Trabajo Final Econometría II

1. Introducción:

En el mes de diciembre del año 2019 se captó la presencia de una enfermedad causada por una variante de la subfamilia del coronavirus, en Wuhan, China. Prontamente la cepa del virus “Sars-CoV-2” escaló en la seguridad sanitaria internacional, debido a la rápida propagación y letalidad del virus la Organización Mundial de la Salud (OMS) declaró una pandemia mundial el 11 de marzo del año 2020.

Durante 2020-2021 los efectos de la pandemia derivada del virus Sars-CoV-2 causaron un alto número de decesos en la población mundial, una estimación (Orús, 2022) denota que aproximadamente 6.3 millones de personas habían fallecido alrededor del mundo, observando incrementos en la letalidad si es que las personas padecían comorbilidades. Esta situación nos motiva para investigar el caso de México; esto se hace a través de la información obtenida de la base de datos del Sistema de Vigilancia Epidemiológica de Enfermedades Respiratoria Viral, a través de un modelo logístico multinivel, en el cual buscamos encontrar la probabilidad de muerte de un paciente diagnosticado con Covid-19, que haya sido hospitalizado y que padezca de comorbilidades, así como la incidencia en la probabilidad de fallecimiento de algunas variables asociadas a la estructura de anidamiento por estados.

Darle seguimiento a la pandemia fue clave para el gobierno mexicano, pues la presencia del virus en México obligó a implementar una jornada de sana distancia así como un semáforo epidemiológico en cada una de las entidades federativas, además, para mantener el control de la situación y ante los altos contagios registrados, estableció una cuarentena a partir del 23 de marzo del 2020; con estas medidas se esperaba solamente, para el primer año (2020) 635,364 muertes. (Gobierno de México, 2020).

Asi, el objetivo del trabajo presente es analizar el nivel de deceso en personas contagiadas de COVID-19 que hayan sido hospitalizadas en cualquier unidad medica del pais, denotando ademas la presencia de alguna otra afeccion clínica. Para objetivos precios, dentro del modelo, en el nivel micro se consideran las afecciones de los pacientes, mientras que en el nivel macro se tomaron variables relacionadas con algunas condiciones económicas, demográficas y sociales, así como con relación a la infraestructura de los servicios de salud de las entidades federativas.

En la literatura existen estudios que hablan sobre la relación de las comorbilidades y la edad con las muertes por COVID-19. Un primer ejemplo, contempla los primeros 64 días en que se desarrolló la pandemia (del 27 de febrero al 30 de abril de 2020), 244 observaciones que se refieren a todos los casos confirmados dentro de las unidades hospitalarias (personas que tenía COVID-19), en el presente trabajo se encontró que se presentaban más contagios (casos confirmados) en hombres que en mujeres, estas personas solian aglomerarse en ciudades grandes (es decir, con gran densidad de población, como lo es la capital del país), por otra parte los pacientes fallecidos presentaban similitudes en diversas areas en relacion a su caso, una de ellas referecia que estos pacientes “presentaba una o múltiples comorbilidades, principalmente hipertensión (45,53%), diabetes (39,39%) y obesidad)”; así, los autores concluyen señalando que las principales características en la población como es el género, la edad y las comorbilidades presentes inciden en la condición de las personas que se contagian y fallecen por dicha enfermedad. (Suárez, Suárez y Ronquillo, 2020, p. 463).

De acuerdo al estudio de la Secretaría de Salud del Estado de Coahuila de Zaragoza (Salinas, Sánchez, Rodríguez, Díaz y Bernal, 2021) Se buscaba determinar las comorbilidades asociadas con la mortalidad en pacientes con COVID-19 además de describir las características que presentaban estos, la muestra fue de 17,479 pacientes que representaron un 6.3% de mortalidad, la conclusión que obtuvieron fue que la diabetes, hipertensión arterial, obesidad y el daño renal crónico aumentaban la mortalidad en este tipo de pacientes en Coahuila, siendo el mayor factor de riesgo la edad mayor a 60 años.

Para Plasencia, Aguilera y Almaguer resultó importante estudiar el papel de las comorbilidades en pacientes con COVID-19 en Cuba, al principio de la pandemia, para ello usaron la razón de probabilidades con un intervalo al 95% de confianza y modelos tanto de efectos fijos como de efectos aleatorios para analizar una muestra de 99, 817 pacientes con padecimientos como la hipertensión arterial, enfermedad cardiovascular, diabetes mellitus, el hábito de fumar, enfermedades respiratorias, renales y hepáticas crónicas e inmunodeficiencias; llegando a la conclusión de que la enfermedad renal crónica, la cardiovascular, hipertensión arterial y diabetes, en ese orden, son las comorbilidades con mayor riesgo en los pacientes contagiados. (2020).

De acuerdo con el estudio de mayo a agosto de 2020, de cohorte observacional prospectivo (Prospective observational cohort study) de García et al. sobre 105 pacientes hospitalizados por tener COVID-19 y síndrome respiratorio agudo severo en la unidad médica de alta especialidad #71 de Torreón Coahuila, aquellos pacientes que presentaron patologías como sobrepeso, obesidad, diabetes e hipertensión arterial tuvieron un alto grado de asociación con la mortandad, además de intervenir la edad y el sexo de los pacientes. (2021).

Por último, en un estudio enfocado a la situación común de mexicanos con obesidad, al relacionar esta comorbilidad como factor de riesgo en el corto plazo para los contagiados de COVID-19 se encuentra que el riesgo aumenta considerablemente, pero si es combinada con otras comorbilidades como hipertensión, inmunosupresión, etc., es más riesgoso en 2.79 HR, esto según el modelo de Cox que se planteó para 71, 103 pacientes de los 32 estados del país con datos del Estudio Nacional de Vigilancia. (Vera, Mancilla, Tlalpa, Aguilar, Aguirre, Segura, Lazcano, Rocha, Navarro, Kammar y Vidal, 2021).

Hipótesis

La presencia de comorbilidades, como diabetes, hipertensión obesidad y enfermedades crónicas, en pacientes con algún tipo de variante de COVID-19 aumentan la probabilidad de que una persona fallezca.

La probabilidad de tener estas comorbilidades y que una persona fallezca, según Martos,Luque,Jiménez, Mora, Asencion, Navarro y Núñez, es de 80%. (2020).

