tesis
Diana Guerrero
2024-06-08
library(readxl)
base_analisis_R <- read_excel("C:/Users/diana/OneDrive - PUJ Cali/Proyecto Tesis DR/base_analisis_R.xlsx",
col_types = c("numeric", "text", "numeric",
"date", "text", "date", "text", "numeric",
"text", "text", "text", "text", "text",
"text", "text", "text", "text", "text",
"text", "text", "text", "text", "text",
"text", "text", "text", "text", "text",
"text", "text", "text", "text", "text",
"text", "text", "text", "date", "text",
"text", "text", "text", "text", "text",
"text", "text", "text", "text", "text",
"text", "text", "text", "text", "text",
"text", "text", "text", "text", "text",
"text", "text"))
View(base_analisis_R)DESCRIPTIVO UNIVARIADO
El dataset cuenta con 10102 registros y 59 atributos. De los cuales una variable edad es numerica y las demás son categóricas. Adicionalmente, se cuenta con 3 variables que contienen fechas (Fecha de inicio de sintomas. fecha de inicio de tratamiento y fecha de egreso del programa.)
En cuanto a la edad, la media y mediana es de 50 años con un maximo de 109 años y un minimo de menor de 1 año o meses de edad.
df <- as.data.frame(base_analisis_R)hist(x = df$AÑO, main = "Histograma de casos",
xlab = "Año", ylab = "Frecuencia",
col = "purple")
tabla40=table(df$AÑO)
tabla40##
## 2016 2017 2018 2019 2020 2021 2022
## 1311 1364 1334 1534 1253 1498 1808prop.table(tabla40)*100##
## 2016 2017 2018 2019 2020 2021 2022
## 12.97763 13.50228 13.20531 15.18511 12.40348 14.82875 17.89745año <- c(1311, 1364, 1334, 1534, 1253, 1498, 1808)
casos<- c(2016, 2017, 2018, 2019, 2020, 2021, 2022)
plot(casos, año, type = "o", col="seagreen2")
mean(tabla40)## [1] 1443.143sd(tabla40)## [1] 189.8143library(scales)##
## Attaching package: 'scales'## The following objects are masked from 'package:psych':
##
## alpha, rescale## The following object is masked from 'package:purrr':
##
## discard## The following object is masked from 'package:readr':
##
## col_factorg = ggplot(df, aes(AÑO, fill=SEXO) ) +
labs(title = "Casos por año y Sexo")+ylab("") +
theme(plot.title = element_text(size = rel(2), colour = "blue"))
g+geom_bar(position="dodge") + scale_fill_manual(values = alpha(c("pink", "blue", "green", "grey"), 1)) +
theme(axis.title.x = element_text(face="bold", size=7)) 
boxplot(df$EDAD~base_analisis_R$AÑO,
main = "Figura 1. Distribución de edad en pacientes con TB por año",
ylab="edad",
xlab = "Año", las=1,
col=c("#960200","#ee964b"))
pl <- ggplot(df, aes(x=EDAD))
pl + geom_histogram()## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
pl2 <- pl + geom_histogram(binwidth = 0.1, col='black', fill='green', alpha=0.4)
pl2
Las variables categoricas se analizan en tablas:
# Tabla de frecuencias de categoricas
tabla1=table(df$SEXO)
tabla1##
## F M
## 3415 6687prop.table(tabla1)*100##
## F M
## 33.80519 66.19481El 66.2% de los pacientes que ingresaron al programa de TB entre 2016 y 2022 son hombres (6.687), el porcentaje restante corresponde a mujeres.
#base_analisis_R$INGRESO_TTO <- toupper(base_analisis_R$INGRESO_TTO)
#df$INGRESO_TTO<- str_replace(df$INGRESO_TTO, "si","SI")
tabla2=table(df$INGRESO_TTO)
tabla2##
## NO SI
## 433 9669prop.table(tabla2)*100##
## NO SI
## 4.28628 95.71372El 95.7% de las personas que ingresaron al programa iniciaron tratamiento tetraconjugado. Del procentaje restante de quienes no iniciaron tratamiento el 72% fallecieron o el diagnostico fue postmortem y el 14.3% se descarto la tuberculosis como enfermedad causante del cuadro clínico.En el 8% no alcanzaron a iniciar tratamiento porque corresponden a pérdidas en el seguimiento.
##
## DESCARTADO EXCLUIDO DE LA COHORTE POR RR
## 14.3187067 0.6928406
## FALLECIDO DURANTE EL TRATAMIENTO FRACASO
## 72.9792148 0.6928406
## NO EVALUADO PERDIDA EN EL SEGUIMIENTO
## 1.1547344 8.3140878
## TRATAMIENTO TERMINADO
## 1.8475751tabla4=table(df$`PERTENENCIA_ETNICA`)
prop.table(tabla4)*100##
## INDIGENA NEGRO, MULATO, AFROCOLOMBIANO
## 1.51455157 0.81172045
## OTRO PALENQUERO
## 97.46584835 0.00989903
## RAIZAL ROOM (GITANO)
## 0.06929321 0.12868739En cuanto a la pertenencia étnica se encuenrtra que la mayoria corresponde a indigenas 1.5%, seguido de problacion afrocolombiana 0.8% y ROOM 0.12%. El 97.4% no se autorreconoce como parte de una etnia. Dentro de los pacientes pertenecientes a etnia indigena se encuentra que los pueblos mas frecuentes son: Embera y Embera-Katío con el 45% de la representación de los pueblos indígenas.
ETNIA <- subset(df, df$`PERTENENCIA_ETNICA` == "INDIGENA")
#ETNIA <- chartr("ÁÉÍÓÚ", "AEIOU", toupper(ETNIA))
tabla5=table(ETNIA$PUEBLO_INDIGENA)
prop.table(tabla5)*100##
## ACHAGUA AWA BARI BORA CARAPANA CHIMILA
## 0.6535948 0.6535948 1.9607843 0.6535948 1.9607843 0.6535948
## CUBEO EMBERA EMBERA-CHAMI EMBERA KATIO EMBERA KATÍO GUANACA
## 0.6535948 21.5686275 1.3071895 2.6143791 8.4967320 0.6535948
## GUAYABERO HUITOTO INGA KURRIPACO MAKUNA MIRAÑA
## 1.9607843 0.6535948 5.2287582 1.3071895 0.6535948 0.6535948
## MUINANE NA NUKAK PASTO PIAROA PIJAO
## 0.6535948 27.4509804 1.3071895 0.6535948 0.6535948 2.6143791
## PIRATAPUYO PUINAVE SIKUANI TANIMUKA TIKUNA TSIRIPU
## 0.6535948 1.9607843 1.3071895 0.6535948 2.6143791 0.6535948
## TUCANO UITOTO WAUNAN WAYUU YUKPA
## 1.9607843 0.6535948 0.6535948 2.6143791 0.6535948tabla4=table(df$trabajador_salud)
tabla4##
## NO SI
## 9898 204prop.table(tabla4)*100##
## NO SI
## 97.980598 2.019402En cuanto a los grupos poblacionales especiales se encuentra que:
Hay 135 personas que refieren discapacidad lo que corresponde al 1.33%. Hay 79 personas que refieren desplazamiento forzado lo que corresponde al 0.78%. Hay 523 personas reportadas como migrantes lo que corresponde al 5.2%. Hay 339 personas reportadas como migrantes lo que corresponde al 3.4%. Hay 20 mujeres reportadas como gestantes lo que corresponde al 0.6% del total de mujeres. Hay 541 personas reportadas como habitantes de calle lo que corresponde al 5.4%. Hay 14 personas reportadas como poblacion en protección por parte de ICBF, lo que corresponde al 0.14%. Hay 339 personas reportadas como migrantes lo que corresponde al 3.4%. Hay 11 personas reportadas como poblacion psiquiatrica lo que corresponde al 0.11%. Hay 16 personas reportadas como victimas de la violencia por conflicto armado lo que corresponde al 0.16%. Hay 204 personas reportadas como trabajadores de la salud lo que corresponde al 2%. No se reportan personas madres comunitarias ni desmovilzados dentro de los grupos poblacionales.
c1=ggplot(df,aes(x=gp_discapa)) + geom_bar() + theme_gray()
c2=ggplot(df,aes(x= gp_desplaz)) + geom_bar() + theme_gray()
c3=ggplot(df,aes(x=gp_migrant)) + geom_bar() + theme_gray()
ggarrange(c1,c2,c3, labels = c("A", "B","C"), ncol = 3, nrow = 1)
c4=ggplot(df,aes(x=gp_carcela)) + geom_bar() + theme_gray()
c5=ggplot(df,aes(x=gp_gestan)) + geom_bar() + theme_gray()
c6=ggplot(df,aes(x=gp_indigen)) + geom_bar() + theme_gray()
ggarrange(c4,c5,c6, labels = c("D", "E", "F"), ncol = 3, nrow = 1)
c7=ggplot(df,aes(x=gp_pobicbf)) + geom_bar() + theme_gray()
c8=ggplot(df,aes(x=gp_mad_com)) + geom_bar() + theme_gray()
c9=ggplot(df,aes(x=gp_desmovi)) + geom_bar() + theme_gray()
ggarrange(c7,c8,c9, labels = c("G", "H", "I"), ncol = 3, nrow = 1)
c10=ggplot(df,aes(x=gp_psiquia)) + geom_bar() + theme_gray()
c11=ggplot(df,aes(x=gp_vic_vio)) + geom_bar() + theme_gray()
c12=ggplot(df,aes(x=trabajador_salud)) + geom_bar() + theme_gray()
ggarrange(c10,c11,c12, labels = c("J", "K", "L"), ncol = 3, nrow = 1)
df$LOC_RES<- str_replace(df$LOC_RES, "Antonio Nariño","15")
df$LOC_RES<- str_replace(df$LOC_RES, "Barrios Unidos","12")
df$LOC_RES<- str_replace(df$LOC_RES, "Bosa","7")
df$LOC_RES<- str_replace(df$LOC_RES, "Chapinero","2")
df$LOC_RES<- str_replace(df$LOC_RES, "Ciudad Bolivar","19")
df$LOC_RES<- str_replace(df$LOC_RES, "Engativa","10")
df$LOC_RES<- str_replace(df$LOC_RES, "Fontibon","9")
df$LOC_RES<- str_replace(df$LOC_RES, "Fuera de Bogota","FDB")
df$LOC_RES<- str_replace(df$LOC_RES, "Kennedy","8")
df$LOC_RES<- str_replace(df$LOC_RES, "La Candelaria","17")
df$LOC_RES<- str_replace(df$LOC_RES, "Los Martires","14")
df$LOC_RES<- str_replace(df$LOC_RES, "Puente Aranda","16")
df$LOC_RES<- str_replace(df$LOC_RES, "Rafael Uribe Uribe","18")
df$LOC_RES<- str_replace(df$LOC_RES, "San Cristobal","4")
df$LOC_RES<- str_replace(df$LOC_RES, "Santafe","3")
df$LOC_RES<- str_replace(df$LOC_RES, "Suba","11")
df$LOC_RES<- str_replace(df$LOC_RES, "Teusaquillo","13")
df$LOC_RES<- str_replace(df$LOC_RES, "Tunjuelito","6")
df$LOC_RES<- str_replace(df$LOC_RES, "Usaquen","1")
df$LOC_RES<- str_replace(df$LOC_RES, "Usme","5")
df$LOC_RES<- str_replace(df$LOC_RES, "Sumapaz","20")ggplot(df, aes(x = LOC_RES)) + #1
#geom_bar() + #2
geom_bar(width=0.4, colour="red", fill="skyblue") + #2
labs(x="localidad residencia",y= "Frecuencia") + #3
ylim(c(0,3000)) + #4
#xlim(c(0,300)) + #4
ggtitle("Casos por localidad de residencia") + #5
# theme_bw() + #6
theme_bw(base_size = 22) + #6
#coord_flip() + #7
geom_text(aes(label=..count..), stat='count', #8
position=position_dodge(0.8),
vjust=-0.4,
size=4.0
) +
scale_y_continuous(labels = scales::number_format()) +
theme_classic() +
theme(axis.text.x = element_text(angle = 90, vjust=0.5, size = 8),
panel.grid.minor = element_blank()) #9## Scale for y is already present.
## Adding another scale for y, which will replace the existing scale.## Warning: The dot-dot notation (`..count..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(count)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
En cuanto a la localidad de residencia, se encuentra que el 19.2% (n=1938 casos) pese a ser diagnosticados en Bogotá residen fuera de la ciudad, el 80.8 % de los casos restantes (n=8164) residen en su mayoria en la localidad de Suba 12%, Kennedy 11.8%, seguido de Engativa 9%, Ciudad Bolivar 8.2%, Rafael uribe Uribe 8.1% y Bosa 7%. En estas localidades se concentra la mayor cantidad de pacientes adscritos al programa de tuberculosis de los ultimos 7 años.
df$LOC_DX<- str_replace(df$LOC_DX, "Antonio Nariño","15")
df$LOC_DX<- str_replace(df$LOC_DX, "Barrios Unidos","12")
df$LOC_DX<- str_replace(df$LOC_DX, "Bosa","7")
df$LOC_DX<- str_replace(df$LOC_DX, "Chapinero","2")
df$LOC_DX<- str_replace(df$LOC_DX, "Ciudad Bolivar","19")
df$LOC_DX<- str_replace(df$LOC_DX, "Engativa","10")
df$LOC_DX<- str_replace(df$LOC_DX, "Fontibon","9")
df$LOC_DX<- str_replace(df$LOC_DX, "Kennedy","8")
df$LOC_DX<- str_replace(df$LOC_DX, "La Candelaria","17")
df$LOC_DX<- str_replace(df$LOC_DX, "Los Martires","14")
df$LOC_DX<- str_replace(df$LOC_DX, "Puente Aranda","16")
df$LOC_DX<- str_replace(df$LOC_DX, "Rafael Uribe Uribe","18")
df$LOC_DX<- str_replace(df$LOC_DX, "San Cristobal","4")
df$LOC_DX<- str_replace(df$LOC_DX, "Santafe","3")
df$LOC_DX<- str_replace(df$LOC_DX, "Suba","11")
df$LOC_DX<- str_replace(df$LOC_DX, "Teusaquillo","13")
df$LOC_DX<- str_replace(df$LOC_DX, "Tunjuelito","6")
df$LOC_DX<- str_replace(df$LOC_DX, "Usaquen","1")
df$LOC_DX<- str_replace(df$LOC_DX, "Usme","5")ggplot(df, aes(x = LOC_DX)) + #1
#geom_bar() + #2
geom_bar(width=0.4, colour="red", fill="skyblue") + #2
labs(x="localidad DX",y= "Frecuencia") + #3
ylim(c(0,1200)) + #4
#xlim(c(0,300)) + #4
#5
# theme_bw() + #6
theme_bw(base_size = 22) + #6
#coord_flip() + #7
geom_text(aes(label=..count..), stat='count', #8
position=position_dodge(0.8),
vjust=-0.4,
size=4.0
) +
facet_wrap(~"Variable Localidad DX")+
theme_classic() +
theme(axis.text.x = element_text(angle = 90, vjust=0.5, size = 8),
panel.grid.minor = element_blank())## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_bar()`).## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_text()`).
En relación con la localidad de diagnóstico se evidencia que los casos son diagnosticados en su mayoria en IPS de la Subred Norte la cual concentra el 34.7% de los casos diagnosticados en el distrito. Esto se debe a la oferta de servicios por parte de los prestadores de servicios de salud en Bogotá, se concentra en las localidades de chapinero 12.6%, Usaquen 12% y Teusaquillo 10.07%. La tercera localidad con mayor número de casos diagnosticados que no pertenece a la subred Norte es los Martires con 11.3% y la cuarta localidad es San Cristóbal con 9.4%, seguido de Kennedy con 8%, esto se debe a que en estas localidades se encuentran instituciones de alta complejidad con buena capacidad de diagnostico para TB.
df$REGIMEN_AFILIACION<- str_replace(df$REGIMEN_AFILIACION, "C - CONTRIBUTIVO","C")
df$REGIMEN_AFILIACION<- str_replace(df$REGIMEN_AFILIACION, "E - ESPECIAL","E")
df$REGIMEN_AFILIACION<- str_replace(df$REGIMEN_AFILIACION, "N - NO ASEGURADO","N")
df$REGIMEN_AFILIACION<- str_replace(df$REGIMEN_AFILIACION, "P - EXCEPCION","P")
df$REGIMEN_AFILIACION<- str_replace(df$REGIMEN_AFILIACION, "S - SUBSIDIADO","S")pie(table(df$REGIMEN_AFILIACION), col=c("blue", "grey", "green", "yellow", "orange", "violet"), main="Distribucion de casos por tipo de aseguramiento")
Se observa que el 55.4% de los pacientes diagnosticados en Bogotá pertenecen al regimen contributivo (n=5599), seguido del regimen subsidiado con 30.6% (n=3088), en el 6.6% los pacientes no se encuentran asegurados al sistema de salud (n=669), en el 5.1% pertenecen a regimenes especiales (n=516) y en el 2.3% a regimen de excepción (n=230).
tabla6=table(df$REGIMEN_AFILIACION)
tabla6##
## C E N P S
## 5599 516 669 230 3088prop.table(tabla6)*100##
## C E N P S
## 55.424668 5.107899 6.622451 2.276777 30.568204pie(table(df$TIPO_TB), col=c("blue", "violet"), main="Distribucion de casos por tipo de TB")
Con relación al tipo de TB, se encuentra que el 69% de los casos confirmados en el distrito son TB pulmonares (n=6940) mientras que el 31% corresponden a formas extrapulmonares.
tabla7=table(df$TIPO_TB)
tabla7##
## EXTRAPULMONAR PULMONAR
## 3162 6940prop.table(tabla7)*100##
## EXTRAPULMONAR PULMONAR
## 31.30073 68.69927De las formas extrapulmonares, la localización anatómica mas frecuente es pleural 32.4% (n=1023), seguida de meningea 26.8% (n=848), ganglionar 11.6% (n=366) principalmente.
df$LOCALIZACION_EXTRA<- str_replace(df$LOCALIZACION_EXTRA, "Vejiga","Genitourinaria")
tabla8=table(df$LOCALIZACION_EXTRA)
tabla8##
## Cutanea Ganglionar Genitourinaria Intestinal Laringea
## 49 366 83 82 1
## Meningea NA Osteoarticular Otro Pericardica
## 848 6940 209 223 111
## Peritoneal Pleural Renal
## 148 1023 19prop.table(tabla8)*100##
## Cutanea Ganglionar Genitourinaria Intestinal Laringea
## 0.48505246 3.62304494 0.82161948 0.81172045 0.00989903
## Meningea NA Osteoarticular Otro Pericardica
## 8.39437735 68.69926747 2.06889725 2.20748367 1.09879232
## Peritoneal Pleural Renal
## 1.46505642 10.12670758 0.18808157df$CONDICION_INGRESO<- str_replace(df$CONDICION_INGRESO, "OTROS PREVIAMENTE TRATADOS","OPT")
df$CONDICION_INGRESO<- str_replace(df$CONDICION_INGRESO, "REINGRESO TRAS FRACASO","RTF")
df$CONDICION_INGRESO<- str_replace(df$CONDICION_INGRESO, "REINGRESO TRAS PERDIDA EN EL SEGUIMIENTO","RTPS")
df$CONDICION_INGRESO<- str_replace(df$CONDICION_INGRESO, "REINGRESO TRAS RECAIDA","RTR")
barplot(table(df$CONDICION_INGRESO), col=c("orange","blue", "yellow", "red", "green", "cyan", "grey"), main="Distribucion de condiciones de ingreso al programa de los pacientes con TB" )
El 934.% de los casos corresponden a casos nuevos, mientras que el 3.1% son previamente tratados de los que no se tiene traza de los tratamientos previos recibidos. Por otro lado, el 2.2% de los casos corresponden a recuperados tras perdida en el seguimiento, 1.06% reingresos por recaídas y 0.25% reingreso tras fracaso del tratamiento.
tabla9=table(df$CONDICION_INGRESO)
tabla9##
## NUEVO OPT REMITIDO RTF RTPS RTR
## 9437 317 1 25 214 108prop.table(tabla9)*100##
## NUEVO OPT REMITIDO RTF RTPS RTR
## 93.41714512 3.13799248 0.00989903 0.24747575 2.11839240 1.06909523Asi mismo, en cuanto a la realización de pruebas de laboratorio para el Diagnostico de la TB se encuentra que en el 54% las baciloscopias fueron negativas y en el 30.7% estas tuvieron un resultado positivo, por otro lado no se realizaron en el 14% de los casos y en el 1.3% no se cuenta con información de si se realizó esta prueba.
df$RESULTADO_BK_RECOD<- str_replace(df$RESULTADO_BK_RECOD, "NO REALIZADO","NR")
tabla10=table(df$RESULTADO_BK_RECOD)
tabla10##
## NEGATIVO NR POSITIVO SD
## 5451 1410 3108 133prop.table(tabla10)*100##
## NEGATIVO NR POSITIVO SD
## 53.959612 13.957632 30.766185 1.316571En cuanto a la realización de pruebas de laboratorio para el Diagnostico de la TB se encuentra que en el 30.54% de los casos cuenta con cultivo negativo para micobacterias, mientras que en el 41.3% tuvieron un resultado positivo, por otro lado no se realizó cultivo en el 22.5% de los casos y en el 5.7% no se cuenta con información de si se realizó esta prueba.
df$RESULTADO_CULTIVO_RECOD<- str_replace(df$RESULTADO_CULTIVO_RECOD, "NO REALIZADO","NR")
tabla11=table(df$RESULTADO_CULTIVO_RECOD)
tabla11##
## NEGATIVO NR POSITIVO SD
## 3085 2268 4172 577prop.table(tabla11)*100##
## NEGATIVO NR POSITIVO SD
## 30.53851 22.45100 41.29875 5.71174Con relación a pruebas moleculares para micobacterias, se encuentra que en el 45.3% de los casos cuenta con prueba molecular positiva, mientras que en el 15.1% tuvieron un resultado negativo, por otro lado no se realizó esta prueba al paciente en el 0.44% de los casos y en el 39.2% no se cuenta con información de si se realizó o no esta prueba. Al respecto, es importante mencionar que a partir del año 2020 se modificaron los algoritmos diagnosticos para tuberculosis en nuestro país, debido a las limitantes en sensibilidad que representan las baciloscopias y los cultivos en medio solido. A partir de ese año, se implementaron las pruebas moleculares y los cultivos en medio líquido, con el fin de disminuir los tiempos de diagnostico de la enfermedad y garantizar tratamientos oportunos con una buena adherencia por parte de los pacientes.
df$RESULTADO_PRUEBA_MOL_RECOD<- str_replace(df$RESULTADO_PRUEBA_MOL_RECOD, "NO REALIZADO","NR")
df$RESULTADO_PRUEBA_MOL_RECOD<- str_replace(df$RESULTADO_PRUEBA_MOL_RECOD, "NO INTERPRETABLE","NI")
tabla12=table(df$RESULTADO_PRUEBA_MOL_RECOD)
tabla12##
## NEGATIVO NI NR POSITIVO SD
## 1525 4 45 4571 3957prop.table(tabla12)*100##
## NEGATIVO NI NR POSITIVO SD
## 15.09602059 0.03959612 0.44545635 45.24846565 39.17046129Con relacion a la identificación de resistencias se encuentra que la prueba de susceptibilidad a farmacos se le practicó al 48.2% de los pacientes (n= 4.867). Es importante mencionar que esta prueba se priorizaba a personas que cumplian criterios específicos, por tal razón el porcentaje de no realización es del 51.8%. No obstante, con los nuevos algoritmos diagnosticos se realizan de manera simultanea la prueba molecular y la detección de genes de resistencia.
df$PRUEBA_SUSCEPTIBILIDAD_FARMACOS<- str_replace(df$PRUEBA_SUSCEPTIBILIDAD_FARMACOS, "NO REALIZADA","NR")
df$PRUEBA_SUSCEPTIBILIDAD_FARMACOS<- str_replace(df$PRUEBA_SUSCEPTIBILIDAD_FARMACOS, "PCR EN TIEMPO REAL","PCR-TR")tabla13=table(df$PRUEBA_SUSCEPTIBILIDAD_FARMACOS)
tabla13##
## BACTEC MGIT LIPA NR PCR-TR
## 271 971 5235 3625prop.table(tabla13)*100##
## BACTEC MGIT LIPA NR PCR-TR
## 2.682637 9.611958 51.821422 35.883983De las 4.867 pruebas de resistencia realizadas, no se encontró resistencia en el 48.5% de los casos. De los tipos de resistencia mas frecuentes en el distrito se encuentran: monoresistencia isoniacida 52%, seguido de resistencia a rifampicina 32%, multidrogorresistencia 11.9%, y en menor proporcion se encuentran otro tipo de monorresistencias y polirresistencias.
df$FARMACORRESISTENCIA<- str_replace(df$FARMACORRESISTENCIA, "NO REALIZADA","NR")
tabla14=table(df$FARMACORRESISTENCIA)
tabla14##
## Isoniacida MDR Monoresistencia Ninguna NR
## 88 20 5 4898 5036
## Poliresistente RR
## 1 54prop.table(tabla14)*100##
## Isoniacida MDR Monoresistencia Ninguna NR
## 0.87111463 0.19798060 0.04949515 48.48544843 49.85151455
## Poliresistente RR
## 0.00989903 0.53454761La condición de egreso de los pacientes adscritos al programa de TB del distrito en los ultimos 7 años, el 61% corresponde a curaciones (para el caso de TB pulmonar) y tratamientos finalizados, es decir el exito programático.En el 21.5% el paciente falleció durante el tratamiento o el diagnostico de TB, se realizó post mortem. El 5.2% de los pacientes se descartaron, esto sucede cuando se identifican que se trata de micobacterias no tuberculosas. La perdida de seguimiento en los ultimos 7 años para el distrito corresponde al 7.3%. En el 3% corresponde a no evaluados, esto se da porque no fue posible identificar si el paciente logró terminar su tratamiento de manera exitosa, por lo general corresponde a pacientes que residen fuera de Bogotá y no se obtiene realimentación del ente territorial. En menor proporción se encuentran los fracasos terapeuticos 0.6% y exclusiones por resistencias a medicamentos de primera linea para TB 0.92%.
df$CONDICION_EGRESO<- str_replace(df$CONDICION_EGRESO, "EXCLUIDO DE LA COHORTE POR RR","EXCLUIDO RR")
df$CONDICION_EGRESO<- str_replace(df$CONDICION_EGRESO, "FALLECIDO DURANTE EL TRATAMIENTO","FALLECIDO")
df$CONDICION_EGRESO<- str_replace(df$CONDICION_EGRESO, "TRATAMIENTO TERMINADO","TTO TERMINADO")
df$CONDICION_EGRESO<- str_replace(df$CONDICION_EGRESO, "PERDIDA EN EL SEGUIMIENTO","PERDIDA")
tabla15=table(df$CONDICION_EGRESO)
tabla15##
## CURADO DESCARTADO EXCLUIDO RR FALLECIDO FRACASO
## 1422 526 93 2172 61
## NO EVALUADO PERDIDA TTO TERMINADO
## 309 738 4781prop.table(tabla15)*100##
## CURADO DESCARTADO EXCLUIDO RR FALLECIDO FRACASO
## 14.0764205 5.2068897 0.9206098 21.5006929 0.6038408
## NO EVALUADO PERDIDA TTO TERMINADO
## 3.0588002 7.3054841 47.3272619Se encuentra que el 19.7% de los pacientes presentan coinfección con VIH, mientras que en el 74.7% no presentan coinfección y en el 5.6 es desconocido, esto puede deberse a que el paciente fallece o no accede a realizarse las pruebas colaborativas entre TB y VIH.
coinfeccion <- subset(df, df$CONDICION_VIH == "POSITIVO")
tabla16=table(df$CONDICION_VIH)
tabla16##
## DESCONOCIDO NEGATIVO POSITIVO
## 561 7545 1996prop.table(tabla16)*100##
## DESCONOCIDO NEGATIVO POSITIVO
## 5.553356 74.688181 19.758464De los pacientes con coinfección se encuentra que el 77% esta recibiendo terapia antiretroviral, el 21.7 no la recibe y en el 1.1% no se cuenta con esta información.
coinfeccion$RECIBE_TAR <- toupper(coinfeccion$RECIBE_TAR)
tabla17=table(coinfeccion$RECIBE_TAR)
tabla17##
## NO SD SI
## 420 86 1490prop.table(tabla17)*100##
## NO SD SI
## 21.042084 4.308617 74.649299En cuanto a las comorbilidades de los pacientes que ingresaron al programa de TB en los ultimos 7 años, se encuentra que:
Hay 33 personas que refieren alcoholismo lo que corresponde al 0.3%. Hay 562 personas que presentan cancer lo que corresponde al 5.6%. Hay 22 personas reportadas con antecedente de enfermedades cardiovasculares lo que corresponde al 0.2%. Hay 124 personas reportadas como consumidoras de SPA lo que corresponde al 1.2%. Hay 100 personas cursando con COVID-19 de forma simultánea, lo que corresponde al 0.99%. Hay 1760 personas reportadas con Desnutrición lo que corresponde al 17.4%. Hay 906 personas reportadas con Diabetes, lo que corresponde al 9%. Hay 11 personas reportadas con enfermedades mentales (no se incluye adicciones), lo que corresponde al 0.11%. Hay 255 personas reportadas con enfermedades autoinmunes, lo que corresponde al 2.5%. Hay 162 personas reportadas con enfermedad hepatica, lo que corresponde al 1.6%. Hay 883 personas reportadas con enfermedad renal, lo que corresponde al 8.7%. Hay 1082 personas reportadas con Enfermedad Pulmonar Obstructiva Cronica (EPOC), lo que corresponde al 10.7%. Hay 137 personas cursando con silicosis, lo que corresponde al 0.99%. Hay 79 personas cursando con tabaquismo, lo que corresponde al 0.80%. Se encuentran 1087 personas con hipotiroidismo, lo que corresponde al 10.76% Se encuentran 1074 personas con otras comorbilidades reportadas, lo que corresponde al 10.63%
#tabla30=table(df$Hipotiroidismo)
#tabla30
#prop.table(tabla30)*100c13=ggplot(df,aes(x=Alcoholismo)) + geom_bar() + theme_gray()
c14=ggplot(df,aes(x=Cancer)) + geom_bar() + theme_gray()
c15=ggplot(df,aes(x=Cardiovascular)) + geom_bar() + theme_gray()
ggarrange(c13,c14,c15, labels = c("M", "N", "O"), ncol = 3, nrow = 1)
c16=ggplot(df,aes(x=Consumidor_SPA)) + geom_bar() + theme_gray()
c17=ggplot(df,aes(x=`Covid-19`)) + geom_bar() + theme_gray()
c18=ggplot(df,aes(x=Desnutricion)) + geom_bar() + theme_gray()
ggarrange(c16,c17,c18, labels = c("P", "Q", "R"), ncol = 3, nrow = 1)
c19=ggplot(df,aes(x=Diabetes)) + geom_bar() + theme_gray()
c20=ggplot(df,aes(x=Enf_Mental)) + geom_bar() + theme_gray()
c21=ggplot(df,aes(x=Enf_Autoinmune)) + geom_bar() + theme_gray()
ggarrange(c19,c20,c21, labels = c("S", "T", "U"), ncol = 3, nrow = 1)
c22=ggplot(df,aes(x=Enf_Hepatica)) + geom_bar() + theme_gray()
c23=ggplot(df,aes(x=Enf_Renal)) + geom_bar() + theme_gray()
c24=ggplot(df,aes(x=EPOC)) + geom_bar() + theme_gray()
ggarrange(c22,c23,c24, labels = c("V", "W", "X"), ncol = 3, nrow = 1)
c25=ggplot(df,aes(x=Hipotiroidismo)) + geom_bar() + theme_gray()
c26=ggplot(df,aes(x=Otra_Enf)) + geom_bar() + theme_gray()
c27=ggplot(df,aes(x=Silicosis)) + geom_bar() + theme_gray()
ggarrange(c25, c26, c27, labels = c("Y", "Z", "AA"), ncol = 3, nrow = 1)
c28=ggplot(df,aes(x=Tabaquismo)) + geom_bar() + theme_gray()
ggarrange(c28, labels = c("AB"), ncol = 1, nrow = 1)
En cuanto a la modalidad de tratamiento, esta variable se comenzó a diligenciar por parte del programa de TB desde el año 2020 (año pandemico dadas las dinamicas que esto generó a la atención de pacientes desde el sistema de salud); por esta razón el 55% de los registros no cuenta con esta información. No obstante, para los ultimos dos años el TDO en IPS representa el 34% de las modalidades tratamiento seguido del TDO hospitalario 7.8% y TDO virtual 1.33%
df$MODALIDAD_TDO<- str_replace(df$MODALIDAD_TDO, "TDO VIRTUAL","VIRTUAL")
df$MODALIDAD_TDO<- str_replace(df$MODALIDAD_TDO, "TDO COMUNITARIO","COMUNITARIO")
df$MODALIDAD_TDO<- str_replace(df$MODALIDAD_TDO, "TDO DOMICILIARIO","DOMICILIARIO")
df$MODALIDAD_TDO<- str_replace(df$MODALIDAD_TDO, "TDO EN IPS","IPS")
df$MODALIDAD_TDO<- str_replace(df$MODALIDAD_TDO, "TDO HOSPITALARIO","HOSPITALARIO")
df$MODALIDAD_TDO <- toupper(df$MODALIDAD_TDO)tabla18=table(df$MODALIDAD_TDO)
tabla18##
## IPS NO EVALUADO TDO COMUNITARIO TDO DOMICILIARIO
## 68 5572 67 56
## TDO EN IPS TDO HOSPITALARIO TDO VIRTUAL
## 3413 791 135prop.table(tabla18)*100##
## IPS NO EVALUADO TDO COMUNITARIO TDO DOMICILIARIO
## 0.6731340 55.1573946 0.6632350 0.5543457
## TDO EN IPS TDO HOSPITALARIO TDO VIRTUAL
## 33.7853890 7.8301326 1.3363690En el 22.1% de los casos los pacientes no reciben ningun tipo de subsidio, seguido de no aplica a subsisdio 20.9%. De quienes si reciben algun tipo de apoyo el mas frecuente es el subsidio alimentario 0.92%, seguido d eotros subsidios 0.5%.
df$PROGRAMAS_PROTECC_SOCIAL<- str_replace(df$PROGRAMAS_PROTECC_SOCIAL, "Cuenta con varios subsidios de apoyo","Varios")
df$PROGRAMAS_PROTECC_SOCIAL<- str_replace(df$PROGRAMAS_PROTECC_SOCIAL, "Subsidio alimentario","Alimentario")
df$PROGRAMAS_PROTECC_SOCIAL<- str_replace(df$PROGRAMAS_PROTECC_SOCIAL, "Subsidio de transporte","Transporte")
df$PROGRAMAS_PROTECC_SOCIAL<- str_replace(df$PROGRAMAS_PROTECC_SOCIAL, "Subsidio educativo","Educativo")
df$PROGRAMAS_PROTECC_SOCIAL<- str_replace(df$PROGRAMAS_PROTECC_SOCIAL, "No aplica a subsidios","NA")
df$PROGRAMAS_PROTECC_SOCIAL<- str_replace(df$PROGRAMAS_PROTECC_SOCIAL, "No recibe ninguno","Ninguno")
df$PROGRAMAS_PROTECC_SOCIAL<- str_replace(df$PROGRAMAS_PROTECC_SOCIAL, "Subsidio de desempleo","Desempleo")
df$PROGRAMAS_PROTECC_SOCIAL<- str_replace(df$PROGRAMAS_PROTECC_SOCIAL, "Subsidio monetario","Monetario")#base_analisis_R$MODALIDAD_TDO <- toupper(base_analisis_R$MODALIDAD_TDO)
tabla19=table(df$PROGRAMAS_PROTECC_SOCIAL)
tabla19##
## Alimentario Desempleo Educativo
## 93 3 7
## Monetario NA Ninguno
## 25 2110 2238
## No evaluado Subsidio de vivienda Transporte
## 5543 30 2
## Varios
## 51prop.table(tabla19)*100##
## Alimentario Desempleo Educativo
## 0.92060978 0.02969709 0.06929321
## Monetario NA Ninguno
## 0.24747575 20.88695308 22.15402891
## No evaluado Subsidio de vivienda Transporte
## 54.87032271 0.29697090 0.01979806
## Varios
## 0.50485052En cuanto a las reacciones adversas al tratamiento tetraconjugado, se describen un total de 49, de las cuales las reacciones graves son las mas frecuentes con 0.41%, seguido de moderadas 0.39%. Lo que permite deducir que estos medicamentos son bastantes seguros ya que el 98.9% no reportó ningun tipo de reacción.
df$REACCIONES_ADVERSAS_TTO<- str_replace(df$REACCIONES_ADVERSAS_TTO, "Moderado","Moderada")
df$REACCIONES_ADVERSAS_TTO<- str_replace(df$REACCIONES_ADVERSAS_TTO, "leve","Leve")
tabla20=table(df$REACCIONES_ADVERSAS_TTO)
tabla20##
## Grave Leve Moderada Ninguna SD
## 19 12 18 4520 5533prop.table(tabla20)*100##
## Grave Leve Moderada Ninguna SD
## 0.1880816 0.1187884 0.1781825 44.7436151 54.7713324eL 98.9% de los pacientes diagnosticados se captaron a través de Busqueda Activa Institucional. El 0.92% por busqueda activa derivada del trabajador de la salud y en menor proporción se reporta durante el estudio de contactos 0.08% y remitido por el CNE 0.02%.
df$METODOLOGIA_CAPTACION<- str_replace(df$METODOLOGIA_CAPTACION, "Busqueda trabajador salud","BTS")
df$METODOLOGIA_CAPTACION<- str_replace(df$METODOLOGIA_CAPTACION, "Durante estudio de contactos","Contactos")
df$METODOLOGIA_CAPTACION<- str_replace(df$METODOLOGIA_CAPTACION, "Remitido por CNE","CNE")tabla21=table(df$METODOLOGIA_CAPTACION)
tabla21##
## BAI BTS. CNE Contactos SD
## 4512 42 1 4 5543prop.table(tabla21)*100##
## BAI BTS. CNE Contactos SD
## 44.66442289 0.41575926 0.00989903 0.03959612 54.87032271##ANALISIS BIVARIADO
Se realiza cruce con la variable objetivo y las variables de la base de datos con el fin de identificar posibles relaciones entre ellas.
t1 <- table1::table1(~INGRESO_TTO + SEXO + EDAD + REGIMEN_AFILIACION + TIPO_TB + CONDICION_INGRESO + CONDICION_VIH + RESULTADO_BK_RECOD + RESULTADO_CULTIVO_RECOD + RESULTADO_PRUEBA_MOL_RECOD + PRUEBA_SUSCEPTIBILIDAD_FARMACOS + FARMACORRESISTENCIA + Alcoholismo + Cancer + Cardiovascular + Consumidor_SPA + Desnutricion + Diabetes + Enf_Mental + Enf_Autoinmune + Enf_Hepatica + Enf_Renal + EPOC + Silicosis + Tabaquismo + Hipotiroidismo + Otra_Enf + MODALIDAD_TDO + PROGRAMAS_PROTECC_SOCIAL + REACCIONES_ADVERSAS_TTO + METODOLOGIA_CAPTACION +PERTENENCIA_ETNICA + gp_discapa + gp_desplaz + gp_migrant + gp_carcela + gp_gestan + gp_indigen + gp_pobicbf + gp_psiquia + gp_vic_vio + trabajador_salud + gp_otros + LOC_RES + LOC_DX + LOCALIZACION_EXTRA | CONDICION_EGRESO, data = df )
t1| CURADO (N=1422) |
DESCARTADO (N=526) |
EXCLUIDO RR (N=93) |
FALLECIDO (N=2172) |
FRACASO (N=61) |
NO EVALUADO (N=309) |
PERDIDA (N=738) |
TTO TERMINADO (N=4781) |
Overall (N=10102) |
|
|---|---|---|---|---|---|---|---|---|---|
| INGRESO_TTO | |||||||||
| SI | 1422 (100%) | 464 (88.2%) | 90 (96.8%) | 1856 (85.5%) | 58 (95.1%) | 304 (98.4%) | 702 (95.1%) | 4773 (99.8%) | 9669 (95.7%) |
| NO | 0 (0%) | 62 (11.8%) | 3 (3.2%) | 316 (14.5%) | 3 (4.9%) | 5 (1.6%) | 36 (4.9%) | 8 (0.2%) | 433 (4.3%) |
| SEXO | |||||||||
| F | 572 (40.2%) | 176 (33.5%) | 30 (32.3%) | 603 (27.8%) | 20 (32.8%) | 73 (23.6%) | 200 (27.1%) | 1741 (36.4%) | 3415 (33.8%) |
| M | 850 (59.8%) | 350 (66.5%) | 63 (67.7%) | 1569 (72.2%) | 41 (67.2%) | 236 (76.4%) | 538 (72.9%) | 3040 (63.6%) | 6687 (66.2%) |
| EDAD | |||||||||
| Mean (SD) | 53.0 (21.4) | 47.2 (20.6) | 53.0 (22.7) | 57.5 (21.0) | 51.2 (21.1) | 44.7 (20.2) | 40.8 (18.0) | 48.3 (21.7) | 50.3 (21.6) |
| Median [Min, Max] | 56.0 [0, 97.0] | 45.0 [0, 94.0] | 56.0 [7.00, 100] | 61.0 [0, 109] | 51.0 [1.00, 90.0] | 40.0 [0, 99.0] | 36.0 [0, 91.0] | 47.0 [0, 98.0] | 50.0 [0, 109] |
| REGIMEN_AFILIACION | |||||||||
| C | 838 (58.9%) | 303 (57.6%) | 45 (48.4%) | 1077 (49.6%) | 31 (50.8%) | 130 (42.1%) | 224 (30.4%) | 2951 (61.7%) | 5599 (55.4%) |
| E | 75 (5.3%) | 16 (3.0%) | 3 (3.2%) | 79 (3.6%) | 2 (3.3%) | 26 (8.4%) | 28 (3.8%) | 287 (6.0%) | 516 (5.1%) |
| N | 55 (3.9%) | 29 (5.5%) | 4 (4.3%) | 174 (8.0%) | 5 (8.2%) | 41 (13.3%) | 134 (18.2%) | 227 (4.7%) | 669 (6.6%) |
| P | 73 (5.1%) | 10 (1.9%) | 0 (0%) | 35 (1.6%) | 2 (3.3%) | 8 (2.6%) | 7 (0.9%) | 95 (2.0%) | 230 (2.3%) |
| S | 381 (26.8%) | 168 (31.9%) | 41 (44.1%) | 807 (37.2%) | 21 (34.4%) | 104 (33.7%) | 345 (46.7%) | 1221 (25.5%) | 3088 (30.6%) |
| TIPO_TB | |||||||||
| EXTRAPULMONAR | 4 (0.3%) | 234 (44.5%) | 21 (22.6%) | 726 (33.4%) | 12 (19.7%) | 114 (36.9%) | 171 (23.2%) | 1880 (39.3%) | 3162 (31.3%) |
| PULMONAR | 1418 (99.7%) | 292 (55.5%) | 72 (77.4%) | 1446 (66.6%) | 49 (80.3%) | 195 (63.1%) | 567 (76.8%) | 2901 (60.7%) | 6940 (68.7%) |
| CONDICION_INGRESO | |||||||||
| NUEVO | 1356 (95.4%) | 505 (96.0%) | 68 (73.1%) | 2052 (94.5%) | 53 (86.9%) | 283 (91.6%) | 588 (79.7%) | 4532 (94.8%) | 9437 (93.4%) |
| OPT | 31 (2.2%) | 19 (3.6%) | 10 (10.8%) | 59 (2.7%) | 5 (8.2%) | 14 (4.5%) | 48 (6.5%) | 131 (2.7%) | 317 (3.1%) |
| RTF | 3 (0.2%) | 0 (0%) | 6 (6.5%) | 3 (0.1%) | 0 (0%) | 1 (0.3%) | 6 (0.8%) | 6 (0.1%) | 25 (0.2%) |
| RTPS | 22 (1.5%) | 1 (0.2%) | 6 (6.5%) | 32 (1.5%) | 0 (0%) | 10 (3.2%) | 82 (11.1%) | 61 (1.3%) | 214 (2.1%) |
| RTR | 10 (0.7%) | 1 (0.2%) | 3 (3.2%) | 25 (1.2%) | 3 (4.9%) | 1 (0.3%) | 14 (1.9%) | 51 (1.1%) | 108 (1.1%) |
| REMITIDO | 0 (0%) | 0 (0%) | 0 (0%) | 1 (0.0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 1 (0.0%) |
| CONDICION_VIH | |||||||||
| DESCONOCIDO | 30 (2.1%) | 51 (9.7%) | 5 (5.4%) | 266 (12.2%) | 0 (0%) | 21 (6.8%) | 54 (7.3%) | 134 (2.8%) | 561 (5.6%) |
| NEGATIVO | 1293 (90.9%) | 298 (56.7%) | 65 (69.9%) | 1296 (59.7%) | 52 (85.2%) | 211 (68.3%) | 445 (60.3%) | 3885 (81.3%) | 7545 (74.7%) |
| POSITIVO | 99 (7.0%) | 177 (33.7%) | 23 (24.7%) | 610 (28.1%) | 9 (14.8%) | 77 (24.9%) | 239 (32.4%) | 762 (15.9%) | 1996 (19.8%) |
| RESULTADO_BK_RECOD | |||||||||
| NEGATIVO | 517 (36.4%) | 378 (71.9%) | 45 (48.4%) | 1237 (57.0%) | 22 (36.1%) | 152 (49.2%) | 378 (51.2%) | 2722 (56.9%) | 5451 (54.0%) |
| NR | 74 (5.2%) | 94 (17.9%) | 3 (3.2%) | 325 (15.0%) | 6 (9.8%) | 45 (14.6%) | 64 (8.7%) | 799 (16.7%) | 1410 (14.0%) |
| POSITIVO | 828 (58.2%) | 39 (7.4%) | 45 (48.4%) | 582 (26.8%) | 31 (50.8%) | 93 (30.1%) | 289 (39.2%) | 1201 (25.1%) | 3108 (30.8%) |
| SD | 3 (0.2%) | 15 (2.9%) | 0 (0%) | 28 (1.3%) | 2 (3.3%) | 19 (6.1%) | 7 (0.9%) | 59 (1.2%) | 133 (1.3%) |
| RESULTADO_CULTIVO_RECOD | |||||||||
| NEGATIVO | 313 (22.0%) | 320 (60.8%) | 8 (8.6%) | 682 (31.4%) | 9 (14.8%) | 91 (29.4%) | 226 (30.6%) | 1436 (30.0%) | 3085 (30.5%) |
| NR | 249 (17.5%) | 94 (17.9%) | 17 (18.3%) | 517 (23.8%) | 6 (9.8%) | 71 (23.0%) | 134 (18.2%) | 1180 (24.7%) | 2268 (22.5%) |
| POSITIVO | 799 (56.2%) | 61 (11.6%) | 68 (73.1%) | 844 (38.9%) | 46 (75.4%) | 114 (36.9%) | 338 (45.8%) | 1902 (39.8%) | 4172 (41.3%) |
| SD | 61 (4.3%) | 51 (9.7%) | 0 (0%) | 129 (5.9%) | 0 (0%) | 33 (10.7%) | 40 (5.4%) | 263 (5.5%) | 577 (5.7%) |
| RESULTADO_PRUEBA_MOL_RECOD | |||||||||
| NEGATIVO | 74 (5.2%) | 311 (59.1%) | 3 (3.2%) | 335 (15.4%) | 4 (6.6%) | 54 (17.5%) | 92 (12.5%) | 652 (13.6%) | 1525 (15.1%) |
| NR | 4 (0.3%) | 0 (0%) | 0 (0%) | 17 (0.8%) | 0 (0%) | 0 (0%) | 3 (0.4%) | 21 (0.4%) | 45 (0.4%) |
| POSITIVO | 747 (52.5%) | 43 (8.2%) | 60 (64.5%) | 962 (44.3%) | 56 (91.8%) | 141 (45.6%) | 379 (51.4%) | 2183 (45.7%) | 4571 (45.2%) |
| SD | 597 (42.0%) | 171 (32.5%) | 30 (32.3%) | 856 (39.4%) | 1 (1.6%) | 114 (36.9%) | 264 (35.8%) | 1924 (40.2%) | 3957 (39.2%) |
| NI | 0 (0%) | 1 (0.2%) | 0 (0%) | 2 (0.1%) | 0 (0%) | 0 (0%) | 0 (0%) | 1 (0.0%) | 4 (0.0%) |
| PRUEBA_SUSCEPTIBILIDAD_FARMACOS | |||||||||
| BACTEC MGIT | 48 (3.4%) | 0 (0%) | 24 (25.8%) | 39 (1.8%) | 4 (6.6%) | 10 (3.2%) | 13 (1.8%) | 133 (2.8%) | 271 (2.7%) |
| LIPA | 189 (13.3%) | 3 (0.6%) | 29 (31.2%) | 209 (9.6%) | 7 (11.5%) | 13 (4.2%) | 99 (13.4%) | 422 (8.8%) | 971 (9.6%) |
| NR | 670 (47.1%) | 361 (68.6%) | 8 (8.6%) | 1160 (53.4%) | 1 (1.6%) | 154 (49.8%) | 321 (43.5%) | 2560 (53.5%) | 5235 (51.8%) |
| PCR-TR | 515 (36.2%) | 162 (30.8%) | 32 (34.4%) | 764 (35.2%) | 49 (80.3%) | 132 (42.7%) | 305 (41.3%) | 1666 (34.8%) | 3625 (35.9%) |
| FARMACORRESISTENCIA | |||||||||
| Isoniacida | 2 (0.1%) | 0 (0%) | 47 (50.5%) | 7 (0.3%) | 25 (41.0%) | 0 (0%) | 1 (0.1%) | 6 (0.1%) | 88 (0.9%) |
| Monoresistencia | 2 (0.1%) | 0 (0%) | 1 (1.1%) | 0 (0%) | 0 (0%) | 0 (0%) | 1 (0.1%) | 1 (0.0%) | 5 (0.0%) |
| Ninguna | 778 (54.7%) | 165 (31.4%) | 4 (4.3%) | 1040 (47.9%) | 8 (13.1%) | 167 (54.0%) | 421 (57.0%) | 2315 (48.4%) | 4898 (48.5%) |
| NR | 639 (44.9%) | 361 (68.6%) | 0 (0%) | 1121 (51.6%) | 1 (1.6%) | 142 (46.0%) | 313 (42.4%) | 2459 (51.4%) | 5036 (49.9%) |
| RR | 1 (0.1%) | 0 (0%) | 26 (28.0%) | 3 (0.1%) | 22 (36.1%) | 0 (0%) | 2 (0.3%) | 0 (0%) | 54 (0.5%) |
| MDR | 0 (0%) | 0 (0%) | 14 (15.1%) | 1 (0.0%) | 5 (8.2%) | 0 (0%) | 0 (0%) | 0 (0%) | 20 (0.2%) |
| Poliresistente | 0 (0%) | 0 (0%) | 1 (1.1%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 1 (0.0%) |
| Alcoholismo | |||||||||
| NO | 1417 (99.6%) | 521 (99.0%) | 92 (98.9%) | 2165 (99.7%) | 61 (100%) | 309 (100%) | 734 (99.5%) | 4770 (99.8%) | 10069 (99.7%) |
| SI | 5 (0.4%) | 5 (1.0%) | 1 (1.1%) | 7 (0.3%) | 0 (0%) | 0 (0%) | 4 (0.5%) | 11 (0.2%) | 33 (0.3%) |
| Cancer | |||||||||
| NO | 1373 (96.6%) | 473 (89.9%) | 92 (98.9%) | 2006 (92.4%) | 58 (95.1%) | 291 (94.2%) | 710 (96.2%) | 4537 (94.9%) | 9540 (94.4%) |
| SI | 49 (3.4%) | 53 (10.1%) | 1 (1.1%) | 166 (7.6%) | 3 (4.9%) | 18 (5.8%) | 28 (3.8%) | 244 (5.1%) | 562 (5.6%) |
| Cardiovascular | |||||||||
| NO | 1415 (99.5%) | 526 (100%) | 91 (97.8%) | 2167 (99.8%) | 61 (100%) | 309 (100%) | 738 (100%) | 4773 (99.8%) | 10080 (99.8%) |
| SI | 7 (0.5%) | 0 (0%) | 2 (2.2%) | 5 (0.2%) | 0 (0%) | 0 (0%) | 0 (0%) | 8 (0.2%) | 22 (0.2%) |
| Consumidor_SPA | |||||||||
| NO | 1415 (99.5%) | 518 (98.5%) | 90 (96.8%) | 2146 (98.8%) | 60 (98.4%) | 304 (98.4%) | 689 (93.4%) | 4756 (99.5%) | 9978 (98.8%) |
| SI | 7 (0.5%) | 8 (1.5%) | 3 (3.2%) | 26 (1.2%) | 1 (1.6%) | 5 (1.6%) | 49 (6.6%) | 25 (0.5%) | 124 (1.2%) |
| Desnutricion | |||||||||
| NO | 1249 (87.8%) | 396 (75.3%) | 83 (89.2%) | 1689 (77.8%) | 47 (77.0%) | 256 (82.8%) | 576 (78.0%) | 4046 (84.6%) | 8342 (82.6%) |
| SI | 173 (12.2%) | 130 (24.7%) | 10 (10.8%) | 483 (22.2%) | 14 (23.0%) | 53 (17.2%) | 162 (22.0%) | 735 (15.4%) | 1760 (17.4%) |
| Diabetes | |||||||||
| NO | 1283 (90.2%) | 480 (91.3%) | 88 (94.6%) | 1939 (89.3%) | 53 (86.9%) | 288 (93.2%) | 698 (94.6%) | 4367 (91.3%) | 9196 (91.0%) |
| SI | 139 (9.8%) | 46 (8.7%) | 5 (5.4%) | 233 (10.7%) | 8 (13.1%) | 21 (6.8%) | 40 (5.4%) | 414 (8.7%) | 906 (9.0%) |
| Enf_Mental | |||||||||
| NO | 1422 (100%) | 526 (100%) | 93 (100%) | 2168 (99.8%) | 61 (100%) | 309 (100%) | 734 (99.5%) | 4778 (99.9%) | 10091 (99.9%) |
| SI | 0 (0%) | 0 (0%) | 0 (0%) | 4 (0.2%) | 0 (0%) | 0 (0%) | 4 (0.5%) | 3 (0.1%) | 11 (0.1%) |
| Enf_Autoinmune | |||||||||
| NO | 1408 (99.0%) | 501 (95.2%) | 92 (98.9%) | 2113 (97.3%) | 61 (100%) | 299 (96.8%) | 723 (98.0%) | 4650 (97.3%) | 9847 (97.5%) |
| SI | 14 (1.0%) | 25 (4.8%) | 1 (1.1%) | 59 (2.7%) | 0 (0%) | 10 (3.2%) | 15 (2.0%) | 131 (2.7%) | 255 (2.5%) |
| Enf_Hepatica | |||||||||
| NO | 1407 (98.9%) | 515 (97.9%) | 92 (98.9%) | 2110 (97.1%) | 61 (100%) | 306 (99.0%) | 728 (98.6%) | 4721 (98.7%) | 9940 (98.4%) |
| SI | 15 (1.1%) | 11 (2.1%) | 1 (1.1%) | 62 (2.9%) | 0 (0%) | 3 (1.0%) | 10 (1.4%) | 60 (1.3%) | 162 (1.6%) |
| Enf_Renal | |||||||||
| NO | 1326 (93.2%) | 482 (91.6%) | 89 (95.7%) | 1935 (89.1%) | 53 (86.9%) | 289 (93.5%) | 707 (95.8%) | 4405 (92.1%) | 9286 (91.9%) |
| SI | 96 (6.8%) | 44 (8.4%) | 4 (4.3%) | 237 (10.9%) | 8 (13.1%) | 20 (6.5%) | 31 (4.2%) | 376 (7.9%) | 816 (8.1%) |
| EPOC | |||||||||
| NO | 1294 (91.0%) | 460 (87.5%) | 88 (94.6%) | 1855 (85.4%) | 50 (82.0%) | 280 (90.6%) | 692 (93.8%) | 4301 (90.0%) | 9020 (89.3%) |
| SI | 128 (9.0%) | 66 (12.5%) | 5 (5.4%) | 317 (14.6%) | 11 (18.0%) | 29 (9.4%) | 46 (6.2%) | 480 (10.0%) | 1082 (10.7%) |
| Silicosis | |||||||||
| NO | 1398 (98.3%) | 519 (98.7%) | 93 (100%) | 2147 (98.8%) | 60 (98.4%) | 302 (97.7%) | 731 (99.1%) | 4715 (98.6%) | 9965 (98.6%) |
| SI | 24 (1.7%) | 7 (1.3%) | 0 (0%) | 25 (1.2%) | 1 (1.6%) | 7 (2.3%) | 7 (0.9%) | 66 (1.4%) | 137 (1.4%) |
| Tabaquismo | |||||||||
| NO | 1418 (99.7%) | 515 (97.9%) | 92 (98.9%) | 2159 (99.4%) | 60 (98.4%) | 305 (98.7%) | 726 (98.4%) | 4748 (99.3%) | 10023 (99.2%) |
| SI | 4 (0.3%) | 11 (2.1%) | 1 (1.1%) | 13 (0.6%) | 1 (1.6%) | 4 (1.3%) | 12 (1.6%) | 33 (0.7%) | 79 (0.8%) |
| Hipotiroidismo | |||||||||
| NO | 1270 (89.3%) | 459 (87.3%) | 88 (94.6%) | 1901 (87.5%) | 50 (82.0%) | 273 (88.3%) | 667 (90.4%) | 4307 (90.1%) | 9015 (89.2%) |
| SI | 152 (10.7%) | 67 (12.7%) | 5 (5.4%) | 271 (12.5%) | 11 (18.0%) | 36 (11.7%) | 71 (9.6%) | 474 (9.9%) | 1087 (10.8%) |
| Otra_Enf | |||||||||
| NO | 1292 (90.9%) | 508 (96.6%) | 68 (73.1%) | 1853 (85.3%) | 61 (100%) | 283 (91.6%) | 658 (89.2%) | 4305 (90.0%) | 9028 (89.4%) |
| SI | 130 (9.1%) | 18 (3.4%) | 25 (26.9%) | 319 (14.7%) | 0 (0%) | 26 (8.4%) | 80 (10.8%) | 476 (10.0%) | 1074 (10.6%) |
| MODALIDAD_TDO | |||||||||
| IPS | 19 (1.3%) | 6 (1.1%) | 0 (0%) | 4 (0.2%) | 0 (0%) | 3 (1.0%) | 3 (0.4%) | 33 (0.7%) | 68 (0.7%) |
| NO EVALUADO | 883 (62.1%) | 120 (22.8%) | 92 (98.9%) | 1250 (57.6%) | 2 (3.3%) | 120 (38.8%) | 396 (53.7%) | 2709 (56.7%) | 5572 (55.2%) |
| TDO COMUNITARIO | 7 (0.5%) | 1 (0.2%) | 0 (0%) | 4 (0.2%) | 0 (0%) | 2 (0.6%) | 6 (0.8%) | 47 (1.0%) | 67 (0.7%) |
| TDO DOMICILIARIO | 7 (0.5%) | 4 (0.8%) | 0 (0%) | 8 (0.4%) | 1 (1.6%) | 2 (0.6%) | 3 (0.4%) | 31 (0.6%) | 56 (0.6%) |
| TDO EN IPS | 457 (32.1%) | 246 (46.8%) | 1 (1.1%) | 494 (22.7%) | 37 (60.7%) | 128 (41.4%) | 271 (36.7%) | 1779 (37.2%) | 3413 (33.8%) |
| TDO HOSPITALARIO | 24 (1.7%) | 142 (27.0%) | 0 (0%) | 406 (18.7%) | 19 (31.1%) | 47 (15.2%) | 51 (6.9%) | 102 (2.1%) | 791 (7.8%) |
| TDO VIRTUAL | 25 (1.8%) | 7 (1.3%) | 0 (0%) | 6 (0.3%) | 2 (3.3%) | 7 (2.3%) | 8 (1.1%) | 80 (1.7%) | 135 (1.3%) |
| PROGRAMAS_PROTECC_SOCIAL | |||||||||
| Alimentario | 21 (1.5%) | 1 (0.2%) | 0 (0%) | 6 (0.3%) | 2 (3.3%) | 1 (0.3%) | 14 (1.9%) | 48 (1.0%) | 93 (0.9%) |
| Educativo | 1 (0.1%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 6 (0.1%) | 7 (0.1%) |
| Monetario | 2 (0.1%) | 3 (0.6%) | 0 (0%) | 0 (0%) | 0 (0%) | 1 (0.3%) | 2 (0.3%) | 17 (0.4%) | 25 (0.2%) |
| NA | 301 (21.2%) | 192 (36.5%) | 1 (1.1%) | 435 (20.0%) | 35 (57.4%) | 95 (30.7%) | 145 (19.6%) | 906 (19.0%) | 2110 (20.9%) |
| Ninguno | 203 (14.3%) | 220 (41.8%) | 0 (0%) | 485 (22.3%) | 19 (31.1%) | 87 (28.2%) | 173 (23.4%) | 1051 (22.0%) | 2238 (22.2%) |
| No evaluado | 883 (62.1%) | 109 (20.7%) | 92 (98.9%) | 1239 (57.0%) | 2 (3.3%) | 118 (38.2%) | 391 (53.0%) | 2709 (56.7%) | 5543 (54.9%) |
| Subsidio de vivienda | 4 (0.3%) | 0 (0%) | 0 (0%) | 2 (0.1%) | 1 (1.6%) | 1 (0.3%) | 4 (0.5%) | 18 (0.4%) | 30 (0.3%) |
| Varios | 7 (0.5%) | 1 (0.2%) | 0 (0%) | 5 (0.2%) | 2 (3.3%) | 6 (1.9%) | 9 (1.2%) | 21 (0.4%) | 51 (0.5%) |
| Desempleo | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 3 (0.1%) | 3 (0.0%) |
| Transporte | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 2 (0.0%) | 2 (0.0%) |
| REACCIONES_ADVERSAS_TTO | |||||||||
| Grave | 2 (0.1%) | 2 (0.4%) | 0 (0%) | 5 (0.2%) | 0 (0%) | 1 (0.3%) | 3 (0.4%) | 6 (0.1%) | 19 (0.2%) |
| Leve | 2 (0.1%) | 0 (0%) | 0 (0%) | 2 (0.1%) | 0 (0%) | 0 (0%) | 1 (0.1%) | 7 (0.1%) | 12 (0.1%) |
| Ninguna | 535 (37.6%) | 414 (78.7%) | 1 (1.1%) | 927 (42.7%) | 59 (96.7%) | 190 (61.5%) | 341 (46.2%) | 2053 (42.9%) | 4520 (44.7%) |
| SD | 883 (62.1%) | 109 (20.7%) | 92 (98.9%) | 1235 (56.9%) | 2 (3.3%) | 118 (38.2%) | 389 (52.7%) | 2705 (56.6%) | 5533 (54.8%) |
| Moderada | 0 (0%) | 1 (0.2%) | 0 (0%) | 3 (0.1%) | 0 (0%) | 0 (0%) | 4 (0.5%) | 10 (0.2%) | 18 (0.2%) |
| METODOLOGIA_CAPTACION | |||||||||
| BAI | 537 (37.8%) | 411 (78.1%) | 1 (1.1%) | 924 (42.5%) | 59 (96.7%) | 191 (61.8%) | 346 (46.9%) | 2043 (42.7%) | 4512 (44.7%) |
| BTS. | 2 (0.1%) | 5 (1.0%) | 0 (0%) | 8 (0.4%) | 0 (0%) | 0 (0%) | 1 (0.1%) | 26 (0.5%) | 42 (0.4%) |
| SD | 883 (62.1%) | 109 (20.7%) | 92 (98.9%) | 1239 (57.0%) | 2 (3.3%) | 118 (38.2%) | 391 (53.0%) | 2709 (56.7%) | 5543 (54.9%) |
| Contactos | 0 (0%) | 1 (0.2%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 3 (0.1%) | 4 (0.0%) |
| CNE | 0 (0%) | 0 (0%) | 0 (0%) | 1 (0.0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 1 (0.0%) |
| PERTENENCIA_ETNICA | |||||||||
| INDIGENA | 13 (0.9%) | 2 (0.4%) | 1 (1.1%) | 36 (1.7%) | 1 (1.6%) | 13 (4.2%) | 22 (3.0%) | 65 (1.4%) | 153 (1.5%) |
| NEGRO, MULATO, AFROCOLOMBIANO | 8 (0.6%) | 2 (0.4%) | 3 (3.2%) | 13 (0.6%) | 1 (1.6%) | 5 (1.6%) | 12 (1.6%) | 38 (0.8%) | 82 (0.8%) |
| OTRO | 1400 (98.5%) | 520 (98.9%) | 89 (95.7%) | 2120 (97.6%) | 59 (96.7%) | 291 (94.2%) | 702 (95.1%) | 4665 (97.6%) | 9846 (97.5%) |
| ROOM (GITANO) | 1 (0.1%) | 1 (0.2%) | 0 (0%) | 2 (0.1%) | 0 (0%) | 0 (0%) | 1 (0.1%) | 8 (0.2%) | 13 (0.1%) |
| RAIZAL | 0 (0%) | 1 (0.2%) | 0 (0%) | 1 (0.0%) | 0 (0%) | 0 (0%) | 1 (0.1%) | 4 (0.1%) | 7 (0.1%) |
| PALENQUERO | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 1 (0.0%) | 1 (0.0%) |
| gp_discapa | |||||||||
| NO | 1407 (98.9%) | 518 (98.5%) | 91 (97.8%) | 2133 (98.2%) | 61 (100%) | 305 (98.7%) | 733 (99.3%) | 4719 (98.7%) | 9967 (98.7%) |
| SI | 15 (1.1%) | 8 (1.5%) | 2 (2.2%) | 39 (1.8%) | 0 (0%) | 4 (1.3%) | 5 (0.7%) | 62 (1.3%) | 135 (1.3%) |
| gp_desplaz | |||||||||
| NO | 1409 (99.1%) | 525 (99.8%) | 91 (97.8%) | 2160 (99.4%) | 60 (98.4%) | 303 (98.1%) | 722 (97.8%) | 4753 (99.4%) | 10023 (99.2%) |
| SI | 13 (0.9%) | 1 (0.2%) | 2 (2.2%) | 12 (0.6%) | 1 (1.6%) | 6 (1.9%) | 16 (2.2%) | 28 (0.6%) | 79 (0.8%) |
| gp_migrant | |||||||||
| NO | 1366 (96.1%) | 489 (93.0%) | 91 (97.8%) | 2065 (95.1%) | 56 (91.8%) | 266 (86.1%) | 663 (89.8%) | 4583 (95.9%) | 9579 (94.8%) |
| SI | 56 (3.9%) | 37 (7.0%) | 2 (2.2%) | 107 (4.9%) | 5 (8.2%) | 43 (13.9%) | 75 (10.2%) | 198 (4.1%) | 523 (5.2%) |
| gp_carcela | |||||||||
| NO | 1321 (92.9%) | 519 (98.7%) | 92 (98.9%) | 2144 (98.7%) | 59 (96.7%) | 300 (97.1%) | 706 (95.7%) | 4622 (96.7%) | 9763 (96.6%) |
| SI | 101 (7.1%) | 7 (1.3%) | 1 (1.1%) | 28 (1.3%) | 2 (3.3%) | 9 (2.9%) | 32 (4.3%) | 159 (3.3%) | 339 (3.4%) |
| gp_gestan | |||||||||
| NO | 1417 (99.6%) | 526 (100%) | 93 (100%) | 2170 (99.9%) | 61 (100%) | 307 (99.4%) | 734 (99.5%) | 4774 (99.9%) | 10082 (99.8%) |
| SI | 5 (0.4%) | 0 (0%) | 0 (0%) | 2 (0.1%) | 0 (0%) | 2 (0.6%) | 4 (0.5%) | 7 (0.1%) | 20 (0.2%) |
| gp_indigen | |||||||||
| NO | 1374 (96.6%) | 512 (97.3%) | 80 (86.0%) | 2038 (93.8%) | 56 (91.8%) | 302 (97.7%) | 534 (72.4%) | 4665 (97.6%) | 9561 (94.6%) |
| SI | 48 (3.4%) | 14 (2.7%) | 13 (14.0%) | 134 (6.2%) | 5 (8.2%) | 7 (2.3%) | 204 (27.6%) | 116 (2.4%) | 541 (5.4%) |
| gp_pobicbf | |||||||||
| NO | 1420 (99.9%) | 525 (99.8%) | 93 (100%) | 2170 (99.9%) | 61 (100%) | 309 (100%) | 736 (99.7%) | 4774 (99.9%) | 10088 (99.9%) |
| SI | 2 (0.1%) | 1 (0.2%) | 0 (0%) | 2 (0.1%) | 0 (0%) | 0 (0%) | 2 (0.3%) | 7 (0.1%) | 14 (0.1%) |
| gp_psiquia | |||||||||
| NO | 1422 (100%) | 526 (100%) | 93 (100%) | 2168 (99.8%) | 61 (100%) | 309 (100%) | 734 (99.5%) | 4778 (99.9%) | 10091 (99.9%) |
| SI | 0 (0%) | 0 (0%) | 0 (0%) | 4 (0.2%) | 0 (0%) | 0 (0%) | 4 (0.5%) | 3 (0.1%) | 11 (0.1%) |
| gp_vic_vio | |||||||||
| NO | 1421 (99.9%) | 526 (100%) | 93 (100%) | 2169 (99.9%) | 61 (100%) | 308 (99.7%) | 734 (99.5%) | 4774 (99.9%) | 10086 (99.8%) |
| SI | 1 (0.1%) | 0 (0%) | 0 (0%) | 3 (0.1%) | 0 (0%) | 1 (0.3%) | 4 (0.5%) | 7 (0.1%) | 16 (0.2%) |
| trabajador_salud | |||||||||
| NO | 1397 (98.2%) | 515 (97.9%) | 88 (94.6%) | 2163 (99.6%) | 59 (96.7%) | 306 (99.0%) | 730 (98.9%) | 4640 (97.1%) | 9898 (98.0%) |
| SI | 25 (1.8%) | 11 (2.1%) | 5 (5.4%) | 9 (0.4%) | 2 (3.3%) | 3 (1.0%) | 8 (1.1%) | 141 (2.9%) | 204 (2.0%) |
| gp_otros | |||||||||
| NO | 176 (12.4%) | 50 (9.5%) | 9 (9.7%) | 234 (10.8%) | 10 (16.4%) | 52 (16.8%) | 247 (33.5%) | 433 (9.1%) | 1211 (12.0%) |
| SI | 1246 (87.6%) | 476 (90.5%) | 84 (90.3%) | 1938 (89.2%) | 51 (83.6%) | 257 (83.2%) | 491 (66.5%) | 4348 (90.9%) | 8891 (88.0%) |
| LOC_RES | |||||||||
| 1 | 48 (3.4%) | 29 (5.5%) | 7 (7.5%) | 61 (2.8%) | 2 (3.3%) | 14 (4.5%) | 17 (2.3%) | 217 (4.5%) | 395 (3.9%) |
| 10 | 113 (7.9%) | 38 (7.2%) | 11 (11.8%) | 138 (6.4%) | 3 (4.9%) | 19 (6.1%) | 55 (7.5%) | 359 (7.5%) | 736 (7.3%) |
| 11 | 155 (10.9%) | 64 (12.2%) | 3 (3.2%) | 194 (8.9%) | 6 (9.8%) | 27 (8.7%) | 54 (7.3%) | 487 (10.2%) | 990 (9.8%) |
| 12 | 29 (2.0%) | 15 (2.9%) | 1 (1.1%) | 29 (1.3%) | 0 (0%) | 7 (2.3%) | 10 (1.4%) | 81 (1.7%) | 172 (1.7%) |
| 13 | 10 (0.7%) | 5 (1.0%) | 1 (1.1%) | 32 (1.5%) | 2 (3.3%) | 4 (1.3%) | 6 (0.8%) | 73 (1.5%) | 133 (1.3%) |
| 14 | 32 (2.3%) | 6 (1.1%) | 5 (5.4%) | 55 (2.5%) | 4 (6.6%) | 6 (1.9%) | 44 (6.0%) | 100 (2.1%) | 252 (2.5%) |
| 15 | 8 (0.6%) | 9 (1.7%) | 2 (2.2%) | 42 (1.9%) | 0 (0%) | 2 (0.6%) | 24 (3.3%) | 62 (1.3%) | 149 (1.5%) |
| 16 | 96 (6.8%) | 14 (2.7%) | 3 (3.2%) | 70 (3.2%) | 1 (1.6%) | 6 (1.9%) | 28 (3.8%) | 143 (3.0%) | 361 (3.6%) |
| 17 | 6 (0.4%) | 1 (0.2%) | 2 (2.2%) | 12 (0.6%) | 0 (0%) | 1 (0.3%) | 4 (0.5%) | 14 (0.3%) | 40 (0.4%) |
| 18 | 129 (9.1%) | 14 (2.7%) | 7 (7.5%) | 115 (5.3%) | 2 (3.3%) | 7 (2.3%) | 39 (5.3%) | 347 (7.3%) | 660 (6.5%) |
| 19 | 80 (5.6%) | 35 (6.7%) | 7 (7.5%) | 141 (6.5%) | 2 (3.3%) | 10 (3.2%) | 71 (9.6%) | 321 (6.7%) | 667 (6.6%) |
| 2 | 17 (1.2%) | 9 (1.7%) | 2 (2.2%) | 31 (1.4%) | 0 (0%) | 4 (1.3%) | 14 (1.9%) | 61 (1.3%) | 138 (1.4%) |
| 3 | 39 (2.7%) | 9 (1.7%) | 5 (5.4%) | 59 (2.7%) | 0 (0%) | 13 (4.2%) | 45 (6.1%) | 118 (2.5%) | 288 (2.9%) |
| 4 | 59 (4.1%) | 25 (4.8%) | 6 (6.5%) | 119 (5.5%) | 1 (1.6%) | 8 (2.6%) | 25 (3.4%) | 250 (5.2%) | 493 (4.9%) |
| 5 | 36 (2.5%) | 14 (2.7%) | 2 (2.2%) | 90 (4.1%) | 0 (0%) | 2 (0.6%) | 20 (2.7%) | 171 (3.6%) | 335 (3.3%) |
| 6 | 18 (1.3%) | 8 (1.5%) | 0 (0%) | 55 (2.5%) | 0 (0%) | 2 (0.6%) | 19 (2.6%) | 102 (2.1%) | 204 (2.0%) |
| 7 | 118 (8.3%) | 30 (5.7%) | 3 (3.2%) | 93 (4.3%) | 4 (6.6%) | 7 (2.3%) | 36 (4.9%) | 286 (6.0%) | 577 (5.7%) |
| 8 | 164 (11.5%) | 53 (10.1%) | 5 (5.4%) | 171 (7.9%) | 6 (9.8%) | 20 (6.5%) | 59 (8.0%) | 426 (8.9%) | 904 (8.9%) |
| 9 | 84 (5.9%) | 20 (3.8%) | 3 (3.2%) | 48 (2.2%) | 3 (4.9%) | 7 (2.3%) | 10 (1.4%) | 145 (3.0%) | 320 (3.2%) |
| FDB | 152 (10.7%) | 111 (21.1%) | 13 (14.0%) | 509 (23.4%) | 19 (31.1%) | 131 (42.4%) | 82 (11.1%) | 925 (19.3%) | 1942 (19.2%) |
| Sin Dato | 29 (2.0%) | 17 (3.2%) | 5 (5.4%) | 105 (4.8%) | 6 (9.8%) | 12 (3.9%) | 75 (10.2%) | 93 (1.9%) | 342 (3.4%) |
| 20 | 0 (0%) | 0 (0%) | 0 (0%) | 3 (0.1%) | 0 (0%) | 0 (0%) | 1 (0.1%) | 0 (0%) | 4 (0.0%) |
| LOC_DX | |||||||||
| 1 | 105 (7.4%) | 121 (23.0%) | 8 (8.6%) | 225 (10.4%) | 12 (19.7%) | 42 (13.6%) | 68 (9.2%) | 630 (13.2%) | 1211 (12.0%) |
| 10 | 69 (4.9%) | 22 (4.2%) | 4 (4.3%) | 65 (3.0%) | 0 (0%) | 14 (4.5%) | 38 (5.1%) | 159 (3.3%) | 371 (3.7%) |
| 11 | 101 (7.1%) | 16 (3.0%) | 2 (2.2%) | 75 (3.5%) | 1 (1.6%) | 12 (3.9%) | 19 (2.6%) | 212 (4.4%) | 438 (4.3%) |
| 12 | 57 (4.0%) | 9 (1.7%) | 1 (1.1%) | 77 (3.5%) | 4 (6.6%) | 7 (2.3%) | 32 (4.3%) | 186 (3.9%) | 373 (3.7%) |
| 13 | 103 (7.2%) | 68 (12.9%) | 9 (9.7%) | 215 (9.9%) | 5 (8.2%) | 38 (12.3%) | 26 (3.5%) | 553 (11.6%) | 1017 (10.1%) |
| 14 | 117 (8.2%) | 48 (9.1%) | 9 (9.7%) | 302 (13.9%) | 4 (6.6%) | 34 (11.0%) | 74 (10.0%) | 555 (11.6%) | 1143 (11.3%) |
| 15 | 75 (5.3%) | 17 (3.2%) | 10 (10.8%) | 202 (9.3%) | 2 (3.3%) | 22 (7.1%) | 135 (18.3%) | 312 (6.5%) | 775 (7.7%) |
| 16 | 78 (5.5%) | 4 (0.8%) | 2 (2.2%) | 5 (0.2%) | 0 (0%) | 1 (0.3%) | 13 (1.8%) | 49 (1.0%) | 152 (1.5%) |
| 17 | 5 (0.4%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 2 (0.3%) | 2 (0.0%) | 9 (0.1%) |
| 18 | 96 (6.8%) | 25 (4.8%) | 4 (4.3%) | 104 (4.8%) | 2 (3.3%) | 4 (1.3%) | 31 (4.2%) | 320 (6.7%) | 586 (5.8%) |
| 19 | 35 (2.5%) | 7 (1.3%) | 6 (6.5%) | 65 (3.0%) | 0 (0%) | 0 (0%) | 35 (4.7%) | 81 (1.7%) | 229 (2.3%) |
| 2 | 141 (9.9%) | 75 (14.3%) | 16 (17.2%) | 234 (10.8%) | 8 (13.1%) | 65 (21.0%) | 56 (7.6%) | 678 (14.2%) | 1273 (12.6%) |
| 3 | 16 (1.1%) | 2 (0.4%) | 2 (2.2%) | 13 (0.6%) | 0 (0%) | 1 (0.3%) | 25 (3.4%) | 35 (0.7%) | 94 (0.9%) |
| 4 | 98 (6.9%) | 32 (6.1%) | 7 (7.5%) | 260 (12.0%) | 10 (16.4%) | 38 (12.3%) | 58 (7.9%) | 448 (9.4%) | 951 (9.4%) |
| 5 | 6 (0.4%) | 0 (0%) | 0 (0%) | 1 (0.0%) | 0 (0%) | 0 (0%) | 2 (0.3%) | 14 (0.3%) | 23 (0.2%) |
| 6 | 39 (2.7%) | 22 (4.2%) | 9 (9.7%) | 122 (5.6%) | 0 (0%) | 1 (0.3%) | 33 (4.5%) | 135 (2.8%) | 361 (3.6%) |
| 7 | 48 (3.4%) | 1 (0.2%) | 0 (0%) | 5 (0.2%) | 0 (0%) | 1 (0.3%) | 11 (1.5%) | 36 (0.8%) | 102 (1.0%) |
| 8 | 162 (11.4%) | 54 (10.3%) | 3 (3.2%) | 179 (8.2%) | 7 (11.5%) | 20 (6.5%) | 63 (8.5%) | 318 (6.7%) | 806 (8.0%) |
| 9 | 66 (4.6%) | 3 (0.6%) | 1 (1.1%) | 18 (0.8%) | 6 (9.8%) | 9 (2.9%) | 15 (2.0%) | 51 (1.1%) | 169 (1.7%) |
| Sin Dato | 5 (0.4%) | 0 (0%) | 0 (0%) | 5 (0.2%) | 0 (0%) | 0 (0%) | 2 (0.3%) | 7 (0.1%) | 19 (0.2%) |
| LOCALIZACION_EXTRA | |||||||||
| Genitourinaria | 1 (0.1%) | 0 (0%) | 0 (0%) | 7 (0.3%) | 1 (1.6%) | 4 (1.3%) | 0 (0%) | 70 (1.5%) | 83 (0.8%) |
| NA | 1418 (99.7%) | 292 (55.5%) | 72 (77.4%) | 1446 (66.6%) | 49 (80.3%) | 195 (63.1%) | 567 (76.8%) | 2901 (60.7%) | 6940 (68.7%) |
| Pleural | 3 (0.2%) | 51 (9.7%) | 5 (5.4%) | 182 (8.4%) | 1 (1.6%) | 36 (11.7%) | 46 (6.2%) | 699 (14.6%) | 1023 (10.1%) |
| Cutanea | 0 (0%) | 7 (1.3%) | 0 (0%) | 5 (0.2%) | 0 (0%) | 1 (0.3%) | 3 (0.4%) | 33 (0.7%) | 49 (0.5%) |
| Ganglionar | 0 (0%) | 13 (2.5%) | 5 (5.4%) | 42 (1.9%) | 2 (3.3%) | 12 (3.9%) | 34 (4.6%) | 258 (5.4%) | 366 (3.6%) |
| Intestinal | 0 (0%) | 4 (0.8%) | 1 (1.1%) | 26 (1.2%) | 1 (1.6%) | 2 (0.6%) | 2 (0.3%) | 46 (1.0%) | 82 (0.8%) |
| Meningea | 0 (0%) | 134 (25.5%) | 4 (4.3%) | 315 (14.5%) | 4 (6.6%) | 35 (11.3%) | 52 (7.0%) | 304 (6.4%) | 848 (8.4%) |
| Osteoarticular | 0 (0%) | 3 (0.6%) | 3 (3.2%) | 21 (1.0%) | 1 (1.6%) | 17 (5.5%) | 13 (1.8%) | 151 (3.2%) | 209 (2.1%) |
| Otro | 0 (0%) | 12 (2.3%) | 1 (1.1%) | 62 (2.9%) | 2 (3.3%) | 3 (1.0%) | 8 (1.1%) | 135 (2.8%) | 223 (2.2%) |
| Pericardica | 0 (0%) | 3 (0.6%) | 0 (0%) | 19 (0.9%) | 0 (0%) | 3 (1.0%) | 6 (0.8%) | 80 (1.7%) | 111 (1.1%) |
| Peritoneal | 0 (0%) | 6 (1.1%) | 2 (2.2%) | 44 (2.0%) | 0 (0%) | 1 (0.3%) | 5 (0.7%) | 90 (1.9%) | 148 (1.5%) |
| Renal | 0 (0%) | 1 (0.2%) | 0 (0%) | 2 (0.1%) | 0 (0%) | 0 (0%) | 2 (0.3%) | 14 (0.3%) | 19 (0.2%) |
| Laringea | 0 (0%) | 0 (0%) | 0 (0%) | 1 (0.0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 1 (0.0%) |
Para el grupo de perdida de seguimiento se encuentra un total de 739
pacientes entre 2016 y 2022. De los cuales el 95.1% lograron ingresar al
programa distrital de tuberculosis, es decir que iniciaron tratamiento.
Al comparar estos resultados con las otras condiciones de egreso se
encuentran porcentajes similares a excepción de los fallecidos, los
cuales varios de ellos el diagnostico de TB se realiza postmortem por lo
tanto no hay inicio de tratamiento. Con relación a la variable sexo, en
los pacientes con pérdida de seguimiento se evidencia que el 72.9%
corresponde a hombres, un porcentaje ligeramente mayor al compararlo con
otras condiciones de egreso (66.2%), este comportamiento se observa
también en los fallecidos durante el tratamiento 72.2% y no evaluados
76.4%.
En cuanto a la edad, se evidencia que de forma general los pacientes
enferman de TB sobre los 50 años (media y mediana) no obstante para el
grupo de perdida de seguimiento, la mediana se ubica sobre los 36 años
con una media de 41 años. Es decir, las personas mas jóvenes son quienes
no tienen adherencia al tratamiento. A su vez, frente al régimen de
afiliación al SGSSS, se encuentra que el régimen subsidiado es donde se
concentra la población que no tiene adherencia al tratamiento de TB
46.7%, respecto al total de condiciones de egreso 30.6%. De igual
manera, las personas sin aseguramiento al SGSSS tienen un porcentaje
mayor de perdida de seguimiento 18.2% respecto a las otras condiciones
de egreso 6.6%. Así mismo, este grupo presenta el menor porcentaje de
pacientes afiliados al régimen contributivo 30.4%, respecto al total de
condiciones de egreso 55.4%, lo que demuestra que las EAPB realizan
acciones de seguimiento a su población afiliada diagnosticada para
generar adherencia terapéutica. Al analizar el tipo de tuberculosis se
identifica que las formas pulmonares predominan en las perdidas de
seguimiento 76.8%, respecto a las otras condiciones de egreso 68.7%.
Este comportamiento se observa también en los fracasos 80.3% y las
exclusiones por farmacorresistencia 77.4%. Respecto a las formas
extrapulmonares, se evidencia una ligera diferencia en la localización
anatómica para el grupo de perdida de seguimiento tipo de TB ganglionar
4.6% frente a las demás condiciones de egreso 3.6%. En cuanto a la
condición de ingreso al programa de TB, para los pacientes con perdida
de seguimiento, se encuentra que el 11.1% corresponden a reingresos por
perdida de seguimiento frente a 2.1 de otras condiciones de egreso y el
6.5% a otros previamente tratados versus 3.1% de las otras condiciones
de egreso, es decir que quienes ya han estado en tratamiento para TB y
no tuvieron adherencia, es mas probable que vuelvan a tener perdida de
seguimiento en futuros tratamientos. Se identifica frente a la
coinfección con VIH que los pacientes que presentan coinfección en el
grupo de perdida de seguimiento es mayor 32.4%, que en el resto de
condiciones de egreso 19.8% a excepción de los casos descartados 33.7%.
Frente a las prueba diagnosticas de baciloscopia, cultivo y prueba
molecular, se observa un porcentaje ligeramente mayor para positividad
en estas pruebas que entre el grupo de perdida de seguimiento y las
otras condiciones de egreso (baciloscopia positiva 39.2% vs 30.8%,
Cultivo 45.8% vs 41.3%, prueba molecular 51.4% vs 45.2%) En la prueba de
susceptibilidad a farmacos no se evidencian mayores diferencias entre el
tipo de prueba realizada al grupo de perdida de seguimiento y las otras
condiciones de egreso.Lo mismo sucede con los tipos de
farmacorresistencia, es importante aclarar que los casos de TB
farmacorresistente, el seguimiento se realiza en una base de datos
diferente a la de TB sensible. Por tanto, las perdidas de seguimiento de
casos con TB resistente no son evaluados en el presente proyecto. Dentro
de las comorbilidades se evidenció mayor porcentaje para el grupo de
perdida de seguimiento frente a las otras condiciones de egreso en las
siguientes: Consumidor_SPA 6.6% vs 2.1%, Enf_mental 0.5% vs 0.1%,
Desnutrición 22% vs 17.4%, Tabaquismo 1.6% vs 0.8% y alcoholismo 0.5% vs
0.3%. En cuanto a la modalidad del tratamiento directamente observado
(TDO), el 37.1% de los pacientes que tienen perdida de seguimiento lo
realizan en la modalidad supervisión en IPS, un poco mayor frente a las
demás condiciones de egreso 34.5%. Dentro de los programas de protección
social se evidencia que las personas con perdida de seguimiento tuvieron
acceso a subsidio alimentario en 1.9% mayor, frente al resto de
condiciones de egreso 0.9% a excepción de pacientes con fracaso en el
tratamiento 3.3%. En cuanto a la descripción de reacciones adversas de
los pacientes al tratamiento tetraconjugado, se evidencia un mayor
porcentaje de reacciones graves (0.4%) y moderadas (0.5%), frente a
pacientes de otras condiciones de egreso (0.2% respectivamente). Frente
a la metodologia de captación no se evidencian diferencias entre los
pacientes con perdidas de seguimiento frente a las demas condiciones de
egreso. Dentro de la pertenencia étnica se identifica que los indígenas
3% y afrocolombianos 1.6%, presentan un mayor porcentaje en perdida de
seguimiento frente a las demás condiciones de egreso (1.5% y 0.8%,
respectivamente). En los indígenas este porcentaje solamente se supera
para el grupo de no evaluados 4.2%, dado que regresan a sus comunidades.
Mientras que en los afrocolombianos, se reporta un mayor porcentaje
frente al grupo de excluidos por Farmacorresistencia y es igual el
porcentaje frente al grupo de no evaluados y fracasos. Se evidencia un
mayor porcentaje de perdida de seguimiento en las siguientes poblaciones
especiales frente a las demás condiciones de egreso: desplazados 2.2% vs
0.8%, migrantes 10.2% vs 5.2%, carcelarios 4.3% vs 3.4%, habitantes de
calle 27.6% vs 5.4%, población ICBF 0.3% vs 0.1%, población psiquiátrica
0.5% vs 0.1%, víctima de la violencia de conflicto armado 0.5% vs 0.2% y
gestantes 0.5% vs 0.2% Dentro de las localidades de residencia de los
pacientes, se evidencia una mayor perdida de seguimiento para quienes
residen en las siguientes localidades en comparación con las otras
condiciones de egreso: Antonio Nariño 3.3% vs 1.5%, ciudad bolivar 9.6%
vs 6.6%, Los mártires 6% vs 2.5%, Santa fe 6.1% vs 2.9% y tunjuelito
2.6% vs 2%; los casos sin dato 10.2% vs 3.4% que pueden corresponder a
habitantes de calle o población flotante. Dentro de las localidades de
diagnóstico de los pacientes, se evidencia una mayor pérdida de
seguimiento para quienes son diagnosticados en IPS ubicadas en las
siguientes localidades en comparación con las otras condiciones de
egreso: Antonio Nariño 18.3% vs 7.7%, Barrios Unidos 4.3% vs 3.7%,
Engativá 5.1% vs 3.7%, Santa fe 3.4% vs 0.9% y Tunjuelito 4.5% vs
3.6%.
loc_ajuste <- subset(base_analisis_R)
loc_ajuste## # A tibble: 10,102 × 60
## ID TRIMESTRE AÑO FECHA_INI_SINT INGRESO_TTO `FECHA INI_TTO`
## <dbl> <chr> <dbl> <dttm> <chr> <dttm>
## 1 1 I 2022 2021-12-29 00:00:00 SI 2022-01-04 00:00:00
## 2 2 I 2022 2021-12-31 00:00:00 SI 2022-01-08 00:00:00
## 3 3 I 2022 2022-01-04 00:00:00 SI 2022-01-10 00:00:00
## 4 4 I 2022 2022-01-09 00:00:00 SI 2022-01-11 00:00:00
## 5 5 I 2022 2021-01-13 00:00:00 SI 2022-01-13 00:00:00
## 6 6 I 2022 2021-12-26 00:00:00 SI 2022-01-03 00:00:00
## 7 7 I 2022 2021-12-15 00:00:00 SI 2022-01-03 00:00:00
## 8 8 I 2022 2021-12-10 00:00:00 SI 2022-01-07 00:00:00
## 9 9 I 2022 2019-05-24 00:00:00 SI 2022-01-03 00:00:00
## 10 10 I 2022 2021-12-10 00:00:00 NO 1899-12-31 00:00:00
## # ℹ 10,092 more rows
## # ℹ 54 more variables: SEXO <chr>, EDAD <dbl>, PERTENENCIA_ETNICA <chr>,
## # PUEBLO_INDIGENA <chr>, gp_discapa <chr>, gp_desplaz <chr>,
## # gp_migrant <chr>, gp_carcela <chr>, gp_gestan <chr>, sem_ges_ <chr>,
## # gp_indigen <chr>, gp_pobicbf <chr>, gp_mad_com <chr>, gp_desmovi <chr>,
## # gp_psiquia <chr>, gp_vic_vio <chr>, gp_otros <chr>, trabajador_salud <chr>,
## # LOC_RES <chr>, LOC_DX <chr>, REGIMEN_AFILIACION <chr>, TIPO_TB <chr>, …loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Antonio Nariño","CO")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Barrios Unidos","NORTE")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Bosa","SO")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Chapinero","NORTE")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Ciudad Bolivar","SUR")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Engativa","NORTE")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Fontibon","SO")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Fuera de Bogota","FDB")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Kennedy","SO")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "La Candelaria","CO")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Los Martires","CO")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Puente Aranda","SO")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Rafael Uribe Uribe","CO")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "San Cristobal","CO")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Santafe","CO")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Suba","NORTE")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Teusaquillo","NORTE")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Tunjuelito","SUR")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Usaquen","NORTE")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Usme","SUR")
loc_ajuste$LOC_RES<- str_replace(loc_ajuste$LOC_RES, "Sumapaz","SUR")loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Antonio Nariño","CO")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Barrios Unidos","NORTE")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Bosa","SO")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Chapinero","NORTE")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Ciudad Bolivar","SUR")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Engativa","NORTE")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Fontibon","SO")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Kennedy","SO")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "La Candelaria","CO")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Los Martires","CO")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Puente Aranda","SO")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Rafael Uribe Uribe","CO")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "San Cristobal","CO")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Santafe","CO")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Suba","NORTE")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Teusaquillo","NORTE")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Tunjuelito","SUR")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Usaquen","NORTE")
loc_ajuste$LOC_DX<- str_replace(loc_ajuste$LOC_DX, "Usme","SUR")t1 <- table1::table1(~INGRESO_TTO + SEXO + EDAD + REGIMEN_AFILIACION + TIPO_TB + CONDICION_INGRESO + CONDICION_VIH + RESULTADO_BK_RECOD + RESULTADO_CULTIVO_RECOD + RESULTADO_PRUEBA_MOL_RECOD + PRUEBA_SUSCEPTIBILIDAD_FARMACOS + FARMACORRESISTENCIA + Alcoholismo + Cancer + Cardiovascular + Consumidor_SPA + Desnutricion + Diabetes + Enf_Mental + Enf_Autoinmune + Enf_Hepatica + Enf_Renal + EPOC + Silicosis + Tabaquismo + Hipotiroidismo + Otra_Enf + MODALIDAD_TDO + PROGRAMAS_PROTECC_SOCIAL + REACCIONES_ADVERSAS_TTO + METODOLOGIA_CAPTACION +PERTENENCIA_ETNICA + gp_discapa + gp_desplaz + gp_migrant + gp_carcela + gp_gestan + gp_indigen + gp_pobicbf + gp_psiquia + gp_vic_vio + trabajador_salud + gp_otros + LOC_RES + LOC_DX + LOCALIZACION_EXTRA | PERDIDA_SEGUIMIENTO, data = loc_ajuste)
t1| NO (N=9364) |
SI (N=738) |
Overall (N=10102) |
|
|---|---|---|---|
| INGRESO_TTO | |||
| NO | 397 (4.2%) | 36 (4.9%) | 433 (4.3%) |
| SI | 8967 (95.8%) | 702 (95.1%) | 9669 (95.7%) |
| SEXO | |||
| F | 3215 (34.3%) | 200 (27.1%) | 3415 (33.8%) |
| M | 6149 (65.7%) | 538 (72.9%) | 6687 (66.2%) |
| EDAD | |||
| Mean (SD) | 51.0 (21.7) | 40.8 (18.0) | 50.3 (21.6) |
| Median [Min, Max] | 52.0 [0, 109] | 36.0 [0, 91.0] | 50.0 [0, 109] |
| REGIMEN_AFILIACION | |||
| C - CONTRIBUTIVO | 5375 (57.4%) | 224 (30.4%) | 5599 (55.4%) |
| E - ESPECIAL | 488 (5.2%) | 28 (3.8%) | 516 (5.1%) |
| N - NO ASEGURADO | 535 (5.7%) | 134 (18.2%) | 669 (6.6%) |
| P - EXCEPCION | 223 (2.4%) | 7 (0.9%) | 230 (2.3%) |
| S - SUBSIDIADO | 2743 (29.3%) | 345 (46.7%) | 3088 (30.6%) |
| TIPO_TB | |||
| EXTRAPULMONAR | 2991 (31.9%) | 171 (23.2%) | 3162 (31.3%) |
| PULMONAR | 6373 (68.1%) | 567 (76.8%) | 6940 (68.7%) |
| CONDICION_INGRESO | |||
| NUEVO | 8849 (94.5%) | 588 (79.7%) | 9437 (93.4%) |
| OTROS PREVIAMENTE TRATADOS | 269 (2.9%) | 48 (6.5%) | 317 (3.1%) |
| REINGRESO TRAS FRACASO | 19 (0.2%) | 6 (0.8%) | 25 (0.2%) |
| REINGRESO TRAS PERDIDA EN EL SEGUIMIENTO | 132 (1.4%) | 82 (11.1%) | 214 (2.1%) |
| REINGRESO TRAS RECAIDA | 94 (1.0%) | 14 (1.9%) | 108 (1.1%) |
| REMITIDO | 1 (0.0%) | 0 (0%) | 1 (0.0%) |
| CONDICION_VIH | |||
| DESCONOCIDO | 507 (5.4%) | 54 (7.3%) | 561 (5.6%) |
| NEGATIVO | 7100 (75.8%) | 445 (60.3%) | 7545 (74.7%) |
| POSITIVO | 1757 (18.8%) | 239 (32.4%) | 1996 (19.8%) |
| RESULTADO_BK_RECOD | |||
| NEGATIVO | 5073 (54.2%) | 378 (51.2%) | 5451 (54.0%) |
| NO REALIZADO | 1346 (14.4%) | 64 (8.7%) | 1410 (14.0%) |
| POSITIVO | 2819 (30.1%) | 289 (39.2%) | 3108 (30.8%) |
| SD | 126 (1.3%) | 7 (0.9%) | 133 (1.3%) |
| RESULTADO_CULTIVO_RECOD | |||
| NEGATIVO | 2859 (30.5%) | 226 (30.6%) | 3085 (30.5%) |
| NO REALIZADO | 2134 (22.8%) | 134 (18.2%) | 2268 (22.5%) |
| POSITIVO | 3834 (40.9%) | 338 (45.8%) | 4172 (41.3%) |
| SD | 537 (5.7%) | 40 (5.4%) | 577 (5.7%) |
| RESULTADO_PRUEBA_MOL_RECOD | |||
| NEGATIVO | 1433 (15.3%) | 92 (12.5%) | 1525 (15.1%) |
| NO INTERPRETABLE | 4 (0.0%) | 0 (0%) | 4 (0.0%) |
| NO REALIZADO | 42 (0.4%) | 3 (0.4%) | 45 (0.4%) |
| POSITIVO | 4192 (44.8%) | 379 (51.4%) | 4571 (45.2%) |
| SD | 3693 (39.4%) | 264 (35.8%) | 3957 (39.2%) |
| PRUEBA_SUSCEPTIBILIDAD_FARMACOS | |||
| BACTEC MGIT | 258 (2.8%) | 13 (1.8%) | 271 (2.7%) |
| LIPA | 872 (9.3%) | 99 (13.4%) | 971 (9.6%) |
| NO REALIZADA | 4914 (52.5%) | 321 (43.5%) | 5235 (51.8%) |
| PCR EN TIEMPO REAL | 3320 (35.5%) | 305 (41.3%) | 3625 (35.9%) |
| FARMACORRESISTENCIA | |||
| Isoniacida | 87 (0.9%) | 1 (0.1%) | 88 (0.9%) |
| MDR | 20 (0.2%) | 0 (0%) | 20 (0.2%) |
| Monoresistencia | 4 (0.0%) | 1 (0.1%) | 5 (0.0%) |
| Ninguna | 4477 (47.8%) | 421 (57.0%) | 4898 (48.5%) |
| NO REALIZADA | 4723 (50.4%) | 313 (42.4%) | 5036 (49.9%) |
| Poliresistente | 1 (0.0%) | 0 (0%) | 1 (0.0%) |
| RR | 52 (0.6%) | 2 (0.3%) | 54 (0.5%) |
| Alcoholismo | |||
| NO | 9335 (99.7%) | 734 (99.5%) | 10069 (99.7%) |
| SI | 29 (0.3%) | 4 (0.5%) | 33 (0.3%) |
| Cancer | |||
| NO | 8830 (94.3%) | 710 (96.2%) | 9540 (94.4%) |
| SI | 534 (5.7%) | 28 (3.8%) | 562 (5.6%) |
| Cardiovascular | |||
| NO | 9342 (99.8%) | 738 (100%) | 10080 (99.8%) |
| SI | 22 (0.2%) | 0 (0%) | 22 (0.2%) |
| Consumidor_SPA | |||
| NO | 9289 (99.2%) | 689 (93.4%) | 9978 (98.8%) |
| SI | 75 (0.8%) | 49 (6.6%) | 124 (1.2%) |
| Desnutricion | |||
| NO | 7766 (82.9%) | 576 (78.0%) | 8342 (82.6%) |
| SI | 1598 (17.1%) | 162 (22.0%) | 1760 (17.4%) |
| Diabetes | |||
| NO | 8498 (90.8%) | 698 (94.6%) | 9196 (91.0%) |
| SI | 866 (9.2%) | 40 (5.4%) | 906 (9.0%) |
| Enf_Mental | |||
| NO | 9357 (99.9%) | 734 (99.5%) | 10091 (99.9%) |
| SI | 7 (0.1%) | 4 (0.5%) | 11 (0.1%) |
| Enf_Autoinmune | |||
| NO | 9124 (97.4%) | 723 (98.0%) | 9847 (97.5%) |
| SI | 240 (2.6%) | 15 (2.0%) | 255 (2.5%) |
| Enf_Hepatica | |||
| NO | 9212 (98.4%) | 728 (98.6%) | 9940 (98.4%) |
| SI | 152 (1.6%) | 10 (1.4%) | 162 (1.6%) |
| Enf_Renal | |||
| NO | 8579 (91.6%) | 707 (95.8%) | 9286 (91.9%) |
| SI | 785 (8.4%) | 31 (4.2%) | 816 (8.1%) |
| EPOC | |||
| NO | 8328 (88.9%) | 692 (93.8%) | 9020 (89.3%) |
| SI | 1036 (11.1%) | 46 (6.2%) | 1082 (10.7%) |
| Silicosis | |||
| NO | 9234 (98.6%) | 731 (99.1%) | 9965 (98.6%) |
| SI | 130 (1.4%) | 7 (0.9%) | 137 (1.4%) |
| Tabaquismo | |||
| NO | 9297 (99.3%) | 726 (98.4%) | 10023 (99.2%) |
| SI | 67 (0.7%) | 12 (1.6%) | 79 (0.8%) |
| Hipotiroidismo | |||
| NO | 8348 (89.2%) | 667 (90.4%) | 9015 (89.2%) |
| SI | 1016 (10.9%) | 71 (9.6%) | 1087 (10.8%) |
| Otra_Enf | |||
| NO | 8370 (89.4%) | 658 (89.2%) | 9028 (89.4%) |
| SI | 994 (10.6%) | 80 (10.8%) | 1074 (10.6%) |
| MODALIDAD_TDO | |||
| No evaluado | 5176 (55.3%) | 396 (53.7%) | 5572 (55.2%) |
| TDO comunitario | 61 (0.7%) | 6 (0.8%) | 67 (0.7%) |
| TDO domiciliario | 53 (0.6%) | 3 (0.4%) | 56 (0.6%) |
| TDO en IPS | 3142 (33.6%) | 271 (36.7%) | 3413 (33.8%) |
| TDO EN IPS | 65 (0.7%) | 3 (0.4%) | 68 (0.7%) |
| TDO hospitalario | 740 (7.9%) | 51 (6.9%) | 791 (7.8%) |
| TDO virtual | 127 (1.4%) | 8 (1.1%) | 135 (1.3%) |
| PROGRAMAS_PROTECC_SOCIAL | |||
| Cuenta con varios subsidios de apoyo | 42 (0.4%) | 9 (1.2%) | 51 (0.5%) |
| No aplica a subsidios | 1965 (21.0%) | 145 (19.6%) | 2110 (20.9%) |
| No evaluado | 5152 (55.0%) | 391 (53.0%) | 5543 (54.9%) |
| No recibe ninguno | 2065 (22.1%) | 173 (23.4%) | 2238 (22.2%) |
| Subsidio alimentario | 79 (0.8%) | 14 (1.9%) | 93 (0.9%) |
| Subsidio de desempleo | 3 (0.0%) | 0 (0%) | 3 (0.0%) |
| Subsidio de transporte | 2 (0.0%) | 0 (0%) | 2 (0.0%) |
| Subsidio de vivienda | 26 (0.3%) | 4 (0.5%) | 30 (0.3%) |
| Subsidio educativo | 7 (0.1%) | 0 (0%) | 7 (0.1%) |
| Subsidio monetario | 23 (0.2%) | 2 (0.3%) | 25 (0.2%) |
| REACCIONES_ADVERSAS_TTO | |||
| Grave | 16 (0.2%) | 3 (0.4%) | 19 (0.2%) |
| Leve | 11 (0.1%) | 1 (0.1%) | 12 (0.1%) |
| Moderada | 14 (0.1%) | 4 (0.5%) | 18 (0.2%) |
| Ninguna | 4179 (44.6%) | 341 (46.2%) | 4520 (44.7%) |
| SD | 5144 (54.9%) | 389 (52.7%) | 5533 (54.8%) |
| METODOLOGIA_CAPTACION | |||
| BAI | 4166 (44.5%) | 346 (46.9%) | 4512 (44.7%) |
| Busqueda trabajador salud. | 41 (0.4%) | 1 (0.1%) | 42 (0.4%) |
| Durante estudio de contactos | 4 (0.0%) | 0 (0%) | 4 (0.0%) |
| Remitido por CNE | 1 (0.0%) | 0 (0%) | 1 (0.0%) |
| SD | 5152 (55.0%) | 391 (53.0%) | 5543 (54.9%) |
| PERTENENCIA_ETNICA | |||
| INDIGENA | 131 (1.4%) | 22 (3.0%) | 153 (1.5%) |
| NEGRO, MULATO, AFROCOLOMBIANO | 70 (0.7%) | 12 (1.6%) | 82 (0.8%) |
| OTRO | 9144 (97.7%) | 702 (95.1%) | 9846 (97.5%) |
| PALENQUERO | 1 (0.0%) | 0 (0%) | 1 (0.0%) |
| RAIZAL | 6 (0.1%) | 1 (0.1%) | 7 (0.1%) |
| ROOM (GITANO) | 12 (0.1%) | 1 (0.1%) | 13 (0.1%) |
| gp_discapa | |||
| NO | 9234 (98.6%) | 733 (99.3%) | 9967 (98.7%) |
| SI | 130 (1.4%) | 5 (0.7%) | 135 (1.3%) |
| gp_desplaz | |||
| NO | 9301 (99.3%) | 722 (97.8%) | 10023 (99.2%) |
| SI | 63 (0.7%) | 16 (2.2%) | 79 (0.8%) |
| gp_migrant | |||
| NO | 8916 (95.2%) | 663 (89.8%) | 9579 (94.8%) |
| SI | 448 (4.8%) | 75 (10.2%) | 523 (5.2%) |
| gp_carcela | |||
| NO | 9057 (96.7%) | 706 (95.7%) | 9763 (96.6%) |
| SI | 307 (3.3%) | 32 (4.3%) | 339 (3.4%) |
| gp_gestan | |||
| NO | 9348 (99.8%) | 734 (99.5%) | 10082 (99.8%) |
| SI | 16 (0.2%) | 4 (0.5%) | 20 (0.2%) |
| gp_indigen | |||
| NO | 9027 (96.4%) | 534 (72.4%) | 9561 (94.6%) |
| SI | 337 (3.6%) | 204 (27.6%) | 541 (5.4%) |
| gp_pobicbf | |||
| NO | 9352 (99.9%) | 736 (99.7%) | 10088 (99.9%) |
| SI | 12 (0.1%) | 2 (0.3%) | 14 (0.1%) |
| gp_psiquia | |||
| NO | 9357 (99.9%) | 734 (99.5%) | 10091 (99.9%) |
| SI | 7 (0.1%) | 4 (0.5%) | 11 (0.1%) |
| gp_vic_vio | |||
| NO | 9352 (99.9%) | 734 (99.5%) | 10086 (99.8%) |
| SI | 12 (0.1%) | 4 (0.5%) | 16 (0.2%) |
| trabajador_salud | |||
| NO | 9168 (97.9%) | 730 (98.9%) | 9898 (98.0%) |
| SI | 196 (2.1%) | 8 (1.1%) | 204 (2.0%) |
| gp_otros | |||
| NO | 964 (10.3%) | 247 (33.5%) | 1211 (12.0%) |
| SI | 8400 (89.7%) | 491 (66.5%) | 8891 (88.0%) |
| LOC_RES | |||
| CO | 1701 (18.2%) | 181 (24.5%) | 1882 (18.6%) |
| FDB | 1860 (19.9%) | 82 (11.1%) | 1942 (19.2%) |
| NORTE | 2408 (25.7%) | 156 (21.1%) | 2564 (25.4%) |
| Sin Dato | 267 (2.9%) | 75 (10.2%) | 342 (3.4%) |
| SO | 2029 (21.7%) | 133 (18.0%) | 2162 (21.4%) |
| SUR | 1099 (11.7%) | 111 (15.0%) | 1210 (12.0%) |
| LOC_DX | |||
| CO | 3233 (34.5%) | 325 (44.0%) | 3558 (35.2%) |
| NORTE | 4444 (47.5%) | 239 (32.4%) | 4683 (46.4%) |
| Sin Dato | 17 (0.2%) | 2 (0.3%) | 19 (0.2%) |
| SO | 1127 (12.0%) | 102 (13.8%) | 1229 (12.2%) |
| SUR | 543 (5.8%) | 70 (9.5%) | 613 (6.1%) |
| LOCALIZACION_EXTRA | |||
| Cutanea | 46 (0.5%) | 3 (0.4%) | 49 (0.5%) |
| Ganglionar | 332 (3.5%) | 34 (4.6%) | 366 (3.6%) |
| Genitourinaria | 82 (0.9%) | 0 (0%) | 82 (0.8%) |
| Intestinal | 80 (0.9%) | 2 (0.3%) | 82 (0.8%) |
| Laringea | 1 (0.0%) | 0 (0%) | 1 (0.0%) |
| Meningea | 796 (8.5%) | 52 (7.0%) | 848 (8.4%) |
| NA | 6373 (68.1%) | 567 (76.8%) | 6940 (68.7%) |
| Osteoarticular | 196 (2.1%) | 13 (1.8%) | 209 (2.1%) |
| Otro | 215 (2.3%) | 8 (1.1%) | 223 (2.2%) |
| Pericardica | 105 (1.1%) | 6 (0.8%) | 111 (1.1%) |
| Peritoneal | 143 (1.5%) | 5 (0.7%) | 148 (1.5%) |
| Pleural | 977 (10.4%) | 46 (6.2%) | 1023 (10.1%) |
| Renal | 17 (0.2%) | 2 (0.3%) | 19 (0.2%) |
| Vejiga | 1 (0.0%) | 0 (0%) | 1 (0.0%) |
Seleccion de variables
df2<- loc_ajuste[,c("ID", "SEXO", "EDAD", "PERTENENCIA_ETNICA", "gp_discapa", "gp_desplaz", "gp_migrant", "gp_carcela", "gp_gestan", "gp_indigen", "gp_pobicbf", "gp_psiquia", "LOC_RES", "LOC_DX", "REGIMEN_AFILIACION", "TIPO_TB", "LOCALIZACION_EXTRA", "CONDICION_INGRESO", "RESULTADO_BK_RECOD", "RESULTADO_PRUEBA_MOL_RECOD", "PRUEBA_SUSCEPTIBILIDAD_FARMACOS", "CONDICION_VIH", "Alcoholismo", "Consumidor_SPA", "Desnutricion", "Enf_Mental","Tabaquismo", "PROGRAMAS_PROTECC_SOCIAL", "REACCIONES_ADVERSAS_TTO", "CONDICION_EGRESO", "PERDIDA_SEGUIMIENTO")]
bivariado<-as.data.frame(df2)
head(bivariado, 5)## ID SEXO EDAD PERTENENCIA_ETNICA gp_discapa gp_desplaz gp_migrant gp_carcela
## 1 1 M 25 OTRO NO NO NO SI
## 2 2 M 66 OTRO NO NO NO NO
## 3 3 M 38 OTRO NO NO NO NO
## 4 4 M 67 OTRO NO NO NO NO
## 5 5 F 25 OTRO NO NO NO NO
## gp_gestan gp_indigen gp_pobicbf gp_psiquia LOC_RES LOC_DX REGIMEN_AFILIACION
## 1 NO NO NO NO FDB SO P - EXCEPCION
## 2 NO NO NO NO SO SO S - SUBSIDIADO
## 3 NO NO NO NO SO SO S - SUBSIDIADO
## 4 NO NO NO NO SO SO S - SUBSIDIADO
## 5 NO NO NO NO SO SO S - SUBSIDIADO
## TIPO_TB LOCALIZACION_EXTRA CONDICION_INGRESO RESULTADO_BK_RECOD
## 1 PULMONAR NA NUEVO POSITIVO
## 2 PULMONAR NA OTROS PREVIAMENTE TRATADOS POSITIVO
## 3 PULMONAR NA NUEVO POSITIVO
## 4 PULMONAR NA NUEVO POSITIVO
## 5 PULMONAR NA NUEVO POSITIVO
## RESULTADO_PRUEBA_MOL_RECOD PRUEBA_SUSCEPTIBILIDAD_FARMACOS CONDICION_VIH
## 1 POSITIVO PCR EN TIEMPO REAL NEGATIVO
## 2 POSITIVO PCR EN TIEMPO REAL NEGATIVO
## 3 POSITIVO PCR EN TIEMPO REAL NEGATIVO
## 4 POSITIVO PCR EN TIEMPO REAL NEGATIVO
## 5 POSITIVO PCR EN TIEMPO REAL NEGATIVO
## Alcoholismo Consumidor_SPA Desnutricion Enf_Mental Tabaquismo
## 1 NO NO NO NO NO
## 2 NO NO NO NO NO
## 3 NO NO SI NO NO
## 4 NO NO NO NO SI
## 5 NO NO NO NO NO
## PROGRAMAS_PROTECC_SOCIAL REACCIONES_ADVERSAS_TTO
## 1 No aplica a subsidios Ninguna
## 2 No recibe ninguno Ninguna
## 3 No recibe ninguno Ninguna
## 4 No recibe ninguno Ninguna
## 5 No recibe ninguno Ninguna
## CONDICION_EGRESO PERDIDA_SEGUIMIENTO
## 1 FALLECIDO DURANTE EL TRATAMIENTO NO
## 2 CURADO NO
## 3 CURADO NO
## 4 TRATAMIENTO TERMINADO NO
## 5 CURADO NODESCRIPTIVO BIVARIADO
Se contrasta la variable perdida de seguimiento con la variable cuantitativa EDAD:
g1=ggplot(data = bivariado, aes(x = PERDIDA_SEGUIMIENTO, y = EDAD)) +
geom_boxplot(fill = "#D0D1E6", colour = "black")+geom_jitter(width = 0.3,size = 0.8)
ggarrange(g1, labels = c("A"),ncol = 2, nrow = 1)
Se comprueba normalidad para la variable Edad, se encuentra que cumple criterio de normalidad acorde con p valor el cual tiene significacion estadistica.
library("nortest")
lillie.test(x=bivariado$EDAD)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: bivariado$EDAD
## D = 0.068519, p-value < 2.2e-16Se procede a realizar comparación de medias en la variable Edad con la prueba T de student para los grupos con perdida de seguimienro y sin perida de seguimiento
SIN_PSEG <- subset(bivariado$EDAD, bivariado$PERDIDA_SEGUIMIENTO == "NO")
PSEG <-subset(bivariado$EDAD, bivariado$PERDIDA_SEGUIMIENTO == "SI")test <- t.test(SIN_PSEG,PSEG)
print (test)##
## Welch Two Sample t-test
##
## data: SIN_PSEG and PSEG
## t = 14.612, df = 915.26, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 8.848816 11.594613
## sample estimates:
## mean of x mean of y
## 51.00491 40.78320Se encuentra diferencia estadística, es decir que la media de la edad del grupo con perdida de seguimiento es diferente de las otras condiciones de egreso y tiene significancia estadística
t2 <- table1::table1(~EDAD | PERDIDA_SEGUIMIENTO, data = bivariado )
t2| NO (N=9364) |
SI (N=738) |
Overall (N=10102) |
|
|---|---|---|---|
| EDAD | |||
| Mean (SD) | 51.0 (21.7) | 40.8 (18.0) | 50.3 (21.6) |
| Median [Min, Max] | 52.0 [0, 109] | 36.0 [0, 91.0] | 50.0 [0, 109] |
Se generan tablas de contingencia para las variables categoricas:
Perdida seguimiento vs Sexo
v1 = table(df2$PERDIDA_SEGUIMIENTO, df2$SEXO)
rownames(v1) <- c("SI", "NO")
colnames(v1) <- c("M", "H")
addmargins(v1)##
## M H Sum
## SI 3215 6149 9364
## NO 200 538 738
## Sum 3415 6687 10102PlotXTabs2(data=df2,x=SEXO,y=PERDIDA_SEGUIMIENTO)
chisq.test(v1)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v1
## X-squared = 15.673, df = 1, p-value = 7.528e-05fisher.test(v1)##
## Fisher's Exact Test for Count Data
##
## data: v1
## p-value = 5.209e-05
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 1.186556 1.672031
## sample estimates:
## odds ratio
## 1.406419assocstats(v1)## X^2 df P(> X^2)
## Likelihood Ratio 16.553 1 4.7313e-05
## Pearson 15.995 1 6.3513e-05
##
## Phi-Coefficient : 0.04
## Contingency Coeff.: 0.04
## Cramer's V : 0.04En este caso, el valor de p de Chi cuadrado es significante (p-value = 7.528e-05) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que la edad influye en la perdida de seguimiento de los pacientes. Los índice de Cramer y Phi: 0.04 determinan una asociación pequeña entre las variables.
Perdida seguimiento vs Regimen de Afiliacion
v2 = table(df2$PERDIDA_SEGUIMIENTO, df2$REGIMEN_AFILIACION)
rownames(v2) <- c("SI", "NO")
colnames(v2) <- c("C", "E", "N", "P", "S")
addmargins(v2)##
## C E N P S Sum
## SI 5375 488 535 223 2743 9364
## NO 224 28 134 7 345 738
## Sum 5599 516 669 230 3088 10102PlotXTabs2(data=df,x=REGIMEN_AFILIACION,y=PERDIDA_SEGUIMIENTO)
chisq.test(v2)##
## Pearson's Chi-squared test
##
## data: v2
## X-squared = 327.3, df = 4, p-value < 2.2e-16#fisher.test(v2)
assocstats(v2)## X^2 df P(> X^2)
## Likelihood Ratio 289.22 4 0
## Pearson 327.30 4 0
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.177
## Cramer's V : 0.18En este caso, el valor de p de Chi cuadrado es significante (p-value < 2.2e-16) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que el regimen de afiliacion influye en la perdida de seguimiento de los pacientes. El índice de Cramer (0.18) determina una asociación pequeña entre las variables.
Perdida seguimiento vs Tipo Tuberculosis
v3 = table(df2$PERDIDA_SEGUIMIENTO, df2$TIPO_TB)
rownames(v3) <- c("SI", "NO")
colnames(v3) <- c("EXTRAPULMONAR", "PULMONAR")
addmargins(v3)##
## EXTRAPULMONAR PULMONAR Sum
## SI 2991 6373 9364
## NO 171 567 738
## Sum 3162 6940 10102PlotXTabs2(data=df2,x=TIPO_TB,y=PERDIDA_SEGUIMIENTO)
chisq.test(v3)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v3
## X-squared = 24.066, df = 1, p-value = 9.308e-07#fisher.test(v3)
assocstats(v3)## X^2 df P(> X^2)
## Likelihood Ratio 25.759 1 3.8684e-07
## Pearson 24.472 1 7.5381e-07
##
## Phi-Coefficient : 0.049
## Contingency Coeff.: 0.049
## Cramer's V : 0.049En este caso, el valor de p de Chi cuadrado es significante (p-value < 2.2e-16) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que el tipo de tuberculosis influye en la perdida de seguimiento de los pacientes. El índice de Cramer (0.19) determina una asociación pequeña entre las variables.
Perdida seguimiento vs coinfeccion VIH
v5 = table(df2$PERDIDA_SEGUIMIENTO, df2$CONDICION_VIH)
rownames(v5) <- c("SI", "NO")
colnames(v5) <- c("DESCONOCIDO", "NEGATIVO", "POSITIVO" )
addmargins(v5)##
## DESCONOCIDO NEGATIVO POSITIVO Sum
## SI 507 7100 1757 9364
## NO 54 445 239 738
## Sum 561 7545 1996 10102PlotXTabs2(data=df2,x=CONDICION_VIH,y=PERDIDA_SEGUIMIENTO)
chisq.test(v5)##
## Pearson's Chi-squared test
##
## data: v5
## X-squared = 90.773, df = 2, p-value < 2.2e-16fisher.test(v5)##
## Fisher's Exact Test for Count Data
##
## data: v5
## p-value < 2.2e-16
## alternative hypothesis: two.sidedassocstats(v5)## X^2 df P(> X^2)
## Likelihood Ratio 82.199 2 0
## Pearson 90.773 2 0
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.094
## Cramer's V : 0.095En este caso, el valor de p de Chi cuadrado es significante (p-value < 2.2e-16) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que la condición de VIH influye en la perdida de seguimiento de los pacientes. El índice de Cramer (0.095) determina una asociación pequeña entre las variables.
Perdida seguimiento vs Resultado BK
v6 = table(df2$PERDIDA_SEGUIMIENTO, df2$RESULTADO_BK_RECOD)
rownames(v6) <- c("SI", "NO")
colnames(v6) <- c("NEGATIVO", "NR", "POSITIVO", "SD" )
addmargins(v6)##
## NEGATIVO NR POSITIVO SD Sum
## SI 5073 1346 2819 126 9364
## NO 378 64 289 7 738
## Sum 5451 1410 3108 133 10102PlotXTabs2(data=df2,x=RESULTADO_BK_RECOD,y=PERDIDA_SEGUIMIENTO)
chisq.test(v6)##
## Pearson's Chi-squared test
##
## data: v6
## X-squared = 36.095, df = 3, p-value = 7.151e-08fisher.test(v6)##
## Fisher's Exact Test for Count Data
##
## data: v6
## p-value = 4.821e-08
## alternative hypothesis: two.sidedassocstats(v6)## X^2 df P(> X^2)
## Likelihood Ratio 37.162 3 4.2513e-08
## Pearson 36.095 3 7.1507e-08
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.06
## Cramer's V : 0.06En este caso, el valor de p de Chi cuadrado es significante (p-value = 7.151e-08) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que el resultado de la baciloscopia influye en la perdida de seguimiento de los pacientes. El índice de Cramer (0.06) determina una asociación pequeña entre las variables
Perdida seguimiento vs Resultado Prueba Molecular
v7 = table(df2$PERDIDA_SEGUIMIENTO, df2$RESULTADO_PRUEBA_MOL_RECOD)
rownames(v7) <- c("SI", "NO")
colnames(v7) <- c("NEGATIVO", "NI", "NR", "POSITIVO", "SD" )
addmargins(v7)##
## NEGATIVO NI NR POSITIVO SD Sum
## SI 1433 4 42 4192 3693 9364
## NO 92 0 3 379 264 738
## Sum 1525 4 45 4571 3957 10102PlotXTabs2(data=df,x=RESULTADO_PRUEBA_MOL_RECOD,y=PERDIDA_SEGUIMIENTO)
chisq.test(v7)## Warning in chisq.test(v7): Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test
##
## data: v7
## X-squared = 12.898, df = 4, p-value = 0.01178fisher.test(v7)##
## Fisher's Exact Test for Count Data
##
## data: v7
## p-value = 0.01209
## alternative hypothesis: two.sidedassocstats(v7)## X^2 df P(> X^2)
## Likelihood Ratio 13.216 4 0.010269
## Pearson 12.898 4 0.011783
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.036
## Cramer's V : 0.036En este caso, el valor de p de Chi cuadrado es significante (p-value = 0.01178) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que el resultado de la prueba molecular influye en la perdida de seguimiento de los pacientes. El índice de Cramer (0.036) determina una asociación muy pequeña entre las variables cercana a cero.
Perdida seguimiento vs Resultado Prueba Susceptibilidad a farmacos
v8 = table(df$PERDIDA_SEGUIMIENTO, df2$PRUEBA_SUSCEPTIBILIDAD_FARMACOS)
rownames(v8) <- c("SI", "NO")
colnames(v8) <- c("BACTEC MGIT", "LIPA", "NR", "PCR-TR")
addmargins(v8)##
## BACTEC MGIT LIPA NR PCR-TR Sum
## SI 258 872 4914 3320 9364
## NO 13 99 321 305 738
## Sum 271 971 5235 3625 10102PlotXTabs2(data=df,x=PRUEBA_SUSCEPTIBILIDAD_FARMACOS,y=PERDIDA_SEGUIMIENTO)
chisq.test(v8)##
## Pearson's Chi-squared test
##
## data: v8
## X-squared = 31.72, df = 3, p-value = 5.994e-07fisher.test(v8)##
## Fisher's Exact Test for Count Data
##
## data: v8
## p-value = 8.089e-07
## alternative hypothesis: two.sidedassocstats(v8)## X^2 df P(> X^2)
## Likelihood Ratio 31.112 3 8.0526e-07
## Pearson 31.720 3 5.9944e-07
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.056
## Cramer's V : 0.056En este caso, el valor de p de Chi cuadrado es significante (p-value = 5.994e-07) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que el resultado de la prueba de susceptibilidad a farmacos influye en la perdida de seguimiento de los pacientes. El índice de Cramer (0.056) determina una asociación muy pequeña entre las variables cercana a cero.
Perdida seguimiento vs Condición de ingreso
v9 = table(df$PERDIDA_SEGUIMIENTO, df$CONDICION_INGRESO)
rownames(v9) <- c("SI", "NO")
colnames(v9) <- c("NUEVO", "OPT", "RTF", "RTPS", "RTR", "REMITIDO")
addmargins(v9)##
## NUEVO OPT RTF RTPS RTR REMITIDO Sum
## SI 8849 269 1 19 132 94 9364
## NO 588 48 0 6 82 14 738
## Sum 9437 317 1 25 214 108 10102PlotXTabs2(data=df,x=CONDICION_INGRESO,y=PERDIDA_SEGUIMIENTO)
chisq.test(v9)## Warning in chisq.test(v9): Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test
##
## data: v9
## X-squared = 364.25, df = 5, p-value < 2.2e-16#fisher.test(v9)
assocstats(v9)## X^2 df P(> X^2)
## Likelihood Ratio 214.69 5 0
## Pearson 364.25 5 0
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.187
## Cramer's V : 0.19En este caso, el valor de p de Chi cuadrado no es significante (p-value < 2.2e-16) por lo tanto se acepta hipotesis nula y se rechaza hipotesis alterna, donde se evidencia que la condicion de ingreso influye en la perdida de seguimiento de los pacientes. El índice de Cramer (0.19) determina que hay una asociación pequeña entre las variables.
Perdida seguimiento vs Comorbilidad Alcoholismo
v10 = table(df2$PERDIDA_SEGUIMIENTO, df2$Alcoholismo)
rownames(v10) <- c("SI", "NO")
colnames(v10) <- c("SI", "NO")
addmargins(v10)##
## SI NO Sum
## SI 9335 29 9364
## NO 734 4 738
## Sum 10069 33 10102PlotXTabs2(data=df2,x=Alcoholismo,y=PERDIDA_SEGUIMIENTO)
chisq.test(v10)## Warning in chisq.test(v10): Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v10
## X-squared = 0.53261, df = 1, p-value = 0.4655fisher.test(v10)##
## Fisher's Exact Test for Count Data
##
## data: v10
## p-value = 0.2999
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 0.4468427 5.0148811
## sample estimates:
## odds ratio
## 1.754077assocstats(v10)## X^2 df P(> X^2)
## Likelihood Ratio 0.96001 1 0.32718
## Pearson 1.13385 1 0.28696
##
## Phi-Coefficient : 0.011
## Contingency Coeff.: 0.011
## Cramer's V : 0.011En este caso, el valor de p de Chi cuadrado no es significante (p-value = 0.4655) por lo tanto se acepta hipotesis nula y se rechaza hipotesis alterna, donde se evidencia que el alcoholismo no influye en la perdida de seguimiento de los pacientes. Los índices de Cramer y Phi (0.0011) determinan que no hay asociación entre las variables.
Perdida seguimiento vs Comorbilidad Consumo de SPA
v11 = table(df2$PERDIDA_SEGUIMIENTO, df2$Consumidor_SPA)
rownames(v11) <- c("SI", "NO")
colnames(v11) <- c("SI", "NO")
addmargins(v11)##
## SI NO Sum
## SI 9289 75 9364
## NO 689 49 738
## Sum 9978 124 10102PlotXTabs2(data=df2,x=Consumidor_SPA,y=PERDIDA_SEGUIMIENTO)
chisq.test(v11)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v11
## X-squared = 187.56, df = 1, p-value < 2.2e-16fisher.test(v11)##
## Fisher's Exact Test for Count Data
##
## data: v11
## p-value < 2.2e-16
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 5.961162 12.902703
## sample estimates:
## odds ratio
## 8.804641assocstats(v11)## X^2 df P(> X^2)
## Likelihood Ratio 103.79 1 0
## Pearson 192.35 1 0
##
## Phi-Coefficient : 0.138
## Contingency Coeff.: 0.137
## Cramer's V : 0.138En este caso, el valor de p de Chi cuadrado es significante (p-value < 2.2e-16) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que el consumo de SPA influye en la perdida de seguimiento de los pacientes. Los índice de Cramer y Phi (0.138) determinan que hay una asociación pequeña entre las variables.
Perdida seguimiento vs Comorbilidad Desnutricion
v12 = table(df2$PERDIDA_SEGUIMIENTO, df2$Desnutricion)
rownames(v12) <- c("SI", "NO")
colnames(v12) <- c("SI", "NO")
addmargins(v12)##
## SI NO Sum
## SI 7766 1598 9364
## NO 576 162 738
## Sum 8342 1760 10102PlotXTabs2(data=df2,x=Desnutricion,y=PERDIDA_SEGUIMIENTO)
chisq.test(v12)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v12
## X-squared = 11.014, df = 1, p-value = 0.0009044fisher.test(v12)##
## Fisher's Exact Test for Count Data
##
## data: v12
## p-value = 0.001035
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 1.131576 1.644059
## sample estimates:
## odds ratio
## 1.366779assocstats(v12)## X^2 df P(> X^2)
## Likelihood Ratio 10.722 1 0.00105886
## Pearson 11.351 1 0.00075417
##
## Phi-Coefficient : 0.034
## Contingency Coeff.: 0.034
## Cramer's V : 0.034En este caso, el valor de p de Chi cuadrado no es significante (p-value = 0.0009044) por lo tanto se acepta hipotesis nula y se rechaza hipotesis alterna, donde se evidencia que la desnutrición influye en la perdida de seguimiento de los pacientes. Los índices de Cramer y Phi (0.034) determinan que hay una asociación muy pequeña entre las variables.
Perdida seguimiento vs Comorbilidad Enfermedad mental
v13 = table(df2$PERDIDA_SEGUIMIENTO, df2$Enf_Mental)
rownames(v13) <- c("SI", "NO")
colnames(v13) <- c("SI", "NO")
addmargins(v13)##
## SI NO Sum
## SI 9357 7 9364
## NO 734 4 738
## Sum 10091 11 10102PlotXTabs2(data=df2,x=Enf_Mental,y=PERDIDA_SEGUIMIENTO)
chisq.test(v13)## Warning in chisq.test(v13): Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v13
## X-squared = 9.7711, df = 1, p-value = 0.001773fisher.test(v13)##
## Fisher's Exact Test for Count Data
##
## data: v13
## p-value = 0.006154
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 1.559432 28.722543
## sample estimates:
## odds ratio
## 7.28147assocstats(v13)## X^2 df P(> X^2)
## Likelihood Ratio 7.5888 1 0.00587326
## Pearson 13.7309 1 0.00021096
##
## Phi-Coefficient : 0.037
## Contingency Coeff.: 0.037
## Cramer's V : 0.037En este caso, el valor de p de Chi cuadrado no es significante (p-value = 0.001773) por lo tanto se acepta hipotesis nula y se rechaza hipotesis alterna, donde se evidencia que la presencia de una enfermedad mental influye en la perdida de seguimiento de los pacientes. Los índice de Cramer y Phi (0.037) determinan que hay una asociación muy pequeña entre las variables.
Perdida seguimiento vs Comorbilidad Tabaquismo
v14 = table(df2$PERDIDA_SEGUIMIENTO, df2$Tabaquismo)
rownames(v14) <- c("SI", "NO")
colnames(v14) <- c("SI", "NO")
addmargins(v14)##
## SI NO Sum
## SI 9297 67 9364
## NO 726 12 738
## Sum 10023 79 10102PlotXTabs2(data=df2,x=Tabaquismo,y=PERDIDA_SEGUIMIENTO)
chisq.test(v14)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v14
## X-squared = 6.1828, df = 1, p-value = 0.0129fisher.test(v14)##
## Fisher's Exact Test for Count Data
##
## data: v14
## p-value = 0.0141
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 1.12366 4.30042
## sample estimates:
## odds ratio
## 2.293191assocstats(v14)## X^2 df P(> X^2)
## Likelihood Ratio 5.7136 1 0.0168344
## Pearson 7.3092 1 0.0068602
##
## Phi-Coefficient : 0.027
## Contingency Coeff.: 0.027
## Cramer's V : 0.027En este caso, el valor de p de Chi cuadrado no es significante (p-value = 0.0129) por lo tanto se acepta hipotesis nula y se rechaza hipotesis alterna, donde se evidencia que la presencia de tabaquismo influye en la perdida de seguimiento de los pacientes. Los índices de Cramer Y Phi (0.027) determinan que hay una asociación muy pequeña entre las variables.
Perdida seguimiento vs Programas de proteccion social
v15 = table(df$PERDIDA_SEGUIMIENTO, df$PROGRAMAS_PROTECC_SOCIAL)
rownames(v15) <- c("SI", "NO")
colnames(v15) <- c("Varios", "No evaluado", "Alimentario", "Transporte", "Educativo", "NA", "Ninguno", "Desempleo", "Vivienda", "Monetario")
addmargins(v15)##
## Varios No evaluado Alimentario Transporte Educativo NA Ninguno
## SI 79 3 7 23 1965 2065 5152
## NO 14 0 0 2 145 173 391
## Sum 93 3 7 25 2110 2238 5543
##
## Desempleo Vivienda Monetario Sum
## SI 26 2 42 9364
## NO 4 0 9 738
## Sum 30 2 51 10102PlotXTabs2(data=df,x=PROGRAMAS_PROTECC_SOCIAL,y=PERDIDA_SEGUIMIENTO)
chisq.test(v15)## Warning in chisq.test(v15): Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test
##
## data: v15
## X-squared = 20.572, df = 9, p-value = 0.01469#fisher.test(v15)
assocstats(v15)## X^2 df P(> X^2)
## Likelihood Ratio 17.250 9 0.044936
## Pearson 20.572 9 0.014692
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.045
## Cramer's V : 0.045En este caso, el valor de p de Chi cuadrado es significante (p-value = 0.01469) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que el pertenecer a un programa de proteccion social influye en la perdida de seguimiento de los pacientes. El índice de Cramer (0.045) determina que hay una asociación muy pequeña entre las variables.
Perdida seguimiento vs Reacciones adversas
v16 = table(df$PERDIDA_SEGUIMIENTO, df$REACCIONES_ADVERSAS_TTO)
rownames(v16) <- c("SI", "NO")
colnames(v16) <- c("Grave", "Leve", "Moderada", "Ninguna", "SD")
addmargins(v16)##
## Grave Leve Moderada Ninguna SD Sum
## SI 16 11 14 4179 5144 9364
## NO 3 1 4 341 389 738
## Sum 19 12 18 4520 5533 10102PlotXTabs2(data=df,x=REACCIONES_ADVERSAS_TTO,y=PERDIDA_SEGUIMIENTO)
chisq.test(v16)## Warning in chisq.test(v16): Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test
##
## data: v16
## X-squared = 8.9509, df = 4, p-value = 0.06234fisher.test(v16)##
## Fisher's Exact Test for Count Data
##
## data: v16
## p-value = 0.05222
## alternative hypothesis: two.sidedassocstats(v16)## X^2 df P(> X^2)
## Likelihood Ratio 6.5593 4 0.161091
## Pearson 8.9509 4 0.062339
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.03
## Cramer's V : 0.03En este caso, el valor de p de Chi cuadrado no es significante (p-value = 0.06234) por lo tanto se acepta hipotesis nula y se rechaza hipotesis alterna, donde se evidencia que las reacciones adversas a tratamiento no influyen en la perdida de seguimiento de los pacientes. Los índices de Cramer Y Phi (0.03) determinan que hay una asociación muy pequeña entre las variables.
Perdida seguimiento vs Pertenencia étnica
df2$PERTENENCIA_ETNICA<- str_replace(df2$PERTENENCIA_ETNICA, "NEGRO, MULATO, AFROCOLOMBIANO","AFRO")
df2$PERTENENCIA_ETNICA<- str_replace(df2$PERTENENCIA_ETNICA, "ROOM (GITANO)","ROOM")v17 = table(df2$PERDIDA_SEGUIMIENTO, df2$PERTENENCIA_ETNICA)
rownames(v17) <- c("SI", "NO")
colnames(v17) <- c("INDIGENA", "AFRO", "OTRO", "PALENQUERO", "RAIZAL", "ROOM")
addmargins(v17)##
## INDIGENA AFRO OTRO PALENQUERO RAIZAL ROOM Sum
## SI 70 131 9144 1 6 12 9364
## NO 12 22 702 0 1 1 738
## Sum 82 153 9846 1 7 13 10102PlotXTabs2(data=df2,x=PERTENENCIA_ETNICA,y=PERDIDA_SEGUIMIENTO)
chisq.test(v17)## Warning in chisq.test(v17): Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test
##
## data: v17
## X-squared = 18.843, df = 5, p-value = 0.002056fisher.test(v17)##
## Fisher's Exact Test for Count Data
##
## data: v17
## p-value = 0.002105
## alternative hypothesis: two.sidedassocstats(v17)## X^2 df P(> X^2)
## Likelihood Ratio 15.148 5 0.0097472
## Pearson 18.843 5 0.0020561
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.043
## Cramer's V : 0.043En este caso, el valor de p de Chi cuadrado es significante (p-value = 0.002056) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que tener alguna pertenencia étnica influye en la perdida de seguimiento de los pacientes. El índice de Cramer (0.043) determina que hay una asociación muy pequeña entre las variables.
Perdida seguimiento vs Grupo poblacional:discapacidad
v18 = table(df2$PERDIDA_SEGUIMIENTO, df2$gp_discapa)
rownames(v18) <- c("SI", "NO")
colnames(v18) <- c("SI", "NO")
addmargins(v18)##
## SI NO Sum
## SI 9234 130 9364
## NO 733 5 738
## Sum 9967 135 10102PlotXTabs2(data=df2,x=gp_discapa,y=PERDIDA_SEGUIMIENTO)
chisq.test(v18)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v18
## X-squared = 2.1099, df = 1, p-value = 0.1464fisher.test(v18)##
## Fisher's Exact Test for Count Data
##
## data: v18
## p-value = 0.1315
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 0.1542437 1.1654710
## sample estimates:
## odds ratio
## 0.4845686assocstats(v18)## X^2 df P(> X^2)
## Likelihood Ratio 3.1534 1 0.07577
## Pearson 2.6212 1 0.10544
##
## Phi-Coefficient : 0.016
## Contingency Coeff.: 0.016
## Cramer's V : 0.016En este caso, el valor de p de Chi cuadrado no es significante (p-value = 0.1464) por lo tanto se acepta hipotesis nula y se rechaza hipotesis alterna, donde se evidencia que tener alguna condicion de discapacidad no influye en la perdida de seguimiento de los pacientes. Los índices de Cramer y Phi (0.0016) determinan que no hay una asociación entre las variables.
Perdida seguimiento vs Grupo poblacional:desplazado
v19 = table(df2$PERDIDA_SEGUIMIENTO, df2$gp_desplaz)
rownames(v19) <- c("SI", "NO")
colnames(v19) <- c("SI", "NO")
addmargins(v19)##
## SI NO Sum
## SI 9301 63 9364
## NO 722 16 738
## Sum 10023 79 10102PlotXTabs2(data=df2,x=gp_desplaz,y=PERDIDA_SEGUIMIENTO)
chisq.test(v19)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v19
## X-squared = 17.831, df = 1, p-value = 2.414e-05fisher.test(v19)##
## Fisher's Exact Test for Count Data
##
## data: v19
## p-value = 0.000155
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 1.754127 5.767639
## sample estimates:
## odds ratio
## 3.271053assocstats(v19)## X^2 df P(> X^2)
## Likelihood Ratio 13.828 1 2.0035e-04
## Pearson 19.711 1 9.0062e-06
##
## Phi-Coefficient : 0.044
## Contingency Coeff.: 0.044
## Cramer's V : 0.044En este caso, el valor de p de Chi cuadrado es significante (p-value = 2.414e-05) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que ser desplazado influye en la perdida de seguimiento de los pacientes. El índice de Cramer y Phi (0.043) determinan que hay una asociación muy pequeña entre las variables.
Perdida seguimiento vs Grupo poblacional: migrante
v20 = table(df2$PERDIDA_SEGUIMIENTO, df2$gp_migrant)
rownames(v20) <- c("SI", "NO")
colnames(v20) <- c("SI", "NO")
addmargins(v20)##
## SI NO Sum
## SI 8916 448 9364
## NO 663 75 738
## Sum 9579 523 10102PlotXTabs2(data=df2,x=gp_migrant,y=PERDIDA_SEGUIMIENTO)
chisq.test(v20)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v20
## X-squared = 39.22, df = 1, p-value = 3.786e-10fisher.test(v20)##
## Fisher's Exact Test for Count Data
##
## data: v20
## p-value = 1.125e-08
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 1.716796 2.920173
## sample estimates:
## odds ratio
## 2.251041assocstats(v20)## X^2 df P(> X^2)
## Likelihood Ratio 32.570 1 1.1496e-08
## Pearson 40.309 1 2.1686e-10
##
## Phi-Coefficient : 0.063
## Contingency Coeff.: 0.063
## Cramer's V : 0.063En este caso, el valor de p de Chi cuadrado es significante (p-value = 3.786e-10) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que ser migrante influye en la perdida de seguimiento de los pacientes. El índice de Cramer y Phi (0.063) determinan que hay una asociación muy pequeña entre las variables.
Perdida seguimiento vs Grupo poblacional: carcelario
v21 = table(df2$PERDIDA_SEGUIMIENTO, df2$gp_carcela)
rownames(v21) <- c("SI", "NO")
colnames(v21) <- c("SI", "NO")
addmargins(v21)##
## SI NO Sum
## SI 9057 307 9364
## NO 706 32 738
## Sum 9763 339 10102PlotXTabs2(data=df2,x=gp_carcela,y=PERDIDA_SEGUIMIENTO)
chisq.test(v21)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v21
## X-squared = 2.0442, df = 1, p-value = 0.1528fisher.test(v21)##
## Fisher's Exact Test for Count Data
##
## data: v21
## p-value = 0.136
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 0.8914069 1.9458192
## sample estimates:
## odds ratio
## 1.337136assocstats(v21)## X^2 df P(> X^2)
## Likelihood Ratio 2.1804 1 0.13978
## Pearson 2.3590 1 0.12456
##
## Phi-Coefficient : 0.015
## Contingency Coeff.: 0.015
## Cramer's V : 0.015En este caso, el valor de p de Chi cuadrado no es significante (p-value = 0.1528) por lo tanto se acepta hipotesis nula y se rechaza hipotesis alterna, donde se evidencia que ser carcelario no influye en la perdida de seguimiento de los pacientes. El índice de Cramer y Phi (0.015) determinan que no hay asociación entre las variables.
Perdida seguimiento vs Grupo poblacional: gestante
v22 = table(df2$PERDIDA_SEGUIMIENTO, df2$gp_gestan)
rownames(v22) <- c("SI", "NO")
colnames(v22) <- c("SI", "NO")
addmargins(v22)##
## SI NO Sum
## SI 9348 16 9364
## NO 734 4 738
## Sum 10082 20 10102PlotXTabs2(data=df2,x=gp_gestan,y=PERDIDA_SEGUIMIENTO)
chisq.test(v22)## Warning in chisq.test(v22): Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v22
## X-squared = 3.0755, df = 1, p-value = 0.07948fisher.test(v22)##
## Fisher's Exact Test for Count Data
##
## data: v22
## p-value = 0.05356
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 0.772459 9.902516
## sample estimates:
## odds ratio
## 3.183322assocstats(v22)## X^2 df P(> X^2)
## Likelihood Ratio 3.3533 1 0.067072
## Pearson 4.7689 1 0.028978
##
## Phi-Coefficient : 0.022
## Contingency Coeff.: 0.022
## Cramer's V : 0.022En este caso, el valor de p de Chi cuadrado no es significante (p-value = 0.07948) por lo tanto se acepta hipotesis nula y se rechaza hipotesis alterna, donde se evidencia que ser gestante no influye en la perdida de seguimiento de los pacientes. El índice de Cramer y Phi (0.022) determinan que no hay asociación entre las variables.
Perdida seguimiento vs Grupo poblacional: habitante de calle
v23 = table(df2$PERDIDA_SEGUIMIENTO, df2$gp_indigen)
rownames(v23) <- c("SI", "NO")
colnames(v23) <- c("SI", "NO")
addmargins(v23)##
## SI NO Sum
## SI 9027 337 9364
## NO 534 204 738
## Sum 9561 541 10102PlotXTabs2(data=df2,x=gp_indigen,y=PERDIDA_SEGUIMIENTO)
chisq.test(v23)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v23
## X-squared = 775.48, df = 1, p-value < 2.2e-16fisher.test(v23)##
## Fisher's Exact Test for Count Data
##
## data: v23
## p-value < 2.2e-16
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 8.373435 12.477026
## sample estimates:
## odds ratio
## 10.22788assocstats(v23)## X^2 df P(> X^2)
## Likelihood Ratio 446.95 1 0
## Pearson 780.22 1 0
##
## Phi-Coefficient : 0.278
## Contingency Coeff.: 0.268
## Cramer's V : 0.278En este caso, el valor de p de Chi cuadrado es significante (p-value < 2.2e-16) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que ser habitante de calle influye en la perdida de seguimiento de los pacientes. El índice de Cramer y Phi (0.278) determinan que hay una fuerza de asociación mediana entre las variables.
Perdida seguimiento vs Grupo poblacional: ICBF
v24 = table(df2$PERDIDA_SEGUIMIENTO, df2$gp_pobicbf)
rownames(v24) <- c("SI", "NO")
colnames(v24) <- c("SI", "NO")
addmargins(v24)##
## SI NO Sum
## SI 9352 12 9364
## NO 736 2 738
## Sum 10088 14 10102PlotXTabs2(data=df2,x=gp_pobicbf,y=PERDIDA_SEGUIMIENTO)
chisq.test(v24)## Warning in chisq.test(v24): Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v24
## X-squared = 0.24056, df = 1, p-value = 0.6238fisher.test(v24)##
## Fisher's Exact Test for Count Data
##
## data: v24
## p-value = 0.2728
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 0.2297563 9.5386929
## sample estimates:
## odds ratio
## 2.117537assocstats(v24)## X^2 df P(> X^2)
## Likelihood Ratio 0.80498 1 0.36961
## Pearson 1.00871 1 0.31521
##
## Phi-Coefficient : 0.01
## Contingency Coeff.: 0.01
## Cramer's V : 0.01En este caso, el valor de p de Chi cuadrado no es significante (p-value = 0.6238) por lo tanto se acepta hipotesis nula y se rechaza hipotesis alterna, donde se evidencia que ser población del ICBF no influye en la perdida de seguimiento de los pacientes. El índice de Cramer y Phi (0.01) determinan que no hay asociación entre las variables.
Perdida seguimiento vs Grupo poblacional: poblacion psiquiatrica
v25 = table(df2$PERDIDA_SEGUIMIENTO, df2$gp_psiquia)
rownames(v25) <- c("SI", "NO")
colnames(v25) <- c("SI", "NO")
addmargins(v25)##
## SI NO Sum
## SI 9357 7 9364
## NO 734 4 738
## Sum 10091 11 10102PlotXTabs2(data=df2,x=gp_psiquia,y=PERDIDA_SEGUIMIENTO)
chisq.test(v25)## Warning in chisq.test(v25): Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: v25
## X-squared = 9.7711, df = 1, p-value = 0.001773fisher.test(v25)##
## Fisher's Exact Test for Count Data
##
## data: v25
## p-value = 0.006154
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 1.559432 28.722543
## sample estimates:
## odds ratio
## 7.28147assocstats(v25)## X^2 df P(> X^2)
## Likelihood Ratio 7.5888 1 0.00587326
## Pearson 13.7309 1 0.00021096
##
## Phi-Coefficient : 0.037
## Contingency Coeff.: 0.037
## Cramer's V : 0.037En este caso, el valor de p de Chi cuadrado es significante (p-value = 0.001773) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que ser población psiquiatrica influye en la perdida de seguimiento de los pacientes. El índice de Cramer y Phi (0.037) determinan que hay asociación muy pequeña entre las variables.
Perdida seguimiento vs Grupo poblacional: localizacion Extrapulmonar
v26 = table(df$PERDIDA_SEGUIMIENTO, df$LOCALIZACION_EXTRA)
rownames(v26) <- c("SI", "NO")
colnames(v26) <- c("Genitourinaria", "NA", "Pleural", "Cutanea", "Ganglionar", "Intestinal", "Meningea", "Osteoarticular", "Otro", "Pericardica", "Peritoneal", "Renal", "Laringea")
addmargins(v26)##
## Genitourinaria NA Pleural Cutanea Ganglionar Intestinal Meningea
## SI 46 332 83 80 1 796 6373
## NO 3 34 0 2 0 52 567
## Sum 49 366 83 82 1 848 6940
##
## Osteoarticular Otro Pericardica Peritoneal Renal Laringea Sum
## SI 196 215 105 143 977 17 9364
## NO 13 8 6 5 46 2 738
## Sum 209 223 111 148 1023 19 10102PlotXTabs2(data=df,x=LOCALIZACION_EXTRA,y=PERDIDA_SEGUIMIENTO)
chisq.test(v26)## Warning in chisq.test(v26): Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test
##
## data: v26
## X-squared = 42.19, df = 12, p-value = 3.094e-05#fisher.test(v26)
assocstats(v26)## X^2 df P(> X^2)
## Likelihood Ratio 52.492 12 5.0704e-07
## Pearson 42.190 12 3.0943e-05
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.064
## Cramer's V : 0.065En este caso, el valor de p de Chi cuadrado es significante (p-value = 3.094e-05) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que la locaalizacion anatomica de la tuberculosis influye en la perdida de seguimiento de los pacientes. El índice de Cramer (0.065) determina que hay asociación muy pequeña entre las variables.
Perdida seguimiento vs Grupo poblacional: localidad de residencia
v27 = table(df2$PERDIDA_SEGUIMIENTO, df2$LOC_RES)
rownames(v27) <- c("SI", "NO")
colnames(v27) <- c("CO", "SO", "NORTE", "SUR", "FDB", "SD")
addmargins(v27)##
## CO SO NORTE SUR FDB SD Sum
## SI 1701 1860 2408 267 2029 1099 9364
## NO 181 82 156 75 133 111 738
## Sum 1882 1942 2564 342 2162 1210 10102PlotXTabs2(data=df2,x=LOC_RES,y=PERDIDA_SEGUIMIENTO)
chisq.test(v27)##
## Pearson's Chi-squared test
##
## data: v27
## X-squared = 166.26, df = 5, p-value < 2.2e-16#fisher.test(v26)
assocstats(v27)## X^2 df P(> X^2)
## Likelihood Ratio 134.85 5 0
## Pearson 166.26 5 0
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.127
## Cramer's V : 0.128En este caso, el valor de p de Chi cuadrado es significante (p-value < 2.2e-16) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que la localidad de residencia del paciente influye en la perdida de seguimiento de los pacientes. El índice de Cramer (0.16) determina que hay asociación muy pequeña entre las variables.
Perdida seguimiento vs Grupo poblacional: localidad de diagnostico
v28 = table(df2$PERDIDA_SEGUIMIENTO, df2$LOC_DX)
rownames(v28) <- c("SI", "NO")
colnames(v28) <- c("CO", "SO", "NORTE", "SUR", "Sin Dato")
addmargins(v28)##
## CO SO NORTE SUR Sin Dato Sum
## SI 3233 4444 17 1127 543 9364
## NO 325 239 2 102 70 738
## Sum 3558 4683 19 1229 613 10102PlotXTabs2(data=df2,x=LOC_DX,y=PERDIDA_SEGUIMIENTO)
chisq.test(v28)## Warning in chisq.test(v28): Chi-squared approximation may be incorrect##
## Pearson's Chi-squared test
##
## data: v28
## X-squared = 68.506, df = 4, p-value = 4.691e-14#fisher.test(v26)
assocstats(v28)## X^2 df P(> X^2)
## Likelihood Ratio 68.799 4 4.0745e-14
## Pearson 68.506 4 4.6962e-14
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.082
## Cramer's V : 0.082En este caso, el valor de p de Chi cuadrado es significante (p-value < 2.2e-16) por lo tanto se rechaza hipotesis nula y se acepta hipotesis alterna, donde se evidencia que la localidad de diagnostico del paciente influye en la perdida de seguimiento de los pacientes. El índice de Cramer (0.164) determina que hay asociación muy pequeña entre las variables.
##SELECCION DE PREDICTORES
df2$REGIMEN_AFILIACION<- str_replace(df2$REGIMEN_AFILIACION, "C - CONTRIBUTIVO","C")
df2$REGIMEN_AFILIACION<- str_replace(df2$REGIMEN_AFILIACION, "E - ESPECIAL","E")
df2$REGIMEN_AFILIACION<- str_replace(df2$REGIMEN_AFILIACION, "N - NO ASEGURADO","N")
df2$REGIMEN_AFILIACION<- str_replace(df2$REGIMEN_AFILIACION, "P - EXCEPCION","P")
df2$REGIMEN_AFILIACION<- str_replace(df2$REGIMEN_AFILIACION, "S - SUBSIDIADO","S")df2$CONDICION_INGRESO<- str_replace(df2$CONDICION_INGRESO, "OTROS PREVIAMENTE TRATADOS","OPT")
df2$CONDICION_INGRESO<- str_replace(df2$CONDICION_INGRESO, "REINGRESO TRAS FRACASO","RTF")
df2$CONDICION_INGRESO<- str_replace(df2$CONDICION_INGRESO, "REINGRESO TRAS PERDIDA EN EL SEGUIMIENTO","RTPS")
df2$CONDICION_INGRESO<- str_replace(df2$CONDICION_INGRESO, "REINGRESO TRAS RECAIDA","RTR")predictores<- df2[,c("ID", "SEXO", "EDAD", "PERTENENCIA_ETNICA", "gp_desplaz", "gp_migrant", "gp_indigen", "LOC_RES", "REGIMEN_AFILIACION", "TIPO_TB", "CONDICION_INGRESO", "RESULTADO_BK_RECOD", "CONDICION_VIH", "Consumidor_SPA", "Desnutricion", "Tabaquismo", "Enf_Mental", "PERDIDA_SEGUIMIENTO")]
predictores<-as.data.frame(predictores)Se deben aplicar tecnicas para reducir las variables, para ello hay que codificar las variables categoricas:
#install.packages("fastDummies")#library(fastDummies)
#dummy_cols(predictores)#predictores_dumy<-dummy_columns(predictores, remove_first_dummy=TRUE)
#predictores_dumypredictores <- predictores %>% mutate(Sexo_D = case_when (
SEXO == "F" ~ 1,
SEXO == "M" ~ 2),
Pert_Etnica_D = case_when (
PERTENENCIA_ETNICA == "OTRO" ~ 0,
PERTENENCIA_ETNICA == "INDIGENA" ~ 1,
PERTENENCIA_ETNICA == "AFRO" ~ 2,
PERTENENCIA_ETNICA == "PALENQUERO" ~ 3,
PERTENENCIA_ETNICA == "RAIZAL" ~ 4,
PERTENENCIA_ETNICA == "ROOM" ~ 5),
gp_desplazado_D = case_when (
gp_desplaz == "SI" ~ 1,
gp_desplaz == "NO" ~ 0),
gp_migrante_D = case_when (
gp_migrant == "SI" ~ 1,
gp_migrant == "NO" ~ 0),
gp_hab_calle_D = case_when (
gp_indigen == "SI" ~ 1,
gp_indigen == "NO" ~ 0),
Loc_Res_D = case_when (
LOC_RES == "Sin Dato" ~ 0,
LOC_RES == "NORTE" ~ 1,
LOC_RES == "CO" ~ 2,
LOC_RES == "SO" ~ 3,
LOC_RES == "SUR" ~ 4,
LOC_RES == "FDB" ~ 5),
Reg_Afi_D = case_when (
REGIMEN_AFILIACION == "C" ~ 1,
REGIMEN_AFILIACION == "S" ~ 2,
REGIMEN_AFILIACION == "N" ~ 3,
REGIMEN_AFILIACION == "E" ~ 4,
REGIMEN_AFILIACION == "P" ~ 5),
Tipo_TB_D = case_when (
TIPO_TB == "PULMONAR" ~ 1,
TIPO_TB== "EXTRAPULMONAR" ~ 2),
Cond_Ing_D = case_when (
CONDICION_INGRESO == "REMITIDO" ~ 0,
CONDICION_INGRESO == "OPT" ~ 1,
CONDICION_INGRESO == "RTPS" ~ 2,
CONDICION_INGRESO == "RTR" ~ 3,
CONDICION_INGRESO == "RTF" ~ 4,
CONDICION_INGRESO == "NUEVO" ~ 5),
Res_BK_D = case_when (
RESULTADO_BK_RECOD == "POSITIVO" ~ 1,
RESULTADO_BK_RECOD == "SD" ~ 0,
RESULTADO_BK_RECOD == "NEGATIVO" ~ 2,
RESULTADO_BK_RECOD == "NO REALIZADO" ~ 3),
Cond_VIH_D = case_when (
CONDICION_VIH == "POSITIVO" ~ 1,
CONDICION_VIH == "DESCONOCIDO" ~ 0,
CONDICION_VIH == "NEGATIVO" ~ 2),
Consumo_SPA_D = case_when (
Consumidor_SPA == "SI" ~ 1,
Consumidor_SPA == "NO" ~ 0),
DNT_D = case_when (
Desnutricion == "SI" ~ 1,
Desnutricion == "NO" ~ 0),
Tab_D = case_when (
Tabaquismo == "SI" ~ 1,
Tabaquismo == "NO" ~ 0),
Enf_Mental_D = case_when (
Enf_Mental == "SI" ~ 1,
Enf_Mental == "NO" ~ 0),
Perd_Seg_D = case_when (
PERDIDA_SEGUIMIENTO == "SI" ~ 1,
PERDIDA_SEGUIMIENTO == "NO" ~ 0),
)
#predictores_dumy$SEXO <- as.numeric(predictores$SEXO)
head(predictores)## ID SEXO EDAD PERTENENCIA_ETNICA gp_desplaz gp_migrant gp_indigen LOC_RES
## 1 1 M 25 OTRO NO NO NO FDB
## 2 2 M 66 OTRO NO NO NO SO
## 3 3 M 38 OTRO NO NO NO SO
## 4 4 M 67 OTRO NO NO NO SO
## 5 5 F 25 OTRO NO NO NO SO
## 6 6 F 82 OTRO NO NO NO SO
## REGIMEN_AFILIACION TIPO_TB CONDICION_INGRESO RESULTADO_BK_RECOD
## 1 P PULMONAR NUEVO POSITIVO
## 2 S PULMONAR OPT POSITIVO
## 3 S PULMONAR NUEVO POSITIVO
## 4 S PULMONAR NUEVO POSITIVO
## 5 S PULMONAR NUEVO POSITIVO
## 6 S PULMONAR NUEVO POSITIVO
## CONDICION_VIH Consumidor_SPA Desnutricion Tabaquismo Enf_Mental
## 1 NEGATIVO NO NO NO NO
## 2 NEGATIVO NO NO NO NO
## 3 NEGATIVO NO SI NO NO
## 4 NEGATIVO NO NO SI NO
## 5 NEGATIVO NO NO NO NO
## 6 NEGATIVO NO SI NO NO
## PERDIDA_SEGUIMIENTO Sexo_D Pert_Etnica_D gp_desplazado_D gp_migrante_D
## 1 NO 2 0 0 0
## 2 NO 2 0 0 0
## 3 NO 2 0 0 0
## 4 NO 2 0 0 0
## 5 NO 1 0 0 0
## 6 NO 1 0 0 0
## gp_hab_calle_D Loc_Res_D Reg_Afi_D Tipo_TB_D Cond_Ing_D Res_BK_D Cond_VIH_D
## 1 0 5 5 1 5 1 2
## 2 0 3 2 1 1 1 2
## 3 0 3 2 1 5 1 2
## 4 0 3 2 1 5 1 2
## 5 0 3 2 1 5 1 2
## 6 0 3 2 1 5 1 2
## Consumo_SPA_D DNT_D Tab_D Enf_Mental_D Perd_Seg_D
## 1 0 0 0 0 0
## 2 0 0 0 0 0
## 3 0 1 0 0 0
## 4 0 0 1 0 0
## 5 0 0 0 0 0
## 6 0 1 0 0 0base_predic_dumy <- predictores[c("ID", "Sexo_D", "EDAD", "Pert_Etnica_D", "gp_desplazado_D", "gp_migrante_D", "gp_hab_calle_D", "Loc_Res_D", "Reg_Afi_D", "Tipo_TB_D", "Cond_Ing_D", "Res_BK_D", "Cond_VIH_D", "Consumo_SPA_D", "DNT_D", "Tab_D", "Enf_Mental_D", "Perd_Seg_D")]
head(base_predic_dumy)## ID Sexo_D EDAD Pert_Etnica_D gp_desplazado_D gp_migrante_D gp_hab_calle_D
## 1 1 2 25 0 0 0 0
## 2 2 2 66 0 0 0 0
## 3 3 2 38 0 0 0 0
## 4 4 2 67 0 0 0 0
## 5 5 1 25 0 0 0 0
## 6 6 1 82 0 0 0 0
## Loc_Res_D Reg_Afi_D Tipo_TB_D Cond_Ing_D Res_BK_D Cond_VIH_D Consumo_SPA_D
## 1 5 5 1 5 1 2 0
## 2 3 2 1 1 1 2 0
## 3 3 2 1 5 1 2 0
## 4 3 2 1 5 1 2 0
## 5 3 2 1 5 1 2 0
## 6 3 2 1 5 1 2 0
## DNT_D Tab_D Enf_Mental_D Perd_Seg_D
## 1 0 0 0 0
## 2 0 0 0 0
## 3 1 0 0 0
## 4 0 1 0 0
## 5 0 0 0 0
## 6 1 0 0 0BALANCEO POR SMOTE
#install.packages("rsample")
#install.packages("smotefamily")balanceo <- base_predic_dumy
glimpse(balanceo)## Rows: 10,102
## Columns: 18
## $ ID <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,…
## $ Sexo_D <dbl> 2, 2, 2, 2, 1, 1, 2, 1, 2, 2, 2, 2, 2, 1, 1, 2, 1, 2, …
## $ EDAD <dbl> 25, 66, 38, 67, 25, 82, 41, 86, 75, 56, 40, 65, 4, 2, …
## $ Pert_Etnica_D <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, …
## $ gp_desplazado_D <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, …
## $ gp_migrante_D <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, …
## $ gp_hab_calle_D <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, …
## $ Loc_Res_D <dbl> 5, 3, 3, 3, 3, 3, 4, 3, 1, 5, 4, 2, 1, 1, 5, 1, 1, 1, …
## $ Reg_Afi_D <dbl> 5, 2, 2, 2, 2, 2, 2, 1, 4, 1, 1, 1, 1, 1, 1, 1, 1, 1, …
## $ Tipo_TB_D <dbl> 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 2, 2, 1, 1, …
## $ Cond_Ing_D <dbl> 5, 1, 5, 5, 5, 5, 5, 5, 5, 5, 3, 5, 5, 5, 5, 5, 5, 5, …
## $ Res_BK_D <dbl> 1, 1, 1, 1, 1, 1, 1, 3, 3, 2, 2, 2, 2, 2, 2, 2, 2, 2, …
## $ Cond_VIH_D <dbl> 2, 2, 2, 2, 2, 2, 2, 2, 0, 2, 1, 2, 2, 2, 2, 2, 2, 2, …
## $ Consumo_SPA_D <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, …
## $ DNT_D <dbl> 0, 0, 1, 0, 0, 1, 1, 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, …
## $ Tab_D <dbl> 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, …
## $ Enf_Mental_D <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, …
## $ Perd_Seg_D <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, …Partición del dataset
#RNGkind(sample.kind = "Rounding")
#set.seed(100)
# your code here
index_balanceo <- sample(x = nrow(balanceo), size= nrow(balanceo)*0.7)
balanceo_train <- balanceo[index_balanceo, ]
balanceo_test <- balanceo[-index_balanceo, ]
prop.table(table(balanceo_train$Perd_Seg_D))##
## 0 1
## 0.92730873 0.07269127library(DMwR2)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoolibrary(rsample)
library(smotefamily)#smote
perd_seg_train_smote <- SMOTE(X = balanceo_train[,-18],
target = balanceo_train[,18],
dup_size = 12)
perd_seg_train_smote<- perd_seg_train_smote$data # extract only the balanced dataset
perd_seg_train_smote$class <- as.factor(perd_seg_train_smote$class)
prop.table(table(perd_seg_train_smote$class))##
## 0 1
## 0.4952791 0.5047209predictores_std <- scale(base_predic_dumy)
head (predictores_std, n = 5)## ID Sexo_D EDAD Pert_Etnica_D gp_desplazado_D
## [1,] -1.731794 0.7145921 -1.1666793 -0.1426294 -0.08877551
## [2,] -1.731451 0.7145921 0.7271182 -0.1426294 -0.08877551
## [3,] -1.731108 0.7145921 -0.5662070 -0.1426294 -0.08877551
## [4,] -1.730765 0.7145921 0.7733083 -0.1426294 -0.08877551
## [5,] -1.730422 -1.3992613 -1.1666793 -0.1426294 -0.08877551
## gp_migrante_D gp_hab_calle_D Loc_Res_D Reg_Afi_D Tipo_TB_D Cond_Ing_D
## [1,] -0.2336519 -0.2378622 1.5073926 3.4421049 -0.6749626 0.2560114
## [2,] -0.2336519 -0.2378622 0.1915989 0.3294824 -0.6749626 -4.5421843
## [3,] -0.2336519 -0.2378622 0.1915989 0.3294824 -0.6749626 0.2560114
## [4,] -0.2336519 -0.2378622 0.1915989 0.3294824 -0.6749626 0.2560114
## [5,] -0.2336519 -0.2378622 0.1915989 0.3294824 -0.6749626 0.2560114
## Res_BK_D Cond_VIH_D Consumo_SPA_D DNT_D Tab_D Enf_Mental_D
## [1,] -1.185003 0.5418404 -0.1114725 -0.4593035 -0.08877551 -0.03301473
## [2,] -1.185003 0.5418404 -0.1114725 -0.4593035 -0.08877551 -0.03301473
## [3,] -1.185003 0.5418404 -0.1114725 2.1769942 -0.08877551 -0.03301473
## [4,] -1.185003 0.5418404 -0.1114725 -0.4593035 11.26325257 -0.03301473
## [5,] -1.185003 0.5418404 -0.1114725 -0.4593035 -0.08877551 -0.03301473
## Perd_Seg_D
## [1,] -0.2807217
## [2,] -0.2807217
## [3,] -0.2807217
## [4,] -0.2807217
## [5,] -0.2807217MODELADO
PARTICION DATASET
Se realiza partición del dataset (entrenamiento 70%) y (prueba 30%) y se balancea debido a que la clase mayoritaria son personas que no tienen perdida de seguimiento corresponde al 7.3%.
# separacion de muestras
#ntrain <- nrow(rotacion_select)*0.7
#ntest <- nrow(rotacion_select)*0.3
#set.seed(123)
#index_train<-sample(1:nrow(rotacion_select),size = ntrain)
#train<-rotacion_select[index_train,] # muestra de entrenamiento
#test<-rotacion_select[-index_train,] # muestra de prueba
# oversampling
#train.blc <- ovun.sample(Rotación~., data=train,
#p=0.5, seed=1,
#method="over")$data
#test.blc <- ovun.sample(Rotación~., data=test,
#p=0.5, seed=1,
#method="over")$data
#table(train.blc$Rotación)
#table(test.blc$Rotación)