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 the prevalence of individuals at risk of dependence and its associated factors.METHODS The study was based on data from the Catalan Health Survey, Spain conducted in 2010 and 2011. Logistic regression models from a random sample of 3,842 individuals aged ≥ 15 years were used to classify individuals according to the state of their personal autonomy. Predictive models were proposed to identify indicators that helped distinguish dependent individuals from those at risk of dependence. Variables on health status, social support, and lifestyles were considered.RESULTS We found that 18.6% of the population presented a risk of dependence, especially after age 65. Compared with this group, individuals who reported dependence (11.0%) had difficulties performing activities of daily living and had to receive support to perform them. Habits such as smoking, excessive alcohol consumption, and being sedentary were associated with a higher probability of dependence, particularly for women.CONCLUSIONS Difficulties in carrying out activities of daily living precede the onset of dependence. Preserving personal autonomy and function without receiving support appear to be a preventive factor. Adopting an active and healthy lifestyle helps reduce the risk of dependence.

OBJETIVO Analizar la prevalencia de personas en riesgo de dependencia y los factores asociados.MÉTODOS El estudio se basó en datos de la Encuesta de Salud de Cataluña, España, realizada de 2010 a 2011. A partir de una muestra aleatoria de 3.842 individuos, de 15 años o más, se llevaron a cabo modelos de regresión logística para clasificar a los individuos según el estado de su autonomía personal. Se plantearon modelos predictivos para identificar las variables susceptibles de intervención que permitieran distinguir a los individuos dependientes de aquellos en riesgo. Se consideraron variables acerca del estado de salud, apoyo social y estilos de vida.RESULTADOS El 18,6% de la población presentó riesgo de dependencia, con efecto más acusado a partir de los 65 años. En comparación con este colectivo, los individuos que se declararon dependientes (11,0%) manifestaron problemas para realizar las actividades cotidianas y obtuvieron apoyo para ello. Estilos de vida, como fumar, consumir alcohol en exceso y ser sedentario se asociaron con mayor probabilidad de dependencia, en particular para las mujeres.CONCLUSIONES Las dificultades para llevar a cabo las actividades cotidianas preceden a la aparición de dependencia. Preservar la propia autonomía y desenvolverse sin recibir apoyo aparecen como factores protectores. La adopción de un estilo de vida activo y saludable contribuye a reducir el riesgo de dependencia.

OBJECTIVE To analyze the prevalence of individuals at risk of dependence and its associated factors.METHODS The study was based on data from the Catalan Health Survey, Spain conducted in 2010 and 2011. Logistic regression models from a random sample of 3,842 individuals aged ≥ 15 years were used to classify individuals according to the state of their personal autonomy. Predictive models were proposed to identify indicators that helped distinguish dependent individuals from those at risk of dependence. Variables on health status, social support, and lifestyles were considered.RESULTS We found that 18.6% of the population presented a risk of dependence, especially after age 65. Compared with this group, individuals who reported dependence (11.0%) had difficulties performing activities of daily living and had to receive support to perform them. Habits such as smoking, excessive alcohol consumption, and being sedentary were associated with a higher probability of dependence, particularly for women.CONCLUSIONS Difficulties in carrying out activities of daily living precede the onset of dependence. Preserving personal autonomy and function without receiving support appear to be a preventive factor. Adopting an active and healthy lifestyle helps reduce the risk of dependence.

OBJETIVO Analizar la prevalencia de personas en riesgo de dependencia y los factores asociados.MÉTODOS El estudio se basó en datos de la Encuesta de Salud de Cataluña, España, realizada de 2010 a 2011. A partir de una muestra aleatoria de 3.842 individuos, de 15 años o más, se llevaron a cabo modelos de regresión logística para clasificar a los individuos según el estado de su autonomía personal. Se plantearon modelos predictivos para identificar las variables susceptibles de intervención que permitieran distinguir a los individuos dependientes de aquellos en riesgo. Se consideraron variables acerca del estado de salud, apoyo social y estilos de vida.RESULTADOS El 18,6% de la población presentó riesgo de dependencia, con efecto más acusado a partir de los 65 años. En comparación con este colectivo, los individuos que se declararon dependientes (11,0%) manifestaron problemas para realizar las actividades cotidianas y obtuvieron apoyo para ello. Estilos de vida, como fumar, consumir alcohol en exceso y ser sedentario se asociaron con mayor probabilidad de dependencia, en particular para las mujeres.CONCLUSIONES Las dificultades para llevar a cabo las actividades cotidianas preceden a la aparición de dependencia. Preservar la propia autonomía y desenvolverse sin recibir apoyo aparecen como factores protectores. La adopción de un estilo de vida activo y saludable contribuye a reducir el riesgo de dependencia.