Skip to content
New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Devolución 2 #2

Open
wants to merge 5 commits into
base: Feedback2
Choose a base branch
from
Open
Show file tree
Hide file tree
Changes from 1 commit
Commits
File filter

Filter by extension

Filter by extension

Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
Binary file added datos/nacidos_vivos_regiones_PBA.xlsx
Binary file not shown.
Binary file added datos/tasas_region_selec.xlsx
Binary file not shown.
104 changes: 104 additions & 0 deletions informe.Rmd
Original file line number Diff line number Diff line change
Expand Up @@ -9,6 +9,7 @@ output: html_document
knitr::opts_chunk$set(echo = TRUE)
library(readxl)
library(dplyr)
library(tidyr)
library(ggplot2)

```
Expand Down Expand Up @@ -147,10 +148,113 @@ defunciones_maternas_2009_2021 %>%


## Hipótesis

¿Existen diferencias entre las tasas de mortalidad materna entre las diferentes Regiones Sanitarias?

Se comparó la tasa de 4 regiones sanitarias: V, VI, VII y XII. Son las regiones que se encuentran en las zonas de mayor concentración poblacional en la PBA.

```{r}
tabla_regio_an <-defunciones_maternas_2009_2021 %>%
group_by(anio,`region_sanitaria `) %>%
summarise(cantidad_muertes_informadas = sum(cantidad)) %>%
pivot_wider(names_from = `region_sanitaria `,
values_from = cantidad_muertes_informadas,
values_fill = 0) %>%
select(c(V, VI, VII, XII))

```



Para el calculo de las tasas por año de estas cuatro regiones era necesario tener la cantidad de nacidos vivos de cada región.

Nuevamente se recurrió al catálogo de datos abiertos de la Dirección Provincial de Estadística y Salud Digital.

```{r}
nacidos_vivos_regiones_PBA <- read_excel("datos/nacidos_vivos_regiones_PBA.xlsx")
View(nacidos_vivos_regiones_PBA)
Copy link
Author

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

No hay que poner View() en el código. Fijate en el archivo Consejos.md.

print(nacidos_vivos_regiones_PBA)
```


Se busco conjugar ambas bases para poder calcular las tasas.


```{r}
left_join(tabla_regio_an, nacidos_vivos_regiones_PBA,
by = "anio")
```



Finalmente se las calculó en Excel y se importó la información en un tabla.
Copy link
Author

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

Jajajajaja. Pero tenés que calcularlas en R!

Un problema es que hiciste pivot_wider(), pero ese formato no está bueno para hacer la unión y calcular la tasa.

Entonces, primero deberías leer los datos de nacidos vivos y ponerlos en un formato largo:

nacidos_vivos_regiones_PBA <- read_excel("datos/nacidos_vivos_regiones_PBA.xlsx") |> 
  pivot_longer(cols = -anio, names_to = "region_sanitaria", values_to = "nacidos_vivos")

Esto te da algo así:

# A tibble: 68 × 3
    anio region_sanitaria nacidos_vivos
   <dbl> <chr>                       <dbl>
 1  2005 V                           54706
 2  2005 VI                          67630
 3  2005 VII                         38088
 4  2005 XII                         24840
 5  2006 V                           55774
 6  2006 VI                          66110
 7  2006 VII                         38221
 8  2006 XII                         25170
 9  2007 V                           56193
10  2007 VI                          67081

Luego, calcular los totales por región sanitaria como hiciste antes y unirlo a estos datos:

defunciones_maternas_2009_2021 %>%
  group_by(anio, region_sanitaria = `region_sanitaria `) %>% 
  summarise(cantidad_muertes_informadas = sum(cantidad)) |> 
  left_join(nacidos_vivos_regiones_PBA) |> 
  mutate(tasa = cantidad_muertes_informadas/nacidos_vivos)

Y ahí te quedan los datos.

(PD: Deberías arreglar el nombre de "region_sanitaria " (sacarle el espacio al final) desde el principio).


```{r}
tasas_region_selec <- read_excel("datos/tasas_region_selec.xlsx")
View(tasas_region_selec)
print(tasas_region_selec)
```

Al compara las tasas de mortalidad materna se puede observar que la región VII se encuentra por arriba de las otras tasas en varios años, 2010, 2013, 2014, 2017, y 2020. En cambio, la región XII supera a las demás en los años 2011, 2018 y en la actualidad. Por último, las tasas más altas se observan en los años 2010 y 2021, donde aproximadamente 80 mujeres morían por cada 100.000 nacidos vivos.
Copy link
Author

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

A mí se me hace difícil seguir esta tabla, quizás podés hacer un gráfico con una linea de tiempo para cada región (con el resultado que te recomiendo arriba es bastante directo).

Se puede decir que hay diferencias importantes entres las tasas de mortalidad materna en las cuatro regiones analizadas, donde las regiones VII y XII registran diferencias por encima en varios periodos de tiempos.





¿Las causas directas e indirectas tienen la misma tendencia de aparición durante el periodo 2009 a 2021?


```{r}
tabla_anio_cla <- defunciones_maternas_2009_2021 %>%
group_by(anio, clasificacion) %>%
summarise(cantidad_muertes_informadas = sum(cantidad)) %>%
pivot_wider(names_from = clasificacion,
values_from = cantidad_muertes_informadas,
values_fill = 0) %>%
print()

```
La tabla muestra la cantidad de muertes por año según causas directas o indirectas.

El primer gráfico muestra la tendencia de muertes maternas directas.

```{r}
tabla_anio_cla %>%
ggplot(aes(anio, DIRECTA)) +
geom_line ( color = "red")
```

El segundo gráfico muestra la tendencia de muertes maternas indirectas.

```{r}
tabla_anio_cla %>%
ggplot(aes(anio, INDIRECTA)) +
geom_line ( color = "red")
```

Sin bien no se pudo unir en un solo grafico ambas tendencias, las muertes maternas directas tienen una tendencia en descenso para el periodo. En cambio, las muertes maternas indirectas se encontraban en una meseta, pero del 2020 al 2021 registran un aumento elevado. Muchos artículos informan sobre esto, debido al impacto que tuvo el COVID en las embarazadas.
Copy link
Author

Choose a reason for hiding this comment

The reason will be displayed to describe this comment to others. Learn more.

Para hacer un único gráfico podés usar los datos en formato largo (antes del pivot_longer() y hacer una línea con aes(color = clasificacion).



¿Las causas de muerte materna según clasificación CIE 10 tuvieron el mismo porcentaje de frecuencia durante el periodo 2009 a 2021?

A continuación, se presenta la tabla de frecuencia observada, ya que los porcentajes se sacaron con Excel.

```{r}
defunciones_maternas_2009_2021 %>%
group_by(anio, CIE10_descripcion) %>%
summarise(cantidad_muertes_informadas = sum(cantidad)) %>%
pivot_wider(names_from = anio,
values_from = cantidad_muertes_informadas,
values_fill = 0)


```

Respecto a los porcentajes de frecuencias de muerte materna según clasificación CIE 10 en el periodo 2009 a 2021, se observa que “OTRAS AFECCIONES OBSTETRICAS NO CLASIFICADAS EN OTRA PARTE” tiene el mayor porcentaje de ocurrencias, salvo en el 2011 que ocupo el segundo lugar. Por otro lado, el “EMBARAZO TERMINADO EN ABORTO” ocupo el segundo lugar en porcentaje de frecuencia durante los años 2009, 2010, 2013, 2015, 2018 y 2019.






166 changes: 166 additions & 0 deletions informe.html

Large diffs are not rendered by default.