ABSTRACT OBJECTIVE Estimate the future number of hospitalizations from Covid-19 based on the number of diagnosed positive cases. METHOD Using the covid-19 Panel data recorded in Spain at the Red Nacional de Vigilancia Epidemiológica, Renave (Epidemiological Surveillance Network), a regression model with multiplicative structure is adjusted to explain and predict the number of hospitalizations from the lagged series of positive cases diagnosed from May 11, 2020 to September 20, 2021. The effect of the time elapsed since the vaccination program starting on the number of hospitalizations is reviewed. RESULTS Nine days is the number of lags in the positive cases series with greatest explanatory power on the number of hospitalizations. The variability of the number of hospitalizations explained by the model is high (adjusted R2: 96.6%). Before the vaccination program starting, the expected number of hospitalizations on day t was 20.2% of the positive cases on day t-9 raised to 0.906. After the vaccination program started, this percentage was reduced by 0.3% a day. Using the same model, we find that in the first pandemic wave the number of positive cases was more than six times that reported on official records. CONCLUSIONS Starting from the covid-19 cases detected up to a given date, the proposed model allows estimating the number of hospitalizations nine days in advance. Thus, it is a useful tool for forecasting the hospital pressure that health systems shall bear as a consequence of the disease.

RESUMEN OBJETIVO Predecir el número futuro de hospitalizaciones por covid-19 a partir del número de casos positivos diagnosticados. MÉTODO Usando datos del Panel covid-19 registrados en España en la Red Nacional de Vigilancia Epidemiológica (Renave), se ajusta un modelo de regresión con estructura multiplicativa para explicar y predecir el número de hospitalizaciones a partir de la serie retardada de casos positivos diagnosticados durante el periodo entre el 11 de mayo de 2020 y el 20 de septiembre de 2021. Se analiza el efecto sobre el número de hospitalizaciones del tiempo transcurrido desde el inicio del programa de vacunación. RESULTADOS El número de retardos de la serie de casos positivos que mayor capacidad explicativa tiene sobre el número de hospitalizaciones es de nueve días. La variabilidad del número de hospitalizaciones explicada por el modelo es elevada (R2 ajustado: 96,6%). Antes del inicio del programa de vacunación, el número esperado de ingresos hospitalarios en el día t era igual al 20,2% de los casos positivos del día t-9 elevado a 0,906. Iniciado el programa de vacunación, este porcentaje se redujo un 0,3% diario. Con el mismo modelo se obtiene que en la primera ola de la pandemia el número de casos positivos fue más de seis veces el que figura en los registros oficiales. CONCLUSIONES Partiendo de los casos de covid-19 detectados hasta una fecha, el modelo propuesto permite estimar el número de hospitalizaciones con nueve días de antelación. Ello lo convierte en una herramienta útil para prever con cierta anticipación la presión hospitalaria que el sistema sanitario tendrá que soportar como consecuencia de la enfermedad.

ABSTRACT OBJECTIVE Estimate the future number of hospitalizations from Covid-19 based on the number of diagnosed positive cases. METHOD Using the covid-19 Panel data recorded in Spain at the Red Nacional de Vigilancia Epidemiológica, Renave (Epidemiological Surveillance Network), a regression model with multiplicative structure is adjusted to explain and predict the number of hospitalizations from the lagged series of positive cases diagnosed from May 11, 2020 to September 20, 2021. The effect of the time elapsed since the vaccination program starting on the number of hospitalizations is reviewed. RESULTS Nine days is the number of lags in the positive cases series with greatest explanatory power on the number of hospitalizations. The variability of the number of hospitalizations explained by the model is high (adjusted R2: 96.6%). Before the vaccination program starting, the expected number of hospitalizations on day t was 20.2% of the positive cases on day t-9 raised to 0.906. After the vaccination program started, this percentage was reduced by 0.3% a day. Using the same model, we find that in the first pandemic wave the number of positive cases was more than six times that reported on official records. CONCLUSIONS Starting from the covid-19 cases detected up to a given date, the proposed model allows estimating the number of hospitalizations nine days in advance. Thus, it is a useful tool for forecasting the hospital pressure that health systems shall bear as a consequence of the disease.

RESUMEN OBJETIVO Predecir el número futuro de hospitalizaciones por covid-19 a partir del número de casos positivos diagnosticados. MÉTODO Usando datos del Panel covid-19 registrados en España en la Red Nacional de Vigilancia Epidemiológica (Renave), se ajusta un modelo de regresión con estructura multiplicativa para explicar y predecir el número de hospitalizaciones a partir de la serie retardada de casos positivos diagnosticados durante el periodo entre el 11 de mayo de 2020 y el 20 de septiembre de 2021. Se analiza el efecto sobre el número de hospitalizaciones del tiempo transcurrido desde el inicio del programa de vacunación. RESULTADOS El número de retardos de la serie de casos positivos que mayor capacidad explicativa tiene sobre el número de hospitalizaciones es de nueve días. La variabilidad del número de hospitalizaciones explicada por el modelo es elevada (R2 ajustado: 96,6%). Antes del inicio del programa de vacunación, el número esperado de ingresos hospitalarios en el día t era igual al 20,2% de los casos positivos del día t-9 elevado a 0,906. Iniciado el programa de vacunación, este porcentaje se redujo un 0,3% diario. Con el mismo modelo se obtiene que en la primera ola de la pandemia el número de casos positivos fue más de seis veces el que figura en los registros oficiales. CONCLUSIONES Partiendo de los casos de covid-19 detectados hasta una fecha, el modelo propuesto permite estimar el número de hospitalizaciones con nueve días de antelación. Ello lo convierte en una herramienta útil para prever con cierta anticipación la presión hospitalaria que el sistema sanitario tendrá que soportar como consecuencia de la enfermedad.

Objective. To analyze which socio-demographic and other factors related to motor injuries affect the length of hospital recovery stay. Materials and methods. In the study a sample of 17 932 motor accidents was used. All the crashes occurred in Spain between 2000 and 2007. Different regression models were fitted to data to identify and measure the impact of a set of explanatory regressors. Results. Time of hospital stay for men is on average 41% larger than for women. When the victim has a fracture as a consequence of the accident, the mean time of hospital stay is multiplied by five. Injuries located in lower extremities, the head and abdomen are associated with greater hospitalization lengths. Conclusions. Gender, age and type of victim, as well as the location and nature of injuries, are found to be factors that have significant impact on the expected length of hospital stay.

Objetivo. Analizar los factores sociodemográficos y de las lesiones causadas por accidentes de tránsito que influyen en el tiempo de hospitalización de las víctimas. Material y métodos. Muestra transversal de 17 932 eventos de tránsito ocurridos en España entre 2000 y 2007. Se estimaron diferentes modelos de regresión para identificar y medir la influencia de los factores. Resultados. Los hombres tienen un tiempo medio de hospitalización 41% mayor al de las mujeres. La duración de la estancia hospitalaria media aumenta cinco veces cuando existen fracturas. Las lesiones en las extremidades inferiores, la cabeza y el abdomen se asocian con mayores duraciones hospitalarias. Conclusiones. El sexo de la víctima, su edad, la posición que ocupaba en el vehículo en el momento del evento, el tipo de vehículo causante y el tipo y zona de la lesión influyen significativamente en la duración de la estancia hospitalaria.

Objective. To analyze which socio-demographic and other factors related to motor injuries affect the length of hospital recovery stay. Materials and methods. In the study a sample of 17 932 motor accidents was used. All the crashes occurred in Spain between 2000 and 2007. Different regression models were fitted to data to identify and measure the impact of a set of explanatory regressors. Results. Time of hospital stay for men is on average 41% larger than for women. When the victim has a fracture as a consequence of the accident, the mean time of hospital stay is multiplied by five. Injuries located in lower extremities, the head and abdomen are associated with greater hospitalization lengths. Conclusions. Gender, age and type of victim, as well as the location and nature of injuries, are found to be factors that have significant impact on the expected length of hospital stay.

Objetivo. Analizar los factores sociodemográficos y de las lesiones causadas por accidentes de tránsito que influyen en el tiempo de hospitalización de las víctimas. Material y métodos. Muestra transversal de 17 932 eventos de tránsito ocurridos en España entre 2000 y 2007. Se estimaron diferentes modelos de regresión para identificar y medir la influencia de los factores. Resultados. Los hombres tienen un tiempo medio de hospitalización 41% mayor al de las mujeres. La duración de la estancia hospitalaria media aumenta cinco veces cuando existen fracturas. Las lesiones en las extremidades inferiores, la cabeza y el abdomen se asocian con mayores duraciones hospitalarias. Conclusiones. El sexo de la víctima, su edad, la posición que ocupaba en el vehículo en el momento del evento, el tipo de vehículo causante y el tipo y zona de la lesión influyen significativamente en la duración de la estancia hospitalaria.