Resumo em Espanhol:

OBJETIVOS: Comparar cómo diferentes grados de agregación de datos repercuten en los resultados de la medición de desigualdades e inequidades de salud en una población y examinar su idoneidad para estudios sobre el tema. MÉTODOS: A modo de ejemplo, se calcularon las medidas más frecuentemente utilizadas para cuantificar las desigualdades e inequidades reflejadas por la tasa de mortalidad infantil en Costa Rica entre 1973 y 1984. RESULTADOS: Según los resultados obtenidos, las medidas de desigualdad presentadas (a excepción de las que se basaron en modelos de regresión) no parecen ser sensibles al grado de agregación de los datos utilizados cuando las unidades objeto del estudio son grupos socioeconómicos. Por el contrario, cuando las unidades comparadas son zonas geográficas, mayores grados de desagregación de los datos redundan en medidas que indican la presencia de un mayor grado de desigualdad. CONCLUSIONES: Los resultados indican que algunas medidas generan valores muy dispares según el nivel de agregación utilizado, por lo que se demuestra la importancia de elegir tanto las medidas como la agregación que sean adecuadas a la luz de los objetivos de cada estudio.

Resumo em Inglês:

OBJECTIVES: To compare how different degrees of data aggregation influence the measurement of health inequalities and health inequities within a population, and to assess the appropriateness of those different degrees of data aggregation in performing studies on inequalities and inequities. METHODS: As an example, we used data on the infant mortality rate in Costa Rica in 1973 and in 1984 and calculated measurements that are frequently used to quantify inequalities and inequities. RESULTS: According to our results, the inequality measures presented (except for those that were derived using regression models) are not sensitive to data aggregation by socioeconomic groups. However, when geographic areas are compared, more disaggregation of the data results in the measures indicating greater inequality. CONCLUSIONS: Our results show that some measures can vary widely depending on the level of data aggregation. It is thus crucial to know how to select these measures and also how to aggregate the data in a way that is consistent with the objectives of each study.

Resumo em Espanhol:

OBJETIVOS:Analizar variaciones de mortalidad evitable entre comunas, utilizando diversos indicadores, como aproximación operacional para estimar desigualdades de salud. MÉTODOS:Análisis de variación de áreas pequeñas en una muestra de 117 de las 335 comunas chilenas en 1992. Usando datos secundarios, se desarrollaron y analizaron indicadores de mortalidad evitable, tales como los años de vida potencial perdidos (AVPP), la mortalidad evitable (ME) (con antecedentes y criterios basados en fuentes publicadas), la mortalidad evitable mediante la atención de salud (MEAS), y la esperanza de vida. También se creó un indicador de desarrollo socioeconómico (IDSE). La amplitud de las variaciones observadas entre indicadores se estimó mediante el coeficiente ponderado de variación, el coeficiente de Gini, la razón entre quintiles extremos del IDSE y la razón entre el quintil con el menor IDSE y el grupo de comunas con IDSE mayores de 0,90 (referencia empírica óptima). El perfil socioeconómico de las variaciones se examinó mediante curvas de concentración y la comparación de quintiles comunales según IDSE. RESULTADOS:Los diversos indicadores de ME usados mostraron una relación inversa estadísticamente significativa con el desarrollo socioeconómico, tendencia también observada en el perfil de los quintiles definidos por IDSE y en la mayoría de las causas específicas de mortalidad evitable. El uso de tres niveles de referencia (promedio, quintil con el mayor IDSE y referencia empírica óptima) plantea la medición de distintas brechas que podrían prevenirse. La razón entre el quintil con el menor IDSE y la referencia óptima fue de 2,1 en el caso de la ME, de 2,0 en el caso de los AVPP, de 1,7 en el de la mortalidad infantil y de 1,5 en el de la MEAS. CONCLUSIONES:Los resultados, que coinciden con los hallados en otras fuentes publicadas previamente, ponderan la magnitud y el perfil de las variaciones entre comunas y proveen información, basada en datos de 1992, para iniciar un monitoreo de las desigualdades de salud entre áreas geográficas pequeñas, en este caso las comunas. Aunque las iniciativas por mejorar la equidad se concentran en las comunas de menor desarrollo socioeconómico y mayor mortalidad evitable, reducir esta última implica una tarea con un enfoque doble: dar prioridad de intervención a las comunas más postergadas por un lado, y cubrir la mayoría de las comunas para prevenir la mortalidad evitable por el otro.

Resumo em Inglês:

OBJECTIVES: To analyze differences in avoidable mortality among communes in Chile, using different indicators as an operational approach to estimating health inequalities. METHODS: Small area variation analysis in a sample of 117 of all 335 Chilean communes that existed in 1992. By using secondary data, we developed and compared some avoidable-mortality indicators, such as potential years of life lost (PYLL), avoidable mortality (AM) (based on background and criteria drawn from the literature), health care avoidable mortality (HCAMR), and life expectancy. A socioeconomic development index (SEDI) was also developed. The scope of the variation was estimated through the weighted variation coefficient, the Gini coefficient, the ratio between the values for the quintiles at both extremes of the SEDI distribution, and the ratio of the lowest SEDI quintile to the group of municipalities having a SEDI greater than 0.90 (optimal empirical reference value). The socioeconomic pattern of variations was examined through concentration curves and by comparing communal quintiles based on their SEDI. RESULTS: The various avoidable-mortality indicators used showed an inverse and statistically significant correlation with socioeconomic development, as well as with the profile of the various SEDI quintiles and with the majority of specific causes of avoidable mortality. The distribution profile of AM indicators among SEDI communal quintiles reflects the same tendency, along with most of the mortality from specific avoidable causes. The use of three reference values (the mean, the quintile with the greatest SEDI, and the optimal empirical reference value) makes it possible to measure gaps that could be avoided. The ratio of the lowest SEDI quintile to the empirical optimal reference value was 2.1 for AM, 2.0 for PYLL, 1.7 for infant mortality, and 1.5 for HCAMR. CONCLUSIONS: These results, which are consistent with those found in previous published sources, estimate the magnitude and pattern of variations among communes. The results also provide information, based on data for 1992, with which to start monitoring health inequalities among small geographic areas, which were communes in this particular case. Although interventions for promoting equity tend to focus exclusively on communes having lower socioeconomic development and higher rates of avoidable mortality, reducing the latter implies a two-pronged approach: prioritizing interventions targeting underprivileged communes so as to foster equity, while attempting to cover the majority of communes in an effort to prevent avoidable mortality.