Introducción

¿Sabía usted que los intentos de suicidios en el departamento de Santander han venido aumentando desde el 2016 hasta el 2023? El suicido ha sido un tema tabú para muchas familias y personas, el cual prefiere evitarse antes que tocarse y poder ser prevenido, actualmente, en la era de la comunicación es importante reconocer los problemas que nos rodean, por tal motivo se responde la pregunta: ¿Cómo afectan las condiciones socioeconómicas y de salud mental la probabilidad de intento de suicidio?

Este proyecto busca identificar y visualizar cuál es la relación de las condiciones socioeconómicas y de salud mental de una persona, con los intentos de suicidio del 2016–2023 registrados por la secretaría de salud y medio ambiente del departamento de Santander. Así mismo, esta pregunta de investigación podría analizar cómo factores como el nivel socioeconómico, el acceso a la atención médica, la presencia de enfermedades crónicas, la historia de problemas de salud mental y otros determinantes sociales influyen en la probabilidad de intento de suicidio en diferentes grupos de edad, junto con la identificación de posibles interacciones entre las variables socioeconómicas y de salud mental.

Por lo tanto, este informe se estructurará en cuatro partes principales. Primero, en la sección de Metodología, se explicarán los métodos utilizados para el análisis, incluyendo las variables consideradas y las técnicas estadísticas empleadas. En la sección de Resultados, se presentarán los hallazgos obtenidos. En la sección de Discusión, se interpretarán los resultados en el contexto de la pregunta de investigación. Finalmente, en la sección de Conclusión, se resumirán los hallazgos principales.

Metodología

Este estudio se abordó considerando aquellas variables relacionadas con la salud mental y las condiciones socioeconómicas de los casos registrados en la base de datos a trabajar, como se detalla a continuación:

Datos personales: Departamento de procedencia, municipio de procedencia, año del intento de suicidio, grupo de edad, ciclo de vida, sexo, área Barrio, comuna, Tipo de seguridad social, edad,

Factores desencadenantes: intentos previos, problema de pareja, enfermedad crónica, problemas económicos, muerte de un familiar, problema legal, problema escolar o educativo, suicidio de un familiar, maltrato físico/psicológico/sexual, problemas laborales, problemas familiares,

Factores de riesgo: problemas de consumo (spa), antecedentes familiares de conducta suicida, ideación suicida persistente, plan organizado de suicidio, antecedente de trastorno mental, trastorno psiquiátrico, trastornos de personalidad, trastorno bipolar, esquizofrenia, antecedentes de violencia o abuso, abuso de alcohol.

Además, se buscó emplear un método para poder encontrar las relaciones que existen entre las variables, en este caso se decidó usar la matriz de correlación, junto con el uso de las funciones de probabilidad y distribución, las cuales permitierón un análisis visual bivariado y poder crear relaciones entre sí.

Por consiguiente, el análisis se dividío en dos fases principales para permitir una correcta organización y así desglosar mejor las tareas a realizar. La primera fase fue la limpieza de datos, durante la cual se identificarón y corregierón los datos faltantes o aquellos que no se tuvierón en cosideración por un determinado motivo. La segunda fase comprendió en el análisis exploratorio de datos, en el cual se llevaró a cabo los siguientes pasos: Estadística descriptiva y análisis de interacciones.

Limpieza de datos

Para la limpieza se utilizó python, se creó un archivo .py y se da uso de la librería ‘pandas’, donde los resultados arrojados fuerón:

  1. Generalidades del set

    • El set consta 4174 filas, 51 columnas
    • 2 Columnas están totalmente vacías

  2. Identificar datos

    • 7 variables cuantitativas discretas

    • 11 variables cualitativas (4 variables cualitativas ordinales y 7 variables cualitativas nominales)

    • 31 variables binarias discretas (1 o 2)

    • 2 columnas totalmente vacías

  3. Limpieza de datos

    • nmun_proce 7 —> 0.167745% del total de datos
    • tipo_susta 1712 —> 41.025641% del total de datos
    • Nmun_Resi 4173 —> 100 % del total de datos, columna no cumple ninguna función

Para los cuales se realizo lo siguiente:

  • nmun_proce : missing at random ( ndep_proce )

    Como el número del municipio de procedencia representa menos del 1% del total de los datos, al no ser este una muestra significativa se puede eliminar sin que haya repercusión dentro del análisis.

Método realizado: Eliminación por fila

  • tipo_susta : missing at random ( intoxicaci)

    Este dato al no tener relación con el objetivo inicial de la investigación, se puede eliminar la variable por columna, dado que no podría eliminar el registro puesto que ocupan el 41% de los registros del dataset.

  • Nmun_resi : missing completely at random

    Al ser el 100% de los datos faltante, se intuye que es una columna vacía, por tal motivo se procede a eliminar.

Finalmente, se generó el siguiente csv con los datos limpios:

Estadística descriptiva

En este apartado se realizarón todos los cálculos relacionados con algunos parámetros estadísticos. También se crearón gráficos como diagramas de barras y de sectores para visualizar la distribución de las variables. Además, se generarón funciones de probabilidad PMF (Funcion Probabilidad de Masa) junto con sus CDF (Funcion Distribución Acumulada). Estos análisis se aplicarón a todas las variables anteriormente clasificadas.

Se utilizarón herramientas como Python y RStudio para llevar a cabo estos análisis. En Python, se emplearón librerías como Pandas para la manipulación de datos, Matplotlib y Seaborn para la visualización gráfica, y Scipy para el cálculo de funciones de probabilidad. En RStudio, se utilizarón paquetes como dplyr, readxl para la manipulación de datos y ggplot2, tidyverse para la creación de gráficos.

El uso de estas herramientas nos permitió obtener información valiosa para responder la pregunta principal y comprender mejor las relaciones entre las variables socioeconómicas y de salud mental con los intentos de suicidio.

Análisis de interacciones

En este paso, se creó una matriz de correlaciones entre las variables trabajadas para visualizar posibles patrones. Dado que la matriz es inmensa, se realizó una búsqueda de los coeficientes que cumplen con los requisitos de ‘correlación moderada’, es decir, aquellos que son iguales o superiores a |0.50|. Estos coeficientes se clasifican según la siguiente tabla:

Clasificación de correlaciones

Resultados

A continuación se presentan los cálculos y gráficos obtenidos a partir de los análisis realizados utilizando herramientas como Python y RStudio. Estos resultados incluyen estadisticas descriptivas, visualizaciones graficas y análisis de correlaciones.

Para iniciar se muestra una tabla con los resultados generados por el código creado en python, el cual se baso del CSV con los datos limpios.

Centralización

Como se puede observar, esta tabla presenta la moda de algunos datos en específico. Ahora bien, mediante el uso de RStudio y nuevamente Python se obtienen las siguientes gráficas correspondientes a las frecuencias y probabilidades de algunas varibles:

Número de casos correspondientes a hombres y mujeres

Reportes Hombres-Mujeres

Esta gráfica muestra la distribucion de intentos de suicidio registrados entre hombres y mujeres, donde los casos con mayor frecuencia son los relacionados con las mujeres.

Frecuencia casos reportados por edad

Reportes por edad

Este diagrama de barras presenta los números de casos por edad, donde se evidencia mayor concentración en personas menores de 30 años, esto se complementa con el siguiente gráfico el cual muestra la distribucion por rangos de edad.

Reportes por rango de edad

CDF de casos por edad y sexo

CDF edad

La distrubucion acumulada (CDF), relaciona dos varibles (tipo de sexo y edad) permitiendo visualizar la probabilidad acumulada que existe de que un caso de suicidio sea por un determinado sexo y sea menor o igual a cierta edad.

Frecuencia de casos por año

Reportes por año

La gráfica presenta las frecuencias de casos por año, donde se evidencia un aumento al pasar de los años, pero con un gran creciemiento entre el 2022 y 2023.

Frecuencia de casos registrados por régimen de salud

Reportes por régimen de salud

P. Excepción; C. Contributivo; E. Especial; S. Subsidiado; N. No asegurado; I. Indeterminado/Pendiente

Esta gráfica presenta los casos registrados de intentos de suicidio en personas que pertenecen a cierto régimen de salud, en donde se visualiza una gran cantidad de casos en el régimen contributivo.

Frecuencia de los barrios más comunes

Frecuencia barrios

El diagrama muestra la frecuencia de casos en los barrios más comunes del area metropolitana de bucaramanga, donde se visualiza que el barrio más común es Floridablanca, seguido de girón y campo hermoso, a pesar que ‘sin información’ registra mayor frecuencia. Lo cual sugiere dos posibilidades, la recolección de datos no pudo por algún motivo recopilar este dato, dado la condición final del paciente, o el paciente no pertenece a un barrio conocido o registrado. Para complementar también se tiene en cuenta el siguiente mapa donde clasifica los algunos barrios por estrato

  • Estrato 1,2 y 3

    Campo hermoso, Floridablanca, Centro ,Cafe madrid, Colorados, Girardot, Bucaramanga, Comuneros, Mutis, La joya.

  • Estrato 4,5

    Provenza, real de minas, san alonso, san francisco, Alfonzo López, universidad, diamante ll.

CDF Tipo de seguridad social (x), problemas económicos

Seguridad y economía

El CDF representa la probabilidad acumulada de que una persona con intento de suicidio perteneciente a un régimen de salud se relacionara con problemas económicos (1. Si 2.No)

Frecuencia de afectados por problemas económicos

#intervalos de edad
datos$rango_edad <- cut(datos$edad_, breaks = c(6, 12, 19, 27, 60, 100), right = FALSE)

#Separacion de datos con respuesta SI (1)
datos$rta_si_pE<- (datos$prob_econo == 1)


probl_econo <- subset(datos, rta_si_pE == "TRUE") #extraemos los que nos interesa en este caso los que marcaron SI

tabla_frecuencia_P_Economico <- as.data.frame(table(probl_econo$rango_edad)) # realiza tabla con frecuencia de cada intervalo
colnames(tabla_frecuencia_P_Economico) <- c("Rango_edad" , "Frecuencia")  #cambiamos el nombre por defecto

#agregamos frec acum, frec relativa y frec rela acum.
tabla_frecuencia_P_Economico <-  transform(tabla_frecuencia_P_Economico,
                                            FrecAcum = cumsum(tabla_frecuencia_P_Economico$Frecuencia),
                                            Relativa = round(prop.table(tabla_frecuencia_P_Economico$Frecuencia)*100, 2),
                                            RelAcum = round(cumsum(prop.table(tabla_frecuencia_P_Economico$Frecuencia))*100, 2)
                                            )
library(ggplot2)
ggplot(tabla_frecuencia_P_Economico, aes(x = Rango_edad, y = Frecuencia , fill = Rango_edad)) +
  geom_col() +
  geom_text(aes(label =  paste0(Relativa, "%")), vjust = -0.5) + 
  theme_minimal() +
  labs(x = "Rango de edad", y = "Frecuencia", title = "Afectados por problemas economicos")+
  scale_fill_discrete(name = "", labels = c( "Infancia", "Adolecencia", "Juventud", "Adultez", "Persona Mayor")) +
  theme(legend.position = "right",
        plot.title = element_text(hjust = 0.5, size = 16),
        legend.text = element_text(family = "roboto", size = 10)
  )

Esta gráfica muestra la frecuencia de casos registrados por problemas economicos en un determinado grupo de edad, donde se evidencia mayor número de casos entre los 27 y 60 años (Adultez).

Proporción de casos relacionados con factores de riesgo y desencadenantes

library(tidyverse)
library(scales)
library(dplyr)

FRiesgo <- datos %>% filter(   ( prob_consu == 1 |
                                hist_famil == 1 |
                                idea_suici == 1 |
                                plan_suici == 1 |
                                antec_tran == 1 |
                                tran_depre == 1 |
                                trast_personalidad == 1 |
                                trast_bipolaridad == 1 |
                                esquizofre == 1 |
                                antec_v_a == 1 |
                                abuso_alco == 1 )
                               & 
                                 ( 
                                 prob_parej == 2 &
                                 enfermedad_cronica == 2 &
                                 prob_econo == 2 &
                                 muerte_fam == 2 &
                                 esco_educ == 2 &
                                 prob_legal == 2 &
                                 suici_fm_a == 2 &
                                 maltr_fps == 2 &
                                 prob_labor == 2 &
                                 prob_famil == 2))

# Los que respondieron SI en algo
Fdesen <- datos %>% filter(  (prob_parej == 1 |
                                     enfermedad_cronica == 1 |
                                     prob_econo == 1 |
                                     muerte_fam == 1 |
                                     esco_educ == 1 |
                                     prob_legal == 1 |
                                     suici_fm_a == 1 |
                                     maltr_fps == 1 |
                                     prob_labor == 1 |
                                     prob_famil == 1)
                             &
                               (prob_consu == 2 &
                                  hist_famil == 2 &
                                  idea_suici == 2 &
                                  plan_suici == 2 &
                                  antec_tran == 2 &
                                  tran_depre == 2 &
                                  trast_personalidad == 2 &
                                  trast_bipolaridad == 2 &
                                  esquizofre == 2 &
                                  antec_v_a == 2 &
                                  abuso_alco == 2)
                               )

DOS <- datos %>% filter(  (prob_parej == 1 |
                             enfermedad_cronica == 1 |
                             prob_econo == 1 |
                             muerte_fam == 1 |
                             esco_educ == 1 |
                             prob_legal == 1 |
                             suici_fm_a == 1 |
                             maltr_fps == 1 |
                             prob_labor == 1 |
                             prob_famil == 1)
                          &
                            ( prob_consu == 1 |
                                hist_famil == 1 |
                                idea_suici == 1 |
                                plan_suici == 1 |
                                antec_tran == 1 |
                                tran_depre == 1 |
                                trast_personalidad == 1 |
                                trast_bipolaridad == 1 |
                                esquizofre == 1 |
                                antec_v_a == 1 |
                                abuso_alco == 1 )
)

DOSNO <- datos %>% filter(  (prob_parej == 2 &
                             enfermedad_cronica == 2 &
                             prob_econo == 2 &
                             muerte_fam == 2 &
                             esco_educ == 2 &
                             prob_legal == 2 &
                             suici_fm_a == 2 &
                             maltr_fps == 2 &
                             prob_labor == 2 &
                             prob_famil == 2)
                          &
                            ( prob_consu == 2 &
                                hist_famil == 2 &
                                idea_suici == 2 &
                                plan_suici == 2 &
                                antec_tran == 2 &
                                tran_depre == 2 &
                                trast_personalidad == 2 &
                                trast_bipolaridad == 2 &
                                esquizofre == 2 &
                                antec_v_a == 2 &
                                abuso_alco == 2 )
)

#tabla con numero de casos de determinado factor
Diagrama<- data.frame(
   "Registros" = c("Factor desencadenante", "Factor de riesgo", "Factor desencadenante y riesgo", "Ningun factor"),
   "Cantidad" = c(nrow(Fdesen), nrow(FRiesgo), nrow(DOS), nrow(DOSNO))
 )
ggplot(Diagrama, aes(x="", y = Cantidad, fill= Registros))+
  geom_bar(stat = "identity", color = "white")+
  geom_text(aes(label=percent(Cantidad/4173)),
            position = position_stack(vjust= 0.5), color = "black", size = 5)+
  coord_polar(theta = "y")+
  theme_void()+
  labs(title = "Influencia de factores")+
  theme(
    plot.title = element_text(family = "roboto", size = 20, face = "bold", hjust = 0.5) 
  )

Este diagrama de sectores muestra la proporción de los casos registrados relacionadas con los factores clasificados en un inicio, permitiendo visualizar en general las causas de los intentos de suicidio.

Casos registrados por factores de riesgo y desencadenantes en cierto rango de edad

tabla_rango_edades <- as.data.frame(table(datos$rango_edad)) # realiza tabla con frecuencia de cada intervalo

########### DATOS SI, FACTOR RIESGO ##########################
#Crea una columna en datos con un valor TRUE o FALSE si cumple los parametros
datos$rta_si<- (  datos$prob_consu == 1 |
                     datos$hist_famil == 1 |
                     datos$idea_suici == 1 |
                     datos$plan_suici == 1 |
                     datos$antec_tran == 1 |
                     datos$tran_depre == 1 |
                     datos$trast_personalidad == 1 |
                     datos$trast_bipolaridad == 1 |
                     datos$esquizofre == 1 |
                     datos$antec_v_a == 1 |
                     datos$abuso_alco == 1
                   )


#creamos la tabla de frecuencia con el numero de casos de SI en cada intervalo

factor_riesgo <- subset(datos, rta_si == "TRUE") #extraemos los que nos interesa en este caso los que marcaron SI

tabla_frecuencia_factorRiesgo <- as.data.frame(table(factor_riesgo$rango_edad)) # realiza tabla con frecuencia de cada intervalo
colnames(tabla_frecuencia_factorRiesgo) <- c("Rango_edad" , "Frecuencia")  #cambiamos el nombre por defecto

#agregamos frec acum, frec relativa y frec rela acum.
tabla_frecuencia_factorRiesgo <-  transform(tabla_frecuencia_factorRiesgo,
                                            FrecAcum = cumsum(tabla_frecuencia_factorRiesgo$Frecuencia),
                                            Relativa = round(prop.table(tabla_frecuencia_factorRiesgo$Frecuencia)*100, 2),
                                            RelAcum = round(cumsum(prop.table(tabla_frecuencia_factorRiesgo$Frecuencia))*100, 2)
                                            )
#para graficar
library(ggplot2)
#para cambiar fuente
library(showtext)
library(sysfonts)
font_add_google("Roboto", "roboto")
showtext_auto()

ggplot(tabla_frecuencia_factorRiesgo, aes(x = Rango_edad, y = Frecuencia , fill = Rango_edad)) +
  geom_col() +
  geom_text(aes(label =  paste0(Relativa, "%")), vjust = -0.5) + 
  theme_minimal() +
  labs(x = "Rango de edad", y = "Frecuencia", title = "Afectados por algun factor de riesgo")+
  scale_fill_discrete(name = "", labels = c( "Infancia", "Adolecencia", "Juventud", "Adultez", "Persona Mayor")) +
  theme(legend.position = "right",
        plot.title = element_text(hjust = 0.5, size = 16),
        legend.text = element_text(family = "roboto", size = 10)
  )

##################### DATOS SI, FACTOR DESENCADENATE ##############################

#Crea una columna en datos con un valor TRUE o FALSE si cumple los parametros
datos$rta_si_desen <- (  datos$prob_parej == 1 |
                     datos$enfermedad_cronica == 1 |
                     datos$prob_econo == 1 |
                     datos$muerte_fam == 1 |
                     datos$esco_educ == 1 |
                     datos$prob_legal == 1 |
                     datos$suici_fm_a == 1 |
                     datos$maltr_fps == 1 |
                     datos$prob_labor == 1 |
                     datos$prob_famil== 1
)
#creamos la tabla de frecuencia con el numero de casos de SI en cada intervalo

factor_desencadenate <- subset(datos, rta_si_desen == "TRUE") #extraemos los que nos interesa en este caso los que marcaron SI

tabla_frecuencia_factorDesencadenante<- as.data.frame(table(factor_desencadenate$rango_edad)) # realiza tabla con frecuencia de cada intervalo
colnames(tabla_frecuencia_factorDesencadenante) <- c("Rango_edad" , "Frecuencia")  #cambiamos el nombre por defecto

#agregamos frec acum, frec relativa y frec rela acum.
tabla_frecuencia_factorDesencadenante <-  transform(tabla_frecuencia_factorDesencadenante,
                                            FrecAcum = cumsum(tabla_frecuencia_factorDesencadenante$Frecuencia),
                                            Relativa = round(prop.table(tabla_frecuencia_factorDesencadenante$Frecuencia)*100, 2),
                                            RelAcum = round(cumsum(prop.table(tabla_frecuencia_factorDesencadenante$Frecuencia))*100,2)
)

#GRAFICA
ggplot(tabla_frecuencia_factorDesencadenante, aes(x = Rango_edad, y = Frecuencia , fill = Rango_edad)) +
  geom_col() +
  geom_text(aes(label =  paste0(Relativa, "%")), vjust = -0.5) + 
  theme_minimal() +
  labs(x = "Rango de edad", y = "Frecuencia", title = "Afectados por algun factor desencadenante")+
  scale_fill_discrete(name = "", labels = c("Infancia", "Adolecencia", "Juventud", "Adultez", "Persona Mayor")) +
  theme(legend.position = "right",
        plot.title = element_text(hjust = 0.5, size = 16),
        legend.text = element_text(family = "roboto", size = 10)
  )

Estos diagramas presentan en más detalle la frecuencia de los casos registrados por algunos de los factores de riesgo o desencadenantes anteriormente clasificados, en donde se evidencia que la población con más casos relacionados con estos factores son los Adultos entre 27 y 60 años.

Casos registrados por cierto tipo de factor de riesgo

factores_de_riesgo <- datos[,c(28,29,30,31,32,33,34,35,36,37,38)] #escogemos solo las de interes

#Factores con respuesta NO
#Contamos cuantos NO hay en cada factor de riesgo (se tiene en cuenta 4173 registros)
NO_consumo_sustancias <- sum(factores_de_riesgo$prob_consu == 2)
NO_familiares_suicidas <- sum(factores_de_riesgo$hist_famil == 2)
NO_ideacion_suicida <- sum(factores_de_riesgo$idea_suici == 2)
NO_planes_suicidas <- sum(factores_de_riesgo$plan_suici == 2)
NO_antecedentes_Tpsiqui <- sum(factores_de_riesgo$antec_tran == 2)
NO_depresion <- sum(factores_de_riesgo$tran_depre == 2)
NO_trast_personalidad <- sum(factores_de_riesgo$trast_personalidad == 2) 
NO_trast_bipolar <- sum(factores_de_riesgo$trast_bipolaridad == 2)
NO_esquizofrenia <- sum(factores_de_riesgo$esquizofre == 2)
NO_violencia_abuso <- sum(factores_de_riesgo$antec_v_a == 2)
NO_abuso_alcohol <- sum(factores_de_riesgo$abuso_alco == 2)



#Factores con respuesta SI
#Contamos cuantos SI hay en cada factor de riesgo (se tiene en cuenta 4173 registros)
consumo_sustancias <- sum(factores_de_riesgo$prob_consu == 1)
familiares_suicidas <- sum(factores_de_riesgo$hist_famil == 1)
ideacion_suicida <- sum(factores_de_riesgo$idea_suici == 1)
planes_suicidas <- sum(factores_de_riesgo$plan_suici == 1)
antecedentes_Tpsiqui <- sum(factores_de_riesgo$antec_tran == 1)
depresion <- sum(factores_de_riesgo$tran_depre == 1)
trast_personalidad <- sum(factores_de_riesgo$trast_personalidad == 1) 
trast_bipolar <- sum(factores_de_riesgo$trast_bipolaridad == 1)
esquizofrenia <- sum(factores_de_riesgo$esquizofre == 1)
violencia_abuso <- sum(factores_de_riesgo$antec_v_a == 1)
abuso_alcohol <- sum(factores_de_riesgo$abuso_alco == 1)




#tabla para hacer diagrama de sectores de SI y NO
resultado <- data.frame(
  "Factor" = c("Consumo de sustancias", "Familiares suicidas", "Ideacion suicida", 
               "Planes suicidas", "Antecedentes transtorno psiquiatrico", "Depresion",
               "Trastorno personalidad", "Trastorno bipolar", "Esquizofrenia",
               "Violencia y/o abuso", "Abuso de alcohol"),
  "SI" = c(consumo_sustancias, familiares_suicidas, ideacion_suicida,
           planes_suicidas, antecedentes_Tpsiqui, depresion,
           trast_personalidad, trast_bipolar, esquizofrenia,
           violencia_abuso, abuso_alcohol),
  "NO" = c(NO_consumo_sustancias, NO_familiares_suicidas, NO_ideacion_suicida,
           NO_planes_suicidas, NO_antecedentes_Tpsiqui, NO_depresion,
           NO_trast_personalidad, NO_trast_bipolar, NO_esquizofrenia,
           NO_violencia_abuso, NO_abuso_alcohol)
)


#visualizacion

library(ggplot2)
#para cambiar fuente
library(showtext)
library(sysfonts)
font_add_google("Roboto", "roboto")
showtext_auto()

ggplot(resultado, aes(Factor , SI, fill = Factor)) +
  geom_col() +
  geom_text(aes(label = SI), vjust = -0.5) + 
  theme_minimal() +
  scale_fill_discrete(name = "Factores de riesgo") +
  theme(legend.position = "right",
        legend.title = element_text(family = "roboto", size = 15, face = "bold", hjust = 0.5),
        legend.text = element_text(family = "roboto", size = 10),
        axis.text.x = element_blank(),
        axis.ticks.x = element_blank(),
        )

Esta gráfica permite visualizar que tipo de factor es más común en esta categoria, evidenciando una mayor frecuencia en casos por antecedentes psiquiatricos.

Casos registrados por cierto tipo de factor desencadenante

#Factores con respuesta NO
NO_prob_pareja <- sum(datos$prob_parej== 2)
NO_enfermedad_cr <- sum(datos$enfermedad_cronica == 2)
NO_prob_econo <- sum(datos$prob_econo == 2)
NO_muerte_fam <- sum(datos$muerte_fam == 2)
NO_esco_educ <- sum(datos$esco_educ == 2)
NO_prob_legal <- sum(datos$prob_legal== 2)
NO_suici_fm_a <- sum(datos$suici_fm_a == 2) 
NO_maltrato_fps <- sum(datos$maltr_fps == 2)
NO_prob_labor <- sum(datos$prob_labor == 2)
NO_prob_familia <- sum(datos$prob_famil == 2)

#Factores con respuesta SI
prob_pareja <- sum(datos$prob_parej== 1)
enfermedad_cro <- sum(datos$enfermedad_cronica == 1)
prob_economi <- sum(datos$prob_econo == 1)
muerte_fami <- sum(datos$muerte_fam == 1)
esco_educa <- sum(datos$esco_educ == 1)
probl_legal <- sum(datos$prob_legal== 1)
suici_fm_am <- sum(datos$suici_fm_a == 1) 
maltratos_fps <- sum(datos$maltr_fps == 1)
prob_laboral <- sum(datos$prob_labor == 1)
prob_familia <- sum(datos$prob_famil == 1)

#tabla para hacer diagrama de sectores de SI y NO
resultado <- data.frame(
  "Factor" = c("Problemas Pareja", "Enfermedad cronica", "Problemas economicos", 
               "Muerte familiar", "Escolar/Educativo", "Problema legal",
               "Suicidio familiar o amigo", "Maltrato F.P.S.", "Problema laboral",
               "Problema familiar"),
  "SI" = c(prob_pareja,enfermedad_cro,prob_economi,muerte_fami,esco_educa,
           probl_legal,suici_fm_am,maltratos_fps,prob_laboral,prob_familia),
  
  "NO" = c(NO_prob_pareja,NO_enfermedad_cr,NO_prob_econo,NO_muerte_fam,
           NO_esco_educ,NO_prob_legal,NO_suici_fm_a,NO_maltrato_fps,
           NO_prob_labor,NO_prob_familia)
)
##Grafica de frecuencia
library(ggplot2)
#para cambiar fuente
library(showtext)
library(sysfonts)
font_add_google("Roboto", "roboto")
showtext_auto()

ggplot(resultado, aes(Factor , SI, fill = Factor)) +
  geom_col() +
  geom_text(aes(label = SI), vjust = -0.5) + 
  theme_minimal() +
  scale_fill_discrete(name = "Factores desencadenante") +
  theme(legend.position = "right",
        legend.title = element_text(family = "roboto", size = 15, face = "bold", hjust = 0.5),
        legend.text = element_text(family = "roboto", size = 10),
        axis.text.x = element_blank(),
        axis.ticks.x = element_blank(),
  )

Esta gráfica permite visualizar que tipo de factor es más común en esta categoria, evidenciando una mayor frecuencia en casos por problemas de pareja.

Matriz de relación

Correlaciones

Resulta una matriz 433 x 433 donde se tiene como resultado las siguientes correlaciones moderadas

  • tran_depre, antec_tran,0.8156039891615469
  • grupo_edad_0 a 6, Barrio_Portal de los Angeles,0.7070218893222415

Discusión

Los datos analizados sobre intentos de suicidio en el departamento de Santander revelan una tendencia preocupante, con un aumento significativo de casos desde 2016 hasta 2023, especialmente notable en el período 2022-2023, como se muestra en la gráfica de frecuencia de casos por año. Este incremento coincide sorprendentemente con la pandemia de COVID-19, que comenzó a mediados de 2020, sugiriendo una posible relación entre la crisis sanitaria y el deterioro de la salud mental de la población, junto con problemas socioeconómicos debido al estrés económico y el aislamiento social.

El grupo demográfico más afectado se encuentra entre los 20 y 40 años, con una predominancia del sexo femenino, como se observa en los gráficos de edades y sexo. Esta tendencia se alinea con otros estudios que indican una mayor prevalencia de intentos de suicidio entre mujeres. Por ejemplo, un bolentin publicado en 2023 por el departamento de desarrollo social también informa sobre un mayor número de casos en mujeres, quienes son más vulnerables a trastornos psiquiátricos.

La concentración de casos en barrios de estratos 1, 2 y 3 sugiere una relación entre la vulnerabilidad económica y el riesgo de intento de suicidio. Esto se puede observar en el gráfico de frecuencia por barrios, donde la comuna más predominante es Floridablanca. Según la página de la alcaldía de Floridablanca, en el 02/10/2023 se señala que, ‘Tomando como base las cifras del DANE se tiene que el 92% (237.828) de la población pertenece a los estratos 1, 2 y 3; el 7,6% (20 681) pertenece a los estratos 4, 5 y 6.’.

La salud mental emerge como un factor determinante, con el 90% de los casos relacionados con problemas en esta área. Esto se evidencia en los gráficos de factores de riesgo y desencadenantes, en los cuales se destacan los trastornos psiquiátricos, problemas de pareja y depresión. La población más vulnerable se encuentra en la etapa de juventud y adultez, lo cual tiene sentido ya que en este ciclo de vida se presentan la mayoría de las relaciones conflictivas en cuanto a problemas de pareja y también inestabilidades mentales por diversos factores, como la soledad, la inestabilidad económica, la carga laboral, la carga académica o incluso la pérdida de un familiar, que a la vez es el segundo factor predominante.

Si bien se presenta un mayor número de casos en barrios con un nivel económico bajo, esto no significa que esta sea la única población afectada. Aunque el régimen de salud no indica si se encuentra en un mejor o peor nivel económico, los gráficos obtenidos muestran que alrededor del 50% de las personas pertenecientes al régimen contributivo que mensualmente aportan salud y pensión también han tenido problemas económicos, al igual que los del régimen subsidiado. Por lo tanto, se concluye que un factor como la economía afecta a cualquier población.

Teniendo en cuenta los resultados, se evidencia que las condiciones económicas y de salud mental influyen significativamente en los intentos de suicidio. La probabilidad de intentos de suicidio es alta y aumenta a medida que las personas crecen y enfrentan problemas o situaciones para las que no están preparadas, lo que puede llevar a tomar esta drástica decisión. Por lo tanto, es crucial el apoyo de campañas de prevención que aborden temas relacionados con los factores identificados en los diagramas de factores.

Conclusión

En conclusión, el análisis de los datos sobre intentos de suicidio en el departamento de Santander resalta una preocupante tendencia al alza desde 2016 hasta 2023, con un incremento notable en el período 2022-2023. Este aumento coincide con la pandemia de COVID-19, sugiriendo una posible relación entre la crisis sanitaria y el deterioro de la salud mental, exacerbado por problemas socioeconómicos derivados del estrés económico y el aislamiento social.

El grupo demográfico más afectado son las personas entre 20 y 40 años, con una predominancia del sexo femenino, lo que coincide con estudios previos sobre la mayor prevalencia de intentos de suicidio entre mujeres. Además, la mayoría de los casos se concentran en barrios de estratos socioeconómicos bajos, lo que indica una correlación entre la vulnerabilidad económica y el riesgo de intentos de suicidio.

La salud mental emerge como un factor determinante en el 90% de los casos, destacándose los trastornos psiquiátricos, problemas de pareja y la depresión como los principales desencadenantes. Aunque se observa un mayor número de casos en barrios con un nivel económico bajo, la afectación económica no discrimina entre niveles socioeconómicos, afectando tanto a personas del régimen contributivo como del subsidiado.

Por lo tanto, se concluye que las condiciones económicas y de salud mental influyen significativamente en los intentos de suicidio. Es crucial implementar campañas de prevención que aborden estos factores, proporcionando apoyo y recursos para ayudar a las personas a manejar situaciones de estrés y crisis, y así reducir la probabilidad de intentos de suicidio.

Referencias