Las causas de muerte son eventos o condiciones que llevan al fallecimiento de una persona. Estas causas pueden variar ampliamente y suelen clasificarse en diferentes categorías. Aquí hay algunas de las causas de muerte más comunes:

Enfermedades cardiovasculares: Incluyen enfermedades del corazón, como la enfermedad coronaria y los ataques cardíacos, así como enfermedades vasculares, como los accidentes cerebrovasculares.

Cáncer: La proliferación descontrolada de células que caracteriza al cáncer puede afectar diferentes órganos y tejidos del cuerpo.

Enfermedades respiratorias: Entre ellas se encuentran la enfermedad pulmonar obstructiva crónica (EPOC), la neumonía y otras afecciones que afectan el sistema respiratorio.

Enfermedades infecciosas: Incluyen infecciones bacterianas, virales, fúngicas y parasitarias que pueden afectar diversos sistemas del cuerpo.

Lesiones y traumatismos: Accidentes automovilísticos, caídas, lesiones deportivas y otros tipos de traumatismos pueden ser fatales.

Enfermedades neurológicas: Trastornos del sistema nervioso central, como la enfermedad de Alzheimer, el Parkinson y otras condiciones neurodegenerativas.

Enfermedades hepáticas: La cirrosis y otras enfermedades hepáticas pueden conducir a la insuficiencia hepática.

Enfermedades renales: La insuficiencia renal y otras enfermedades renales pueden resultar en la muerte si no se tratan adecuadamente.

Complicaciones relacionadas con el embarazo y el parto: En algunas situaciones, las complicaciones durante el embarazo o el parto pueden llevar a la muerte materna o neonatal.

Suicidio: Problemas de salud mental, como la depresión, pueden contribuir al riesgo de suicidio.

Desnutrición: La falta de nutrientes esenciales puede debilitar el cuerpo y, en casos extremos, llevar a la muerte.

Envejecimiento: Aunque no es una causa específica, el proceso de envejecimiento contribuye a un mayor riesgo de diversas enfermedades y eventualmente a la muerte.

##¿ De que muere la gente ?

Muchas de las principales causas de muerte reciben poca atención generalizada. Si las noticias reflejarán las causas por las que mueren los niños, dirían que alrededor de 1.400 niños pequeños mueren cada día por enfermedades diarreicas, 1.000 por malaria y 1.900 por infecciones respiratorias.

Esto puede cambiar. Con el tiempo, las tasas de mortalidad por estas causas han disminuido en todo el mundo.

Una mejor comprensión de las causas de muerte ha llevado al desarrollo de tecnologías, medidas preventivas y una mejor atención sanitaria, reduciendo las posibilidades de morir por una amplia gama de causas diferentes, en todos los grupos de edad.

En el pasado dominaban las enfermedades infecciosas. Pero las tasas de mortalidad por enfermedades infecciosas han disminuido rápidamente, más rápido que por otras causas. Esto ha provocado un cambio en las principales causas de muerte. Actualmente, las enfermedades no transmisibles como las enfermedades cardíacas y el cáncer son las causas más comunes de muerte en todo el mundo.

Ahora veamos unas graficas que nos ayudaran a entender toda esta información

####Tasa anual de mortalidad por todas las causas en algunos paises

library(readr)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(ggplot2)
library(gganimate)
## Warning: package 'gganimate' was built under R version 4.3.2
library(gifski)
## Warning: package 'gifski' was built under R version 4.3.2
#Lo primero es leer los datos
datos_poblacion <- read_csv(file = "age-standardized-deaths-from-all-causes.csv")
## Rows: 6840 Columns: 4
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (2): Entity, Code
## dbl (2): Year, Deaths - All causes - Sex: Both - Age: Age-standardized (Rate)
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
#Luego cambiamos el nombre de las columnas
colnames(datos_poblacion)<-c("pais","codigo","año", "tasa mortalidad")

#Cómo hay demasiados datos lo mejor es filtrarlos y deseo que me traiga los primeros 200 datos
datos_top200 <- head(datos_poblacion, 200)

#Ahora lo que se planea es hacer una cadena de funciones y hacer la gráfica
datos_top200 %>% group_by(año,pais) 
## # A tibble: 200 × 4
## # Groups:   año, pais [200]
##    pais        codigo   año `tasa mortalidad`
##    <chr>       <chr>  <dbl>             <dbl>
##  1 Afghanistan AFG     1990             1885.
##  2 Afghanistan AFG     1991             1856.
##  3 Afghanistan AFG     1992             1807.
##  4 Afghanistan AFG     1993             1814.
##  5 Afghanistan AFG     1994             1867.
##  6 Afghanistan AFG     1995             1852.
##  7 Afghanistan AFG     1996             1841.
##  8 Afghanistan AFG     1997             1864.
##  9 Afghanistan AFG     1998             1942.
## 10 Afghanistan AFG     1999             1872.
## # ℹ 190 more rows
datos_top200 %>%ggplot(aes(x=año,y=`tasa mortalidad`, color=pais) ) + geom_line()+
  transition_reveal(año)
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?

#Y por ultimo se puede mejorar el gráfico
gg<- datos_top200 %>% group_by(año,pais) %>% 
  ggplot(aes(x=año,y=`tasa mortalidad`, color=pais) ) + geom_line(size=2)+ geom_point(size=4)+
  labs(title = "Tasa de mortalidad en {frame_along}", x="Fecha (Años)", y= "Tasa de mortalidad x 100.000 personas")+
  theme_minimal() + transition_reveal(año)
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
print(gg)
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?

Ahora con los mismo datos lo que se planea es traer esta tasa a un contexto más pequeño y propio, asi que lo veremos reflejado en el pais de Colombia

muertes en colombia ultimos años

library(ggplot2)
library(dplyr)
library(readr)
library(plotly)
## Warning: package 'plotly' was built under R version 4.3.2
## 
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout
#Primero leemos los datos 
datos_poblacion2 <- read_csv(file = "age-standardized-deaths-from-all-causes.csv")
## Rows: 6840 Columns: 4
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (2): Entity, Code
## dbl (2): Year, Deaths - All causes - Sex: Both - Age: Age-standardized (Rate)
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
#Se cambia el nombre a las columnas
colnames(datos_poblacion2)<-c("pais","codigo","año", "tasa mortalidad")


#Se filtran los datos para que solo me muestre los de colombia
datos_col <- filter(datos_poblacion2, pais == "Colombia")

#y creo un código para una paleta de colores
colores <- colorRampPalette(c("blue", "red"))(length(datos_col$`tasa mortalidad`))
colores_inversos <- rev(colores)

#Ahora si la gráfica

Grafica_colombia <- plot_ly(data = datos_col,x = ~año,y = ~`tasa mortalidad`,
  type = 'bar',
  marker = list(
    color = ~`tasa mortalidad`,
    colorscale = list(list(0, colores_inversos)),
    showscale = TRUE
  )
)

print(Grafica_colombia)

El número anual estimado de muertes por cada causa. Las estimaciones conllevan grandes incertidumbres, especialmente para países con registro civil deficiente.

Las causas de muerte más comunes a nivel mundial pueden variar según la región, el nivel de desarrollo económico y otros factores. Sin embargo, hay ciertas enfermedades y condiciones que son ampliamente reconocidas como principales causas de muerte en todo el mundo. A continuación, se presentan gráfico explicativo de las causas de muerte a nivel mundial.

###Número de Muertes por Causa (Top 20)

library(ggplot2)
library(dplyr)
library(scales)
## 
## Attaching package: 'scales'
## The following object is masked from 'package:readr':
## 
##     col_factor
datos <- read.csv("IHME-GBD_2019_DATA-b96e4f96-1.csv")

datos_filtrados <- datos %>%
  filter(metric_name == "Number")

# Suma las muertes por cause_name y organiza de mayor a menor
datos_agregados <- datos_filtrados %>%
  group_by(cause_name) %>%
  summarise(val = sum(val)) %>%
  arrange(desc(val))

# Selecciona las 20 causas con mayor suma
datos_top20 <- head(datos_agregados, 20)

# Crea el gráfico de barras
grafico <- ggplot(datos_top20, aes(x = reorder(cause_name, val), y = val)) +
  geom_bar(stat = "identity", fill = "skyblue") +
  geom_text(aes(label = sprintf("%.2f M", val / 1e6)), hjust = 1, size = 3) +
  labs(title = "Número de Muertes por Causa (Top 20)",
       x = "Causa de Muerte",
       y = "Número de Muertes (en millones)") +
  theme_minimal() +
  scale_y_continuous(labels = scales::label_number(scale = 1e-6, suffix = "M")) +
  theme(
    panel.grid.major = element_blank(),
  ) +
  coord_flip()

print(grafico)

En el análisis de las causas de muerte, la visualización de datos desempeña un papel fundamental para comprender la evolución de diversas enfermedades a lo largo del tiempo. En este contexto, se presenta un gráfico interactivo que permite comparar dos enfermedades específicas y observar su comportamiento desde el año 1990 hasta el 2019.

###Evolución temporal de muertes por causa agrupadas por año

library(plotly)
library(ggplot2)
library(dplyr)
library(scales)

# Convertir la columna "year" a formato numérico
datos$year <- as.numeric(datos$year)

# Filtrar datos por metric_name == "Number" y agrupar por causa y año
datos_filtrados <- datos %>%
  filter(metric_name == "Number") %>%
  group_by(cause_name, year) %>%
  summarise(val = sum(val))
## `summarise()` has grouped output by 'cause_name'. You can override using the
## `.groups` argument.
# Crear una figura de líneas interactiva agrupada por causa de muerte
fig <- plot_ly(datos_filtrados, x = ~year, y = ~val, color = ~cause_name, type = 'scatter', mode = 'lines') %>%
  layout(title = "Evolución temporal de muertes por causa agrupadas por año",
         xaxis = list(title = "Año"),
         yaxis = list(title = "Número de muertes"),
         width = 900,
         height = 600
         )
## Warning: Specifying width/height in layout() is now deprecated.
## Please specify in ggplotly() or plot_ly()
# Mostrar la figura
fig
## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors
## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

####La tasa de mortalidad por cáncer varía según el tipo de cáncer, la región geográfica, y otros factores. Las tasas de mortalidad por cáncer se suelen expresar en términos de tasas por cada 100,000 personas. Algunos tipos de cáncer tienen tasas de mortalidad más altas que otros, y estas tasas pueden cambiar con el tiempo debido a avances en la detección temprana, tratamientos más efectivos y cambios en los estilos de vida.

La muerte por cáncer puede ocurrir debido a diversas razones, y la complejidad de esta enfermedad hace que las explicaciones sean multifacéticas. Aquí hay algunas razones comunes por las cuales las personas pueden morir a causa del cáncer:

Invasión de tejidos circundantes: En etapas avanzadas, algunas células cancerosas pueden invadir y destruir tejidos circundantes, interfiriendo con el funcionamiento normal de los órganos afectados.

Metástasis: El cáncer puede diseminarse a otras partes del cuerpo a través de un proceso llamado metástasis. Cuando las células cancerosas viajan a órganos distantes y forman tumores secundarios, puede afectar gravemente la función de esos órganos y causar la muerte.

Complicaciones asociadas al tratamiento: Los tratamientos para el cáncer, como la quimioterapia y la radioterapia, pueden tener efectos secundarios graves. Las complicaciones relacionadas con el tratamiento pueden contribuir a la muerte de una persona con cáncer, especialmente si el cuerpo ya está debilitado por la enfermedad.

Inmunosupresión: El cáncer puede debilitar el sistema inmunológico, lo que hace que el cuerpo sea más susceptible a infecciones y otras enfermedades. Las infecciones graves pueden ser una causa directa o contribuir a la muerte de una persona con cáncer.

Problemas metabólicos: Algunos tipos de cáncer pueden afectar el equilibrio metabólico del cuerpo, llevando a problemas como la caquexia (pérdida extrema de peso y debilitamiento del cuerpo).

Fallos en órganos vitales: Dependiendo de la ubicación y el tipo de cáncer, la función de órganos vitales como el corazón, los pulmones, el hígado o los riñones puede verse comprometida, lo que lleva a la falla de estos órganos y, en última instancia, a la muerte. ###Personas fallecidas por cáncer en diferentes años

library(plotly)
library(ggplot2)
library(dplyr)
library(scales)


datos <- read.csv("cancer-death-rate-who-mdb (1).csv")

datos_filtrados <- datos %>%
  filter(Entity == "Colombia")

datos_top20 <- head(datos_filtrados, 20)

colnames(datos_top20)<-c("paises","codigo","año","muertes")

plotly_chart <- plot_ly(
  datos_top20,
  x = ~año,color = "red",
  y = ~muertes,colors = "blue",
  type = "scatter",
  mode = "lines+markers",
  name = "Número de Personas Fallecidas",
  marker = list(size = 10),
  frame = ~año
) %>%
  layout(
    title = "Personas fallecidas por cáncer en diferentes años",
    xaxis = list(title = "Año"),
    yaxis = list(title = "Número de Personas Fallecidas"),
    showlegend = TRUE
  )
# ejecutar
plotly_chart

#####Ahora analicemos las muertes de la población de chile, Número de Personas Muertas por Cáncer en Diferentes Años

library(plotly)
library(ggplot2)
library(dplyr)
library(scales)

datos_filtrados2 <- datos %>%
  filter(Entity == "Chile")

datos_top202 <- head(datos_filtrados2, 20)

colnames(datos_top202)<-c("paises","codigo","año","muertes")

ggplot(datos_top202, aes(x = año, y = muertes)) +
  geom_line() +
  geom_point() +
  labs(title = "Número de Personas Muertas por Cáncer en Diferentes Años",
       x = "Año",
       y = "Número de Personas Muertas")

la malaria

La malaria es una enfermedad que se transmite por mosquitos infectados. La picadura de un mosquito Anopheles infectado transmite un parásito que ingresa al torrente sanguíneo de la víctima y viaja al hígado de la persona donde se reproduce. El parásito, llamado plasmodium, causa fiebre alta que implica escalofríos y dolor. En los peores casos, la malaria provoca coma y muerte.

La Organización Mundial de la Salud estima que 241 millones de personas contraen la enfermedad cada año. Sólo una pequeña fracción de las víctimas de la malaria muere a causa de ella, pero quienes mueren son los más débiles: aproximadamente tres de cada cuatro víctimas de la malaria son niños. La malaria es una de las principales causas de mortalidad infantil; mata a alrededor de medio millón de niños cada año.Eso equivale a 1.320 niños muertos en un día normal.

¿Cómo puede el mundo avanzar contra la malaria?

En la historia de la salud, el progreso más importante a menudo se logra en la prevención –más que en el tratamiento– de las enfermedades. Para las enfermedades infecciosas, la prevención significa interrumpir su transmisión.

La forma más ingeniosa que tiene la humanidad de prevenir infecciones es lograr la inmunización mediante vacunas. El trabajo sobre las vacunas contra la malaria se remonta a muchas décadas atrás, pero lamentablemente estas vacunas no han tenido tanto éxito como las vacunas contra otras enfermedades.

Sin embargo, existe la esperanza de que esto cambie. La tecnología de ARNm, impulsada por la pandemia de COVID , parece prometedora también para la perspectiva de una vacuna contra la malaria. Pero ciertamente todavía pasará algún tiempo hasta que una vacuna contra la malaria altamente eficaz esté ampliamente disponible.

Mientras tanto, el mundo tiene que protegerse de la malaria de otras maneras. Esto es algo en lo que el mundo ha tenido cada vez más éxito.

###muertes por malaria en el mundo:

library(ggplot2)
library(readr)
 datos <- read_csv("global-malaria-deaths-by-world-region.csv",col_names = TRUE)
## Rows: 126 Columns: 4
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): Entity
## dbl (2): Year, malaria_deaths
## lgl (1): Code
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
  ggplot(datos, aes(x = Entity , y = malaria_deaths)) +
  geom_bar(stat = "identity", fill = "lightpink") +
  coord_flip()

La viruela

La viruela es una enfermedad infecciosa causada por el virus variola que infecta exclusivamente a los humanos. No existía ningún tratamiento, por lo que una vez que se contraía la viruela no se podía hacer nada más que dejar que la infección siguiera su curso. La viruela fue responsable de millones de muertes en el pasado. El gráfico aquí ilustra esto al visualizar las muertes debidas a la viruela como una proporción de todas las muertes en Londres entre 1629 y 1902. En los años pico, ¡casi una de cada cinco muertes fue causada por la viruela! Las tasas de mortalidad fueron igualmente altas en otros países europeos .

###Muertes por viruela a nivel mundial

library(ggplot2)
library(gganimate)
library(dplyr)

library(readr)


theme_set(theme_bw())
grafico <- read_csv("global-smallpox-cases.csv",col_names = TRUE)
## Rows: 104 Columns: 4
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (2): Entity, Code
## dbl (2): Year, Number of reported smallpox cases
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
colnames(grafico)
## [1] "Entity"                            "Code"                             
## [3] "Year"                              "Number of reported smallpox cases"
names(grafico) <- c("entida","codigo","año","casos")
 lineas <- ggplot(data= grafico, aes(año,casos)) +geom_line(color = "lightblue")
lineas + transition_reveal(año) +
  labs(title = "año:{frame_along}")
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?
lineas + geom_point()+
  transition_reveal(año)
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?

Conclusión

La cantidad de personas fallecidas por cáncer ha sido significativa a lo largo de los años, siendo una de las principales causas de muerte a nivel mundial. Las razones detrás de las muertes por cáncer son diversas, incluyendo la invasión de tejidos circundantes, la metástasis, complicaciones asociadas al tratamiento, inmunosupresión, problemas metabólicos y fallos en órganos vitales. A pesar de los avances en la detección temprana, tratamientos más efectivos y cambios en los estilos de vida, el cáncer sigue siendo un desafío importante en el ámbito de la salud global. La investigación continua y los esfuerzos para mejorar la prevención y el tratamiento son esenciales para reducir el impacto devastador de esta enfermedad.

##Bibliografia https://ourworldindata.org/causes-of-death#all-charts