2. Descripción de los datos utilizados y 3. Análisis descriptivo de los datos

Descripción

Modelo Logístico Multinivel: Dentro del modelo: - en el nivel micro se consideran las afecciones de los pacientes - en el nivel macro se tomaron variables relacionadas con algunas condiciones económicas, demográficas y sociales, así como con relación a la infraestructura de los servicios de salud de las entidades federativas

Entonces, la base de datos que contiene nuestra variable de respuesta así como nuestras variables explicativas de nivel micro se obtuvo del Sistema de Vigilancia Epidemiológica de Enfermedades Respiratorias Viral, como ya se dijo; cabe mencionar que estos datos se validan por la Secretaría de Salud a través de la Dirección General de Epidemiología, según lo reportado por las unidades médicas (hospitales cualificados) y por las jurisdicciones sanitarias en el caso de las defunciones. Así, se filtró a las personas hospitalizadas que efectivamente padecieron de Covid-19, comprobado mediante una prueba PCR, para el periodo comprendido desde el inicio de la pandemia en marzo 2020 hasta el 31 de diciembre de 2021, lo que nos resultó en una base con 188 431 observaciones.

De esta forma, la base nos proporciona la información relativa a las condiciones individuales de los pacientes, tanto de tipo demográfico como el sexo, la edad y la entidad de residencia, así como de tipo clínico, especificando si el paciente fue intubado o no, si padece o no de alguna comorbilidad, así como si falleció o logró recuperarse de la enfermedad, gracias a la información anterior se pudo observar el siguiente comportamiento: - Que el porcentaje de hombres hospitalizados que murieron por COVID-19 es mayor en comparación con las mujeres, esto en una proporción del 59.89% y 40.11% respectivamente. - Respecto a los grupos de edad, clasificamos la información de la Secretaría de Salud en tres grupos: personas portadoras del virus SARS-Cov 2 y hospitalizadas menores de 30 años, de entre 30 a 59 años y personas mayores de 60 años. - Haciendo comparable la información referente a las defunciones por entidad federativa, categorizando las defunciones por cada 100 mil habitantes, obtuvimos que estados como Colima, Yucatán, Baja California Sur y Campeche fueron las entidades federativas que registraron un mayor nivel de defunciones por Covid-19 en estos términos, por el contrario, entidades como Oaxaca, Chiapas y Guerrero mantuvieron bajo el nivel respectivo en decesos hospitalarios. - Con la información del Consejo Nacional de Evaluación de la Política de Desarrollo Social (CONEVAL) y de la Dirección General de Información en Salud (DGIS) para obtener nuestras variables explicativas de nivel macro. De manera que variables de tipo continuo como el gasto en salud, el porcentaje de la población en situación de pobreza multidimensional, la población en situación de informalidad, y el resto de variables, pudieran asociarse a la estructura de anidamiento del modelo, en este caso, por entidad federativa.

Las variables macro determinan la construcción de un modelo multinivel y las variables dicotómicas determinan el modelo logístico. Partimos, entonces, de la premisa de que un modelo logístico sin efectos aleatorios constituye la predicción de la probabilidad de que ocurra un evento o fenómeno basado en la información de las observaciones obtenidas. Mientras que el modelo logístico multinivel ya contempla los interceptos, los efectos aleatorios y las variables macro.

De esta forma presentaremos los datos a utilizar:

options(repos = c(CRAN = "https://cran.rstudio.com/"))
library(plyr)
library(lmtest)
library(readstata13)
library(readxl)
library(lme4)
library(merTools)
library(jtools)
library(lmerTest)
library(arm)
library(haven)
library(zoo)
install.packages("sjPlot")

## package 'sjPlot' successfully unpacked and MD5 sums checked
## 
## The downloaded binary packages are in
##  C:\Users\joyre\AppData\Local\Temp\Rtmp8ykrk3\downloaded_packages

library(Matrix)
library(ggplot2)
library(lme4)
library(readstata13)
library(jtools)
library(rlang)
library(tidyr)
library(dplyr)
library(ggplot2)
library(readxl)
library(haven)
library(treemapify)
library(lattice)
library (sjPlot)

## [1] "numeric"

## [1] "numeric"

## [1] "factor"

## [1] "numeric"

DESCRIPCION: VARIABLES NIVEL MACRO

summary(bases$POBREZA)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   22.50   31.30   42.70   41.84   50.80   75.50

ggplot(data = bases,aes(x=POBREZA)) + 
  geom_histogram(bins = 15, colour="black", fill="tomato", alpha= 0.5)

ggplot(bases,aes(x=POBREZA))+ geom_histogram(bins=15, aes(y=..density..), 
                                             colour="black", fill="white") + geom_density(alpha=.3,fill="tomato")

summary(bases$GASTO_SALUD)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1213    2888    3722    4814    5330   11569

ggplot(data = bases,aes(x=GASTO_SALUD)) + 
  geom_histogram(bins = 15, colour="black", fill="cyan4", alpha= 0.5)

ggplot(bases,aes(x=GASTO_SALUD))+geom_histogram(bins=15, aes(y=..density..),colour="black", fill="white")+ geom_density(alpha=.2, fill="cyan4")

summary(bases$CAR_SALUD)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   17.05   21.64   26.74   27.38   32.09   38.66

ggplot(data = bases,aes(x=CAR_SALUD)) + 
  geom_histogram(bins = 15, colour="black", fill="deeppink4", alpha= 0.5)

ggplot(bases,aes(x=CAR_SALUD))+geom_histogram(bins=15, aes(y=..density..),colour="black", fill="white")+ geom_density(alpha=.2, fill="deeppink4")

summary(bases$CAR_CEV)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   2.802   5.817   7.190   8.374  10.353  25.944

ggplot(data = bases,aes(x=CAR_CEV)) + 
  geom_histogram(bins = 15, colour="black", fill="green4", alpha= 0.5)

ggplot(bases,aes(x=CAR_CEV))+geom_histogram(bins=15, aes(y=..density..),colour="black", fill="white")+ geom_density(alpha=.2, fill="green4")

summary(bases$CAR_SBV)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   2.060   4.981   9.879  15.268  21.367  56.286

ggplot(data = bases,aes(x=CAR_SBV)) + 
  geom_histogram(bins = 15, colour="black", fill="springgreen4", alpha= 0.5)

ggplot(bases,aes(x=CAR_SBV))+geom_histogram(bins=15, aes(y=..density..),colour="black", fill="white")+ geom_density(alpha=.2, fill="springgreen4")

