de EF controlado similar arrojó un valor de 0,061 en este estudio. Como resultado de esto, y también debido a los cambios en los valores medios del gasto en salud, el QALE promedio y el LE promedio de la población, las cifras estimadas de coste por AVAC han aumentado de un valor máximo de 25.000 €/AVAC en 2012 a un valor máximo de 34.000 €/AVAC en 2022. Esto es un aumento del 34%, que es mayor que la tasa de inflación durante este período de 10 años (estimada en un 14% en España [ 33 ]).

Al considerar el límite inferior de 22.000 €/AVAC en Vallejo-Torres et al. y la estimación con corrección de sesgo de 27.000 €/AVAC en este estudio, el cambio observado también es mayor que la tasa de inflación (un aumento del 23%). A pesar de la cautela que se requiere en estas comparaciones, esto sugiere que aplicar las tasas de inflación para actualizar las estimaciones del coste incremental por AVAC de un sistema sanitario probablemente no proporcione valores fiables. En cambio, cuando se disponga de nuevos datos, el enfoque empleado en este estudio podrá replicarse fácilmente ampliando el panel de datos utilizado para estimar los efectos de interés.

Comparar las estimaciones empíricas del costo por AVAC publicadas en la literatura para diferentes países no es sencillo debido a la diversidad de métodos y fuentes de datos utilizados en los estudios [ 17 ], así como a las grandes disparidades en el desempeño de los sistemas de salud.

El coste por AVAC/AVAD producido/evitado por un sistema de salud se ha estimado en 28.033 dólares australianos (unos 17.000 euros) en Australia [ 4 ], en 180.000 coronas suecas (unos 19.000 euros) [ 7 ] y 400.000 coronas suecas (unos 35.000 euros) [ 8 ] en Suecia, en 41.000 euros [ 9 ] y 73.626 euros [ 10 ] en los Países Bajos, en 38.500 rands (unos 200 euros) en Sudáfrica [ 11 ], en 37.446 yenes (unos 5.000 euros) en China [ 12 ], en 12.936 libras esterlinas (unos 15.000 euros) [ 3 ] y, más recientemente, en 5.000–10.000 libras esterlinas (unos 15.000 euros). €6000–€12,000) en el Reino Unido [ 13 ], en US$100,000 (~€90,000) en los EE. UU. [ 14 ], y en 17 millones de COP (~€5000) en Colombia [ 15 ].

La mayoría de estos estudios no hicieron uso de datos longitudinales, algunos dependían del uso de variables instrumentales para abordar el sesgo de endogeneidad potencial que probablemente afectaría los análisis transversales, y/o no fueron capaces de estimar el impacto del gasto en atención médica en la calidad de vida, más allá del impacto en la mortalidad/EV. Sin embargo, un hallazgo común entre la mayoría de estos estudios es que las cifras estimadas estaban por debajo del umbral relevante para la política utilizada en esa jurisdicción y, en particular, por debajo de la regla general de establecer un umbral de costo-efectividad en el rango de una a tres veces el producto interno bruto per cápita del país.

La transferibilidad del enfoque propuesto en este estudio a otros entornos con datos regionales sobre gasto sanitario y AVAC es sencilla. Sin embargo, aunque la información sobre gasto sanitario y EV puede estar disponible a algún nivel regional en la mayoría de los sistemas sanitarios, reconocemos que la información sobre un instrumento de calidad de vida medido en una escala AVAC puede no existir siempre a un nivel regionalmente representativo. Ese también fue el caso en España y, por lo tanto, nuestro enfoque de predicción de puntuaciones del EQ-5D por grupos de edad, sexo y región utilizando datos de encuestas de salud también podría servir como una alternativa a los entornos que carecen de esta información. Incluso cuando no se dispone de datos para predecir las ponderaciones de los AVAC, los analistas podrían considerar la posibilidad de intentar estimar el efecto del gasto sanitario solo en la mortalidad, de forma similar a nuestro enfoque utilizando el EV promedio como variable dependiente. Como se mencionó anteriormente, este ha sido el enfoque adoptado en otros estudios, que luego han asumido que el efecto del gasto en la morbilidad es el mismo, en términos proporcionales, que el efecto estimado en la mortalidad [ 3 , 13 ], es decir, el supuesto de subrogación. Nuestro estudio brinda cierto respaldo a tal suposición: según nuestras estimaciones, la elasticidad del gasto en EV es menor que la elasticidad del gasto en CdV, y por lo tanto sugiere que el impacto del gasto en la morbilidad es, al menos, proporcional al impacto del gasto en la mortalidad.

