Introducción

La discapacidad y las limitaciones motrices o enfermedades mentales son temas de creciente interés y relevancia en el ámbito social y académico. En el contexto global, la Organización Mundial de la Salud (OMS) estima que más de mil millones de personas viven con alguna forma de discapacidad, representando aproximadamente el 15% de la población mundial (OMS, 2011). Este fenómeno no solo plantea retos individuales y familiares, sino que también implica desafíos significativos para las políticas públicas y los sistemas de salud.

En México, el panorama de la discapacidad refleja una realidad compleja y multifacética. Según datos del Instituto Nacional de Estadística y Geografía (INEGI), en 2020 había aproximadamente 20.8 millones de personas que reportaron tener alguna discapacidad, limitación motriz o enfermedad mental (INEGI, 2020). Estas cifras resaltan la necesidad de un análisis detallado que permita comprender mejor las características demográficas, socioeconómicas y de salud de esta población.

El estudio de la discapacidad y las enfermedades mentales es crucial para el desarrollo de políticas inclusivas y efectivas. Comprender las barreras y desafíos que enfrentan estas personas puede contribuir a diseñar intervenciones más adecuadas y a promover una sociedad más equitativa. Además, este análisis es fundamental para evaluar la efectividad de las políticas actuales y para identificar áreas que requieren atención urgente.

Objetivos

Este trabajo tiene como objetivo analizar datos sobre discapacidad y personas con limitaciones motrices o enfermedades mentales en México. En particular, se pretende identificar las características sociodemográficas de esta población. Este análisis permitirá ofrecer recomendaciones basadas en evidencia para mejorar la calidad de vida de estas personas y para fomentar una mayor inclusión social.

Métodos y resultados

Se recopilaron datos disponibles del INEGI (2020) los cuales muestran el número de personas con discapacidad y personas con limitaciones motrices o enfermedades mentales en México. Se cuenta con datos de Edad y Sexo, por lo cual serán pilares fundamentales para conocer la conformación de estos grupos a nivel estatatl y nacional. La información está referida al 15 de marzo de 2020.

Definiciones:

- Población con discapacidad: Personas que tienen mucha dificultad o no pueden hacer al menos una de las actividades de la vida diaria como: ver, oír, caminar, recordar o concentrarse, bañarse, vestirse o comer, hablar o comunicarse.
- Población con limitación: Personas que tienen poca dificultad para realizar al menos una de las actividades de la vida diaria como: ver, oír, caminar, recordar o concentrarse, bañarse, vestirse o comer, hablar o comunicarse.
- Problemas o condición mental: Estado alterado de salud mental (desde el nacimiento, como resultado de una enfermedad o de un trastorno mental y del comportamiento, lesión o proceso de envejecimiento), que dificulta a la persona a participar en actividades de la vida social comunitaria e interactuar con otras personas de manera adecuada para el contexto y su entorno social (por ejemplo, familia, escuela, trabajo, vecinos, etcétera). El estado alterado de salud mental incluye padecimientos como autismo, síndrome de Down, esquizofrenia, retraso mental (leve o grave), etcétera.

Carga de datos

Los datos fueron recopilados del INEGI (2020).

