Introducción:

Las enfermedades de transmisión sexual (ETS) constituyen un problema de salud pública persistente a nivel mundial, perjudicando a millones de personas cada año. En Colombia, como en muchos otros países, dichas afecciones representan una amenaza significativa para la salud individual y colectiva, especialmente en contextos donde la educación sexual es limitada y el acceso a servicios de salud es desigual. Entre los padecimientos de esta categoría es posible identificar, infecciones como la sífilis, gonorrea, clamidia, VIH/SIDA, virus del papiloma humano (VPH), herpes genital, entre otras, se transmiten principalmente a través del contacto sexual sin protección, aunque también pueden propagarse por vía perinatal, transfusiones sanguíneas o uso compartido de jeringas.

El presente estudio se enfoca en analizar el comportamiento de las ETS en la población colombiana a lo largo de los años registrados en la base de datos disponible, con un enfoque educativo y preventivo. A través del análisis de variables como el nivel educativo, los gastos en salud, el número de muertes asociadas, el comportamiento anual de los casos reportados, entre otros factores, se busca identificar patrones que permitan entender los momentos críticos o picos de mayor infección y sus posibles causas asociadas. Este enfoque multivariable permitirá correlacionar indicadores socioeconómicos y sanitarios con la evolución de las tasas de contagio.

Comprender la relación entre el nivel educativo y el riesgo de infección resulta clave en un país donde la desigualdad en el acceso a la información y a los servicios básicos aún es alta. Del mismo modo, el gasto en salud y las cifras de mortalidad pueden ofrecer indicios importantes sobre la eficacia del sistema sanitario frente al diagnóstico, tratamiento y seguimiento de estas enfermedades.

Asimismo, se dispondrá de los resultados como una herramienta pedagógica para promover una sexualidad informada y responsable. Este análisis educativo pretende generar conciencia sobre la importancia de la prevención, el diagnóstico temprano y la educación integral en salud sexual. Al determinar las variables que se relacionan con el aumento de casos en ciertos periodos, se espera aportar evidencia valiosa que sirva de base para intervenciones más efectivas y adaptadas a las necesidades reales de la población colombiana.

Metodología:

Concepto de Serie de Tiempo:

Una serie de tiempo es una secuencia de datos u observaciones recogidas y ordenadas en intervalos de tiempo específicos. Se utiliza para analizar cómo una variable se comporta a lo largo del tiempo y realizar pronósticos sobre su comportamiento futuro.

Las series de tiempo pueden presentar tres patrones principales:

• Tendencia: cuando existe un cambio a largo plazo en los datos, que puede ser creciente o decreciente.

• Estacionalidad: patrones que se repiten en intervalos de tiempo fijos y conocidos, como los meses del año o los días de la semana.

• Ciclicidad: fluctuaciones que no tienen frecuencia fija y suelen estar relacionadas con ciclos económicos.

Es esencial analizar patrones (tendencia, estacionalidad, ciclos) y la autocorrelación antes de elegir el modelo.

Pronostico:

El pronóstico consiste en estimar valores futuros de una variable, utilizando su comportamiento pasado. Es fundamental para la planeación efectiva y eficiente en diversas áreas, por ejemplo:

• Energía: decidir construir una planta eléctrica requiere pronósticos de demanda a 5 años.

• Centros de llamadas: programar personal según el volumen de llamadas previsto para la semana.

• Inventarios: calcular stock futuro.

El objetivo al pronosticar una serie de tiempo es estimar cómo continuará la secuencia de observaciones en el futuro. Sus gráficos permiten visualizar cosas como patrones, anomalías, cambios temporales, relaciones entre variables. Lo que se predice es una variable aleatoria (no se conoce su valor hasta que ocurra). Entre más lejos en el tiempo esté el pronóstico, mayor es la incertidumbre.

Pasos para realizar un pronóstico:

Paso 1: Definición del problema.

Paso 2: Recopilación de información.

Paso 3: Análisis preliminar (exploratorio).

