Análisis de dengue en Brasil, Años 2000-2019

Establecimiento de directorio de trabajo, carga de archivo .csv y librerías para manipulación y gráfico de datos

Limpieza:

1. Selección de columnas y creación de df: state_name, region_name, biome_name, ecozone_name, main_climate, month, year, dengue_cases, population, pop_density, tmax, tmin, urban, water_network, water_shortage

dengue <- dengue_brasil %>% 
  select(state_name, region_name, biome_name, ecozone_name, main_climate, month, year, dengue_cases, population, pop_density, tmax, tmin, urban, water_network, water_shortage)

2. Reemplazo de abreviaturas de climas por descripciones

dengue$main_climate <- gsub("AF", "Clima tropical lluvioso",dengue$main_climate) 
dengue$main_climate <- gsub("AM", "Clima tropical monzonico",dengue$main_climate) 
dengue$main_climate <- gsub("AS", "Clima tropical de sabana",dengue$main_climate) 
dengue$main_climate <- gsub("AW", "Clima tropical de sabana con estacion seca corta",dengue$main_climate) 
dengue$main_climate <- gsub("BSH", "Clima seco subtropical",dengue$main_climate) 
dengue$main_climate <- gsub("CFA", "Clima subtropical humedo",dengue$main_climate) 
dengue$main_climate <- gsub("CFB", "Clima subtropical humedo con verano templado",dengue$main_climate) 
dengue$main_climate <- gsub("CWA", "Clima subtropical humedo con invierno seco",dengue$main_climate) 
dengue$main_climate <- gsub("CWB", "Clima subtropical humedo con invierno seco y verano calido",dengue$main_climate)

3. Eliminación de filas con valores no disponibles o vacíos (NA)

dengue <- na.omit(dengue)

¿Cuántos casos de dengue se han reportado en Brasil desde 2000 a 2019?

sum(dengue$dengue_cases)

## [1] 12895293

Distribución de casos de dengue por estado

# Generar dataframe
dengue_estados <- as.data.frame(dengue %>% 
  group_by(state_name) %>% 
  summarise(casos_estado = sum(dengue_cases)) %>% 
  arrange(-casos_estado) %>% 
  mutate(state_name = fct_reorder(state_name, casos_estado)) )


# Graficar
ggplot(data= dengue_estados, aes(x= casos_estado, y = state_name))+
  geom_col(fill= 'gold', color= 'black')+
  labs(title = 'Distribución de dengue por estado', 
       x = 'Cantidad de casos', 
       y = 'Estado')+
  theme_minimal()+
  theme(axis.text.x = element_text(angle = 0, hjust = 1))

¿Cuáles son los estados con más casos?

casos_max_dengue_estado <- dengue_estados %>% 
  group_by(state_name) %>% 
  arrange(-casos_estado) %>% 
  head() 


ggplot(casos_max_dengue_estado, aes(x=state_name, y=casos_estado)) +
  geom_bar(stat="identity", fill = 'indianred', color = 'black') +
  labs(title= 'Cinco estados con más casos',x = "Estado", y = "Cantidad de casos de dengue")+
  theme_minimal()

¿Cuáles son los estados con menos casos?

casos_min_dengue_estado <- dengue_estados %>% 
  group_by(state_name) %>% 
  arrange(-casos_estado) %>% 
  tail()



ggplot(casos_min_dengue_estado, aes(x=state_name, y=casos_estado)) +
  geom_bar(stat="identity", fill = 'darkgreen', color = 'black') +
  labs(title= 'Cinco estados con menos casos',x = "Estado", y = "Cantidad de casos de dengue")+
  theme_minimal()

Distribución de casos de dengue por región

dengue_region <- dengue %>% 
  group_by(region_name) %>% 
  summarise(dengue_region = sum(dengue_cases)) %>% 
  arrange(-dengue_region)

# Desactivar notación científica
options(scipen=999)


ggplot(data = dengue_region, aes(x=region_name, y=dengue_region))+
  geom_bar(stat="identity", fill='indianred', color = 'black')+
  labs(title= 'Cantidad de casos de dengue por región', x="Región", y="Cantidad de casos de dengue")+
  theme_minimal()

¿Cómo quedaría, entonces, la distribución de casos por estado y región?

dengue_estado_region_max <- dengue %>% 
  group_by(state_name,region_name) %>% 
  summarise(total_casos = sum(dengue_cases), .groups = "drop") %>% 
  mutate(state_name = fct_reorder(state_name, total_casos)) %>% 
  arrange(-total_casos) %>% 
  head()

ggplot(data = dengue_estado_region_max, aes(x=state_name, y=total_casos, fill = region_name))+
  geom_bar(stat='identity')+
  labs(title= 'Estados y regiones con más casos de dengue', x="Estado", y="Cantidad de casos de dengue", fill= 'Región')+
  theme_minimal()

dengue_estado_region_min <- dengue %>% 
  group_by(state_name,region_name) %>% 
  summarise(total_casos = sum(dengue_cases), .groups="drop") %>% 
  arrange(-total_casos) %>% 
  mutate(state_name = fct_reorder(state_name, total_casos)) %>% 
  tail()


ggplot(data = dengue_estado_region_min, aes(x=state_name, y=total_casos, fill = region_name))+
  geom_bar(stat='identity')+
  labs(title= 'Estados y regiones con menos casos de dengue', x="Estado", y="Cantidad de casos de dengue", fill= 'Región')+
  theme_minimal()

Distribución de dengue según condiciones climáticas

casos_dengue_climas <- dengue %>% 
  group_by(main_climate) %>% 
  summarise(casos_clima = sum(dengue_cases)) %>% 
  arrange(-casos_clima) %>% 
  mutate(main_climate = fct_reorder(main_climate, casos_clima)) 


ggplot(casos_dengue_climas, aes(x= casos_clima ,y=main_climate))+
  geom_bar(stat="identity",fill="lightsteelblue1")+
  labs(title = 'Cantidad de casos por clima', x = 'Cantidad de casos' , y = 'Tipo de clima')+
  theme_minimal()+
  theme(axis.text.x = element_text(angle = 0, hjust = 1))

dengue_temp <- dengue %>% 
  group_by(main_climate,tmax,tmin) %>% 
  summarise(total_casos = sum(dengue_cases), .groups="drop") %>% 
  arrange(-total_casos) 


dengue_temp_head<- dengue_temp %>% 
  head() 


ggplot(dengue_temp, aes(x=tmax,y=total_casos))+
  geom_point(color='indianred')+
  geom_point(aes(x=tmin), color = 'lightblue3')+
  labs(title = 'Relación entre casos de dengue, temperaturas máximas y temperaturas mínimas', x = 'Temperaturas', y = 'Casos de dengue') +
  theme_minimal()

Distribución según índice de urbanismo y cantidad de población

dengue_urb <- dengue %>% 
  select(state_name,dengue_cases,population,urban) %>% 
  group_by(urban,population) %>% 
  summarise(casos_urb = sum(dengue_cases), .groups = "drop") %>% 
  arrange(-casos_urb)


grafico_urb <- ggplot(dengue_urb,aes(x=urban, y=casos_urb))+
  geom_point(color='lavenderblush3')+
  labs(title = 'Relación entre índice de urbanismo y cantidad de casos', x= 'Indice de urbanismo', y = 'Cantidad de casos')+
  theme_minimal()

grafico_urb

correlacion_urb<- dengue %>% 
  select(dengue_cases,urban)


correlacion_urb <- cor(correlacion_urb) 

dengue_pobl <- dengue %>% 
  select(state_name,dengue_cases,population,pop_density) %>% 
  group_by(population) %>% 
  summarise(casos_pobl = sum(dengue_cases)) %>% 
  arrange(-casos_pobl)


ggplot(dengue_pobl,aes(x=population, y=casos_pobl))+
  geom_point(color='lightsalmon')+
  labs(title = 'Relación entre cantidad de población y cantidad de casos', x= 'Cantidad de población', y = 'Cantidad de casos')+
  theme_minimal()

correlacion_pobl<- dengue %>% 
  select(dengue_cases,population)


correlacion_pobl <- cor(correlacion_pobl)

Exploración con respecto a disponibilidad de agua corriente

dengue_agua <- dengue %>% 
  select(state_name,dengue_cases,water_network) %>% 
  group_by(state_name,water_network) %>% 
  summarise(casos = sum(dengue_cases), .groups = "drop") %>% 
  arrange(-casos)

grafico_agua <- ggplot(dengue_agua,aes(x=water_network,y=casos))+
  geom_point(color = 'lightskyblue2')+
  labs(title = 'Relación entre índice de agua corriente y cantidad de casos', x= 'Indice de agua corriente', y = 'Cantidad de casos')+
  theme_minimal()

grafico_agua

grid.arrange(grafico_urb,grafico_agua, nrow=2)

Los gráficos que indican la relación entre casos y urbanismo, y casos y agua corriente son bastante parecidos.

Exploración por tendencias temporales

¿Cómo han variado los casos de dengue a lo largo del tiempo?

dengue_anual <- dengue %>% 
  group_by(year) %>% 
  summarise(casos_anuales = sum(dengue_cases)) %>% 
  arrange(-casos_anuales) 

ggplot(dengue_anual,aes(x=year,y=casos_anuales))+
  geom_bar(stat="identity", fill = 'orange', color = 'black')+
  labs(title = "Variación anual de casos de dengue", x = 'Año', y = 'Cantidad de casos')+
  theme_minimal()

¿Existen patrones estacionales en la incidencia de casos de dengue?

dengue_mensual <- dengue %>% 
  group_by(month) %>% 
  summarise(casos_mensuales = sum(dengue_cases)) %>% 
  arrange(-casos_mensuales) 


ggplot(dengue_mensual,aes(x=factor(month),y=casos_mensuales))+
  geom_bar(stat="identity", fill = 'violet', color = 'black')+
  labs(title = "Variación mensual de casos de dengue", x = 'Mes', y = 'Cantidad de casos')+
  theme_minimal()

Los meses de marzo, abril y mayo son los que más casos presentaron.

¿En qué mes y año se presentaron más casos y menos casos?

dengue_mes_año <- dengue %>% 
  group_by(month, year) %>% 
  summarise(total_casos = sum(dengue_cases), .groups = "drop") %>% 
  arrange(-total_casos) 

Más casos:

head(dengue_mes_año)

## # A tibble: 6 × 3
##   month  year total_casos
##   <dbl> <dbl>       <dbl>
## 1     3  2013      424700
## 2     4  2015      405538
## 3     5  2019      400662
## 4     3  2015      398978
## 5     3  2016      392155
## 6     2  2016      385568

Menos casos:

tail(dengue_mes_año)

## # A tibble: 6 × 3
##   month  year total_casos
##   <dbl> <dbl>       <dbl>
## 1    10  2005        3911
## 2     6  2004        3757
## 3     7  2004        2605
## 4     8  2004        2217
## 5    10  2004        2133
## 6     9  2004        1618

Identificación de posibles factores de riesgo

dengue_matriz <- dengue %>% 
  select(dengue_cases:water_shortage)

matriz_correlacion <- cor(dengue_matriz) 

Entonces, ¿se pueden identificar posibles factores de riesgo que contribuyan a la propagación del dengue en ciertas regiones o estados?

dengue_regiones_estados <- dengue %>% 
  select(population,pop_density,urban,state_name,region_name) %>% 
  group_by(state_name) %>% 
  arrange(-population) %>% 
  distinct(state_name, region_name)

Si consideramos que el mayor factor de riesgo es la cantidad de población, entonces los estados del sureste y sur con ciudades grandes como Sao Paulo, Río de Janeiro, Minas Gerais y Río Grande do Sul son las más propensas a tener más casos de dengue. De hecho, los primeros tres estados nombrados son los que tuvieron más casos de dengue según esta base de datos desde 2000 a 2019. Si bien es necesario realizar campañas públicas de prevención y fumigación en todo el país, en estos cinco estados se deberá aún más reforzar estas acciones.

Queda pendiente averiguar qué ocurrió en 2015 para explicar este crecimiento de casos positivos de dengue.