# Datos
discapacidad <- read.csv("./Discapacidad_01.csv", header = T,
                         encoding="UTF-8")
summary(discapacidad)
##  Entidad.federativa Grupo.quinquenal.de.edad   TotalTotal      
##  Length:660         Length:660               Min.   :       0  
##  Class :character   Class :character         1st Qu.:   14432  
##  Mode  :character   Mode  :character         Median :   26281  
##                                              Mean   :  126292  
##                                              3rd Qu.:   51296  
##                                              Max.   :20838108  
##   HombresTotal      MujeresTotal         TotalPCD         HombresPCD     
##  Min.   :      0   Min.   :       0   Min.   :      0   Min.   :      0  
##  1st Qu.:   6842   1st Qu.:    7272   1st Qu.:   4027   1st Qu.:   2024  
##  Median :  12588   Median :   13673   Median :   7877   Median :   3814  
##  Mean   :  58951   Mean   :   67341   Mean   :  37454   Mean   :  17601  
##  3rd Qu.:  23709   3rd Qu.:   27250   3rd Qu.:  14607   3rd Qu.:   6945  
##  Max.   :9726871   Max.   :11111237   Max.   :6179890   Max.   :2904198  
##    MujeresPCD         TotalPCL          HombresPCL        MujeresPCL     
##  Min.   :      0   Min.   :       0   Min.   :      0   Min.   :      0  
##  1st Qu.:   1917   1st Qu.:    8948   1st Qu.:   4181   1st Qu.:   4674  
##  Median :   3930   Median :   16780   Median :   8010   Median :   9071  
##  Mean   :  19853   Mean   :   84451   Mean   :  39020   Mean   :  45431  
##  3rd Qu.:   7484   3rd Qu.:   34388   3rd Qu.:  16004   3rd Qu.:  18962  
##  Max.   :3275692   Max.   :13934448   Max.   :6438319   Max.   :7496129  
##    TotalPPCM        HombresPPCM      MujeresPPCM      
##  Min.   :      0   Min.   :     0   Min.   :     0.0  
##  1st Qu.:    892   1st Qu.:   421   1st Qu.:   469.8  
##  Median :   1941   Median :  1016   Median :   901.5  
##  Mean   :   9640   Mean   :  5209   Mean   :  4430.6  
##  3rd Qu.:   4073   3rd Qu.:  2257   3rd Qu.:  1833.0  
##  Max.   :1590583   Max.   :859534   Max.   :731049.0
# Librerías
library(dplyr)
library(tidyr)
library(knitr)
library(stringr)
library(kableExtra)
library(DT)
library(htmlwidgets)
library(ggplot2)
library(vegan)

# Eliminar NAs
discapacidad <- discapacidad[-c(661), ]
# Resumen
colnames(discapacidad)
##  [1] "Entidad.federativa"       "Grupo.quinquenal.de.edad"
##  [3] "TotalTotal"               "HombresTotal"            
##  [5] "MujeresTotal"             "TotalPCD"                
##  [7] "HombresPCD"               "MujeresPCD"              
##  [9] "TotalPCL"                 "HombresPCL"              
## [11] "MujeresPCL"               "TotalPPCM"               
## [13] "HombresPPCM"              "MujeresPPCM"

Limpieza

# Transformar a formato largo
discapacidad_long <- discapacidad %>%
  # Pivotar primero los totales
  pivot_longer(cols = c(TotalTotal, TotalPCD, TotalPCL, TotalPPCM),
               names_to = "Tipo_Total",
               values_to = "Total") %>%
  # Pivotar los valores de hombres y mujeres
  pivot_longer(cols = c(HombresTotal, MujeresTotal, HombresPCD, MujeresPCD, HombresPCL, MujeresPCL, HombresPPCM, MujeresPPCM),
               names_to = "Sexo_Tipo",
               values_to = "Valor") %>%
   mutate(Entidad_federativa = as.factor(Entidad.federativa),
          Grupo_de_edad = as.factor(Grupo.quinquenal.de.edad),
          Tipo_Total = as.factor(Tipo_Total),
          Sexo_Tipo = as.factor(Sexo_Tipo))%>%
   select(., Entidad_federativa, Grupo_de_edad,
          Tipo_Total, Total, Sexo_Tipo, Valor)

# Mostrar el dataframe
summary(discapacidad_long)
##            Entidad_federativa      Grupo_de_edad        Tipo_Total  
##  Aguascalientes     :  640    0 a 4 años  : 1056   TotalPCD  :5280  
##  Baja California    :  640    10 a 14 años: 1056   TotalPCL  :5280  
##  Baja California Sur:  640    15 a 19 años: 1056   TotalPPCM :5280  
##  Campeche           :  640    20 a 24 años: 1056   TotalTotal:5280  
##  Chiapas            :  640    25 a 29 años: 1056                    
##  Chihuahua          :  640    30 a 34 años: 1056                    
##  (Other)            :17280    (Other)     :14784                    
##      Total                 Sexo_Tipo        Valor         
##  Min.   :       0   HombresPCD  :2640   Min.   :       0  
##  1st Qu.:    3214   HombresPCL  :2640   1st Qu.:    1588  
##  Median :   10694   HombresPPCM :2640   Median :    5254  
##  Mean   :   64459   HombresTotal:2640   Mean   :   32230  
##  3rd Qu.:   27606   MujeresPCD  :2640   3rd Qu.:   13846  
##  Max.   :20838108   MujeresPCL  :2640   Max.   :11111237  
##                     (Other)     :5280

Métricas descriptivas

abrev <- data.frame( "abreviatura" = c("PCD", "PCL", "PPCM"),
            "Nombre" = c("Personas con discapacidad", "Personas con limitación", "Personas con problemas o condición mental")
            )
datatable(abrev, caption = "Abreviaturas")

Métricas descriptivas por entidad federativa

# Separar el total total 
total_nacional <- discapacidad %>%
  filter(Entidad.federativa == "Estados Unidos Mexicanos" &
           Grupo.quinquenal.de.edad == "Total")%>%
  pull(TotalTotal)

# Métricas descriptivas por entidad federativa
stats_by_entidad <- discapacidad_long %>%
  filter(Entidad_federativa != "Estados Unidos Mexicanos")%>%
  group_by(Entidad_federativa, Tipo_Total) %>%
  summarise(
    Media = mean(Total),
    Mediana = median(Total, na.rm = TRUE),
    Desv_estandar = round(sd(Total, na.rm = TRUE), 2),
    Porcentaje = round(((Media / total_nacional) * 100), 2)
  )


# Mostrar las métricas descriptivas por entidad federativa
datatable(stats_by_entidad, options = list(pageLength = 10, scrollX = TRUE),
          caption = "Métricas descriptivas por entidad federativa")

Estados con mayor número de personas con alguna limitación motriz o enfermedad mental

# Agrupar por entidad federativa y tipo total
totales_por_tipo <- discapacidad_long %>%
  filter(Entidad_federativa != "Estados Unidos Mexicanos" &
           Tipo_Total != "TotalTotal" &
           Grupo_de_edad == "Total")%>%
  group_by(Entidad_federativa, Tipo_Total) %>%
  summarise(Total = mean(Total, na.rm = TRUE)) %>%
  ungroup()


# Separar el total total 
total_nacional <- discapacidad %>%
  filter(Entidad.federativa == "Estados Unidos Mexicanos" &
           Grupo.quinquenal.de.edad == "Total")%>%
  pull(TotalTotal)
  

# Calcular los porcentajes
porcentajes_por_tipo <- totales_por_tipo %>%
  mutate(Porcentaje = round(((Total / total_nacional) * 100), 2)) 
porcentajes_por_tipo %>%
  filter(Puesto_nacional < 11) %>%
  ggplot(., aes(x = Entidad_federativa, y = Porcentaje,
         fill = Tipo_Total)) +
    geom_bar(width = 1, stat = "identity", 
             position = "dodge") +
  labs(title = paste("Porcentaje de personas con alguna limitacion a nivel nacional o estatal"), y = "Porcentaje", 
       x = "") +
  geom_text(aes(label = paste0(round(Porcentaje, 1), "%")), 
            position = position_dodge(width = 1), 
            vjust = 1.3, size = 3.5) +
  theme(legend.position = "bottom", axis.text.x = element_blank()) +
  scale_fill_manual(values = c("#663A96", "#1E88E5", "#2AA352"))+
  facet_wrap(~ factor(Entidad_federativa, levels = top10Edos), scales = "free", 
             strip.position = "bottom", axis.labels = "all_x",
             ncol = 3)

Los estados de EDOMEX, CDMX, Veracruz son los que presentan el mayor porcentaje de la población con alguna limitación (cualquiera de las tres categorías del INEGI). Por lo que es necesario enfocar políticas públicas y de atención en estos estados. Sin embargo, este factor se puede deber también a la mayor población residente en esos estados.

Métricas descriptivas por sexo y entidad

# Métricas descriptivas por entidad federativa
stats_by_sex <- discapacidad_long %>%
  filter(Entidad_federativa != "Estados Unidos Mexicanos" &
           Tipo_Total != "TotalTotal" &
           Grupo_de_edad == "Total") %>%
  group_by(Sexo_Tipo, Entidad_federativa) %>%
  summarise(
    Media = mean(Valor, na.rm = TRUE),
    Mediana = median(Valor, na.rm = TRUE),
    Porcentaje = round((Media*100)/total_nacional, 2)
  )