Existen varias cuestiones que afectan a este análisis y que merecen ser reconocidas.

En primer lugar, como ya se ha mencionado, la información representativa a nivel nacional sobre la calidad de vida relacionada con la salud en España es deficiente. La única encuesta nacional que incluye el instrumento EQ-5D se realizó en 2011/12. Aunque los métodos aplicados en este estudio hacen el mejor uso de la evidencia disponible, es muy recomendable incorporar este instrumento en futuras oleadas de la Encuesta de Salud Española y la Encuesta de Salud Europea en España. Esa información podría utilizarse posteriormente para actualizar estas estimaciones en el futuro.

En segundo lugar, este estudio ha ido un paso más allá en la evaluación del papel del sesgo de variable omitida en la relación entre el gasto y los resultados sanitarios. Sin embargo, las conclusiones extraídas en este sentido dependen de los supuestos aplicados al utilizar los métodos de Oster con respecto a la importancia de las variables no observables en relación con las observables y la proporción de varianza de los resultados sanitarios, que pueden explicarse conjuntamente por variables observadas y no observadas. Incluso al aplicar el límite de y suponer que los controles no observados podrían aumentar la varianza explicada de los resultados de salud en un 30% (es decir, utilizando ), los resultados muestran que los modelos de EF ofrecen estimaciones del efecto del gasto en salud que son bastante robustas. Utilizando el supuesto extremo de que es igual a uno, se obtuvieron resultados similares. También vale la pena señalar que, como se muestra en la Tabla 2 , la LE y el QALE al nacer han aumentado durante el período de análisis, pero el QALE promedio de la población, nuestro principal dependiente, ha disminuido. Como se explicó, la razón es que las proporciones de grupos con valores de QALE más bajos están aumentando con el tiempo a medida que la población envejece. No obstante, esta tendencia común, así como las diferencias invariantes en el tiempo en las estructuras demográficas entre regiones, se eliminan de la estimación aplicando EF de región y año y agregando variables de control demográfico para tener en cuenta los cambios en la proporción de grupos de edad que podrían variar tanto entre regiones como con el tiempo. Estos ajustes garantizan que el efecto estimado del gasto en salud sobre los resultados de salud mida su impacto en la salud general de la población y no en su estructura demográfica regional.δ=1Rmax=1.3∗R~Rmax

5 Conclusiones

En resumen, el análisis realizado en este estudio se basa en un enfoque simple y transferible que permite medir el coste incremental de producir un AVAC desde una perspectiva sistémica. En el caso de España, este valor se encontró entre 27.000 € y 34.000 € por AVAC. Esta información nos permite estimar la salud que probablemente se perderá si se desplazan recursos del sistema de salud y, por lo tanto, permite la aproximación de los costes de oportunidad en salud de las decisiones de financiación sanitaria. Si bien aún podría haber un debate sobre la pertinencia de tener un umbral de coste-efectividad explícito y fijo para fundamentar las decisiones de adopción y reembolso [ 34 ], la relevancia de esta información para ayudar a los responsables de la toma de decisiones a evaluar si se espera que las decisiones de financiación conduzcan a mejoras en la salud de la población es indudable. Además, el seguimiento del impacto del gasto sanitario en los resultados sanitarios proporciona más información sobre los cambios en la eficiencia del sistema de salud a lo largo del tiempo.

Autores : Sara Machado , Ph.D. Ilias Kyriopoulos , Ph.D. , E. John Orav , Ph.D. e Irene Papanicolas , Ph.D. Publicado  2 de abril de 2025

N Engl J Med 2025 ; 392 : 1310 – 1319 VOL. 392 NÚM. 13

Abstracto

Fondo

En medio de la creciente disparidad de riqueza, tenemos poca información sobre cómo se compara la salud entre los estadounidenses mayores con la de los europeos mayores en toda la distribución de la riqueza.

Métodos

Se realizó un estudio de cohorte longitudinal y retrospectivo con adultos de 50 a 85 años que participaron en el Estudio de Salud y Jubilación y la Encuesta de Salud, Envejecimiento y Jubilación en Europa entre 2010 y 2022.

Los cuartiles de riqueza se definieron según el grupo de edad y el país: el cuartil 1 incluía a los participantes más pobres y el cuartil 4, a los más ricos. Se estimaron las curvas de mortalidad y de Kaplan-Meier para cada cuartil de riqueza en Estados Unidos y 16 países de Europa septentrional, occidental, meridional y oriental. Utilizamos modelos de riesgos proporcionales de Cox que incluyeron ajustes para covariables basales (grupo de edad, sexo, estado civil [alguna vez casado o nunca casado], nivel educativo [cualquier educación universitaria o ninguna], residencia [rural o no rural], estado actual de tabaquismo [fumador o no fumador] y ausencia o presencia de una condición crónica previamente diagnosticada) para cuantificar la asociación entre el cuartil de riqueza y la mortalidad por todas las causas desde 2010 hasta 2022 (el resultado primario).

Resultados

Entre 73.838 adultos (edad media [±DE], 65 ± 9,8 años), un total de 13.802 (18,7 %) murieron durante una mediana de seguimiento de 10 años. En todos los participantes, una mayor riqueza se asoció con una menor mortalidad, con razones de riesgo ajustadas para la muerte (cuartil 2, 3 o 4 frente al cuartil 1) de 0,80 (intervalo de confianza [IC] del 95 %, 0,76 a 0,83), 0,68 (IC del 95 %, 0,65 a 0,71) y 0,60 (IC del 95 %, 0,57 a 0,63), respectivamente. La brecha en la supervivencia entre los cuartiles de riqueza superior e inferior fue mayor en Estados Unidos que en Europa. La supervivencia entre los participantes en los cuartiles de riqueza superiores en Europa del norte y oeste y Europa del sur pareció ser mayor que entre los estadounidenses más ricos. La supervivencia en el cuartil más rico de Estados Unidos parecía ser similar a la del cuartil más pobre del norte y el oeste de Europa.

Conclusiones

En estudios de cohorte realizados en Estados Unidos y Europa, una mayor riqueza se asoció con una menor mortalidad, y la asociación entre riqueza y mortalidad pareció ser más pronunciada en Estados Unidos que en Europa.

En Estados Unidos, se ha producido una transferencia masiva de riqueza de la clase media a los ricos en los últimos 60 años, lo que ha incrementado la desigualdad de la riqueza. Otros países de altos ingresos han experimentado un crecimiento simultáneo de la desigualdad de la riqueza, pero este ha sido menos pronunciado que en Estados Unidos. La esperanza de vida en Estados Unidos también es menor que en otros países de altos ingresos y está disminuyendo.³Estos problemas son de gran preocupación, sobre todo porque el aumento de la mortalidad es más pronunciado entre las personas más pobres. ^²Por muchas razones, es importante examinar la riqueza (es decir, la totalidad de los activos y recursos que controla una persona) en relación con la salud, especialmente en el caso de los adultos mayores. En primer lugar, la distribución de la riqueza entre países es más desigual que la distribución del ingreso. ^4-7 La desigualdad de ingresos puede abordarse mediante impuestos y otras medidas de redistribución social, mientras que la desigualdad de la riqueza tiende a persistir debido a las diferencias en los impuestos a las sucesiones y las tasas de ahorro. ^4,8 En segundo lugar, para quienes están jubilados en la tercera edad y pueden tener ingresos escasos o nulos, la riqueza puede influir en los resultados de salud a través de la accesibilidad a la atención médica, ⁹ la atención formal a largo plazo e incluso la atención informal. ^10-12

Comparar las disparidades en la relación entre la riqueza y la salud en Estados Unidos con las de los países europeos que tienen diferentes servicios de salud y atención a largo plazo y otros apoyos sociales puede resaltar el alcance de los desafíos de la desigualdad en Estados Unidos.

Dicha comparación puede arrojar luz sobre si la menor esperanza de vida en Estados Unidos es producto de la agregación de grandes variaciones en la mortalidad entre diferentes grupos socioeconómicos o un indicador de una mayor mortalidad en todos los grupos socioeconómicos. ¹³ 

En este estudio longitudinal, evaluamos la asociación entre la riqueza relativa y la mortalidad, con ajustes por características sociodemográficas y clínicas, en una cohorte de adultos mayores en Estados Unidos y Europa utilizando datos de 2010 a 2022 del Estudio de Salud y Jubilación (HRS) y la Encuesta de Salud, Envejecimiento y Jubilación en Europa (SHARE). Describimos la brecha en la mortalidad en la distribución de la riqueza en Estados Unidos y Europa y en las regiones del Censo de EE. UU.

Métodos

Fuentes de datos

Utilizamos la base de datos longitudinal RAND HRS, que proporciona datos de encuestas sobre salud, mortalidad, patrimonio y características sociodemográficas en adultos estadounidenses de 50 años o más. Los datos sobre nivel educativo y situación de residencia (rural o urbana) se obtuvieron de la HRS armonizada mediante la Plataforma de Envejecimiento Global ( https://g2aging.org ). Utilizamos datos de SHARE, diseñado a partir de la HRS, para facilitar los análisis comparativos entre Estados Unidos y Europa. Utilizamos datos de las distintas rondas de las encuestas HRS y SHARE, así como de las entrevistas de salida con los encuestados sustitutos de los participantes fallecidos, realizadas para obtener información sobre el seguimiento y el fallecimiento. Asimismo, utilizamos datos de SHARE armonizado para identificar covariables basales, como el estado de salud, el nivel de ingresos y las características sociodemográficas. Los detalles de la encuesta se incluyen en la Sección S1 del Apéndice Suplementario , disponible junto con el texto completo de este artículo en NEJM.org.

Población de estudio

Identificamos a los participantes entrevistados en las oleadas de la encuesta de 2010 (onda 10 de HRS y onda 4 de SHARE). Dada la heterogeneidad histórica y de los estados de bienestar en Europa ^14-17 , los países de SHARE se dividieron en los tres grupos siguientes: Europa septentrional y occidental (Austria, Bélgica, Dinamarca, Francia, Alemania, Países Bajos, Suecia y Suiza), Europa meridional (Italia, Portugal y España) y Europa oriental (República Checa, Estonia, Hungría, Polonia y Eslovenia). Nuestro estudio incluyó a participantes de entre 50 y 85 años al inicio del estudio, y les hicimos un seguimiento hasta las oleadas más recientes (onda 15 de HRS [2020-2021] y onda 9 de SHARE [2021-2022]).

Variables clave

Nuestra principal medida de riqueza fueron los activos totales no relacionados con la vivienda. Nuestro resultado principal fue la mortalidad por todas las causas entre 2010 y 2022. Si no se disponía de la edad al fallecer, se calculó la diferencia de años entre el fallecimiento y el nacimiento. La mortalidad por todas las causas por cada 1000 personas-año se calculó según la encuesta, el país y la región del censo de EE. UU. (Noreste, Medio Oeste, Sur y Oeste).Controlamos las covariables basales (grupo de edad [50 a 59 años, 60 a 69 años, 70 a 79 años y 80 a 85 años], sexo, estado civil [si alguna vez se casó o nunca], nivel educativo [cualquier educación universitaria o ninguna], residencia [rural o no rural], estado actual de tabaquismo [fumador o no fumador] y ausencia o presencia de una condición crónica previamente diagnosticada [cáncer, enfermedad cardíaca, accidente cerebrovascular, diabetes o presión arterial alta]) para estimar la asociación independiente entre la riqueza y la mortalidad por todas las causas (Sección S6.1). También utilizamos el modelo para estimar los cocientes de riesgo ajustados sin estas covariables en los análisis de sensibilidad porque estas también podrían ser variables intermediarias a través de las cuales la riqueza influye en la salud.Para evaluar la asociación entre la distribución de la riqueza y la mortalidad, cada participante se clasificó en un cuartil de riqueza al inicio del estudio (el cuartil 1 incluía a los participantes más pobres y el cuartil 4 a los más ricos), medido en relación con su grupo de edad y país. En Estados Unidos, cada participante se clasificó en un cuartil de riqueza según su grupo de edad y región censal. Los detalles sobre la calidad de los datos y las métricas de riqueza se presentan en las Secciones S2 y S3, respectivamente.

Análisis estadístico

Calculamos las estimaciones de supervivencia de Kaplan-Meier para cada cuartil de riqueza y encuesta, y las comparamos mediante la prueba de log-rank. La duración de la supervivencia se midió como el tiempo transcurrido desde la edad inicial del participante hasta la edad al fallecer o en la última encuesta de seguimiento. Utilizamos un modelo de riesgos proporcionales de Cox para cuantificar la asociación entre el cuartil de riqueza y la mortalidad por todas las causas en las encuestas, y expresamos los resultados como razones de riesgo ajustadas e intervalos de confianza del 95% utilizando el cuartil de riqueza más bajo y Estados Unidos como comparadores para los tres cuartiles de riqueza superiores y las tres regiones europeas, respectivamente. Evaluamos el supuesto de riesgos proporcionales para todos los modelos mediante una prueba de los residuos de Schoenfeld, y nuestro modelo principal incluyó componentes variables en el tiempo para las covariables que no cumplieron con el supuesto de riesgos proporcionales. La amplitud de los intervalos de confianza no se ha ajustado por multiplicidad y no puede utilizarse en lugar de las pruebas de hipótesis para todos los resultados excepto el principal. Se realizó un análisis de Kaplan-Meier similar para las regiones del censo de EE. UU.Se realizaron varios análisis de sensibilidad para examinar la robustez de los hallazgos del estudio ante la eliminación de covariables; el uso de diferentes medidas de riqueza, diferentes enfermedades crónicas y diferentes grupos de edad; y el uso de ponderaciones calibradas al inicio. Los análisis estadísticos se realizaron con el software Stata, versión 18 (StataCorp).

Resultados

Población de estudio y características basales

Identificamos a 73.838 participantes de 17 países que tenían entre 50 y 85 años de edad al inicio del estudio (19.534 en Estados Unidos, 26.797 en Europa del norte y occidental, 8.654 en Europa del sur y 18.853 en Europa del este). La media (±DE) de edad de los participantes fue de 65 ± 9,8 años, y la mayoría eran mujeres y adultos que alguna vez se habían casado. El porcentaje de participantes con educación universitaria osciló entre el 8,3 % en el sur de Europa y el 26,3 % en Europa del norte y occidental. Pocos encuestados vivían en zonas rurales; en Europa, la residencia rural osciló entre el 25,5 % en el sur de Europa y el 37,5 % en Europa del norte y occidental, y dentro de las regiones del censo de EE. UU. en el HRS, osciló entre el 12,4 % en el noreste y el 39,8 % en el medio oeste ( Tabla 1 y Tabla S10). La duración media del seguimiento fue de 10 años en ambas encuestas. Tabla 1

La mediana de edad de los participantes al inicio del estudio fue de 64 años en todas las encuestas. El porcentaje de participantes de 50 a 59 años fue ligeramente superior en el HRS que en SHARE, y entre los grupos de edad en SHARE, el grupo de edad con el mayor porcentaje de participantes fue el de 60 a 69 años. En Estados Unidos, la mediana de edad de los participantes osciló entre 61 años en el oeste y 66 años en el medio oeste. En todos los grupos de edad en ambas encuestas, el porcentaje de participantes sin diagnóstico previo de una enfermedad crónica al inicio del estudio fue el más bajo en Estados Unidos (30,3 %) y el más alto en el norte y oeste de Europa (48,0 %); dentro de Estados Unidos, el porcentaje osciló entre el 27,3 % en el sur y el 36,3 % en el oeste.

Distribución de la riqueza

En el HRS, la riqueza media (en dólares estadounidenses reales en 2015) de los participantes fue de 36.200 $ (rango intercuartil, 2.000 a 235.000) y varió de 21.600 $ (rango intercuartil, 1.000 a 233.000) en el sur a 75.500 $ (rango intercuartil, 8.000 a 308.000) en el medio oeste. En los países SHARE, la riqueza media (en euros reales en 2015) varió de 800 € (rango intercuartil, 0 a 4.000) en Polonia a 157.400 € (rango intercuartil, 36.000 a 470.000) en Suiza ( Tabla 2 ). La riqueza inicial aumentó en todos los grupos de edad en Estados Unidos y disminuyó en todos los grupos de edad en Europa. En las encuestas, el porcentaje de mujeres, de participantes sin educación universitaria y de participantes que fumaban actualmente disminuyó con el aumento de la riqueza (Tabla S8).Tabla 2

Mortalidad por todas las causas

Durante una mediana de seguimiento de 10 años (HRS y SHARE combinados), 13.802 participantes (18,7 %) habían muerto por cualquier causa (4,80 por 1000 personas-año). La mortalidad osciló entre 2,9 por 1000 personas-año (intervalo de confianza [IC] del 95 %, 2,8 a 3,0) en el norte y oeste de Europa hasta 6,5 ​​por 1000 personas-año (IC del 95 %, 6,3 a 6,7) en Estados Unidos. Dentro de Estados Unidos, la mortalidad fue más baja en el oeste (5,0 por 1000 personas-año; IC del 95 %, 4,6 a 5,3) y más alta en el medio oeste (7,2 por 1000 personas-año; IC del 95 %, 6,8 a 7,6) ( Tabla 2 ).

Asociación entre la mortalidad y la riqueza

Las estimaciones de supervivencia de Kaplan-Meier según el cuartil de riqueza y la encuesta se presentan en la Figura 1 (p < 0,001 según la prueba de rangos logarítmicos para todas las comparaciones en todos los cuartiles). De forma uniforme en todas las encuestas, la supervivencia fue menor en el cuartil más pobre (cuartil 1) y mayor en el más rico (cuartil 4). No se observó ninguna diferencia en la supervivencia entre los participantes más ricos de Estados Unidos y los más pobres de Europa del norte y del oeste en cada año de seguimiento (Fig. S2a y Tabla S11a). Los participantes más pobres de Estados Unidos parecieron tener una supervivencia peor que todos los grupos de comparación, incluido el cuartil más pobre en las tres regiones europeas (Fig. S2b y Tabla S11b).Figura 1

En las regiones del censo de EE. UU. (Fig. S3), se observó una creciente brecha de supervivencia entre los participantes más pobres y los más ricos durante el período de estudio. Esta brecha fue mayor en el Medio Oeste y el Sur, y menor en el Oeste. En los análisis que incluyeron participantes tanto en el HRS como en SHARE, los cocientes de riesgo ajustados estimados mostraron que estar en los cuartiles más ricos (cuartiles 2, 3 y 4), en comparación con los más pobres (cuartil 1), se asoció con un menor riesgo de muerte, con cocientes de riesgo ajustados de 0,80 (IC del 95 %, 0,76 a 0,83) en el cuartil 2, 0,68 (IC del 95 %, 0,65 a 0,71) en el cuartil 3 y 0,60 (IC del 95 %, 0,57 a 0,63) en el cuartil 4 ( Figura 2 y Tabla S13). En los cuartiles de riqueza, comparamos a los participantes estadounidenses con los participantes europeos en tres puntos temporales (2 años, 5 años y 8 años) porque encontramos que los efectos varían con el tiempo. En particular, a los 2 años, el cociente de riesgos ajustado para muerte entre los participantes en el norte y oeste de Europa, en comparación con los participantes de EE. UU., fue de 0,60 (IC del 95 %, 0,54 a 0,65); a los 5 años, fue de 0,61 (IC del 95 %, 0,56 a 0,65); y a los 8 años, fue de 0,61 (IC del 95 %, 0,57 a 0,66). De manera similar, el cociente de riesgos ajustado para muerte entre los participantes en el sur de Europa, en comparación con los participantes de EE. UU., fue de 0,68 (IC del 95 %, 0,60 a 0,76) a los 2 años, 0,71 (IC del 95 %, 0,64 a 0,78) a los 5 años y 0,72 (IC del 95 %, 0,66 a 0,79) a los 8 años. Finalmente, el cociente de riesgo ajustado para muerte entre los participantes en Europa del Este, en comparación con los participantes de EE. UU., fue de 0,80 (IC del 95 %, 0,73 a 0,87) a los 2 años, 0,85 (IC del 95 %, 0,78 a 0,91) a los 5 años y 0,87 (IC del 95 %, 0,81 a 0,93) a los 8 años (Tabla S16). Estos resultados fueron robustos a los supuestos alternativos con respecto a la duración de la supervivencia de los participantes, que incluyeron tratar a aquellos con estado desconocido registrados como desaparecidos y asumir que aquellos cuya última entrevista fue realizada por un encuestado sustituto habían fallecido (Fig. S4 y Tabla S15). Obtuvimos resultados que fueron similares en magnitud y dirección al usar el modelo para estimar los cocientes de riesgo ajustados por separado para los participantes con y sin afecciones previamente diagnosticadas y al usar modelos en los que se excluyeron las siguientes covariables: nivel educativo (cualquiera vs. ninguna educación universitaria), residencia (rural vs. no rural) y afección crónica previamente diagnosticada (no vs. sí). Además, obtuvimos resultados similares al aplicar la riqueza total (en lugar del total de activos no relacionados con la vivienda) como métrica de riqueza en el modelo y al utilizar la salud autoevaluada en lugar del diagnóstico, y al utilizar ponderaciones calibradas al inicio (Tablas S19 a S23).Figura 2

Finalmente, utilizamos el modelo para estimar los cocientes de riesgo ajustados por separado según el grupo de edad al inicio (50 a 59 años, 60 a 69 años y 70 a 85 años) y encontramos que los cocientes de riesgo siempre disminuyeron a medida que aumentaba el cuartil de riqueza (Tabla S24). La asociación (es decir, los cocientes de riesgo ajustados) entre los cuartiles de riqueza y la mortalidad varió entre los grupos de edad, siendo la mortalidad más alta en todos los grupos de edad en los Estados Unidos que en los grupos de edad correspondientes en Europa del norte y occidental, Europa del sur y Europa del este. En Europa y los Estados Unidos, la diferencia en la mortalidad entre el cuartil más pobre y el más rico fue mayor entre los participantes de 50 a 59 años de edad, menor entre los de 60 a 69 años de edad y menor entre los de 70 a 85 años de edad.

Discusión

Este estudio de cohorte multinacional ha revelado diferencias significativas en la mortalidad por todas las causas según el cuartil de riqueza de 2010 a 2022. Aunque todos los países mostraron una asociación entre la riqueza y la mortalidad, Estados Unidos tuvo la brecha más amplia en la mortalidad entre los cuartiles de riqueza inferior y superior. La mortalidad entre los estadounidenses más ricos pareció ser más alta que entre la mayoría de los europeos del norte y oeste y los europeos del sur más ricos y similar a la entre los europeos del norte y oeste más pobres y la mayoría de los europeos del este. Los estadounidenses más pobres parecieron tener la supervivencia más baja entre todos los grupos de riqueza en la muestra del estudio. Las diferencias regionales de EE. UU. en la mortalidad fueron mínimas, excepto por el hallazgo de una mortalidad más baja entre los participantes más ricos en los estados del oeste que entre los participantes más ricos en las otras regiones del censo de EE. UU. La riqueza puede influir en la salud al afectar el acceso a la educación, las oportunidades laborales, la atención médica y las redes sociales, todos los cuales son predictores importantes de la salud. ^18-23 Las diferencias culturales, económicas y políticas pueden influir en el grado en que la riqueza influye en estos factores. Por ejemplo, observamos que el porcentaje de participantes en los tres cuartiles inferiores que habían alcanzado una educación universitaria era mayor en Europa del norte y occidental que en Estados Unidos. Hubo más desigualdad entre los participantes en Estados Unidos y los participantes en las regiones europeas en varias características; en Estados Unidos más que en Europa, las personas ricas tenían más probabilidades que las personas que no son ricas de haberse casado alguna vez y menos probabilidades de ser fumadores actuales o de vivir en áreas rurales. Estos hallazgos pueden indicar que las relaciones entre la riqueza y la educación, los comportamientos saludables y las redes sociales son más pronunciadas en Estados Unidos que en Europa. Al examinar las distribuciones de la riqueza, observamos una mayor riqueza absoluta en Estados Unidos y el norte y oeste de Europa que en el sur y este de Europa ( Tabla 2 ), un hallazgo que probablemente refleja influencias económicas y políticas en la acumulación de riqueza. Aunque la riqueza absoluta puede afectar los resultados de salud, nos centramos en la riqueza relativa dentro de los países y encontramos una relación entre la posición de riqueza relativa de los participantes y la mortalidad. La importancia de la posición de riqueza relativa de una persona en la sociedad también se ha demostrado para otros indicadores de posición social, como los ingresos. ²⁴ También encontramos evidencia que sugiere un «efecto de supervivencia» más fuerte en Estados Unidos, donde los menos ricos mueren desproporcionadamente más jóvenes que los menos ricos en Europa. Este hallazgo está en consonancia con los informes de aumento de la mortalidad entre personas de 25 a 65 años de edad en los Estados Unidos ^25,26 y se refleja en nuestros datos que muestran que la riqueza media es mayor en el grupo de edad de 60 a 69 años que en el grupo de edad de 50 a 59 años en los Estados Unidos, lo que no siempre es el caso en Europa (y cuando lo es, la magnitud del aumento es menor).Se sabe que la esperanza de vida en Estados Unidos es inferior a la de muchos países de altos ingresos, y los estudios han sugerido que esto se debe a una mayor mortalidad en la mediana edad, en particular entre las personas más pobres. ^25–28,32 Se cree comúnmente que los estadounidenses socialmente favorecidos tienen resultados de salud similares a, o mejores que, los de otros países de altos ingresos ^29-31 y que la supervivencia después de los 75 años es mejor en Estados Unidos que en países similares. ²⁸ Una idea clave que se puede extraer de nuestros resultados está relacionada con la comparación de grupos de riqueza similares entre países. En nuestro estudio, los estadounidenses más pobres parecieron tener una peor supervivencia que todos los demás grupos de comparación, incluso los más pobres de Europa. También pareció que la mortalidad entre las personas más ricas de Estados Unidos puede ser mayor que entre las personas más ricas del norte y oeste de Europa y del sur de Europa, y no hay evidencia de una diferencia entre los estadounidenses más ricos y los europeos del norte y oeste más pobres. Si bien las estructuras sociales más débiles y el acceso limitado a la atención médica pueden explicar la mayor brecha en la relación entre mortalidad y riqueza en Estados Unidos que en Europa, y la mayor mortalidad entre los estadounidenses más pobres que entre los europeos más pobres, es menos probable que expliquen la menor supervivencia entre los estadounidenses ricos que entre los europeos ricos. Otros factores sistemáticos pueden influir en la longevidad en los distintos estratos sociales, como la dieta, el entorno, las actitudes conductuales, culturales y sociales, y las oportunidades de movilidad social. ^2,28,32,33 Los más pobres son los más vulnerables a estos factores sistémicos, pero estos factores son amplios y probablemente afectan a toda la sociedad. Un estudio comparativo adicional que examine cómo difieren estos factores entre cohortes de riqueza transnacionales puede ayudar a identificar si este es el caso. ³⁴

Nuestro estudio presenta limitaciones. En primer lugar, si bien comparó la brecha de mortalidad entre países, no permite inferir causalmente cómo la riqueza influye en la salud. No obstante, nuestros hallazgos destacan factores que podrían estar asociados con la brecha de mortalidad presente en Estados Unidos y Europa. Nuestro análisis, ajustado por características individuales, sugiere que la riqueza se asocia de forma independiente con la mortalidad, y que la desventaja relacionada con la salud en Estados Unidos no se explicó por las diferencias poblacionales. Por el contrario, las diferencias regionales en Estados Unidos se ven atenuadas por las características individuales, aunque la riqueza relativa sigue estando asociada con la mortalidad. En segundo lugar, nuestro análisis se limitó a los participantes de un subconjunto de países europeos en la cuarta ronda de SHARE, lo que restringe la generalización a toda Europa. En tercer lugar, nos vimos limitados por la deserción de la encuesta, aunque el análisis de supervivencia tuvo en cuenta la censura no informativa, y los datos de mortalidad se complementaron con información de las entrevistas de salida. En cuarto lugar, los datos de la encuesta disponibles nos permitieron controlar únicamente un conjunto de características individuales. Por ejemplo, las disparidades raciales y étnicas en la riqueza ³⁵ y los resultados de salud ^25,36 en EE. UU ., que reflejan un legado de esclavitud y racismo sistémico, no pudieron compararse con las de Europa debido a la falta de datos sobre razas y grupos étnicos. Finalmente, aunque consideramos ciertas afecciones diagnosticadas, no pudimos distinguir entre la presencia de una enfermedad y la presencia de un diagnóstico; sin embargo, los resultados se mantuvieron consistentes al controlar la salud evaluada por los participantes. Nuestro trabajo hace varias contribuciones. Primero, aportamos información sobre la mortalidad alta y creciente en los Estados Unidos ^26,27,37 al explorar la mortalidad comparativa entre adultos mayores en grupos sociales similares. Encontramos que la desventaja comparativa relacionada con la salud en los Estados Unidos también está presente en grupos de mayor edad e incluso entre los estadounidenses más ricos. Segundo, ampliamos la literatura sobre disparidades socioeconómicas en salud al agregar una perspectiva comparativa que se centra en la riqueza en lugar de los ingresos en los Estados Unidos ^{36–45,38–41,10} y al usar datos más recientes de la literatura previa. ^42,44–49 A diferencia de los estudios que muestran una supervivencia similar entre las personas en los grupos de ingresos más altos en los Estados Unidos y Europa, ^31,50 encontramos que aquellos en los cuartiles de riqueza más altos de los Estados Unidos tuvieron una supervivencia más corta que muchos de sus contrapartes europeas. Una posible explicación es la diferencia en los ingresos a lo largo de la distribución de la riqueza, con Estados Unidos teniendo una mayor concentración de personas de altos ingresos en el cuartil de riqueza superior que Europa. 

Este hallazgo sugiere que el uso del ingreso como medida del estatus socioeconómico puede subestimar su efecto sobre la salud, ^11,12 y el grado de esta subestimación varía según los países. Descubrimos que la riqueza estaba asociada con la mortalidad en Estados Unidos y Europa, y que la diferencia de mortalidad entre los cuartiles superior e inferior de riqueza parecía ser mayor en Estados Unidos que en Europa. La mortalidad en Estados Unidos era mayor que en Europa, incluso con niveles de riqueza más altos.