Tuberculosis
2023-04-06
TAREAS https://docs.google.com/spreadsheets/d/1YDgZRMf1QuaCD3pRU_4RvmftX5zZJIoU3KD2GTn4-0w/edit#gid=0
Horas https://docs.google.com/spreadsheets/d/1bjHda-4I0oTYmI3fDGIAANk_ydQLj82LClWG5tvJyXc/edit#gid=0
Documento https://docs.google.com/document/d/1sI7it7-zlehi2uVJpJ-s33ViKRno7Ctl/edit
0.1 Preprocesamiento
Esta consignado en el archivo Salome.R que es es archivo principal de preprocesamiento.
- Homologa los nombres de las columnas en los 4 años (homologacion nombres tb.R)
- Homologa y limpia las fechas (Homologación Fechas.R)
- Homologa los nombres de departamentos
- Importa las proyecciones de población del DANE
- Estandariza las categorías de las variables
0.2 Autocorrelograma tasa general y de los casos
El lag 4, 9 y el lag 13, donde los coeficientes de autocorrelación son relativamente altos.
0.3 Hacer los conteos y las tasas por región y semana (tabla)
0.4 Hacer la serie por pertenencia étnica
| Var1 | Freq |
|---|---|
| AFROCOLOMBIANO | 2 |
| INDIGENA | 2623 |
| MESTIZO | 4289 |
| NEGRO, MULATO, AFROCOLOMBIANO | 2124 |
| OTRO | 26882 |
| PALENQUERO | 1 |
| RAIZAL | 81 |
| ROOM (GITANO) | 13 |
| NA | 12936 |
Se crea la variable con pertenencia étnica y sin pertenencia étnica - “Con pertenencia étnica”=c(“INDIGENA”, “NEGRO, MULATO, AFROCOLOMBIANO”, “ROOM (GITANO)”, “RAIZAL”, “AFROCOLOMBIANO”, “PALENQUERO”),
- “Sin pertenencia étnica”=c(NA, “MESTIZO”, “OTRO”)
0.5 Imputación de pertenencia étnica
A partir de los datos del Censo, se realiza la impitación de la población con pertenencia étnica de los municipios
##
## AFROCOLOMBIANO INDIGENA
## 2 2623
## MESTIZO NEGRO, MULATO, AFROCOLOMBIANO
## 4289 2124
## OTRO PALENQUERO
## 39818 1
## RAIZAL ROOM (GITANO)
## 81 13## # A tibble: 6 × 7
## # Groups: ano, semana_epidemiologica [6]
## semana_epidemiologica ano ano_semana_epide…¹ con_p…² sin_p…³ pob_c…⁴ pob_s…⁵
## <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 00 2018 2018-00 55 446 5645292 4.26e7
## 2 01 2018 2018-01 45 189 5645292 4.26e7
## 3 02 2018 2018-02 34 233 5645292 4.26e7
## 4 03 2018 2018-03 15 120 5645292 4.26e7
## 5 04 2018 2018-04 50 324 5645292 4.26e7
## 6 05 2018 2018-05 27 192 5645292 4.26e7
## # … with abbreviated variable names ¹ano_semana_epidemiologica,
## # ²con_pertenencia, ³sin_pertenencia, ⁴pob_con_pertenencia,
## # ⁵pob_sin_pertenencia
0.6 Hacer la serie por resultado prueba VIH
| Var1 | Freq |
|---|---|
| Negativo | 1143 |
| NEGATIVO | 37597 |
| NO REALIZADA | 32 |
| NR | 3643 |
| PACIENTE NO ACEPTA | 166 |
| Pendiente | 7 |
| PENDIENTE | 13 |
| Positivo | 123 |
| POSITIVO | 2858 |
| PTE NO ACEPTA | 107 |
| VIH + Previo | 103 |
| VIH + PREVIO | 2656 |
| NA | 503 |
0.7 Tablas
0.8 COVID
0.9 Modelo Poisson con offset
Ajustar un modelo Poisson con los casos como respuesta (población como offset), incluyendo como explicativas grupo de edad, sexo, tiempo, dicotómica covid, # de casos COVID-19
semana es un consecutivo semana, poblaciones, conteo, por cada grupo de edad
proyecciones edades etnicas etnia no sexo
## # A tibble: 6 × 6
## # Groups: ano, semana_epidemiologica, Sexo, grupo_edad [4]
## ano semana_epidemiologica Sexo grupo_edad pertenencia_etnica casos_tu…¹
## <chr> <chr> <chr> <fct> <fct> <int>
## 1 2018 00 F [0,5) Con pertenencia étnica 1
## 2 2018 00 F [0,5) Sin pertenencia étnica 1
## 3 2018 00 F [5,10) Con pertenencia étnica 2
## 4 2018 00 F [10,15) Sin pertenencia étnica 1
## 5 2018 00 F [15,20) Con pertenencia étnica 1
## 6 2018 00 F [15,20) Sin pertenencia étnica 11
## # … with abbreviated variable name ¹casos_tuberculosis0.10 Población étnia y grupo de edad
##
## Antes Después
## 5754 42830.11 Grafica covid y tuberculosis
0.12 Mapas con tasas anuales
0.13 Modelo
| Estimate | Std. Error | z value | Pr(>|z|) | RR | |
|---|---|---|---|---|---|
| (Intercept) | -13.5920 | 0.0535 | -254.1546 | 0.0000 | 0.0000 |