summary(bases$INFORMALIDAD)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   36.00   46.50   56.60   55.06   64.30   80.70

ggplot(data = bases,aes(x=INFORMALIDAD)) + 
  geom_histogram(bins = 15, colour="black", fill="darkgoldenrod3", alpha= 0.5)

ggplot(bases,aes(x=INFORMALIDAD))+geom_histogram(bins=15, aes(y=..density..),colour="black", fill="white")+ geom_density(alpha=.2, fill="darkgoldenrod3")

summary(bases$UMEDICAS)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   3.659  21.700  29.299  31.277  36.460 159.286

ggplot(data = bases,aes(x=UMEDICAS)) + 
  geom_histogram(bins = 15, colour="black", fill="darkorchid4", alpha= 0.5)

ggplot(bases,aes(x=UMEDICAS))+geom_histogram(bins=15, aes(y=..density..),colour="black", fill="white")+ geom_density(alpha=.2, fill="darkorchid4")

summary(bases$CAMAS)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   15.82   95.67  129.86  125.23  143.35  785.49

ggplot(data = bases,aes(x=CAMAS)) + 
  geom_histogram(bins = 15, colour="black", fill="blue4", alpha= 0.5)

ggplot(bases,aes(x=CAMAS))+geom_histogram(bins=15, aes(y=..density..),colour="black", fill="white")+ geom_density(alpha=.2, fill="blue4")

VISUALIZACION VARIABLES CATEGORICAS

#SEXO
#1 - MUJERES
#2 - HOMBRES

bases %>% 
  count(SEXO) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = SEXO)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#DEFUNCION
#0 - DEFUNCION
#1 - NO DEFUNCION
bases %>% 
  count(DEF) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = DEF)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#ENTIDAD

ggplot(bases, aes(x=ENTIDAD, y=DEF, fill=ENTIDAD, horiz= TRUE))+ geom_bar(stat="identity")

bases %>% 
  count(ENTIDAD) %>% 
  ggplot(mapping = aes(fill = ENTIDAD, area = n, label = ENTIDAD)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

#EDAD
#rangos de edad de personas que fueron hospitalizadas 
bases %>% 
  count(EDAD) %>% 
  ggplot(mapping = aes(fill = EDAD, area = n, label = EDAD)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none") 

#GPO DE EDAD

ggplot(bases, aes(x=GPO_EDAD, y="", fill=GPO_EDAD))+ geom_bar(stat="identity")

bases %>% 
  count(GPO_EDAD) %>% 
  ggplot(mapping = aes(fill = GPO_EDAD, area = n, label = GPO_EDAD)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none") 

bases %>% 
  count(GPO_EDAD) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = GPO_EDAD)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#INTUBADO
#0 - INTUBADO
#1 - NO INTUBADO

ggplot(bases, aes(x=INTUBADO_0, y=INTUBADO_0, fill=INTUBADO_0))+ geom_bar(stat="identity")

bases %>% 
  count(INTUBADO) %>% 
  ggplot(mapping = aes(fill = INTUBADO, area = n, label = INTUBADO)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(INTUBADO_0) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = INTUBADO_0)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#NEUMONIA
ggplot(data=bases, aes(x=NEUMONIA)) + geom_bar()

bases %>% 
  count(NEUMONIA) %>% 
  ggplot(mapping = aes(fill = NEUMONIA, area = n, label = NEUMONIA)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(NEUMONIA) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = NEUMONIA)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#NEUMONIA
ggplot(data=bases, aes(x=ID_GPO)) + geom_bar()

bases %>% 
  count(ID_GPO) %>% 
  ggplot(mapping = aes(fill = ID_GPO, area = n, label = ID_GPO)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(ID_GPO) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = ID_GPO)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5),colour = "white")

#DIABETES
ggplot(data=bases, aes(x=DIABETES)) + geom_bar()

bases %>% 
  count(DIABETES) %>% 
  ggplot(mapping = aes(fill = DIABETES, area = n, label = DIABETES)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(DIABETES) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = DIABETES)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#EPOC
ggplot(data = bases, aes(x = EPOC)) +
  geom_bar()

bases %>% 
  count(EPOC) %>% 
  ggplot(mapping = aes(fill = EPOC, area = n, label = EPOC)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(EPOC) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = EPOC)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#ASMA1
ggplot(data = bases, aes(x = ASMA)) +
  geom_bar()

bases %>% 
  count(ASMA) %>% 
  ggplot(mapping = aes(fill = ASMA, area = n, label = ASMA)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(ASMA) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = ASMA)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#INMUNO
ggplot(data = bases, aes(x = INMUSUPR)) +
  geom_bar()

bases %>% 
  count(INMUSUPR) %>% 
  ggplot(mapping = aes(fill = INMUSUPR, area = n, label = INMUSUPR)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(INMUSUPR) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = INMUSUPR)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#HIPERTENSION
ggplot(data = bases, aes(x = HIPERTENSION)) +
  geom_bar()

bases %>% 
  count(HIPERTENSION) %>% 
  ggplot(mapping = aes(fill = HIPERTENSION, area = n, label = HIPERTENSION)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(HIPERTENSION) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = HIPERTENSION)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#OTRA_COMPLICACION
ggplot(data = bases, aes(x = OTRA_COM)) +
  geom_bar()

bases %>% 
  count(OTRA_COM) %>% 
  ggplot(mapping = aes(fill = OTRA_COM, area = n, label = OTRA_COM)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(OTRA_COM) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = OTRA_COM)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#CARDIOVASCULAR

ggplot(data = bases, aes(x = CARDIOVASCULAR)) +
  geom_bar()

bases %>% 
  count(OTRA_COM) %>% 
  ggplot(mapping = aes(fill = OTRA_COM, area = n, label = OTRA_COM)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(OTRA_COM) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = OTRA_COM)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#OBESIDAD

ggplot(data = bases, aes(x = OBESIDAD)) +
  geom_bar()

bases %>% 
  count(OBESIDAD) %>% 
  ggplot(mapping = aes(fill = OBESIDAD, area = n, label = OBESIDAD)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(OBESIDAD) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = OBESIDAD)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#RENAL

ggplot(data = bases, aes(x = RENAL_CRONICA)) +
  geom_bar()

bases %>% 
  count(RENAL_CRONICA) %>% 
  ggplot(mapping = aes(fill = RENAL_CRONICA, area = n, label = RENAL_CRONICA)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(RENAL_CRONICA) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = RENAL_CRONICA)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#TABAQUISMO