datatable(stats_by_sex, options = list(pageLength = 5, scrollX = TRUE),
          caption = "Metricas descriptivas por sexo y entidad federativa")
stats_by_sex %>%
  filter(!(Sexo_Tipo %in% c("HombresTotal", "MujeresTotal"))) %>%
  filter(Entidad_federativa %in% top10Edos)%>%
  ggplot(., aes(x = Sexo_Tipo, y = Media,
         fill = Sexo_Tipo)) +
    geom_bar(stat = "identity", width = .9) +
  labs(title = paste("Promedio de personas con alguna limitación a nivel estatal"), y = "", 
       x = "") +
  geom_text(aes(label = round(Media, 1)), 
            position = position_dodge(width = 0.9), 
            vjust = -0.5, size = 3) +
  theme(legend.position = "bottom", axis.text.x = element_blank()) +
  scale_fill_manual(values = c("#663A96", "#1E88E5", "#2AA352",
                               "#7D0112", "#023FA5", "#086C2F"))+
  facet_wrap(~ factor(Entidad_federativa, levels = top10Edos), scales = "free", 
             strip.position = "bottom", axis.labels = "all_y",
             ncol = 3)

Métricas descriptivas por edad y sexo en cada entidad

# Métricas descriptivas por edad y sexo en cada entidad
stats_by_edad <- discapacidad_long %>%
  filter(Entidad_federativa != "Estados Unidos Mexicanos" &
           Grupo_de_edad != "Total") %>%
  group_by(Entidad_federativa, Grupo_de_edad, Sexo_Tipo) %>%
  summarise(
    Media = mean(Valor, na.rm = TRUE),
    Mediana = median(Valor, na.rm = TRUE)
  )

# Mostrar las métricas descriptivas por entidad federativa
datatable(stats_by_edad, options = list(pageLength = 5, scrollX = TRUE),
          caption = "Métricas descriptivas por edad")

Estados con mayor número de personas con alguna limitación: sexo y edad

# Definir el orden correcto de los niveles
levels_edad <- c("0 a 4 años", "5 a 9 años", "10 a 14 años", "15 a 19 años", 
                 "20 a 24 años", "25 a 29 años", "30 a 34 años", "35 a 39 años", 
                 "40 a 44 años", "45 a 49 años", "50 a 54 años", "55 a 59 años", 
                 "60 a 64 años", "65 a 69 años", "70 a 74 años", "75 a 79 años", 
                 "80 a 84 años", "85 y más años", "No especificado")

# Convertir Grupo_de_edad en un factor con los niveles definidos
stats_by_edad <- stats_by_edad %>%
  mutate(Grupo_de_edad = factor(Grupo_de_edad, levels = levels_edad))



# Crear el gráfico

colores1 <- colorRampPalette(c("#BE2A3E", "#F8A254", "#C2C563",
                               "#22763F"))
colores2 <- colorRampPalette(c("#a70267", "#f10c49", "#fb6b41",
                               "#f6d86b", "#339194"))
colores3 <- colorRampPalette(c("#09622A", "#25803A", "#83B375",
                               "#78B1D3", "#1C6CAA", "#26456E"))
  
stats_by_edad %>%
  filter(!(Sexo_Tipo %in% c("HombresTotal", "MujeresTotal",
                            "HombresPCD", "HombresPCL", "HombresPPCM"))) %>%
  filter(Entidad_federativa %in% top10Edos)%>%
  mutate(Entidad_federativa = factor(Entidad_federativa, levels = top10Edos)) %>%
ggplot(., aes(x = Sexo_Tipo, y = Media, fill = Grupo_de_edad)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.9), width = 0.9) +
  labs(title = "Mujeres con alguna limitacion a nivel estatal",
       subtitle = "Tipo de limitación y grupo de edad por Estado", y = "", x = "") +
  coord_flip()+
  theme(legend.position = "bottom") +
  scale_fill_manual(values = colores1(length(unique(stats_by_edad$Grupo_de_edad)))) +
  facet_wrap(~ Entidad_federativa, scales = "free", strip.position = "top", ncol = 2)