| grupo_edad[10,15) | -0.0890 | 0.0646 | -1.3776 | 0.1683 | 0.9149 |
| grupo_edad[15,20) | 0.8305 | 0.0494 | 16.8288 | 0.0000 | 2.2945 |
| grupo_edad[20,25) | 1.6061 | 0.0466 | 34.4807 | 0.0000 | 4.9833 |
| grupo_edad[25,30) | 1.7934 | 0.0463 | 38.7570 | 0.0000 | 6.0096 |
| grupo_edad[30,35) | 1.7328 | 0.0466 | 37.1682 | 0.0000 | 5.6564 |
| grupo_edad[35,40) | 1.5846 | 0.0472 | 33.5584 | 0.0000 | 4.8775 |
| grupo_edad[40,45) | 1.4812 | 0.0479 | 30.9005 | 0.0000 | 4.3984 |
| grupo_edad[45,50) | 1.4528 | 0.0484 | 29.9985 | 0.0000 | 4.2752 |
| grupo_edad[5,10) | -0.2461 | 0.0755 | -3.2590 | 0.0011 | 0.7818 |
| grupo_edad[50,55) | 1.5740 | 0.0481 | 32.7245 | 0.0000 | 4.8259 |
| grupo_edad[55,60) | 1.7567 | 0.0478 | 36.7556 | 0.0000 | 5.7931 |
| grupo_edad[60,65) | 1.9112 | 0.0480 | 39.8432 | 0.0000 | 6.7615 |
| grupo_edad[65,70) | 2.1332 | 0.0482 | 44.2681 | 0.0000 | 8.4419 |
| grupo_edad[70,75) | 2.2365 | 0.0492 | 45.4636 | 0.0000 | 9.3609 |
| grupo_edad[75,80) | 2.4732 | 0.0501 | 49.3182 | 0.0000 | 11.8602 |
| grupo_edad[80,85) | 2.6377 | 0.0525 | 50.2712 | 0.0000 | 13.9813 |
| grupo_edad[85,90) | 2.7199 | 0.0589 | 46.1554 | 0.0000 | 15.1790 |
| grupo_edad[90,95) | 2.8836 | 0.0804 | 35.8430 | 0.0000 | 17.8777 |
| sexoMujeres | -0.7111 | 0.0100 | -70.9368 | 0.0000 | 0.4911 |
| pertenencia_etnicaSin pertenencia étnica | -0.4821 | 0.0157 | -30.7469 | 0.0000 | 0.6175 |
| covidDespués | -0.1153 | 0.0420 | -2.7452 | 0.0060 | 0.8911 |
## Generalized linear mixed model fit by maximum likelihood (Laplace
## Approximation) [glmerMod]
## Family: Negative Binomial(109.7204) ( log )
## Formula: casos_tuberculosis ~ grupo_edad + sexo + pertenencia_etnica +
## covid + offset(log(poblacion)) + (1 | semana)
## Data: pegada_completa[pegada_completa$semana <= 200, ]
##
## AIC BIC logLik deviance df.resid
## 38411.5 38583.5 -19181.8 38363.5 9532
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -2.7145 -0.6118 -0.0687 0.5662 9.1974
##
## Random effects:
## Groups Name Variance Std.Dev.
## semana (Intercept) 0.08126 0.2851
## Number of obs: 9556, groups: semana, 200
##
## Fixed effects:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -13.59204 0.05348 -254.155 < 2e-16
## grupo_edad[10,15) -0.08899 0.06460 -1.378 0.16831
## grupo_edad[15,20) 0.83053 0.04935 16.829 < 2e-16
## grupo_edad[20,25) 1.60609 0.04658 34.481 < 2e-16
## grupo_edad[25,30) 1.79335 0.04627 38.757 < 2e-16
## grupo_edad[30,35) 1.73279 0.04662 37.168 < 2e-16
## grupo_edad[35,40) 1.58464 0.04722 33.558 < 2e-16
## grupo_edad[40,45) 1.48124 0.04794 30.900 < 2e-16
## grupo_edad[45,50) 1.45284 0.04843 29.999 < 2e-16
## grupo_edad[5,10) -0.24613 0.07552 -3.259 0.00112
## grupo_edad[50,55) 1.57399 0.04810 32.724 < 2e-16
## grupo_edad[55,60) 1.75666 0.04779 36.756 < 2e-16
## grupo_edad[60,65) 1.91124 0.04797 39.843 < 2e-16
## grupo_edad[65,70) 2.13321 0.04819 44.268 < 2e-16
## grupo_edad[70,75) 2.23654 0.04919 45.464 < 2e-16
## grupo_edad[75,80) 2.47319 0.05015 49.318 < 2e-16
## grupo_edad[80,85) 2.63772 0.05247 50.271 < 2e-16
## grupo_edad[85,90) 2.71992 0.05893 46.155 < 2e-16
## grupo_edad[90,95) 2.88355 0.08045 35.843 < 2e-16
## sexoMujeres -0.71110 0.01002 -70.937 < 2e-16
## pertenencia_etnicaSin pertenencia étnica -0.48209 0.01568 -30.747 < 2e-16
## covidDespués -0.11530 0.04200 -2.745 0.00605
##
## (Intercept) ***
## grupo_edad[10,15)
## grupo_edad[15,20) ***
## grupo_edad[20,25) ***
## grupo_edad[25,30) ***
## grupo_edad[30,35) ***
## grupo_edad[35,40) ***
## grupo_edad[40,45) ***
## grupo_edad[45,50) ***
## grupo_edad[5,10) **
## grupo_edad[50,55) ***
## grupo_edad[55,60) ***
## grupo_edad[60,65) ***
## grupo_edad[65,70) ***
## grupo_edad[70,75) ***
## grupo_edad[75,80) ***
## grupo_edad[80,85) ***
## grupo_edad[85,90) ***
## grupo_edad[90,95) ***
## sexoMujeres ***
## pertenencia_etnicaSin pertenencia étnica ***
## covidDespués **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