ggplot(data = bases, aes(x = TABAQUISMO)) +
  geom_bar()

bases %>% 
  count(TABAQUISMO) %>% 
  ggplot(mapping = aes(fill = TABAQUISMO, area = n, label = TABAQUISMO)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(TABAQUISMO) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = TABAQUISMO)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#OTRO CASO

ggplot(data = bases, aes(x = OTRO_CASO)) +
  geom_bar()

bases %>% 
  count(OTRO_CASO) %>% 
  ggplot(mapping = aes(fill = OTRO_CASO, area = n, label = OTRO_CASO)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(OTRO_CASO) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = OTRO_CASO)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#TOMA_MUESTRA_ANTIGENO

ggplot(data = bases, aes(x = TOMA_MUESTRA_ANTIGENO)) +
  geom_bar()

bases %>% 
  count(TOMA_MUESTRA_ANTIGENO) %>% 
  ggplot(mapping = aes(fill = TOMA_MUESTRA_ANTIGENO, area = n, label = TOMA_MUESTRA_ANTIGENO)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

bases %>% 
  count(TOMA_MUESTRA_ANTIGENO) %>% 
  mutate(porcentaje = round(n/sum(n)*100), 1) %>% 
  ggplot(mapping = aes(factor(1), y = porcentaje, fill = TOMA_MUESTRA_ANTIGENO)) +
  geom_bar(stat = "identity") +
  coord_polar(theta = "y") +
  theme_void() +
  geom_text(aes(label = paste(porcentaje,"%", sep = "")),
            position = position_stack(vjust = 0.5), colour = "white")

#RESULTADO_ANTIGENO

ggplot(data = bases, aes(x = RESULTADO_ANTIGENO)) +
  geom_bar()

bases %>% 
  count(RESULTADO_ANTIGENO) %>% 
  ggplot(mapping = aes(fill = RESULTADO_ANTIGENO, area = n, label = RESULTADO_ANTIGENO)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

#UCI

bases %>% 
  count(UCI) %>% 
  ggplot(mapping = aes(fill = UCI, area = n, label = UCI)) +
  geom_treemap() + 
  geom_treemap_text(place = "centre") +
  theme(legend.position = "none")

4. Estimación del modelo:

#  Establecemos el modelo  nulo
  M0 <- glmer(DEF ~ 1 + (1 | ENTIDAD_RES), family = binomial("logit"), 
            data = bases) 
  summary(M0)

## Generalized linear mixed model fit by maximum likelihood (Laplace
##   Approximation) [glmerMod]
##  Family: binomial  ( logit )
## Formula: DEF ~ 1 + (1 | ENTIDAD_RES)
##    Data: bases
## 
##       AIC       BIC    logLik  deviance  df.resid 
##  259441.6  259461.9 -129718.8  259437.6    188429 
## 
## Scaled residuals: 
##     Min      1Q  Median      3Q     Max 
## -1.0161 -0.9244 -0.8352  1.0751  1.2098 
## 
## Random effects:
##  Groups      Name        Variance Std.Dev.
##  ENTIDAD_RES (Intercept) 0.0127   0.1127  
## Number of obs: 188431, groups:  ENTIDAD_RES, 32
## 
## Fixed effects:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  -0.1632     0.0207  -7.883 3.18e-15 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

  summ(M0)

## MODEL INFO:
## Observations: 188431
## Dependent Variable: DEF
## Type: Mixed effects generalized linear regression
## Error Distribution: binomial
## Link function: logit 
## 
## MODEL FIT:
## AIC = 259441.63, BIC = 259461.92
## Pseudo-R² (fixed effects) = 0.00
## Pseudo-R² (total) = 0.00 
## 
## FIXED EFFECTS:
## ------------------------------------------------
##                      Est.   S.E.   z val.      p
## ----------------- ------- ------ -------- ------
## (Intercept)         -0.16   0.02    -7.88   0.00
## ------------------------------------------------
## 
## RANDOM EFFECTS:
## ---------------------------------------
##     Group       Parameter    Std. Dev. 
## ------------- ------------- -----------
##  ENTIDAD_RES   (Intercept)     0.11    
## ---------------------------------------
## 
## Grouping variables:
## -------------------------------
##     Group      # groups   ICC  
## ------------- ---------- ------
##  ENTIDAD_RES      32      0.00 
## -------------------------------

  tab_model(M0)

	DEF
Predictors	Odds Ratios	CI	p
(Intercept)	0.85	0.82 – 0.88	<0.001
Random Effects
σ2	3.29
τ00 ENTIDAD_RES	0.01
ICC	0.00
N ENTIDAD_RES	32
Observations	188431
Marginal R2 / Conditional R2	0.000 / 0.004

#  Establecemos el modelo completo
M1 <- glmer(DEF ~ 1 + SEXO + ID_GPO + INTUBADO_0 +DIABETES + HIPERTENSION + OBESIDAD +  RENAL_CRONICA + POBREZA + log(GASTO_SALUD)+ CAR_SALUD + CAR_CEV + CAR_SBV + INFORMALIDAD + UMEDICAS+ CAMAS + (1|ENTIDAD_RES), 
            family = binomial("logit"), data = bases)
  summary(M1)

## Generalized linear mixed model fit by maximum likelihood (Laplace
##   Approximation) [glmerMod]
##  Family: binomial  ( logit )
## Formula: DEF ~ 1 + SEXO + ID_GPO + INTUBADO_0 + DIABETES + HIPERTENSION +  
##     OBESIDAD + RENAL_CRONICA + POBREZA + log(GASTO_SALUD) + CAR_SALUD +  
##     CAR_CEV + CAR_SBV + INFORMALIDAD + UMEDICAS + CAMAS + (1 |  
##     ENTIDAD_RES)
##    Data: bases
## 
##       AIC       BIC    logLik  deviance  df.resid 
##  228548.6  228731.1 -114256.3  228512.6    187545 
## 
## Scaled residuals: 
##     Min      1Q  Median      3Q     Max 
## -4.5764 -0.7535 -0.3700  0.9054  3.8394 
## 
## Random effects:
##  Groups      Name        Variance Std.Dev.
##  ENTIDAD_RES (Intercept) 0.02285  0.1512  
## Number of obs: 187563, groups:  ENTIDAD_RES, 32
## 
## Fixed effects:
##                    Estimate Std. Error z value Pr(>|z|)    
## (Intercept)      -3.1350668  0.2890216 -10.847   <2e-16 ***
## SEXO              0.2409394  0.0102456  23.516   <2e-16 ***
## ID_GPO1           1.2390051  0.0263305  47.056   <2e-16 ***
## ID_GPO2           2.1451239  0.0266379  80.529   <2e-16 ***
## INTUBADO_01       2.0475148  0.0209983  97.509   <2e-16 ***
## DIABETES          0.1065250  0.0117627   9.056   <2e-16 ***
## HIPERTENSION      0.1754141  0.0117046  14.987   <2e-16 ***
## OBESIDAD          0.1173545  0.0131155   8.948   <2e-16 ***
## RENAL_CRONICA     0.4383533  0.0241266  18.169   <2e-16 ***
## POBREZA          -0.0033080  0.0062288  -0.531   0.5954    
## log(GASTO_SALUD)  0.0991270  0.0439760   2.254   0.0242 *  
## CAR_SALUD        -0.0143145  0.0080384  -1.781   0.0749 .  
## CAR_CEV           0.0033314  0.0123454   0.270   0.7873    
## CAR_SBV          -0.0020302  0.0049218  -0.412   0.6800    
## INFORMALIDAD      0.0064843  0.0058181   1.115   0.2651    
## UMEDICAS          0.0030666  0.0021102   1.453   0.1462    
## CAMAS            -0.0008778  0.0003763  -2.333   0.0197 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## optimizer (Nelder_Mead) convergence code: 0 (OK)
## Model failed to converge with max|grad| = 0.00761604 (tol = 0.002, component 1)
## Model is nearly unidentifiable: very large eigenvalue
##  - Rescale variables?
## Model is nearly unidentifiable: large eigenvalue ratio
##  - Rescale variables?

  summ(M1)

## MODEL INFO:
## Observations: 187563
## Dependent Variable: DEF
## Type: Mixed effects generalized linear regression
## Error Distribution: binomial
## Link function: logit 
## 
## MODEL FIT:
## AIC = 228548.58, BIC = 228731.13
## Pseudo-R² (fixed effects) = 0.21
## Pseudo-R² (total) = 0.22 
## 
## FIXED EFFECTS:
## -----------------------------------------------------
##                           Est.   S.E.   z val.      p
## ---------------------- ------- ------ -------- ------
## (Intercept)              -3.14   0.29   -10.85   0.00
## SEXO                      0.24   0.01    23.52   0.00
## ID_GPO1                   1.24   0.03    47.06   0.00
## ID_GPO2                   2.15   0.03    80.53   0.00
## INTUBADO_01               2.05   0.02    97.51   0.00
## DIABETES                  0.11   0.01     9.06   0.00
## HIPERTENSION              0.18   0.01    14.99   0.00
## OBESIDAD                  0.12   0.01     8.95   0.00
## RENAL_CRONICA             0.44   0.02    18.17   0.00
## POBREZA                  -0.00   0.01    -0.53   0.60
## log(GASTO_SALUD)          0.10   0.04     2.25   0.02
## CAR_SALUD                -0.01   0.01    -1.78   0.07
## CAR_CEV                   0.00   0.01     0.27   0.79
## CAR_SBV                  -0.00   0.00    -0.41   0.68
## INFORMALIDAD              0.01   0.01     1.11   0.27
## UMEDICAS                  0.00   0.00     1.45   0.15
## CAMAS                    -0.00   0.00    -2.33   0.02
## -----------------------------------------------------
## 
## RANDOM EFFECTS:
## ---------------------------------------
##     Group       Parameter    Std. Dev. 
## ------------- ------------- -----------
##  ENTIDAD_RES   (Intercept)     0.15    
## ---------------------------------------
## 
## Grouping variables:
## -------------------------------
##     Group      # groups   ICC  
## ------------- ---------- ------
##  ENTIDAD_RES      32      0.01 
## -------------------------------

  tab_model(M0,M1)

	DEF			DEF
Predictors	Odds Ratios	CI	p	Odds Ratios	CI	p
(Intercept)	0.85	0.82 – 0.88	<0.001	0.04	0.02 – 0.08	<0.001
SEXO				1.27	1.25 – 1.30	<0.001
ID_GPO: ID_GPO1				3.45	3.28 – 3.64	<0.001
ID_GPO: ID_GPO2				8.54	8.11 – 9.00	<0.001
INTUBADO_01				7.75	7.44 – 8.07	<0.001
DIABETES				1.11	1.09 – 1.14	<0.001
HIPERTENSION				1.19	1.16 – 1.22	<0.001
OBESIDAD				1.12	1.10 – 1.15	<0.001
RENAL_CRONICA				1.55	1.48 – 1.63	<0.001
POBREZA				1.00	0.98 – 1.01	0.595
log(GASTO_SALUD)				1.10	1.01 – 1.20	0.024
CAR_SALUD				0.99	0.97 – 1.00	0.075
CAR_CEV				1.00	0.98 – 1.03	0.787
CAR_SBV				1.00	0.99 – 1.01	0.680
INFORMALIDAD				1.01	1.00 – 1.02	0.265
UMEDICAS				1.00	1.00 – 1.01	0.146
CAMAS				1.00	1.00 – 1.00	0.020
Random Effects
σ2	3.29			3.29
τ00	0.01 ENTIDAD_RES			0.02 ENTIDAD_RES
ICC	0.00			0.01
N	32 ENTIDAD_RES			32 ENTIDAD_RES
Observations	188431			187563
Marginal R2 / Conditional R2	0.000 / 0.004			0.212 / 0.218

# Creamos un tercer modelo conservando las variables de nivel micro 
# y log(GASTO_SALUD), CAR_SALUD, UMEDICAS y CAMAS en el nivel macro
  M2<- glmer(DEF ~ 1 + SEXO + ID_GPO + INTUBADO_0 +DIABETES + HIPERTENSION + OBESIDAD +  RENAL_CRONICA + log(GASTO_SALUD)+ 
               CAR_SALUD + UMEDICAS+ CAMAS+ + (1|ENTIDAD_RES), 
             family = binomial("logit"), data = bases)
  summary(M2)

## Generalized linear mixed model fit by maximum likelihood (Laplace
##   Approximation) [glmerMod]
##  Family: binomial  ( logit )
## Formula: DEF ~ 1 + SEXO + ID_GPO + INTUBADO_0 + DIABETES + HIPERTENSION +  
##     OBESIDAD + RENAL_CRONICA + log(GASTO_SALUD) + CAR_SALUD +  
##     UMEDICAS + CAMAS + +(1 | ENTIDAD_RES)
##    Data: bases
## 
##       AIC       BIC    logLik  deviance  df.resid 
##  228541.9  228683.9 -114257.0  228513.9    187549 
## 
## Scaled residuals: 
##     Min      1Q  Median      3Q     Max 
## -4.5771 -0.7534 -0.3701  0.9053  3.8421 
## 
## Random effects:
##  Groups      Name        Variance Std.Dev.
##  ENTIDAD_RES (Intercept) 0.02395  0.1548  
## Number of obs: 187563, groups:  ENTIDAD_RES, 32
## 
## Fixed effects:
##                    Estimate Std. Error z value Pr(>|z|)    
## (Intercept)      -2.9484717  0.3759429  -7.843  4.4e-15 ***
## SEXO              0.2409382  0.0102449  23.518  < 2e-16 ***
## ID_GPO1           1.2390146  0.0263623  46.999  < 2e-16 ***
## ID_GPO2           2.1452056  0.0266671  80.444  < 2e-16 ***
## INTUBADO_01       2.0473672  0.0210086  97.454  < 2e-16 ***
## DIABETES          0.1065366  0.0117593   9.060  < 2e-16 ***
## HIPERTENSION      0.1753941  0.0117020  14.988  < 2e-16 ***
## OBESIDAD          0.1173912  0.0131165   8.950  < 2e-16 ***
## RENAL_CRONICA     0.4383753  0.0241451  18.156  < 2e-16 ***
## log(GASTO_SALUD)  0.0864417  0.0549219   1.574  0.11551    
## CAR_SALUD        -0.0097672  0.0058367  -1.673  0.09425 .  
## UMEDICAS          0.0038036  0.0019192   1.982  0.04749 *  
## CAMAS            -0.0009716  0.0003677  -2.642  0.00824 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## optimizer (Nelder_Mead) convergence code: 0 (OK)
## Model failed to converge with max|grad| = 0.00346976 (tol = 0.002, component 1)
## Model is nearly unidentifiable: very large eigenvalue
##  - Rescale variables?
## Model is nearly unidentifiable: large eigenvalue ratio
##  - Rescale variables?

  summ(M2)

## MODEL INFO:
## Observations: 187563
## Dependent Variable: DEF
## Type: Mixed effects generalized linear regression
## Error Distribution: binomial
## Link function: logit 
## 
## MODEL FIT:
## AIC = 228541.93, BIC = 228683.92
## Pseudo-R² (fixed effects) = 0.21
## Pseudo-R² (total) = 0.22 
## 
## FIXED EFFECTS:
## -----------------------------------------------------
##                           Est.   S.E.   z val.      p
## ---------------------- ------- ------ -------- ------
## (Intercept)              -2.95   0.38    -7.84   0.00
## SEXO                      0.24   0.01    23.52   0.00
## ID_GPO1                   1.24   0.03    47.00   0.00
## ID_GPO2                   2.15   0.03    80.44   0.00
## INTUBADO_01               2.05   0.02    97.45   0.00
## DIABETES                  0.11   0.01     9.06   0.00
## HIPERTENSION              0.18   0.01    14.99   0.00
## OBESIDAD                  0.12   0.01     8.95   0.00
## RENAL_CRONICA             0.44   0.02    18.16   0.00
## log(GASTO_SALUD)          0.09   0.05     1.57   0.12
## CAR_SALUD                -0.01   0.01    -1.67   0.09
## UMEDICAS                  0.00   0.00     1.98   0.05
## CAMAS                    -0.00   0.00    -2.64   0.01
## -----------------------------------------------------
## 
## RANDOM EFFECTS:
## ---------------------------------------
##     Group       Parameter    Std. Dev. 
## ------------- ------------- -----------
##  ENTIDAD_RES   (Intercept)     0.15    
## ---------------------------------------
## 
## Grouping variables:
## -------------------------------
##     Group      # groups   ICC  
## ------------- ---------- ------
##  ENTIDAD_RES      32      0.01 
## -------------------------------

  tab_model(M1,M2)

	DEF			DEF
Predictors	Odds Ratios	CI	p	Odds Ratios	CI	p
(Intercept)	0.04	0.02 – 0.08	<0.001	0.05	0.03 – 0.11	<0.001
SEXO	1.27	1.25 – 1.30	<0.001	1.27	1.25 – 1.30	<0.001
ID_GPO: ID_GPO1	3.45	3.28 – 3.64	<0.001	3.45	3.28 – 3.64	<0.001
ID_GPO: ID_GPO2	8.54	8.11 – 9.00	<0.001	8.54	8.11 – 9.00	<0.001
INTUBADO_01	7.75	7.44 – 8.07	<0.001	7.75	7.43 – 8.07	<0.001
DIABETES	1.11	1.09 – 1.14	<0.001	1.11	1.09 – 1.14	<0.001
HIPERTENSION	1.19	1.16 – 1.22	<0.001	1.19	1.16 – 1.22	<0.001
OBESIDAD	1.12	1.10 – 1.15	<0.001	1.12	1.10 – 1.15	<0.001
RENAL_CRONICA	1.55	1.48 – 1.63	<0.001	1.55	1.48 – 1.63	<0.001
POBREZA	1.00	0.98 – 1.01	0.595
log(GASTO_SALUD)	1.10	1.01 – 1.20	0.024	1.09	0.98 – 1.21	0.116
CAR_SALUD	0.99	0.97 – 1.00	0.075	0.99	0.98 – 1.00	0.094
CAR_CEV	1.00	0.98 – 1.03	0.787
CAR_SBV	1.00	0.99 – 1.01	0.680
INFORMALIDAD	1.01	1.00 – 1.02	0.265
UMEDICAS	1.00	1.00 – 1.01	0.146	1.00	1.00 – 1.01	0.047
CAMAS	1.00	1.00 – 1.00	0.020	1.00	1.00 – 1.00	0.008
Random Effects
σ2	3.29			3.29
τ00	0.02 ENTIDAD_RES			0.02 ENTIDAD_RES
ICC	0.01			0.01
N	32 ENTIDAD_RES			32 ENTIDAD_RES
Observations	187563			187563
Marginal R2 / Conditional R2	0.212 / 0.218			0.212 / 0.218

# Finalmente, creamos un cuarto modelo conservando las variables de nivel micro
# y las variables CAR_SALUD y CAMAS en el nivel macro
  M3 <- glmer(DEF ~ 1 + SEXO + ID_GPO + INTUBADO_0 +DIABETES + HIPERTENSION + OBESIDAD +  RENAL_CRONICA + 
                + CAR_SALUD + CAMAS+ + (1|ENTIDAD_RES), 
              family = binomial("logit"), data = bases)
  summary(M3)

## Generalized linear mixed model fit by maximum likelihood (Laplace
##   Approximation) [glmerMod]
##  Family: binomial  ( logit )
## Formula: DEF ~ 1 + SEXO + ID_GPO + INTUBADO_0 + DIABETES + HIPERTENSION +  
##     OBESIDAD + RENAL_CRONICA + +CAR_SALUD + CAMAS + +(1 | ENTIDAD_RES)
##    Data: bases
## 
##       AIC       BIC    logLik  deviance  df.resid 
##  228541.9  228663.6 -114258.9  228517.9    187551 
## 
## Scaled residuals: 
##     Min      1Q  Median      3Q     Max 
## -4.5780 -0.7534 -0.3702  0.9051  3.8381 
## 
## Random effects:
##  Groups      Name        Variance Std.Dev.
##  ENTIDAD_RES (Intercept) 0.02722  0.165   
## Number of obs: 187563, groups:  ENTIDAD_RES, 32
## 
## Fixed effects:
##                Estimate Std. Error z value Pr(>|z|)    
## (Intercept)   -2.289015   0.139163 -16.448   <2e-16 ***
## SEXO           0.240913   0.010245  23.515   <2e-16 ***
## ID_GPO1        1.238904   0.026365  46.990   <2e-16 ***
## ID_GPO2        2.145144   0.026672  80.428   <2e-16 ***
## INTUBADO_01    2.047241   0.020997  97.503   <2e-16 ***
## DIABETES       0.106604   0.011761   9.064   <2e-16 ***
## HIPERTENSION   0.175375   0.011706  14.982   <2e-16 ***
## OBESIDAD       0.117316   0.013116   8.945   <2e-16 ***
## RENAL_CRONICA  0.438340   0.024163  18.141   <2e-16 ***
## CAR_SALUD     -0.005801   0.004863  -1.193   0.2329    
## CAMAS         -0.000440   0.000230  -1.913   0.0557 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Correlation of Fixed Effects:
##             (Intr) SEXO   ID_GPO1 ID_GPO2 INTUBA DIABET HIPERT OBESID RENAL_
## SEXO        -0.106                                                          
## ID_GPO1     -0.162 -0.033                                                   
## ID_GPO2     -0.162 -0.021  0.919                                            
## INTUBADO_01 -0.012 -0.003  0.052   0.080                                    
## DIABETES    -0.003  0.034 -0.067  -0.090   0.003                            
## HIPERTENSIO -0.014  0.063 -0.059  -0.139   0.008 -0.298                     
## OBESIDAD    -0.023  0.068 -0.024   0.025  -0.040 -0.034 -0.114              
## RENAL_CRONI -0.002 -0.011  0.026   0.045   0.019 -0.098 -0.144  0.034       
## CAR_SALUD   -0.916 -0.009 -0.005  -0.006  -0.007 -0.002  0.005  0.002 -0.004
## CAMAS       -0.333 -0.003 -0.003  -0.005  -0.017 -0.002 -0.001 -0.004 -0.007
##             CAR_SA
## SEXO              
## ID_GPO1           
## ID_GPO2           
## INTUBADO_01       
## DIABETES          
## HIPERTENSIO       
## OBESIDAD          
## RENAL_CRONI       
## CAR_SALUD         
## CAMAS        0.077
## optimizer (Nelder_Mead) convergence code: 0 (OK)
## Model failed to converge with max|grad| = 0.00675194 (tol = 0.002, component 1)
## Model is nearly unidentifiable: very large eigenvalue
##  - Rescale variables?

  summ(M3)

## MODEL INFO:
## Observations: 187563
## Dependent Variable: DEF
## Type: Mixed effects generalized linear regression
## Error Distribution: binomial
## Link function: logit 
## 
## MODEL FIT:
## AIC = 228541.86, BIC = 228663.57
## Pseudo-R² (fixed effects) = 0.21
## Pseudo-R² (total) = 0.22 
## 
## FIXED EFFECTS:
## --------------------------------------------------
##                        Est.   S.E.   z val.      p
## ------------------- ------- ------ -------- ------
## (Intercept)           -2.29   0.14   -16.45   0.00
## SEXO                   0.24   0.01    23.51   0.00
## ID_GPO1                1.24   0.03    46.99   0.00
## ID_GPO2                2.15   0.03    80.43   0.00
## INTUBADO_01            2.05   0.02    97.50   0.00
## DIABETES               0.11   0.01     9.06   0.00
## HIPERTENSION           0.18   0.01    14.98   0.00
## OBESIDAD               0.12   0.01     8.94   0.00
## RENAL_CRONICA          0.44   0.02    18.14   0.00
## CAR_SALUD             -0.01   0.00    -1.19   0.23
## CAMAS                 -0.00   0.00    -1.91   0.06
## --------------------------------------------------
## 
## RANDOM EFFECTS:
## ---------------------------------------
##     Group       Parameter    Std. Dev. 
## ------------- ------------- -----------
##  ENTIDAD_RES   (Intercept)     0.16    
## ---------------------------------------
## 
## Grouping variables:
## -------------------------------
##     Group      # groups   ICC  
## ------------- ---------- ------
##  ENTIDAD_RES      32      0.01 
## -------------------------------

  tab_model(M1,M2,M3)

	DEF			DEF			DEF
Predictors	Odds Ratios	CI	p	Odds Ratios	CI	p	Odds Ratios	CI	p
(Intercept)	0.04	0.02 – 0.08	<0.001	0.05	0.03 – 0.11	<0.001	0.10	0.08 – 0.13	<0.001
SEXO	1.27	1.25 – 1.30	<0.001	1.27	1.25 – 1.30	<0.001	1.27	1.25 – 1.30	<0.001
ID_GPO: ID_GPO1	3.45	3.28 – 3.64	<0.001	3.45	3.28 – 3.64	<0.001	3.45	3.28 – 3.63	<0.001
ID_GPO: ID_GPO2	8.54	8.11 – 9.00	<0.001	8.54	8.11 – 9.00	<0.001	8.54	8.11 – 9.00	<0.001
INTUBADO_01	7.75	7.44 – 8.07	<0.001	7.75	7.43 – 8.07	<0.001	7.75	7.43 – 8.07	<0.001
DIABETES	1.11	1.09 – 1.14	<0.001	1.11	1.09 – 1.14	<0.001	1.11	1.09 – 1.14	<0.001
HIPERTENSION	1.19	1.16 – 1.22	<0.001	1.19	1.16 – 1.22	<0.001	1.19	1.16 – 1.22	<0.001
OBESIDAD	1.12	1.10 – 1.15	<0.001	1.12	1.10 – 1.15	<0.001	1.12	1.10 – 1.15	<0.001
RENAL_CRONICA	1.55	1.48 – 1.63	<0.001	1.55	1.48 – 1.63	<0.001	1.55	1.48 – 1.63	<0.001
POBREZA	1.00	0.98 – 1.01	0.595
log(GASTO_SALUD)	1.10	1.01 – 1.20	0.024	1.09	0.98 – 1.21	0.116
CAR_SALUD	0.99	0.97 – 1.00	0.075	0.99	0.98 – 1.00	0.094	0.99	0.98 – 1.00	0.233
CAR_CEV	1.00	0.98 – 1.03	0.787
CAR_SBV	1.00	0.99 – 1.01	0.680
INFORMALIDAD	1.01	1.00 – 1.02	0.265
UMEDICAS	1.00	1.00 – 1.01	0.146	1.00	1.00 – 1.01	0.047
CAMAS	1.00	1.00 – 1.00	0.020	1.00	1.00 – 1.00	0.008	1.00	1.00 – 1.00	0.056
Random Effects
σ2	3.29			3.29			3.29
τ00	0.02 ENTIDAD_RES			0.02 ENTIDAD_RES			0.03 ENTIDAD_RES
ICC	0.01			0.01			0.01
N	32 ENTIDAD_RES			32 ENTIDAD_RES			32 ENTIDAD_RES
Observations	187563			187563			187563
Marginal R2 / Conditional R2	0.212 / 0.218			0.212 / 0.218			0.212 / 0.219

5. Conclusiones

De acuerdo a los resultados del modelo logístico multinivel presentado se puede afirmar que las comorbilidades (diabetes, hipertensión obesidad y enfermedades crónicas) en pacientes con algún tipo de variante de COVID-19, incrementaron el riesgo de fallecer de una persona.

A esto se suma el resultado del grupo de edad mayor a 60 años, en donde el riesgo de muerte aumentó sustancialmente a diferencia del resto de los grupos de edad. Esta situación también es planteada por Salinas (2021).

Con esto, podemos indicar que la hipótesis se acepta, ya que el modelo comprueba lo planteado incialmente.

Ahora, respecto al rubro de las condiciones de hospitalización, en específico, la situación en que un paciente haya requerido de intubación, aumenta en 7.75 veces la probabilidad de que un paciente fallezca, en comparación con uno que no lo haya requerido.

También, los factores como edad, sexo o número de camillas por cada 100 mil habitantes influyen en el resultado que buscado.

Aunado a lo anterior, en el análisis se hizo importante incluir medidas como la razón de momios (RM), de forma que, en cuanto a la predisposición al fallecimiento según el sexo del paciente podemos interpretarla que un hombre tiene 1.27 veces más probabilidad de morir que una mujer. Respecto a la edad, los datos arrojan que hay 3.45 veces más probabilidad de que una persona de entre 30-59 años fallezca, y en el caso de las personas mayores de 60 años hay una propensión de 8.54 más veces (en comparación a las personas menores de 30 años) que mueran. En este caso, factores como edad, sexo o número de camillas por cada 100 mil habitantes influyen en el resultado que buscamos.

Referencias

- Comisión Económica para América Latina y el Caribe (CEPAL) (2020) Mortalidad por COVID-19 y las desigualdades por nivel socioeconómico y por territorio- Santiago, Chile: Comisión Económica para América Latina y el Caribe (CEPAL). https://repositorio.cepal.org/bitstream/handle/11362/47922/1/S2200159_es.pdf

- García, F., Muñoz, M., Moran, E., González, M., Macías, M., y Delgado, H. A. (2021, 13 de julio). Risk Factors and Clinical Phenotypes Associated with Severity in Patients with COVID-19 in Northeast Mexico. Librería Nacional de Medicina, 21(9), 720–726. https://doi.org/10.1089/vbz.2021.0016

Gobierno de México. (2020). Boletín Estadístico sobre el exceso de mortalidad por todas las causas durante la emergencia por COVID-19. https://coronavirus.gob.mx/wp-content/uploads/2020/12/BoletinVIII_ExcesoMortalidad_SE47_MX.pdf

- Orús, A. (2022, 23 de junio). COVID-19: número de muertes a nivel mundial por continente en 2022. Statista. https://es.statista.com/estadisticas/1107719/covid19-numero-de-muertes-a-nivel-mundial-por-region/

Plasencia T., Aguilera, R. y Almaguer, L. (2020, 10 de junio). Comorbilidades y gravedad clínica de la COVID-19: revisión sistemática y meta-análisis. Revista Habanera de Ciencias Médicas 19(supl), 1-18. http://www.revhabanera.sld.cu/index.php/rhab/article/view/3389

- Salinas, J., Sánchez, C., Rodríguez, R., Rodríguez, L., Díaz, A. y Bernal, R. (2021, 20 enero). Características clínicas y comorbilidades asociadas a mortalidad en pacientes con COVID-19 en Coahuila (México). Revista Clínica Española, 222(5), 288-292. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7816557/pdf/main.pdf

- Suárez, V., Suárez, M., Oros, S. y Ronquillo, E. (2020, 27 de mayo). Epidemiología de COVID-19 en México: del 27 de febrero al 30 de abril de 2020. Revista Clínica Española, 220(8), 463-471. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7250750/pdf/main.pdf

- Vera, J., Mancilla, J., Tlalpa, M., Aguilar, P., Aguirre, M., Segura, O. Lazcano, M., Rocha, H., Navarro, A., Kammar, A. y Vidal, J. (2021, 29 de abril). Obesity is a strong risk factor for short-term mortality and adverse outcomes in Mexican patients with COVID-19: a national observational study. Universidad de Cambridge. https://doi.org/10.1017/s0950268821001023