Introducción

Colombia ha mejorado a lo largo de los años la calidad, la accesibilidad y la transparencia de su sistema oficial de vigilancia epidemiológica, SIVIGILA. Este sistema está regulado por el Instituto Nacional de Salud de Colombia y es operado por miles de trabajadores de la salud en las secretarías de salud locales, hospitales y unidades primarias generadoras de datos.

Sin embargo, todavía existen desafíos, especialmente a nivel local, en cuanto a la oportunidad y la calidad del análisis epidemiológico y de los informes epidemiológicos. Estas tareas pueden requerir una gran cantidad de trabajo manual debido a limitaciones en el entrenamiento para el análisis de datos, el tiempo que se requiere invertir, la tecnología y la calidad del acceso a internet en algunas regiones de Colombia.

Objetivos

Conceptos básicos a desarrollar

En esta práctica se desarrollarán los siguientes conceptos:

Contenido del taller

Ha llegado el momento de explorar sivirep, de conocer cómo generar reportes automatizados con el paquete y sus funcionalidades principales.

El evento que analizaremos es Dengue en el departamento del Cauca para el año 2022, ya que ha sido una de las regiones más afectadas en Colombia a lo largo del tiempo por esta enfermedad.

Iniciaremos instalando e importando el paquete a través de los siguientes comandos:

remove.packages("sivirep")
if (!require("pak")) install.packages("pak")
pak::pak("epiverse-trace/sivirep") # Comando para instalar sivirep
#> 
ℹ Loading metadata database

✔ Loading metadata database ... done
#>  
#> → Will install 1 package.
#> → Will download 1 package with unknown size.
#> + sivirep   0.0.2.0 [bld][cmp][dl] (GitHub: bbd3e24)
#> ℹ Getting 1 pkg with unknown size
#> ✔ Cached copy of sivirep 0.0.2.0 (source) is the latest build
#> ✔ Installed sivirep 0.0.2.0 (github::epiverse-trace/sivirep@bbd3e24) (414ms)
#> ✔ 1 pkg + 64 deps: kept 23, added 1 [12.4s]
rm(list = ls()) # Comando para limpiar el ambiente de R
library(sivirep) # Comando para importar sivirep

Verificar que el evento o enfermedad se encuentren disponibles para su descarga en la lista que provee sivirep, la cual se puede obtener ejecutando el siguiente comando:

Reporte automatizado

Ahora generaremos un reporte automatizado a partir de la plantilla que provee el paquete llamada Reporte Básico {sivirep}, la cual contiene seis secciones y recibe los siguientes parámetros de entrada: el nombre del evento o enfermedad, el año, el nombre de departamento (opcional) y nombre del municipio (opcional) para descargar los datos de la fuente de SIVIGILA.

Para hacer uso de la plantilla se deben seguir los siguientes pasos:

  1. En RStudio hacer click ‘File/New File/R’ Markdown:

  1. Selecciona la opción del panel izquierdo: ‘From Template’, después haz clic en el template llamado Reporte Básico {sivirep}, indica el nombre que deseas para el reporte (i.e. Reporte_Laura), la ubicación donde deseas guardarlo y presiona ‘Ok’.

  1. En la parte superior de **‘RStudio’*, presiona el botón ‘Knit’, despliega las opciones y selecciona ‘Knit with parameters’.

  1. A continuación, aparecerá una pantalla donde podrás indicar el nombre de la enfermedad o evento, el año y el departamento del reporte. Esta acción descargará los datos deseados y también proporcionará la plantilla en un archivo R Markdown (.Rmd), al hacer clic en el botón ‘Knit’.

  1. Espera unos segundos mientras el informe se genera en un archivo HTML.

!Felicitaciones has generado tu primer reporte automatizado con sivirep!

Actividad exploratoria

Para conocer las funciones principales del paquete realizaremos una actividad exploratoria siguiendo el flujo de datos de sivirep.

Construiremos un informe en R Markdown para Dengue, departamento del Cauca, año 2022 (no se debe utilizar la plantilla de reporte vista en la sección anterior) que de respuesta a las siguientes preguntas:

  1. ¿Cómo es la distribución por sexo y semana epidemiológica de la enfermedad?
  2. ¿Esta distribución sugiere que la enfermedad afecta más a un sexo o a otro? ¿sí, no y por qué?
  3. ¿Cómo afecta la enfermedad los distintos grupos etarios?
  4. ¿Cuál es el municipio que más se ve afectado por la enfermedad en la región?

1. Preparación y configuración del documento R Markdown

Realizaremos la configuración y preparación del documento en R Markdown a través de los siguientes pasos:

  1. Crear un documento en R Mardown vacio:
  2. Insertar un chunk en el documento con las siguientes opciones de configuración:
knitr::opts_chunk$set(
  collapse = TRUE,
  comment = "#>",
  fig.path = "figures/",
  include = TRUE,
    error = FALSE,
  warning = FALSE,
  message = FALSE
)

2. Importación de datos de SIVIGILA

Iniciaremos con la importación de los datos del evento o enfermedad utilizando la función import_data_event la cual permite descargar los datos desde la fuente de SIVIGILA utilizando un formato parametrizado basado en el nombre del evento y el año.

data_dengue <-  import_data_event(nombre_event = "dengue",
                                  year = 2022)

3. Exploración de la base de datos

Recomendamos explorar la base de datos, sus variables, tipos de datos, registros y otras caracteristicas que pueden ser relavantes para su análisis y permitan responder correctamente a las preguntas planteadas en la actividad.

Si tiene alguna duda respecto a las variables o desconoce su significado puede dirigirse al diccionario de datos del SIVIGILA.

4. Limpieza de datos de SIVIGILA

Para limpiar los datos utilizaremos una función genérica que proporciona sivirep llamada limpiar_data_sivigila, la cual envuelve diversas tareas para identificar y corregir errores, inconsistencias y discrepancias en los conjuntos de datos con el fin de mejorar su calidad y precisión. Este proceso puede incluir la corrección de errores tipográficos, el reemplazo de valores faltantes y la validación de datos, entre otras tareas, como eliminar fechas improbables, limpiar códigos de geolocalización y estandarizar los nombres de las columnas y las categorías de edad.

data_limpia <- limpiar_data_sivigila(data_event = data_dengue)
data_limpia
#> # A tibble: 67,116 × 72
#>    cod_eve fec_not    semana ano   cod_pre    cod_sub  edad uni_med nacionalidad
#>    <chr>   <date>     <chr>  <chr> <chr>      <chr>   <dbl>   <dbl> <chr>       
#>  1 210     2022-09-30 39     2022  8541000080 01         19       1 170         
#>  2 210     2022-02-07 05     2022  8501000190 01         18       1 170         
#>  3 210     2022-04-08 13     2022  8500100001 03         19       1 170         
#>  4 210     2022-04-04 13     2022  8500100001 03          8       1 170         
#>  5 210     2022-05-16 19     2022  5000600169 01          8       1 170         
#>  6 210     2022-07-16 28     2022  5031300522 01          8       1 170         
#>  7 210     2022-05-15 19     2022  5031300522 01          8       1 170         
#>  8 210     2022-08-21 33     2022  5031300115 08          8       1 170         
#>  9 210     2022-11-03 43     2022  5031300522 01          8       1 170         
#> 10 210     2022-04-11 14     2022  8500100001 03         11       1 170         
#> # ℹ 67,106 more rows
#> # ℹ 63 more variables: nombre_nacionalidad <chr>, sexo <chr>, cod_pais_o <chr>,
#> #   cod_dpto_o <chr>, cod_mun_o <chr>, area <chr>, ocupacion <chr>,
#> #   tip_ss <chr>, cod_ase <chr>, per_etn <chr>, gru_pob <chr>, nom_grupo <chr>,
#> #   estrato <chr>, gp_discapa <chr>, gp_desplaz <chr>, gp_migrant <chr>,
#> #   gp_carcela <chr>, gp_gestan <chr>, sem_ges <chr>, gp_indigen <chr>,
#> #   gp_pobicfb <chr>, gp_mad_com <chr>, gp_desmovi <chr>, gp_psiquia <chr>, …

