ANALISIS DE DATOS

Pregunta

¿Existe relación entre las personas que han presentado emergencias de salud y aquellas con problemas de nutrición según la Provincia de Ecuador para el año 2020?

DATA

Se utilizaron dos bases de datos obtenidas del Portal de Datos Abiertos de Ecuador.

  • MSP_Emergencias_2020.csv
  • MSP_Nutrición_2020.csv

\[MSP~Emergencias~2020\]

library(ggplot2)
library(scales)
options(scipen = 100)
EM$PROVINCIA <-as.factor(EM$PROVINCIA)

ggplot(EM, aes(x=reorder(PROVINCIA,-Aten_.menos.de.24.horas), y=Aten_.menos.de.24.horas)) + 
    geom_jitter(color="#96F300", size=1, alpha=1)+
    geom_boxplot(aes(fill = PROVINCIA),alpha=0.3,outlier.shape = NA) +
    theme(legend.position="none")+
    ggtitle("Número de atenciones en emergencia  por menos de 24 horas de observación") +
   xlab("PROVINCIA")+
   theme(axis.text.x = element_text(angle = 90, vjust = 0.5,
                                   hjust=1))+ 
  stat_summary(fun.y=mean, geom="point", shape=18,
   size=1.5, color="#FB0012", alpha=0.7)

En este gráfico se combinó box plot con Puntos para evidenciar mejor el comportamiento de los datos. Además se usó como factor en el eje X de las Provincias de Ecuador.

Este gráfico se organizó de forma tal que las primeras Provincias son aquellas que tiene los valores más altos según el número de atenciones en emergencia por menos de 24 horas de observación. Los puntos verdes corresponden a cada observación mientras que los puntos rojos son la media. Dentro de la cajas encontramos una línea horizontal que indica la mediana en cada Provincia.

Se desprende entonces que las primeras Provincias son las que presentan los mayores datos de conformidad con las variables evaluadas los cuales presentan mayor número de casos que requirieron una atención menor a las 24 horas. Estas fueron Guayas, Santo Domingo de los Tsachilas y Pichincha

ggplot(EM, aes(x=reorder(PROVINCIA,-Aten_hosp), y=Aten_hosp)) + 
    geom_jitter(color="#96F300", size=1, alpha=1)+
    geom_boxplot(aes(fill = PROVINCIA),alpha=0.5,outlier.shape = NA) +
    theme(legend.position="none")+
    ggtitle("Número de atenciones en emergencia que requieren de hospitalización") +
   xlab("PROVINCIA")+
   theme(axis.text.x = element_text(angle = 90, vjust = 0.5,
                                   hjust=1))+ 
  stat_summary(fun.y=mean, geom="point", shape=19,
   size=1.5, color="#FB0012", alpha=0.7)

El gráfico indica que la primeras Provincias fueron aquellas que presetarón mayor número de casos en los cuales fue necesaria la hospitalización del paciente. Estas fueron Pichincha, Santo Domingo de los Tsachilas y Guayas.

\[MSP~Nutrición~2020\]

NU$Provincia <-as.factor(NU$Provincia)

ggplot(NU, aes(x=reorder(Provincia,-Atenciones), y=Atenciones)) + 
    geom_jitter(color="#96F300", size=1, alpha=1)+
    geom_boxplot(aes(fill = Provincia),alpha=0.3,outlier.shape = NA) +
    theme(legend.position="none")+
    ggtitle("Atenciones sobre problemas de Nutrición") +
   xlab("PROVINCIA")+
   theme(axis.text.x = element_text(angle = 90, vjust = 0.5,
                                   hjust=1))+ 
  stat_summary(fun.y=mean, geom="point", shape=18,
   size=1.5, color="#FB0012", alpha=0.7)

Aca se muestran la Provincias con mayor número de atenciones por problemas de Nutrición. Estas fueron Pichincha , Santo Domingo de los Tsachilas y Santa Elena

Al analizar la graficas realizadas hasta el momento se evidencia que las Provincias con mayor numero de casos que requirieron hospitalización tambien son las que presentan mayores problemas de Nutrición. Entonces, se hace pertinente analizar más a fondo el comportamiento de esas Provincias para conocer mejor la situación y establecer estrategias de impacto para reducir estos problemas o mejorar la atención en los hospitales en algunos aspectos.

Entonces, a modo de explicar mejor la situacion de algunas Provincias, se va a realizar un análisis más profundo sobre la Provincia de Pichincha la cual obtuvo los mayores datos en las gráficas anteriores.

PC<-subset(EM,PROVINCIA=="PICHINCHA")
PC$CANTÓN<-as.factor(PC$CANTÓN)
PC1<-subset(NU,Provincia=="PICHINCHA")
PC1$Cantón<-as.factor(PC1$Cantón)
ggplot(PC, aes(x=reorder(CANTÓN,-Aten_.menos.de.24.horas), y=Aten_.menos.de.24.horas)) + 
    geom_jitter(color="#96F300", size=1, alpha=1)+
    geom_col(aes(fill = CANTÓN),alpha=0.8,outlier.shape = NA) +
    theme(legend.position="none")+
    ggtitle("Número de atenciones en emergencia  por menos de 24 horas de observación") +
   xlab("CANTÓN")+
   theme(axis.text.x = element_text(angle = 90, vjust = 0.5,
                                   hjust=1))
## Warning: Ignoring unknown parameters: outlier.shape

ggplot(PC, aes(x=reorder(CANTÓN,-Aten_hosp), y=Aten_hosp)) + 
    geom_jitter(color="#96F300", size=1, alpha=1)+
    geom_col(aes(fill = CANTÓN),alpha=0.8,outlier.shape = NA) +
    theme(legend.position="none")+
    ggtitle("Número de atenciones en emergencia que requieren de hospitalización") +
   xlab("CANTÓN")+
   theme(axis.text.x = element_text(angle = 90, vjust = 0.5,
                                   hjust=1))
## Warning: Ignoring unknown parameters: outlier.shape

El Cantón Distrito Metropolitano de Quito es la zona que presenta el mayor número de casos en emergencia por menos de 24 horas de observación asi como las personas que necesitaron hospitalización.

ggplot(PC1, aes(x=reorder(Cantón,-Atenciones), y=Atenciones)) + 
    geom_jitter(color="#96F300", size=1, alpha=1)+
    geom_col(aes(fill = Cantón),alpha=0.8,outlier.shape = NA) +
    theme(legend.position="none")+
    ggtitle("Atenciones sobre problemas de Nutrición") +
   xlab("CANTÓN")+
   theme(axis.text.x = element_text(angle = 90, vjust = 0.5,
                                   hjust=1))
## Warning: Ignoring unknown parameters: outlier.shape

Es claro que dentro del Cantón Pichincha, el Distrito Metropolitano de Quito es la zona que presenta los mayores datos sobre atención en hospitalización y problemas de nutrición. Se debe proponer una política más agresiva que permita responder efectivamente a esta situación. Tambien es importante tener en cuenta que es una zona con alta densidad poblacional y alta contaminación ambiental donde los problemas de salud se incrementan rápidamente.

Entonces para tener una política efectiva, se recomienda realizar análisis similares a este con las principales Provincias para encontrar los cantones con los mayores problemas en Hospitalización y Nutrición, para de ese modo centrar las soluciones en aquellas regiones que presentan los valores más altos sin descuidar las otras regiones.

Finalmente dando respuesta a la pregunta incial se plantea que sí se evidencia una relación en el número de pernsonas que han sido hospitalizadas y con problemas de nutrición en especial para la Provincia de Phichinca, Distrito Metropolitano de Quito.