Análisis de Consumo de Antibióticos Hospitalarios

Descripción del Dataset

El dataset consumoantibioticos.csv contiene información detallada sobre el consumo de antibióticos en un centro hospitalario durante los primeros días de enero de 2025. Incluye variables como fecha de prescripción, servicio médico, médico prescriptor, paciente, medicamento, dosis, y cantidades dispensadas.

# Instalar paquetes necesarios (si no están instalados)
if (!require("tidyverse")) install.packages("tidyverse")
if (!require("lubridate")) install.packages("lubridate")
if (!require("ggplot2")) install.packages("ggplot2")
if (!require("ggthemes")) install.packages("ggthemes")
if (!require("scales")) install.packages("scales")
if (!require("knitr")) install.packages("knitr")
if (!require("kableExtra")) install.packages("kableExtra")
if (!require("plotly")) install.packages("plotly")
if (!require("DT")) install.packages("DT")

# Cargar librerías
library(tidyverse)
library(lubridate)
library(ggplot2)
library(ggthemes)
library(scales)
library(knitr)
library(kableExtra)
library(plotly)
library(DT)

# Cargar datos
df <- read.csv("D:/IPS_APOYO_MEDICO/estudioantibioticos/consumoantibioticos.csv", sep = ";", fileEncoding = "UTF-8")

# Limpieza inicial de datos
df_clean <- df %>%
  mutate(
    Fecha = dmy(Fecha.Necesidad),
    Hora = hm(Hora.Solicitud),
    Cantidad.Recetada = as.numeric(Cantidad.Recetada),
    Dia = day(Fecha),
    Hora_num = hour(Hora) + minute(Hora)/60
  ) %>%
  filter(!is.na(Fecha)) %>%
  distinct()

Resumen General

# Análisis descriptivo básico
resumen_general <- df_clean %>%
  summarise(
    Total_Registros = n(),
    Periodo = paste(min(Fecha), "a", max(Fecha)),
    Antibioticos_Unicos = n_distinct(Medicamento.SIH),
    Servicios_Unicos = n_distinct(Denom..Almacén.Requisitante),
    Medicos_Unicos = n_distinct(Nombre.del.Médico),
    Pacientes_Unicos = n_distinct(Num..Prontuario.Expediente),
    Dosis_Total = sum(Cantidad.Recetada, na.rm = TRUE)
  )

kable(resumen_general, caption = "Resumen General del Dataset") %>%
  kable_styling(bootstrap_options = "striped", full_width = FALSE)

Resumen General del Dataset
Total_Registros	Periodo	Antibioticos_Unicos	Servicios_Unicos	Medicos_Unicos	Pacientes_Unicos	Dosis_Total
50700	2025-01-01 a 2025-07-31	39	31	236	8250	219832

Antibióticos Más Utilizados

# 2. Antibióticos más utilizados
top_antibioticos <- df_clean %>%
  group_by(Texto.Breve.Medicamento) %>%
  summarise(
    Total_Dosis = sum(Cantidad.Recetada),
    Porcentaje = round(Total_Dosis / sum(df_clean$Cantidad.Recetada) * 100, 2)
  ) %>%
  arrange(desc(Total_Dosis)) %>%
  head(10)

kable(top_antibioticos, caption = "Top 10 Antibióticos por Consumo") %>%
  kable_styling(bootstrap_options = "striped", full_width = FALSE)

Top 10 Antibióticos por Consumo
Texto.Breve.Medicamento	Total_Dosis	Porcentaje
CEFAZOLINA 1g INY	34601	15.74
AMOXICILINA + SULBACTAM 875mg+125mg COM	26847	12.21
AMOXICILINA+SULBACTAM 1000mg+500mg INY	18012	8.19
CEFALEXINA 500mg CAP	17814	8.10
VANCOMICINA 500mg INY	15364	6.99
MEROPENEN 1000 mg INY	15280	6.95
CIPROFLOXACINA 500mg COM	14966	6.81
CIPROFLOXACINA 200mg INY	11196	5.09
CLINDAMICINA 600mg INY	10411	4.74
PIPERACILINA+TAZOBACTAM 4g+500mg INY	7128	3.24

Servicios con Mayor Consumo

consumo_por_servicio <- df_clean %>%
  group_by(Denom..Almacén.Requisitante) %>%
  summarise(Total_Dosis = sum(Cantidad.Recetada)) %>%
  arrange(desc(Total_Dosis)) %>%
  head(10)

kable(consumo_por_servicio, caption = "Top 10 Servicios por Consumo de Antibióticos") %>%
  kable_styling(bootstrap_options = "striped", full_width = FALSE)

Top 10 Servicios por Consumo de Antibióticos
Denom..Almacén.Requisitante	Total_Dosis
CX Gral A2	19326
CX Gral A1	18866
Clinic Med C2 1P	18542
CX Gral C1	18320
Urologia A1 (1P)	17797
OYT A2 3P	17305
OYT A1 3P	14894
OYT C2 3P	13290
OYT C1 3P	12493
CX Gral C2	12237

Visualizaciones

Patrón de Consumo por Hora del Día

consumo_por_hora <- df_clean %>%
  group_by(Hora_num) %>%
  summarise(Total = sum(Cantidad.Recetada)) %>%
  arrange(Hora_num)

ggplot(consumo_por_hora, aes(x = Hora_num, y = Total)) +
  geom_line(color = "steelblue", size = 1.5) +
  geom_point(color = "steelblue", size = 3) +
  labs(title = "Patrón de Consumo de Antibióticos por Hora del Día",
       x = "Hora del Día", y = "Dosis Totales") +
  theme_minimal() +
  scale_x_continuous(breaks = seq(0, 24, by = 3)) +
  theme(plot.title = element_text(hjust = 0.5))

Top 10 Antibióticos

ggplot(top_antibioticos, aes(x = reorder(Texto.Breve.Medicamento, Total_Dosis), y = Total_Dosis)) +
  geom_bar(stat = "identity", fill = "coral") +
  coord_flip() +
  labs(title = "Top 10 Antibióticos Más Utilizados",
       x = "Antibiótico", y = "Dosis Totales") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))

Uso de Antibióticos de Espectro Amplio

abx_espectro_amplio <- c("MEROPENEN 1000 mg INY", "IMIPENEN + CILASTATINA 500 mg INY", "TIGECICLINA 50mg INY")

uso_espectro_amplio <- df_clean %>%
  mutate(Espectro_Amplio = Texto.Breve.Medicamento %in% abx_espectro_amplio) %>%
  group_by(Denom..Almacén.Requisitante) %>%
  summarise(
    Total_Dosis = sum(Cantidad.Recetada),
    Porcentaje_Espectro_Amplio = sum(Cantidad.Recetada[Espectro_Amplio]) / Total_Dosis * 100
  ) %>%
  arrange(desc(Porcentaje_Espectro_Amplio))

kable(uso_espectro_amplio, caption = "Uso de Antibióticos de Espectro Amplio por Servicio") %>%
  kable_styling(bootstrap_options = "striped", full_width = FALSE)

Uso de Antibióticos de Espectro Amplio por Servicio
Denom..Almacén.Requisitante	Total_Dosis	Porcentaje_Espectro_Amplio
Clinica Med BC3	7167	46.6303893
CX Gral C3	4414	34.3452651
Clinic Med C2 1P	18542	27.1923201
OYT A3 3P	9851	24.1701350
OYT A1 3P	14894	15.4491742
Urologia A3 (1P)	797	14.9309912
Neurocirug Bloq	4485	13.5340022
	3752	13.2196162
OYT D2 3P	269	11.8959108
CX Gral Urgencia	39	10.2564103
CX Gral A1	18866	6.1009223
CX Gral C1	18320	5.0272926
CX Gral A3 2P	6890	4.7314949
CX Gral C2	12237	4.4046743
Urologia A1 (1P)	17797	4.3546665
Urg Traumatolgia	74	2.7027027
CX Gral A2	19326	2.6078857
OYT D1 3P	6440	1.4596273
OYT A2 3P	17305	0.8956949
Masto BA2-1P	10444	0.2297970
OYT C2 3P	13290	0.1053424
Cirugia Gral C2	30	0.0000000
Clinica Med BA4	5	0.0000000
Cons Clin Ingavi	2004	0.0000000
Fcia Int DepoMed	30	0.0000000
Fcia Int Venta	14	0.0000000
Fichero Ingavi	15	0.0000000
Mastologi BD3 3P	30	0.0000000
OYT C1 3P	12493	0.0000000
Urg Pediat Polic	8	0.0000000
Urgenc Adulto BA	4	0.0000000

Análisis de Polifarmacia

pacientes_multiples_abx <- df_clean %>%
  group_by(Num..Prontuario.Expediente, Fecha) %>%
  summarise(
    Antibioticos_Distintos = n_distinct(Medicamento.SIH),
    Total_Dosis = sum(Cantidad.Recetada)
  ) %>%
  filter(Antibioticos_Distintos > 1) %>%
  arrange(desc(Antibioticos_Distintos))

ggplot(pacientes_multiples_abx, aes(x = Antibioticos_Distintos)) +
  geom_histogram(binwidth = 1, fill = "purple", alpha = 0.7) +
  labs(title = "Distribución de Número de Antibióticos por Paciente por Día",
       x = "Número de Antibióticos Diferentes", y = "Frecuencia") +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))

Métricas de Salud Pública

metricas_salud_publica <- list(
  total_dosis = sum(df_clean$Cantidad.Recetada),
  dosis_diaria_promedio = mean(df_clean %>% group_by(Fecha) %>% summarise(Total = sum(Cantidad.Recetada)) %>% pull(Total)),
  porcentaje_multiples_abx = nrow(pacientes_multiples_abx) / n_distinct(df_clean$Num..Prontuario.Expediente) * 100,
  antibioticos_por_paciente_dia = mean(pacientes_multiples_abx$Antibioticos_Distintos),
  horario_pico_consumo = consumo_por_hora$Hora_num[which.max(consumo_por_hora$Total)]
)

kable(tibble(
  Métrica = names(metricas_salud_publica),
  Valor = unlist(metricas_salud_publica)
), caption = "Métricas Clave de Salud Pública") %>%
  kable_styling(bootstrap_options = "striped", full_width = FALSE)

Métricas Clave de Salud Pública
Métrica	Valor
total_dosis	2.198320e+05
dosis_diaria_promedio	1.041858e+03
porcentaje_multiples_abx	1.261091e+02
antibioticos_por_paciente_dia	2.109477e+00
horario_pico_consumo	NA

Discusión y Conclusiones

Este análisis revela patrones importantes en el uso de antibióticos en el entorno hospitalario:

El consumo de antibióticos sigue un patrón circadiano con picos en horarios específicos
Se identifican variaciones significativas entre servicios en el uso de antibióticos de espectro amplio
Un porcentaje considerable de pacientes recibe múltiples antibióticos simultáneamente

Estos hallazgos sugieren oportunidades para optimizar el uso de antibióticos mediante: - Programas de gestión de antimicrobianos - Guías de prescripción basadas en evidencia - Monitoreo continuo de patrones de consumo

Limitaciones

El análisis se limita a un período corto (4 días)
No se dispone de información clínica completa de los pacientes
No se evaluó la adecuación de las prescripciones a guías clínicas

Futuras Investigaciones

Se recomienda expandir este análisis para: - Evaluar tendencias temporales a largo plazo - Correlacionar el uso de antibióticos con resultados clínicos - Analizar patrones de resistencia antimicrobiana asociados

Referencias

WHO (2019). Antimicrobial stewardship programmes in health-care facilities in low- and middle-income countries
CDC (2019). Core Elements of Hospital Antibiotic Stewardship Programs
Charani E et al. (2019). Understanding the determinants of antimicrobial prescribing within hospitals: the role of “prescribing etiquette”

Este análisis fue realizado el 2025-09-03 usando R R version 4.4.3 (2025-02-28 ucrt)

Consumo de Antimicrobianos – Reporte Estadístico

Diego Meza

03 septiembre 2025