5. Filtrar casos

Ahora debemos filtrar los datos del evento o enfermedad por el departamento de Cauca, utilizando la función de sivirep llamada geo_filtro. Esta función permite al usuario crear informes a nivel subnacional, seleccionando casos específicos basados en la ubicación geográfica.

data_filtrada <- geo_filtro(data_event = data_limpia, dpto = "Cauca")
data_filtrada
#> # A tibble: 551 × 72
#>    cod_eve fec_not    semana ano   cod_pre    cod_sub  edad uni_med nacionalidad
#>    <chr>   <date>     <chr>  <chr> <chr>      <chr>   <dbl>   <dbl> <chr>       
#>  1 210     2022-02-19 06     2022  1905000114 12         57       1 170         
#>  2 210     2022-05-21 18     2022  1931881049 81         29       1 170         
#>  3 210     2022-03-13 11     2022  1953307547 25         28       1 170         
#>  4 210     2022-04-03 13     2022  1953307547 25          6       1 170         
#>  5 210     2022-02-23 07     2022  1945000114 07         19       1 170         
#>  6 210     2022-10-13 38     2022  1911000005 02         52       1 170         
#>  7 210     2022-04-23 15     2022  1914207209 01         32       1 170         
#>  8 210     2022-12-17 49     2022  1914207209 01         21       1 170         
#>  9 210     2022-11-26 47     2022  1914207209 01         86       1 170         
#> 10 210     2022-03-07 02     2022  1969808742 01         53       1 170         
#> # ℹ 541 more rows
#> # ℹ 63 more variables: nombre_nacionalidad <chr>, sexo <chr>, cod_pais_o <chr>,
#> #   cod_dpto_o <chr>, cod_mun_o <chr>, area <chr>, ocupacion <chr>,
#> #   tip_ss <chr>, cod_ase <chr>, per_etn <chr>, gru_pob <chr>, nom_grupo <chr>,
#> #   estrato <chr>, gp_discapa <chr>, gp_desplaz <chr>, gp_migrant <chr>,
#> #   gp_carcela <chr>, gp_gestan <chr>, sem_ges <chr>, gp_indigen <chr>,
#> #   gp_pobicfb <chr>, gp_mad_com <chr>, gp_desmovi <chr>, gp_psiquia <chr>, …

6. Variable de sexo

Agruparemos los datos de la enfermedad por la variable sexo para poder visualizar su distribución y obtener los porcentajes a través de la función que proporciona sivirep:

casos_sex <- agrupar_sex(data_event = data_filtrada,
                         porcentaje = TRUE)
casos_sex
#> # A tibble: 4 × 4
#>   sexo  nombre_evento casos porcentaje
#>   <chr> <chr>         <int>      <dbl>
#> 1 F     DENGUE          291       52.8
#> 2 F     DENGUE GRAVE      3        0.5
#> 3 M     DENGUE          255       46.3
#> 4 M     DENGUE GRAVE      2        0.4

Además, sivirep cuenta con una función para generar el gráfico por esta variable llamada plot_sex:

plot_sex(data_agrupada = casos_sex)

La distribución de casos por sexo y semana epidemiológica se puede generar utilizando la función agrupar_sex_semanaepi proporcionada por sivirep.

casos_sex_semanaepi <- agrupar_sex_semanaepi(data_event = data_filtrada)
casos_sex_semanaepi
#> # A tibble: 108 × 5
#>    sexo  semana nombre_evento casos porcentaje
#>    <chr> <chr>  <chr>         <int>      <dbl>
#>  1 F     01     DENGUE            7        1.3
#>  2 F     02     DENGUE            3        0.5
#>  3 F     03     DENGUE            1        0.2
#>  4 F     04     DENGUE            5        0.9
#>  5 F     05     DENGUE            3        0.5
#>  6 F     06     DENGUE            5        0.9
#>  7 F     07     DENGUE            4        0.7
#>  8 F     08     DENGUE            2        0.4
#>  9 F     10     DENGUE            6        1.1
#> 10 F     11     DENGUE            7        1.3
#> # ℹ 98 more rows

La función de visualización correspondiente es plot_sex_semanaepi, que sivirep proporciona para mostrar la distribución de casos por sexo y semana epidemiológica.

plot_sex_semanaepi(data_agrupada = casos_sex_semanaepi)

7. Variable de edad

sivirep proporciona una función llamada agrupar_edad, que puede agrupar los datos de enfermedades por grupos de edad. De forma predeterminada, esta función produce rangos de edad con intervalos de 10 años.

casos_edad <- agrupar_edad(data_event = data_limpia, interval_edad = 10)
casos_edad
#>         edad casos
#> 1     (0,10] 23555
#> 2    (10,20] 22653
#> 3    (20,30]  8106
#> 4    (30,40]  4832
#> 5    (40,50]  2882
#> 6    (50,60]  2300
#> 7    (60,70]  1488
#> 8    (70,80]   805
#> 9    (80,90]   415
#> 10  (90,100]    77
#> 11 (100,110]     2
#> 12      <NA>     1

La función de visualización correspondiente es plot_edad.

plot_edad(data_agrupada = casos_edad)

8. Distribución espacial de casos

Obtener la distribución espacial de los casos es útil para identificar áreas con una alta concentración de casos, agrupaciones de enfermedades y factores de riesgo ambientales o sociales.

En Colombia, existen 32 unidades geográficas administrativas (adm1) llamadas departamentos. sivirep proporciona una función llamada agrupar_mpio que permite obtener un data.frame de casos agrupados por departamento o municipio.

dist_esp_dept <- agrupar_mpio(data_event = data_filtrada)
dist_esp_dept
#> # A tibble: 28 × 6
#>    cod_dpto_o departamento_ocurrencia cod_mun_o municipio_ocurrencia  
#>    <chr>      <chr>                   <chr>     <chr>                 
#>  1 19         CAUCA                   19142     CALOTO                
#>  2 19         CAUCA                   19318     GUAPI                 
#>  3 19         CAUCA                   19533     PIAMONTE              
#>  4 19         CAUCA                   19698     SANTANDER DE QUILICHAO
#>  5 19         CAUCA                   19212     CORINTO               
#>  6 19         CAUCA                   19450     MERCADERES            
#>  7 19         CAUCA                   19573     PUERTO TEJADA         
#>  8 19         CAUCA                   19050     ARGELIA               
#>  9 19         CAUCA                   19110     BUENOS AIRES          
#> 10 19         CAUCA                   19455     MIRANDA               
#> # ℹ 18 more rows
#> # ℹ 2 more variables: nombre_evento <chr>, casos <int>

Con la función llamada plot_map, podremos generar un mapa estático que muestra la distribución de casos por municipios.

mapa <- plot_map(data_agrupada = dist_esp_dept)
mapa

9. Análisis de resultados

Analiza los resultados obtenidos en la ejecución de las funciones y responde las preguntas planteadas en el enunciado de la actividad exploratoria.

Dentro del R Markdown desarrolla dos (2) conclusiones pertinentes a la enfermedad teniendo en cuenta el contexto de la región y las estrategias que podrían contribuir a su mitigación.

Reflexión

Conformaremos grupos de 4-5 personas y discutiremos sobre la disponibilidad de los datos y el impacto que esto tiene en la construcción de análisis y en las acciones que se pueden emprender para mitigar el efecto de esta enfermedad sobre la población.

Desafio

En el siguiente enlace podrán encontrar el desafío que debérán desarrollar con sivirep: - https://docs.google.com/document/d/1_79eyXHTaQSPSvUzlikx9DKpBvICaiqy/edit?usp=sharing&ouid=113064166206309718856&rtpof=true&sd=true

Sobre este documento

Este documento ha sido diseñado por Geraldine Gómez Millán para el Curso Internacional: Análisis de Brotes y Modelamiento en Salud Pública, Bogotá 2023. TRACE-LAC/Javeriana.

Contribuciones

  • Geraldine Gómez Millán
  • Jaime Pavlich-Mariscal
  • Andrés Moreno