Al considerar la población en categorías del sexo a nivel estatal (ver sección Métricas descriptivas por sexo y entidad), se observa que de igual forma EDOMEX, CDMX, Veracruz son los estados que concentran el mayor porcentaje de la población con alguna limitación (cualquiera de las tres categorías del INEGI). Siendo superior en el grupo de las mujeres en cualquiera de las categorías. Por lo tanto, es de especial atención dirigir propuestas encaminadas al bienetsar de las mujeres con cualquier limitación ya que son un sector vulnerado históricamente. Esto va de la mano con la interseccionalidad, yq que las mujeres se ven atravesadas por diferentes contextos y violencias que limitan su bienestar y desarrollo. Esto se observa al evaluar la edad, donde el mayor número de mujeres con discapcidad o limitación corresponde a mujeres adultas y adultas mayores, las cuales son el sector de la población con mayor limitación. No obstante, en el caso de personas con problemas o enfermedades mentales se observa que las infancias suelen ser el porcentaje de mujeres más afectado, lo cual es relevante ya que esta categoría se define con base en el diagnóstico de diversas afecciones que impiden a las personas desarrollarse en su contexto social.

stats_by_edad %>%
  filter(!(Sexo_Tipo %in% c("HombresTotal", "MujeresTotal",
                            "MujeresPCD", "MujeresPCL", "MujeresPPCM"))) %>%
  filter(Entidad_federativa %in% top10Edos)%>%
  mutate(Entidad_federativa = factor(Entidad_federativa, levels = top10Edos)) %>%
ggplot(., aes(x = Sexo_Tipo, y = Media, fill = Grupo_de_edad)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.9), width = 0.9) +
  labs(title = "Hombres con alguna limitacion a nivel estatal",
       subtitle = "Tipo de limitación y grupo de edad por Estado", y = "", x = "") +
  coord_flip()+
  theme(legend.position = "bottom") +
  scale_fill_manual(values = colores3(length(unique(stats_by_edad$Grupo_de_edad)))) +
  facet_wrap(~ Entidad_federativa, scales = "free", strip.position = "top", ncol = 2)

En el caso de los hombres, sigue un patrón muy similar, donde los hombres adultos y adultos mayores con discapacidad o limitaciones son el mayor número de afectados. Sin embargo, las niños de 0 a 20 años suelen ser la mayor proporción de personas afectadas con problemas o enfermedades mentales.

Impacto de Factores Demográficos y Geográficos

# Comparar el Valor entre diferentes grupos
anova_disc <- discapacidad_long %>%
  filter(Entidad_federativa != "Estados Unidos Mexicanos",
         Grupo_de_edad != "Total",
         Tipo_Total == "TotalTotal",
         Sexo_Tipo != c("HombresTotal", "MujeresTotal")) %>%
  mutate(Sexo = ifelse(grepl("Hombres", Sexo_Tipo), "Hombres", "Mujeres"),
         Tipo = str_remove(Sexo_Tipo, "Hombres|Mujeres"))

edad <- as.character(unique(anova_disc$Grupo_de_edad)[1:18])

anova_disc <- anova_disc %>%
  filter(Grupo_de_edad %in% edad) %>%
  mutate(Grupo_de_edad = factor(Grupo_de_edad, levels = edad))

# Preparar los datos

anova_disc <- anova_disc %>%
  select(Entidad_federativa, Tipo, Sexo, Valor) %>%
  mutate(Sexo = as.factor(Sexo))

entFed <- read.csv("./regiones.csv", header = T)
# Realizar la unión para agregar la columna de región
anova_disc <- anova_disc %>%
  left_join(entFed, by = c("Entidad_federativa" = "EntidadFederativa"))
anova_disc <- anova_disc %>%
  mutate(Tipo = as.factor(Tipo),
         Region = as.factor(Region))


# Preparar la matriz de valores
valor <- anova_disc %>%
  select(Valor)

# Calcular la matriz de disimilitud usando Bray-Curtis
distance_matrix <- vegdist(valor, method = "bray")
# Realizar PERMANOVA con un modelo que incluye efectos principales y su interacción
permanova_result <- adonis2(distance_matrix ~ Sexo * Tipo * Region, data = anova_disc, permutations = 299)
pR <- as.data.frame(permanova_result)
# Ver los resultados
kable(pR, digits = 4, format = "html")
X Df SumOfSqs R2 F Pr..F.
Sexo 1 0.6112 0.0010 5.9120 0.0033
Tipo 2 211.3522 0.3370 1022.1009 0.0033
Region 7 31.5701 0.0503 43.6210 0.0033
Sexo:Tipo 2 0.5382 0.0009 2.6025 0.0467
Sexo:Region 7 0.2883 0.0005 0.3983 0.9733
Tipo:Region 14 30.1360 0.0481 20.8197 0.0033
Sexo:Tipo:Region 14 0.2825 0.0005 0.1951 1.0000
Residual 3408 352.3567 0.5619 NA NA
Total 3455 627.1351 1.0000 NA NA

El efecto del sexo, tipo de discapacidad y la región del país es estadísticamente significativo en el modelo, así como la interacción entre los factores. Estos resultados indican que para abordar y entender la distribución y prevalencia de las discapacidades en México, es crucial considerar el tipo de discapacidad y la región geográfica. Aunque el sexo tiene un impacto, es relativamente pequeño comparado con otros factores. Además, se debe considerar que existen otras variables no incluidas en este análisis que también podrían tener un impacto significativo.

Discusión y conclusiones

Los resultados obtenidos en este estudio brindan una visión profunda de la distribución y prevalencia de la discapacidad, la limitación de la movilidad o las enfermedades mentales en México. Al analizar los datos por género, tipo de discapacidad y región, podemos identificar patrones importantes que pueden influir en el desarrollo de políticas públicas más efectivas y la implementación de programas de atención más inclusivos y equitativos.

Los análisis realizados mostraron que el tipo de discapacidad fue el factor que más contribuyó a la variación observada en la población de estudio. Este hallazgo resalta la importancia de reconocer las diferencias esenciales entre los diferentes tipos de trastornos. Por ejemplo, las personas con discapacidad física pueden tener necesidades muy diferentes a las de las personas con discapacidad intelectual, lo que resulta en estrategias de apoyo y recursos adaptados a su tipo particular de discapacidad.

Resulta que la región geográfica también es un factor importante. Esto sugiere que las políticas y programas deben adaptarse a las características locales. Los factores socioeconómicos, el acceso a los servicios de salud, la infraestructura y las políticas locales pueden influir significativamente en la prevalencia y el tratamiento del trastorno. Las áreas de alta prevalencia, como el Estado de México, la Ciudad de México y Veracruz, requieren atención especial para eliminar las diferencias regionales.

La interacción entre género y tipo de discapacidad es significativa, pero el efecto es pequeño en comparación con otros factores. Sin embargo, es importante considerar estas interacciones en el desarrollo de políticas, ya que pueden resaltar subgrupos específicos que requieren atención diferenciada. Por ejemplo, ciertos trastornos pueden ser más prevalentes en mujeres que en hombres y este conocimiento es fundamental para el uso adecuado de los recursos.

Por otro lado, la interacción entre género y región no mostró una alta significación estadística, lo que sugiere que las diferencias regionales en la prevalencia de la discapacidad no difieren significativamente entre hombres y mujeres. Sin embargo, la interacción entre el tipo de discapacidad y la región es significativa, lo que sugiere que la prevalencia de tipos específicos de discapacidad puede variar ampliamente entre regiones.

Los resultados de este estudio tienen implicaciones directas para el diseño e implementación de políticas públicas en México. Primero, es importante desarrollar políticas que aborden las necesidades únicas de cada tipo de discapacidad. Esto puede incluir programas de rehabilitación especializados, acceso a tecnología de asistencia y la capacitación de profesionales médicos capacitados en diversas áreas de la discapacidad.

Además, es importante adoptar un enfoque regional para el desarrollo de políticas. Las estrategias deben adaptarse a las diferencias regionales, teniendo en cuenta los factores socioeconómicos y culturales que pueden influir en la prevalencia y el tratamiento del trastorno.

Finalmente, se debe prestar especial atención a los subgrupos más vulnerables identificados en este estudio, como las mujeres con discapacidad, los ancianos y los niños con problemas o enfermedades de salud mental. Es importante implementar políticas basadas en la interseccionalidad para garantizar que se aborden las múltiples dimensiones de vulnerabilidad que afectan a estas poblaciones.

Conclusiones

En resumen, nuestro análisis detallado de los datos sobre discapacidad en México demuestra la importancia de considerar múltiples factores y sus interacciones al diseñar políticas y programas de asistencia. Este resultado sugiere que el tipo de discapacidad y la región son factores importantes que deben considerarse en las estrategias de intervención. Aunque el género tiene una pequeña influencia, es importante reconocer las necesidades únicas de hombres y mujeres en diferentes contextos de discapacidad.

Estos resultados resaltan la necesidad de enfoques diversos y localizados al desarrollar políticas públicas para promover la inclusión y mejorar la calidad de vida de las personas con discapacidad en México.

Referencias: