La desigualdad de acceso a los sistemas de salud es un hecho evidente en la sociedad a lo largo de la historia (Baeten et al., 2018; Davis, 1991). A partir del siglo XIX estas desigualdades empezaron a señalarse de manera más evidente, desde distintos ámbitos, por médicos como John Snow o filósofos como Karl Marx (Corral Martín y Pría Barros, 2017). De especial relevancia en el estudio de esta desigualdad fueron la publicación del Informe Black en 1980 por el Departamento de Salud y Seguridad Social de Reino Unido, o los Estudios de Whitehall publicados entre 1967 y 1988 en el mismo país (Hernández-Aguado et al., 2012; Marmot, 2005; Marmot et al., 1991). Estos trabajos iban dirigidos a fomentar políticas que permitieran un acceso más equitativo a los sistemas de salud.

En la sociedad actual, la liberalización y la privatización de los servicios sanitarios en muchos territorios no ha conseguido hacer desaparecer la desigualdad en las prestaciones asistenciales de salud, incluso en aquellos países con estados del bienestar consolidados, y donde las diferencias de acceso a los recursos sanitarios siguen siendo notorias. Hay que tener en cuenta que, en algunos países, la sanidad es parcial o completamente privada, por lo que la brecha de acceso es mayor ante rentas diferentes (Fuenzalida Díaz et al., 2013).

Según Borrell (2006) existen cinco causas de la desigualdad social de la salud: 1) los estilos de vida, 2) los propios servicios sanitarios, 3) los factores materiales o estructurales, 4) la desigualdad de la renta y 5) los factores políticos. A estos cinco factores hay que añadir un sexto, los territoriales. Los factores de desigualdad territorial son aquellos que van sujetos a una desigualdad en el espacio, condicionada por factores naturales, demográficos, culturales, económicos y sociales (Barcellos y Buzai, 2006). En efecto, la literatura muestra la interrelación entre la incidencia de las enfermedades y el ambiente en el que éstas se desarrollan, y ponen en evidencia cómo las desigualdades sociales en el acceso a la sanidad afectan a las tasas de morbilidad y mortalidad y son, por ello, factores a estudiar si se quieren reducir las inequidades de la salud de la población (Chan et al., 2011; Chin et al., 2020; Luna-Nemecio, 2020; Medeiros Figueiredo et al., 2022; Mollalo et al., 2020; Van Doremalen et al., 2013).

La pandemia de la COVID-19, declarada como tal el 11 de marzo de 2020 por la Organización Mundial de la Salud (OMS), es buen ejemplo de cómo las desigualdades sociales y territoriales tienen consecuencias sobre el estado de salud de la población (Berchet et al., 2023; Miranda et al., 2023). La incidencia de casos y fallecidos por COVID-19 fue elevada, primero, en las áreas urbanas –en especial en los barrios de menor renta– debido a la mayor densidad de población y a la intensidad de las interrelaciones personales, de manera que se convirtieron en los principales focos de propagación de la enfermedad (Córdoba Hernández et al., 2020; Delgado Viñas, 2023). Pero a medida que fue avanzando la pandemia, se fue extendiendo a las áreas rurales, afectando sobre todo a la población de grupos etarios envejecidos (Antunes, 2021; Carmo y Rêgo, 2020; Luna-Nemecio, 2020; Ruiz i Almar y Velasco i Relats, 2020). Se afirma que las áreas rurales, por su mayor aislamiento y menor densidad, han mostrado mayor grado de resistencia a la transmisión del virus y se han visto por ello menos afectadas que las urbanas, «en algunos casos sin datos concretos que avalan este hecho» (Delgado Viñas, 2023, p. 156), dado que «es muy difícil demostrar estadísticamente que existe una relación significativa entre el número de casos y la condición rural o urbana del territorio» (Romero y Arroyo, 2022, p, 154). En cualquier caso, el envejecimiento (rasgo muy marcado en las áreas rurales) influyó en la gravedad de la enfermedad, pues los ingresos hospitalarios a causa de COVID-19 corresponden en un 64% de los casos a las personas mayores, según el Instituto de Salud Carlos III (ISCIII, 2022), necesitando el ingreso en las Unidades de Cuidados Intensivos (UCI) un 61% de los casos. Ello se podría haber traducido en muchas pérdidas de vidas humanas que habrían acentuado el proceso de vaciamiento demográfico de las zonas rurales afectadas (Fuenzalida Díaz et al., 2013; Gutiérrez et al., 2022; Rodríguez Rodríguez, 2020).

A partir de este contexto, y tomando la Comunidad Autónoma de Cataluña como caso de estudio, este trabajo indaga cuáles son las variables espaciales que han influido en el desigual impacto de la pandemia de la COVID-19. Esta pregunta principal da lugar a otras dos centradas en los aspectos demográficos y de distribución de los recursos sanitarios: ¿la despoblación y el envejecimiento que sufren las áreas rurales ha propiciado que el impacto sea mayor en estas áreas o, por el contrario, el número de habitantes más elevado y la mayor densidad de las zonas urbanas ha sido causante de mayor incidencia de contagio y de mortalidad? O bien: ¿el aislamiento de las áreas rurales ha protegido a la población de estas zonas frente a los residentes en las áreas urbanas, pese a que la accesibilidad a los recursos sanitarios es menor en las primeras, o por el contrario ésta peor accesibilidad ha sido el causante de una mayor morbilidad y mortalidad?

El objetivo de esta investigación es, por tanto, analizar el número de casos de COVID-19 y de fallecidos por esta pandemia para verificar si existen pautas espaciales estadísticamente significativas causadas por desequilibrios territoriales, particularmente entre espacios urbanos y espacios rurales, que habrían podido ser un factor clave en la desigual incidencia espacial de la COVID-19.

La hipótesis de partida es que las zonas rurales han tenido un menor número de casos de la COVID-19 por cada cien mil habitantes que las zonas urbanas –menor incidencia de la pandemia– pero un mayor número de fallecimientos (también por cada cien mil habitantes) que las zonas urbanas, particularmente las Áreas Básicas de Salud (ABS) más remotas y envejecidas, creándose clústeres espaciales de mayor incidencia de la pandemia en aquellas ABS con esas características.

Para conseguir este objetivo se utilizará una metodología cuantitativa en la que la dimensión espacial tendrá una importancia fundamental, al ser el territorio la dimensión en la que se manifiesta la desigualdad. De ahí la necesidad de disponer de información, a escala más local posible, de los diversos indicadores a analizar.

Al escoger Cataluña como caso de estudio, se ha de tomar en consideración su organización territorial sanitaria y la disponibilidad de datos a escala de Área Básica de Salud, que será la base del análisis de las diferencias espaciales en la incidencia de la pandemia.

La Geografía ha jugado un papel fundamental a la hora de estudiar el origen y desarrollo de epidemias, como la peste negra, las epidemias de cólera en las principales ciudades de Europa o el estudio de las tres olas durante la gripe de 1918 (Carter, 2016; Curto, 2008; Peña et al., 2016). Los estudios epidemiológicos son una de las líneas más importantes de la Geografía de la Salud, teniendo el análisis de las pautas espaciales de la difusión de las enfermedades un papel importante, tanto para intentar frenarlas como para estudiar su afectación posterior.

Esta rama de la Geografía se ocupa del análisis de la distribución espacial de fenómenos como la mortalidad, la morbilidad –con particular interés en las epidemias–, o los factores que influyen en la distribución de la salud en el territorio (Santana, Santana Juárez y López Mejía, 2014): aspectos demográficos, sociales, económicos, políticos o medioambientales, que ayudan a entender los contextos geográficos que influyen en la calidad de la salud de los habitantes de los distintos territorios, particularmente los ambientales y humanos (Barcellos y Buzai, 2006; Ramírez, 2015; Rojas Ochoa, 2018).

Desde el punto de vista geográfico, es importante estudiar las desigualdades territoriales que afectan tanto a los sistemas sanitarios como a la propia salud de las personas; por ejemplo, las diferencias entre residir en un espacio urbano o rural (Smith et al., 2008). Aunque no existe una definición universal que distinga lo rural de lo urbano debido a las diferencias de organización y características físicas de los territorios, las diferencias en cuanto a los servicios que ofrecen unas y otras siempre son notorias, pues en los primeros existen más dificultades de acceso a las prestaciones de los servicios sanitarios, siendo más débil su oferta que en los espacios urbanos, ya que es en estos últimos donde se centraliza una mayor tipología de recursos sanitarios (ONU Habitat, 2022).

Esta desigualdad se acentuó con el denominando “éxodo rural”, con el que la población activa se desplazó desde el campo a la ciudad (Recaño Valverde, 2023), favoreciendo el envejecimiento y el vaciamiento demográfico que hoy caracteriza a la mayoría de las áreas rurales (Dumont, 2018; Johnson y Lichter, 2019), y generando desequilibrios territoriales que provocan la marginalización de éstas (Molina Ibáñez, 2019), especialmente de aquellas más alejadas de las grandes urbes, por la falta de servicios (Millas Buil y Sáez Pérez, 2020), entre ellos los de salud (Johnson y Lichter, 2019).

Entre los servicios básicos que han ido desapareciendo de las áreas rurales se encuentran los sanitarios o el transporte público colectivo (Urrecho y Fernández, 2016), provocando una brecha en el acceso a la sanidad por razones de residencia, pues a las peores comunicaciones (Goerlich et al., 2021), se suman las limitaciones en la movilidad física de las personas mayores que predominan en estos espacios (Rueda et al., 2008).

Estas desigualdades entre las áreas rurales y urbanas han aumentado durante el siglo XXI a causa de la globalización, que ha incrementado la concentración económica y poblacional en las grandes urbes (Méndez, 2020). A la mayor despoblación en las zonas rurales se ha sumado la pérdida de peso económico y demográfico de ciudades pequeñas y medianas, cuya población ha ido también envejeciéndose (Benito Peñalva, 2022; González-Leonardo, 2021).

En este contexto de desequilibrio espacial de la población y de diferencias de acceso a los servicios sanitarios entre áreas urbanas y rurales, la aparición a causa del virus SARS-CoV-2 de la enfermedad de COVID-19 –convertida en pandemia mundial entre otras razones por la globalización, el crecimiento del turismo, las desigualdades sociales o las limitaciones de la sanidad pública en los países en desarrollo y su privatización en los países desarrollados (Méndez, 2020)– actuó como elemento impulsor de las desigualdades demográficas, sociales y espaciales que ya existían previamente (Marí-Dell’Olmo et al., 2020) y que, a su vez, afectaron a la desigual incidencia de esta enfermedad en todos los países, aunque con especificidades propias de cada uno de ellos y en el interior de los mismos (Delgado Viñas, 2023; González-Leonardo y Spijker, 2022). La COVID-19 no solo ha causado más muertes entre las personas mayores, especialmente a las que ya tenían otras afecciones y contaban con un sistema inmunológico debilitado (Acosta et al., 2021), sino que ha generado diferencias espaciales de incidencia y mortalidad que se aprecian particularmente en las áreas urbanas, dado que éstas incluyen tanto espacios de concentración de rentas altas como barrios donde vive población pobre o desfavorecida (Borrell y Pasarín, 2004). La evidencia científica muestra que, en general, las zonas urbanas que presentan menores rentas muestran una mayor incidencia de la COVID-19, por los mayores problemas de acceso de su población a los sistemas de salud (Checa et al., 2020; González Pérez y Piñeira Mantiñán, 2020; López-Gay et al., 2021; Nayak et al., 2020; Pérez Aguirre y Lozano Gutiérrez, 2021; Ruiz i Almar y Velasco i Relats, 2020). Además, el impacto de la enfermedad y de las medidas implementadas para combatirla contribuyeron a acentuar estas desigualdades sociales y espaciales en las áreas urbanas, estando estos dos últimos aspectos íntimamente ligados debido a las pautas de segregación socio-residencial previamente existentes y que se intensificaron durante la pandemia (Orozco-Martínez et al., 2022).

Aunque también la incidencia de la COVID-19 en las áreas rurales ha sido importante, ya que éstas se caracterizan tanto por un deficiente acceso a las infraestructuras sanitarias en las zonas rurales más remotas, como por el envejecimiento de su población, combinado con un contexto de menor renta, pues una parte significativa de los habitantes de las zonas más envejecidas son jubilados con bajas pensiones (Gutiérrez et al., 2022; Molinero y Alario Trigueros, 2022). Ello justifica el interés de esta investigación para saber si han sido las áreas rurales o urbanas las más afectadas por la pandemia en Cataluña o si, por el contrario, han sido otras diferencias no específicamente ligadas a la desigual estructura de edad o de provisión de servicios –y más vinculadas probablemente a redes de comunicación o a factores socioeconómicos que aquí no se investigarán– las que explicarían el desigual impacto espacial de la COVID-19 en esta Comunidad Autónoma.

Para llevar a cabo el análisis propuesto, primero se ha realizado un estudio del marco legal sanitario de Cataluña para saber cuál es su funcionamiento y cómo se implementa en el territorio. Este marco legal ordena a escala territorial la sanidad pública catalana, organizando espacialmente la asistencia sanitaria. Dicha información se ha obtenido de la Conselleria de Salut y el Portal de CatSalut. Para entender esta organización hay que tener en cuenta que la gestión de la sanidad española está traspasada a las Comunidades Autónomas, según la Ley General de Sanidad 14/1986, de 25 de abril (BOE, 1986). En dicha Ley se establece que todas las autonomías deben diferenciar dos subdivisiones a la hora de realizar la ordenación sanitaria: Área de Salud y Zona Básica de Salud. En Cataluña, el Decreto 10/2013, de 3 de enero (DOGC, 2013) delimita, tras una restructuración de decretos anteriores, las Regiones Sanitarias, que corresponden a las Áreas de Salud expuestas en la Ley General de Sanidad, y las ABS, que corresponden con las Zonas Básicas de Salud y que son divisiones de una escala más pequeña para organizar y distribuir la atención primaria. Así, el mapa de ordenación sanitaria de Cataluña se compone por 7 Regiones Sanitarias (RS) y 373 ABS (Tabla 1 y Fig. 1). La extensión de cada ABS se define principalmente en función de sus características morfológicas y demográficas, agrupando diversos municipios en el caso de las ABS rurales, como en el caso de la Región de Alt Pirineu i Aran, o una parte de un municipio cuando éstos están muy poblados, como el caso de la ciudad de Barcelona, la cual alcanza las 67 ABS, algo que también ocurre en otras ciudades muy pobladas del Área Metropolitana de Barcelona (AMB).

Cada Área Básica de Salud (ABS) cuenta con un centro de salud principal, conocido como Centre d’Atenció Primaria (CAP) o Centre d’Urgències d’Atenció Primaria (CUAP). En áreas urbanas, hay un CAP por cada ABS y los CUAP se distribuyen en función de la población o la cercanía a un hospital. En las ABS que abarcan más de un municipio, el CAP se sitúa en el municipio principal, mientras que en el resto de los municipios se establecen consultorios locales. Esta estructura territorial ha sido el marco en el que se ha desarrollado el presente estudio, considerando que la metodología es aplicable a otros territorios con una organización similar.

Los datos sobre la incidencia de la COVID-19 se han extraído a través del portal de Dades Obertes de la Generalitat de Catalunya (https://administraciodigital.gencat.cat/ca/dades/dades-obertes/inici/), donde se encuentran publicados el número de personas afectadas y fallecidas por la COVID-19 por Áreas Básicas de Salud (ABS) de 2020 y 2021.

En cuanto a los datos de población necesarios para el trabajo se han recogido del portal de Idescat (https://www.idescat.cat/tema/xifpo). Estos datos de población se publican por cada año de vida del individuo de cada ABS, por lo que se ha tenido que calcular la población total de cada región sanitaria sumando todas las edades de la población.

Tras disponer de estos datos, el estudio se centra en realizar una serie de indicadores que ayudarán a dar respuesta a las preguntas planteadas. Así, utilizando la fórmula: casos o fallecidos / población *100.000 habitantes, se han calculado las tasas de incidencia y de mortalidad causadas por COVID-19. Para ello, se ha sumado los casos (y los fallecidos) de los años 2020 y 2021 y se ha dividido por dos (para calcular una tasa anual), cifra que se ha dividido por la población media del periodo bianual analizado, es decir, la población a 1 de enero de 2021, para cada ABS analizada.

Para observar qué ABS han tenido una mayor vulnerabilidad frente a la enfermedad se ha calculado, para cada una de ellas, un coeficiente de localización (CL) que relaciona la tasa de incidencia y de mortalidad de las ABS respecto a las tasas calculadas para el conjunto de Cataluña. Se ha utilizado la siguiente fórmula, tanto para los casos positivos de COVID-19 como para los fallecidos por dicha enfermedad:

Ello se ha hecho para los dos sexos y para la población total. Si este CL es superior a 1, significa que el número de casos o fallecidos del ABS en cuestión es superior a la tasa global catalana, y lo contrario si es inferior a 1.

Este indicador permite verificar las diferencias espaciales en cuanto al impacto de la enfermedad. Pero como los resultados están afectado por las diferencias de estructura de edad existentes entre las diversas ABS, se ha procedido a realizar una estandarización indirecta, aplicando las tasas de mortalidad por COVID-19 de Cataluña a la población por sexo y edad de cada ABS. Se obtiene así el número de fallecidos (por sexos y para el total) por COVID-19 que cada ABS debería haber tenido (defunciones esperadas), y se compara con el número de fallecidos reales por dicha enfermedad (defunciones observadas). Es el indicador denominado IME o índice de mortalidad estandarizado, resultante de dividir las defunciones observadas por las defunciones esperadas, que si es superior a 1 indica que el ABS en cuestión ha tenido más muertos por COVID-19 que lo que correspondería –por lo tanto, que ese territorio ha sido más afectado por la pandemia que la media de Cataluña– y lo contrario si el IME es inferior a 1. La comparación de las pautas espaciales de la mortalidad estandarizada con las de la mortalidad sin estandarizar permite estimar si el envejecimiento del ABS ha sido un factor relevante en la mayor o menor mortalidad a causa de la COVID-19.

Estos resultados se han representado cartográficamente para resaltar los patrones espaciales. En efecto, la representación cartográfica de los resultados obtenidos a través del uso de Sistemas de Información Geográfica es una herramienta muy útil por su poder descriptivo, pero también interpretativo, pues la cartografía tiene un gran alcance para generar hipótesis sobre posibles explicaciones de los fenómenos estudiados (Garrocho, 1998; Loyola et al., 2002).

La representación cartográfica de los datos utilizados (es decir, población, indicadores de envejecimiento e incidencia de casos positivos y fallecidos a causa de la COVID-19), se ha realizado siguiendo la clasificación de Jenks en la ruptura de intervalos, la cual clasifica los datos numéricos en clases o intervalos mediante un algoritmo que minimiza por desviación media de clase a partir de su media y maximiza por desviación de clase a partir de las medias de todas las demás clases. El cartografiador del SIG utilizado, Arc Map, permite su aplicación.

Sin embargo, los mapas con los resultados básicos de los indicadores por si solos no permiten evaluar si la distribución espacial responde a un patrón disperso o concentrado y qué factores explican dicha distribución. Esta indagación es clave, ya que el patrón de la distribución espacial de los fenómenos tiene profundas implicaciones para la focalización de las políticas. Más aún, permite entender cómo ciertos procesos demográficos y sociales ocurren de manera distinta en diversos territorios y hasta qué punto localidades cercanas geográficamente se influyen en su caracterización. Para estudiar las relaciones entre unidades territoriales con las unidades territoriales vecinas se ha realizado –con la ayuda de un programa especializado en estadística espacial, GeoDa– el denominado “análisis exploratorio de datos espaciales” (AEDE). Consiste en una serie de técnicas para estimar y visualizar en un mapa la autocorrelación espacial, es decir, la concentración estadísticamente significativa de los valores de una variable. La identificación de dichos conglomerados se hace por medio de dos estadísticos: Índice de Moran Global (Moran, 1950) e Índice de Moran local, que es uno de los denominados Indicadores Locales de Asociación Espacial o LISA (Anselin, 1995). El primero ofrece una medida resumen de la intensidad de la autocorrelación espacial de una variable en los territorios considerados, y varía entre los valores -1 y +1: cuanto más cercano a +1 sea el indicador, mayor será el nivel de autocorrelación espacial de la variable, señalando la existencia de un patrón de concentración espacial en los datos (pero no indica dónde están las zonas de concentración). Si el índice de Moran Global se sitúa alrededor de 0, significa que no existe autocorrelación espacial en la distribución de dicha variable, sino que ésta se distribuye aleatoriamente, mientras que un valor de -1 indica un patrón estadísticamente significativo de dispersión espacial del fenómeno.

Complementariamente, el Índice de Moran Local, partiendo de la distribución de una determinada variable en el espacio, permite identificar en un mapa la localización de los spatial clusters o conglomerados espaciales –cuya presencia fue confirmada por el Índice de Moran Global–, que pueden ser de dos tipos: “puntos calientes” (hot spots o zonas de concentración donde unidades espaciales con valores altos de la variable analizada están rodeadas de otras con valores altos de dicha variable) o “puntos fríos” (cold spots, donde unidades espaciales con valores bajos de la variable analizada están rodeadas de otras con valores bajos de dicha variable). Por ejemplo, es posible identificar zonas donde se agrupan de manera estadísticamente significativa unidades territoriales con altos –o bajos– niveles de mortalidad por COVID-19. Pero además de identificar los spatial clusters donde valores altos o bajos se agrupan espacialmente, también identifica spatial outliers o unidades territoriales con valores muy distintos a los de las áreas circundantes. Por tanto, este índice se representa en los mapas LISA de autocorrelación espacial en cinco categorías espaciales: alto-alto (de color rojo en los mapas realizados con GeoDa), bajo-bajo (azul oscuro), alto-bajo (rosa), bajo-alto (azul claro) y relación estadísticamente no significativa (gris), resultados que nos permiten mostrar los patrones de comportamiento espacial buscados.

Pese a que las áreas rurales son las que tienen una estructura de población más envejecida y albergan menos recursos sanitarios, no han sido las más afectadas durante la pandemia de la COVID-19 entre 2020 y 2021 en la Comunidad Autónoma de Cataluña. Por el contrario, la región sanitaria más envejecida, Terres de l’Ebre, es la que menos casos y fallecidos ha experimentado. Por lo tanto, y en contra de lo que planteaba la hipótesis de partida, no parece haber en Cataluña una relación entre el grado de envejecimiento, ni entre el carácter más rural o urbano de las ABS, y la incidencia de la COVID-19, ya sea medida en casos o en fallecidos por cada cien mil habitantes. En efecto: hay ABS rurales y urbanas, envejecidas o con poblaciones relativamente jóvenes, entre las más afectadas por la pandemia, pero también entre las menos afectadas. Dentro de las áreas urbanas, particularmente en la metrópolis barcelonesa, las ABS con una mayor vulnerabilidad social y urbana son las que han tenido una mayor incidencia durante la pandemia entre 2020 y 2021, tal como ya explicaba la literatura existente: norte de Barcelona, Badalona, Santa Coloma… Pero al aplicar la estandarización indirecta y mitigar el efecto del envejecimiento de sus estructuras de edad, entonces aparecen otros patrones espaciales de alta mortalidad en Barcelona y sus alrededores.

La no relación entre grado de envejecimiento o carácter rural/urbano de los asentamientos y el impacto de la pandemia, desmintiendo la hipótesis de partida, no significa que no existan patrones espaciales estadísticamente significativos en Cataluña. Los resultados demuestran que existen hot spots y cold spots, destacando la región sanitaria de la Catalunya Central –y en particular la comarca de Anoia– entre los primeros, y la de las Terres de l’Ebre entre las segundas, tanto en incidencia como en mortalidad, e independientemente de si son ABS más urbanas o rurales. Los datos disponibles en esta investigación no permiten estudiar las causas de este mayor o menor impacto espacial de la COVID-19. Quizás el azar haya jugado un papel –como parece que fue el caso en la expansión inicial de la enfermedad en la ciudad de Igualada, capital de Anoia– o la presencia de ejes de comunicaciones hayan facilitado su expansión –dentro de Catalunya Central, las ABS que más han sufrido este impacto han sido las que se encuentran en torno a las carreteras C-16 y C-17, que conectan esta región con la ciudad de Barcelona–, o la presencia de residencias de ancianos que sufrieron brotes de la pandemia y que, por sí solas, explican los altos niveles de mortalidad por COVID-19 tanto en algunas ABS de carácter rural (como es el caso de Tremp) como en ciertas ABS de la ciudad de Barcelona y alrededores con elevada concentración de estas instituciones.

En cualquier caso, existieron en Cataluña patrones especialmente significativos de incidencia y mortalidad por COVID-19 en los años 2020 y 2021, pero no se puede afirmar que fueran debidos al nivel de envejecimiento de las unidades espaciales o a su carácter urbano o rural –corroborando lo afirmado, entre otros, por Romero y Arroyo (2022)–, pero tampoco debido a las características socioeconómicas de las ABS. Sin duda, se requieren nuevos estudios a partir de datos más ricos y detallados, a una escala más micro, para que se obtengan y confirmen relaciones entre determinadas variables de tipo social, económico y demográfico, y su impacto sobre la incidencia y mortalidad por COVID-19, para llegar a conclusiones más clarificadoras sobre esta cuestión.