Paso 4: Elección y ajuste de modelos.

✔️ Modelos posibles:

• Regresión.

• Suavizado exponencial.

• Box-Jenkins (ARIMA).

• Modelos de regresión dinámica.

• Redes neuronales.

• Autorregresión vectorial.

• Pronóstico jerárquico.

Paso 5: Uso y evaluación del modelo.

Autocorrelación (ACF)

La autocorrelación mide la relación lineal entre valores rezagados de una serie de tiempo.

• r1: Mide la relación entre yt y yt−1

• r2: Mide la relación entre yt y yt−2

• rk: puede ser escrito como:

\[ r_k = \frac{\displaystyle \sum_{t = k+1}^{T} (y_t - \bar{y})(y_{t - k} - \bar{y})}{\displaystyle \sum_{t = 1}^{T} (y_t - \bar{y})^2} \]

• r4: puede indicar estacionalidad si hay picos separados por 4 periodos.

Gráfico ACF (correlograma):

• Muestra la significancia de los coeficientes de autocorrelación.

• Si hay tendencia, el ACF disminuye lentamente en los rezagos.

• Si hay estacionalidad, se observan picos en rezagos múltiplos de la frecuencia estacional.

Ruido Blanco:

Serie sin autocorrelación (valores independientes y aleatorios), en ACF:

• Las autocorrelaciones son cercanas a cero.

• 95% de los picos estarán dentro de los límites de significancia.

Ruido blanco sirve como referencia de aleatoriedad total, sin patrones predecibles.

Modelo lineal:

\[ y_t = \beta_0 + \beta_1 x_{1,t} + \beta_2 x_{2,t} + \beta_3 x_{3,t} + \beta_4 x_{4,t} + \varepsilon_t. \]

Supuestos necesarios en la modelación lineal con datos temporales:

Al utilizar modelos de regresión lineal en datos de series de tiempo, se requiere que ciertos supuestos sean satisfechos para garantizar la validez de las estimaciones y pronósticos:

1. Linealidad:

Se asume que existe una relación lineal entre las variables predictoras y la variable respuesta.

2. Independencia de los errores (no autocorrelación):

Los errores (εₜ) deben ser independientes entre sí. Sin embargo, en datos temporales es común observar autocorrelación en los residuos, ya que los valores de un período suelen estar relacionados con los de períodos anteriores.

La presencia de autocorrelación indica que:

o El modelo no captura toda la estructura de la serie.

o Se violan los supuestos de independencia, afectando la eficiencia de los pronósticos.

o Es necesario considerar modelos que incluyan esta estructura, como ARIMA o regresiones con términos autoregresivos.

3. Media cero de los errores:

Se espera que los errores tengan valor esperado igual a cero, es decir, no presenten sesgos sistemáticos.

4. No correlación entre los errores y los predictores:

Los errores no deben estar correlacionados con las variables explicativas del modelo, para evitar estimadores sesgados.

5. Homocedasticidad (varianza constante):

La varianza de los errores debe mantenerse constante a lo largo de todas las observaciones.

6. Normalidad de los errores:

Aunque no es un requisito estricto para la estimación de los coeficientes, se asume normalidad de los errores cuando se desean realizar pruebas estadísticas o construir intervalos de predicción con base en distribuciones conocidas.

Contexto histórico:

Durante los años 90, Colombia enfrentaba grandes dificultades sociopolíticas, incluyendo el auge del narcotráfico y la intensificación del conflicto armado interno. En ese contexto, las prioridades en salud pública eran limitadas y el VIH fue inicialmente visto con estigma, dificultando el diagnóstico temprano y el acceso al tratamiento.

En 1993 se expidió la Ley 100, que reorganizó el sistema de salud hacia un modelo de aseguramiento universal. Este fue un punto clave para empezar a garantizar el acceso a los antirretrovirales y programas de atención integral para personas con VIH.

A inicios de los 2000, el país implementó campañas nacionales más agresivas de prevención, educación sexual y derechos reproductivos, en consonancia con compromisos internacionales. A partir de 2010, se intensificaron esfuerzos en detección temprana y tratamiento, lo que ayudó a disminuir la mortalidad relativa y mejorar la calidad de vida.

Finalmente, en la última década, la expansión de los derechos de la comunidad LGBTQ+ y el avance en educación sexual integral han contribuido a reducir el estigma y mejorar la prevención, aunque persisten retos importantes en términos de desigualdades regionales y acceso a servicios en poblaciones rurales.

Estadísticas descriptivas:

Descripción de la variables:

Las variables proporcionadas en la base de datos representan la evolución de los casos de VIH en Colombia entre los años 1990 y 2023. Estas son fundamentales para comprender las posibles causas asociadas a los contagios en Colombia por varias razones:

Nivel educativo de las personas: El porcentaje de la población con acceso a educación tiene un gran impacto social ya que la educación está fuertemente relacionada con la toma de decisiones informadas sobre salud sexual. Un mayor nivel educativo puede reducir conductas de riesgo y aumentar el uso de métodos de prevención como el condón

Gastos en educación: La cantidad de dinero que invierte el estado en el sector educativo en colombia refleja el compromiso estatal con la educación. Inversiones más altas podrían correlacionarse con una población más consciente ya que tendrían más acceso a la información sobre prevención de enfermedades de transmisión sexual.

Gastos en salud: El nivel de inversión dedicado al sector salud tiene una gran impacto en los colombianos, sobretodo para las personas de escasos recursos, ya que una mayor inversión permite prestar más servicios a poblaciones vulnerables, mejorar la infraestructura médica, acceso a diagnósticos tempranos, y tratamientos antirretrovirales para el VIH.

Población con VIH: El número estimado de personas viviendo con VIH en Colombia. Representa la magnitud del problema de salud pública y su tendencia creciente puede alertar sobre deficiencias en las estrategias de prevención.

Muertes por VIH: El número total de muertes causadas por VIH/SIDA en cada año,refleja la gravedad del impacto del virus y la eficacia (o falta de ella) del sistema de salud en el tratamiento oportuno de pacientes.

Métodos anticonceptivos: La cantidad de personas sexualmente activas que reportan usar algún método anticonceptivo moderno. Estos datos son útiles ya que un mayor porcentaje puede estar asociado con una mayor conciencia sobre prácticas sexuales seguras, lo cual ayuda a prevenir el VIH.

Población: El total de habitantes en Colombia cada año, permite contextualizar el tamaño del país y calcular tasas por cada 100,000 habitantes. Es útil ya que podemos analizar si el crecimiento poblacional influye en la expansión del VIH.

library(tidyverse)
library(readxl)

datos <- read_excel("Caso4.xlsx")
head(datos)
## # A tibble: 6 × 8
##     año nivel_educativo gastos_educacion gastos_salud poblacion_VIH muertes_VIH
##   <dbl>           <dbl>            <dbl>        <dbl>         <dbl>       <dbl>
## 1  1990           0.378           0.0271       0.0152          8804         563
## 2  1991           0.39            0.0282       0.0188         11876         794
## 3  1992           0.403           0.0290       0.0225         15546        1090
## 4  1993           0.417           0.0302       0.0265         19677        1460
## 5  1994           0.428           0.0330       0.0292         24046        1910
## 6  1995           0.443           0.0353       0.0318         28571        2439
## # ℹ 2 more variables: poblacion <dbl>, metodos_anticonceptivos <dbl>
summary(datos)
##       año       nivel_educativo  gastos_educacion   gastos_salud    
##  Min.   :1990   Min.   :0.3780   Min.   :0.02705   Min.   :0.01522  
##  1st Qu.:1998   1st Qu.:0.5070   1st Qu.:0.03717   1st Qu.:0.03848  
##  Median :2006   Median :0.6000   Median :0.04297   Median :0.04730  
##  Mean   :2006   Mean   :0.5732   Mean   :0.04205   Mean   :0.04619  
##  3rd Qu.:2015   3rd Qu.:0.6505   3rd Qu.:0.04529   3rd Qu.:0.05667  
##  Max.   :2023   Max.   :0.6830   Max.   :0.06123   Max.   :0.07067  
##  poblacion_VIH    muertes_VIH     poblacion        metodos_anticonceptivos
##  Min.   :  577   Min.   : 563   Min.   :32440020   Min.   :0.6610         
##  1st Qu.:33747   1st Qu.:3694   1st Qu.:37957792   1st Qu.:0.7526         
##  Median :48681   Median :5250   Median :42963174   Median :0.7847         
##  Mean   :40691   Mean   :5035   Mean   :42588532   Mean   :0.7694         
##  3rd Qu.:50880   3rd Qu.:6894   3rd Qu.:46868764   3rd Qu.:0.8083         
##  Max.   :58444   Max.   :8830   Max.   :52321104   Max.   :0.8100
datos_long <- datos %>%
  pivot_longer(cols = -año, names_to = "variable", values_to = "valor")

ggplot(datos_long, aes(x = año, y = valor)) +
  geom_line(color = "steelblue", linewidth = 1) +
  facet_wrap(~ variable, scales = "free_y") +
  labs(title = "Evolución temporal de las variables (1990-2023)",
       x = "Año", y = "Valor") +
  theme_minimal()

En el periodo analizado, se observa un incremento progresivo en los gastos en educación y salud, lo que refleja mayores esfuerzos gubernamentales o sociales en estas áreas. Los gastos en salud presentan ciertas fluctuaciones alrededor de 2020, probablemente asociadas a la pandemia u otras crisis sanitarias.

El acceso a métodos anticonceptivos muestra un crecimiento constante, alcanzando valores cercanos al 80 %, lo que puede asociarse a mejores políticas de planificación familiar y mayor conciencia pública.

El nivel educativo también se incrementa sostenidamente, aunque parece estabilizarse en los últimos años. Este avance sugiere mejoras en cobertura y calidad educativa a lo largo del tiempo.

Respecto a la población total, se observa un crecimiento continuo y estable, siguiendo la tendencia demográfica del país.

En cuanto al VIH, las muertes por VIH aumentan hasta mediados de la década de 2000 y luego disminuyen, posiblemente por el acceso a tratamientos y políticas de prevención más efectivas. La población con VIH crece en los primeros años y se estabiliza, pero presenta una caída abrupta reciente, que podría deberse a intervenciones sanitarias, subregistro o cambios metodológicos en la medición.

Así pues, estas tendencias reflejan avances importantes en salud pública, educación y control de enfermedades, aunque persisten retos relacionados con la mortalidad por VIH y la consolidación de los logros educativos.

Diagramas de dispersión:

#recopilación de diagrama de dispersion
datos_largos <- datos %>%
  pivot_longer(cols = c(nivel_educativo, gastos_educacion, gastos_salud,
                        muertes_VIH, poblacion, metodos_anticonceptivos),
               names_to = "variable", values_to = "valor")

# Graficar facetas (una por variable)
ggplot(datos_largos, aes(x = valor, y = poblacion_VIH)) +
  geom_point(color = "#e67e22", size = 2) +
  geom_smooth(method = "lm", se = TRUE, color = "#2980b9") +
  facet_wrap(~ variable, scales = "free_x") +
  labs(title = "Relación entre población con VIH y otras variables",
       x = "Valor de la variable",
       y = "Población con VIH") +
  theme_minimal()

Se observa que la población con VIH tiende a aumentar a medida que crecen las demás variables analizadas.

Gastos en educación y en salud: Se aprecia una relación positiva: a mayor inversión en educación y salud, mayor población con VIH. Esto podría indicar que en contextos donde se invierte más, también se detectan y reportan más casos, reflejando un mejor acceso al diagnóstico y tratamiento.

Métodos anticonceptivos: Existe una relación positiva moderada. Aunque el uso de anticonceptivos aumenta, también lo hace la población con VIH, posiblemente porque la variable contempla métodos en general y no necesariamente el uso de preservativos (que previenen ITS).

Muertes por VIH: Hay una relación fuerte y positiva. Esto es coherente, ya que una mayor cantidad de personas viviendo con VIH puede asociarse con más muertes relacionadas.

Nivel educativo: Se observa una relación positiva, aunque con dispersión en valores bajos. Este resultado podría interpretarse como un efecto de mayor conciencia y detección en poblaciones con mayor nivel educativo.

Población total: A medida que la población general crece, también lo hace la población con VIH. Esto refleja una relación demográfica natural.

En ese sentido, los gráficos sugieren que el aumento en las inversiones sociales y demográficas va acompañado de un mayor número de personas diagnosticadas con VIH, lo cual podría reflejar no necesariamente un empeoramiento de la situación, sino una mejora en la identificación y registro de casos.

Resultados del modelo:

#Librerias necesarias:

library(dplyr)
library(tidyr) 
library(corrplot)
library(ggcorrplot)
library(psych)
library(forecast)
library(GGally)
library(nlme)

Matriz de diagramas de dispersión:

datos_num <- datos[, c("nivel_educativo", "gastos_educacion", "gastos_salud",
                       "muertes_VIH", "poblacion", "metodos_anticonceptivos",
                       "poblacion_VIH")]


ggpairs(datos_num,
        title = "Matriz de diagramas de dispersión entre variables",
        upper = list(continuous = wrap("cor", size = 3)),
        lower = list(continuous = wrap("points", size = 1, alpha = 0.6)))

La matriz de diagramas de dispersión (GGpairs) permite observar visualmente la relación entre todas las variables numéricas del estudio, combinando gráficos de dispersión, histogramas y coeficientes de correlación en una sola visualización integral. En esta matriz se destacan relaciones positivas evidentes, como la que se observa entre la población total y la población con VIH, así como entre el nivel educativo y el uso de métodos anticonceptivos. Además, se identifican distribuciones sesgadas en variables como muertes por VIH y gastos en salud, que muestran mayor variabilidad en ciertos rangos. Por otro lado, algunas relaciones presentan una dispersión amplia y carecen de un patrón claro, lo que sugiere una posible debilidad o independencia entre esas variables.

Matriz correlación (Mapa de calor):

# Quitar columnas no numéricas (como año)
datos_num <- datos[, c("nivel_educativo", "gastos_educacion", "gastos_salud",
                       "muertes_VIH", "poblacion", "metodos_anticonceptivos",
                       "poblacion_VIH")]

matriz_cor <- cor(datos_num, use = "complete.obs")

ggcorrplot(matriz_cor, 
           method = "square", 
           type = "lower",
           lab = TRUE, 
           lab_size = 3,
           colors = c("#6D9EC1", "white", "#E46726"),
           title = "Mapa de calor de correlación entre variables",
           tl.cex = 10)

Se visualizó la correlación entre variables usando un mapa de calor:

Se observa una fuerte correlación positiva entre la población total y la población con VIH, lo cual es esperable, ya que a mayor población general, tiende a haber más personas diagnosticadas. Además, destacan correlaciones importantes como la relación alta y positiva entre el nivel educativo y el uso de métodos anticonceptivos, lo que sugiere que un mayor nivel educativo se asocia con un mayor uso de estos métodos. Por otro lado, la correlación entre nivel educativo y población con VIH es moderadamente positiva, posiblemente relacionada con una mejor capacidad diagnóstica y mayor acceso a los servicios de salud. En el caso de los gastos en salud y en educación, presentan una correlación débil, lo que indica que no necesariamente avanzan al mismo ritmo o con la misma prioridad en las políticas públicas. Finalmente, variables como muertes por VIH y gasto en salud muestran correlaciones débiles o poco claras con otras variables del modelo, lo que sugiere que podrían estar influenciadas por factores externos más específicos o coyunturales.

ACF y Ruido blanco:

Se verificó la autocorrelación de la serie y se descartó que fuera ruido blanco.

vih_ts <- ts(datos$poblacion_VIH, start = 1990)

acf(vih_ts, main = "Gráfico de autocorrelación (ACF) - Población con VIH")

El gráfico ACF de la población con VIH muestra una autocorrelación positiva significativa en los primeros rezagos, especialmente en los primeros seis años, lo cual indica que los valores actuales de la serie están fuertemente influenciados por sus valores pasados. Este patrón decreciente es típico de una serie con tendencia, lo que justifica el uso de modelos que incorporan dependencia temporal, como ARIMA o GLS con estructura AR(1). Además, la ausencia de un patrón repetitivo en las barras sugiere que no hay evidencia de estacionalidad. Todas las barras más allá del rezago 6 caen dentro del intervalo de confianza (líneas azules), lo que indica que la dependencia se diluye con el tiempo y se limita principalmente a los primeros años. Este resultado confirma que no se trata de una serie aleatoria (ruido blanco), sino de una serie con estructura temporal, lo cual refuerza la decisión de aplicar modelos de series de tiempo

Modelo explicativo (GLS):

Se ajustó un modelo de regresión lineal generalizada con autocorrelación AR(1).

modelo_gls <- gls(poblacion_VIH ~ año + nivel_educativo + gastos_educacion + gastos_salud + muertes_VIH + poblacion + metodos_anticonceptivos,
                  data = datos,
                  correlation = corAR1(form = ~ año))
summary(modelo_gls)
## Generalized least squares fit by REML
##   Model: poblacion_VIH ~ año + nivel_educativo + gastos_educacion + gastos_salud +      muertes_VIH + poblacion + metodos_anticonceptivos 
##   Data: datos 
##        AIC      BIC    logLik
##   607.3255 619.9064 -293.6627
## 
## Correlation Structure: AR(1)
##  Formula: ~año 
##  Parameter estimate(s):
##       Phi 
## 0.6099402 
## 
## Coefficients:
##                            Value Std.Error    t-value p-value
## (Intercept)             24647077  23148645  1.0647309  0.2968
## año                       -12809     11927 -1.0739558  0.2927
## nivel_educativo           386587    294741  1.3116150  0.2011
## gastos_educacion         -140831    771646 -0.1825075  0.8566
## gastos_salud             -198723    830358 -0.2393217  0.8127
## muertes_VIH                   -6         5 -1.1813577  0.2482
## poblacion                      0         0  0.8857702  0.3839
## metodos_anticonceptivos   236994    459469  0.5157987  0.6104
## 
##  Correlation: 
##                         (Intr) año    nvl_dc gsts_d gsts_s mr_VIH poblcn
## año                     -1.000                                          
## nivel_educativo          0.650 -0.647                                   
## gastos_educacion        -0.189  0.188 -0.057                            
## gastos_salud            -0.026  0.031  0.032 -0.178                     
## muertes_VIH             -0.596  0.599 -0.685  0.057  0.032              
## poblacion                0.985 -0.984  0.555 -0.243 -0.068 -0.495       
## metodos_anticonceptivos -0.353  0.344 -0.495  0.124 -0.337 -0.101 -0.384
## 
## Standardized residuals:
##         Min          Q1         Med          Q3         Max 
## -2.57708129 -0.10479131  0.03424939  0.19707132  0.94997175 
## 
## Residual standard error: 15650.76 
## Degrees of freedom: 34 total; 26 residual

El modelo de regresión lineal generalizada (GLS) fue ajustado con el objetivo de explicar la población con VIH a partir de variables estructurales relevantes, tales como el nivel educativo, los gastos en salud y en educación, la población total, las muertes por VIH y el uso de métodos anticonceptivos. Para tener en cuenta la dependencia temporal presente en la serie, se incorporó una estructura de autocorrelación de primer orden (AR(1)), la cual corrigió de manera adecuada la correlación serial observada (phi ≈ 0.61).

Si bien ninguna de las variables incluidas resultó estadísticamente significativa de forma individual (p > 0.05), el modelo ofrece información valiosa sobre la dirección y el sentido de las relaciones. En particular, tanto el nivel educativo como el uso de métodos anticonceptivos presentaron coeficientes positivos, lo que podría interpretarse como una mayor capacidad de diagnóstico y de reporte en contextos con mayor acceso a la educación y a la salud pública. De esta manera, aunque el modelo no logra una predicción puntual precisa, contribuye significativamente a la comprensión del comportamiento estructural de la epidemia, ayudando a identificar posibles factores sociales y demográficos asociados al número de personas viviendo con VIH.

Modelo predictivo (ARIMA):

Se aplicó ARIMA para realizar predicciones a cinco años.

vih_ts <- ts(datos$poblacion_VIH, start = 1990)

# Ajustar y predecir
modelo_arima <- auto.arima(vih_ts)
pred_arima <- forecast(modelo_arima, h = 5)
autoplot(pred_arima)

Se ajustó un modelo ARIMA(0,1,1) sobre la serie temporal de población con VIH, el cual identificó una tendencia clara y sostenida, sin evidencia de estacionalidad. Este modelo permitió proyectar la evolución de la población diagnosticada para los próximos cinco años (2024–2028). Las predicciones obtenidas presentan un rango de incertidumbre relativamente amplio, especialmente debido a la alta variabilidad reciente en los datos, marcada por caídas abruptas y repuntes que podrían estar asociados a factores externos, como la pandemia o cambios en las políticas de registro y atención. A pesar de esta variabilidad, el modelo ARIMA(0,1,1) constituye una herramienta útil y confiable para estimar el comportamiento futuro de la población con VIH, ofreciendo un soporte valioso para la planeación de intervenciones en salud pública y la asignación de recursos.

Conclusiones:

1. Incemento sostenido de la población VIH: Desde 1990 hasta 2023, la población viviendo con VIH en Colombia presentó un crecimiento sostenido, pasando de aproximadamente 8.800 personas en 1990 a más de 174.000 en 2023. Este aumento puede explicarse parcialmente por mejoras en el diagnóstico y el acceso a pruebas, pero también refleja persistentes retos en prevención y control.

2. Disminución de la mortalidad relativa: Aunque el número absoluto de muertes por VIH también creció (de 563 en 1990 a 9.429 en 2023), la tasa de mortalidad en relación con la población infectada ha mostrado una tendencia decreciente en las últimas décadas. Esto se asocia al acceso ampliado a tratamientos antirretrovirales a partir de finales de los 90 y sobre todo después de 2000, cuando se consolidó la Ley 100 y se fortaleció el sistema de salud en Colombia.

3. Relación con el nivel educativo y políticas de salud: El nivel educativo promedio ha aumentado de 0,378 en 1990 a 0,688 en 2023, acompañado de un incremento en el gasto en educación y salud. Este progreso educativo y las campañas de prevención han impactado positivamente en la reducción de la transmisión, aunque todavía persisten brechas importantes, especialmente en poblaciones rurales y grupos vulnerables.

4. Uso de métodos anticonceptivos: El porcentaje de población que usa métodos anticonceptivos pasó de 66% en 1990 a cerca del 92% en 2023. Si bien esto ha sido crucial para la planificación familiar y la prevención de infecciones de transmisión sexual (ITS), todavía se evidencia la necesidad de promover el uso de métodos de barrera (preservativos), ya que muchos métodos utilizados son hormonales y no previenen el VIH.

En ese sentido, el análisis de la serie histórica (1990–2023) evidencia que Colombia ha avanzado significativamente en el manejo del VIH, gracias a mejoras en el sistema de salud, educación y políticas públicas. Sin embargo, el continuo aumento en el número de casos demuestra que la prevención y la eliminación del estigma siguen siendo prioritarias. Para el futuro, se requiere un enfoque integral que combine educación sexual, acceso universal al tratamiento, y políticas de reducción de desigualdades.

Referencias: