ESTUDIO COMPARATIVO DE INDICADORES DE SALUD GLOBAL MEDIANTE MÉTODOS DE ANALISIS MULTIVARIADO

1 INTRODUCCIÓN

En la actualidad, la salud pública global enfrenta múltiples desafíos interconectados que reflejan profundas desigualdades entre países. Enfermedades transmisibles como el VIH/SIDA y la tuberculosis continúan siendo amenazas persistentes en regiones vulnerables, mientras que los indicadores de esperanza de vida, mortalidad infantil o acceso a servicios básicos de salud muestran diferencias estructurales que trascienden el ámbito sanitario. En este sentido, el análisis comparativo de variables relacionadas con la salud permite no solo identificar patrones epidemiológicos, sino también comprender cómo los determinantes sociales, económicos y ambientales influyen en el bienestar de las poblaciones.

Desde esta perspectiva, el análisis de variables de salud adquiere relevancia al permitir identificar patrones y asociaciones que no son evidentes a simple vista. La base de datos utilizada en este estudio proveniente del Banco Mundial y correspondiente al año 2019, integra indicadores relacionados con enfermedades infecciosas (como el VIH y la tuberculosis), salud general (esperanza de vida, mortalidad, vacunación, gasto per cápita en salud), condiciones ambientales y de saneamiento, así como variables demográficas y de cobertura sanitaria. El año 2019 fue seleccionado por su importancia contextual, al representar la situación sanitaria global inmediatamente antes del impacto del COVID-19, lo que permite establecer una línea base para comprender las condiciones estructurales previas a la pandemia. Este conjunto de variables ofrece una visión integral del estado de salud mundial y de las desigualdades entre países desarrollados y en vías de desarrollo, evidenciando las interrelaciones entre inversión pública, cobertura de salud y resultados sanitarios.

El problema central que orienta este trabajo radica en identificar las desigualdades globales en salud a partir de variables cuantitativas que reflejan condiciones epidemiológicas y sociales diversas. Para ello, se aplican técnicas de aprendizaje no supervisado, como el Análisis de Componentes Principales (ACP) y la clusterización jerárquica (método de Ward), constituye una herramienta idónea para abordar este tipo de problemas multivariantes. Estas metodologías permiten reducir la complejidad de los datos y descubrir patrones ocultos sin necesidad de variables dependientes o hipótesis previas, lo que posibilita una segmentación empírica de los países según sus condiciones sanitarias y socioeconómicas.

Comprender estas disparidades no sólo es útil para la investigación estadística, sino que tiene profundas implicaciones en la formulación de políticas públicas y estrategias internacionales orientadas a garantizar la equidad sanitaria. En consecuencia, el presente análisis busca explorar la distribución, variabilidad y relación entre indicadores clave de salud, con el propósito de aportar evidencia empírica que contribuya a una lectura crítica de las condiciones de vida y bienestar en el ámbito mundial.

2 METODOLOGÍA

2.1 MÉTODOS UTILIZADOS

El presente estudio se desarrolló a partir de un enfoque cuantitativo y exploratorio, orientado a identificar patrones, relaciones y agrupamientos entre diferentes indicadores de salud pública a nivel internacional. Este enfoque resulta pertinente dado que el objetivo no es comprobar una hipótesis específica, sino descubrir estructuras latentes que explican las desigualdades sanitarias entre países. Para ello, se empleó una base de datos compuesta por variables asociadas al estado sanitario global, que incluyen aspectos como mortalidad, incidencia de enfermedades, cobertura de servicios básicos, gasto en salud y esperanza de vida, entre otros.

El proceso metodológico comprendió varias etapas consecutivas:

1. Depuración y preparación de los datos: En una primera etapa, se realizó un proceso de limpieza y adecuación de la base de datos, en el cual se renombraron las variables para facilitar su interpretación y se convirtieron los valores no numéricos (“NA”, “N/A”, cadenas vacías) en datos faltantes, con el fin de evitar sesgos en los cálculos estadísticos. Posteriormente, se eliminaron los registros incompletos, obteniendo una base de datos final libre de valores ausentes y con variables cuantitativas correctamente tipificadas. Esta depuración fue esencial para garantizar la consistencia y comparabilidad entre países, evitando distorsiones derivadas de valores faltantes o errores de codificación

2. Análisis descriptivo inicial: Se calcularon medidas estadísticas básicas (media, mediana, moda, desviación estándar, valores mínimos y máximos) con el propósito de caracterizar la tendencia central y la dispersión de cada indicador. Este análisis permitió identificar países con comportamientos extremos y variables con alta variabilidad, lo que sugiere diferencias estructurales en los niveles de desarrollo sanitario. Los resultados se sintetizaron en una tabla de estadísticas descriptivas, que permitió identificar variables con alta variabilidad o presencia de valores atípicos y orientar la interpretación posterior del ACP.

3. Exploración gráfica: Con el fin de visualizar la distribución de los datos, se elaboraron diagramas de caja (boxplots) para cada variable, divididos en dos bloques. Estos gráficos facilitaron la detección de asimetrías, valores extremos y rangos de variación, elementos esenciales para entender la heterogeneidad de los países en cada indicador. De forma complementaria, se construyó un mapa de calor (heatmap) a partir de la matriz de correlaciones, lo que permitió identificar relaciones directas e inversas entre indicadores de salud, gasto público y condiciones de vida. Esta etapa aportó una comprensión preliminar de las interdependencias entre los determinantes de la salud global.

4. Análisis multivariado: Para sintetizar la información y reducir la dimensionalidad de la base de datos, se aplicó un Análisis de Componentes Principales (ACP). Esta técnica permitió agrupar las variables correlacionadas en un conjunto menor de componentes que explican la mayor parte de la varianza total. Los resultados del ACP se analizaron mediante biplots y círculos de correlaciones, que facilitaron la interpretación de las dimensiones más relevantes y de las variables con mayor contribución a la diferenciación entre países.

5. Segmentación y clasificación de países: A partir de las coordenadas obtenidas del ACP, se realizó una clusterización jerárquica utilizando el método de Ward,donde se maximiza la varianza entre grupos, con el objetivo de clasificar los países en grupos homogéneos según sus características sanitarias. Este procedimiento permitió construir un dendrograma que evidenció la estructura de similitud entre los países, y con base en la interpretación de los saltos del gráfico se definieron tres clusters representativos. Para validar la consistencia de la segmentación, también se aplicó un análisis no jerárquico (k-means) sobre las coordenadas principales, comparando la estabilidad de los grupos obtenidos. Finalmente, se calcularon los promedios de los indicadores por grupo, lo que permitió caracterizar el perfil sanitario de cada cluster e interpretar los patrones comunes entre los países que los componen.

2.2 VARIABLES

Las variables incluidas en el análisis fueron seleccionadas con el propósito de representar de manera integral los principales determinantes y resultados en salud pública a nivel mundial. Se agrupan en cinco dimensiones conceptuales: enfermedades transmisibles, salud general, condiciones ambientales, indicadores poblacionales y cobertura sanitaria. Esta organización permite comprender las interrelaciones entre factores epidemiológicos, estructurales y sociales que definen el bienestar sanitario de los países.

2.3 TABLA DE VARIABLES

#TABLA DE VARIABLES

variables_salud <- data.frame(
  Variable = c(
    "AdultosYNiñosHIV", "MuertesAIDS", 
    "IncidenciaTuberculosis", "DeteccionTuberculosis", "MuerteTuberculosis", 
    "TratamientoTuberculosis", "ExpectativaVidaNacer", "PerCapitaSalud", 
    "MortalidadInfantil", "MortalidadGeneral", "VacunaDPT", 
    "MortalidadAguaContaminada", "SobrepesoAdultos", "SaneamientoBasico", 
    "UHC", "MortalidadECV", "AccesoServiciosAgua"
  ),
  
  Descripción = c(
    "Número de adultos y niños viviendo con VIH",
    "Número estimado de muertes relacionadas con el SIDA",
    "Casos nuevos de tuberculosis por cada 100.000 habitantes",
    "Porcentaje de casos de tuberculosis detectados y notificados",
    "Tasa de mortalidad por tuberculosis (por 100.000 habitantes)",
    "Porcentaje de éxito en tratamientos de tuberculosis",
    "Esperanza de vida al nacer (años)",
    "Gasto en salud per cápita (US$ corrientes)",
    "Tasa de mortalidad infantil (por 1.000 nacidos vivos)",
    "Tasa de mortalidad general (por 1.000 habitantes)",
    "Cobertura de vacunación DPT (% de niños 12–23 meses)",
    "Muertes atribuibles a consumo de agua contaminada (por 100.000 hab.)",
    "Porcentaje de adultos con sobrepeso (IMC ≥ 25)",
    "Porcentaje de población con acceso a saneamiento básico",
    "Índice de Cobertura Universal en Salud (UHC Service Coverage Index)",
    "Tasa de mortalidad por enfermedades cardiovasculares (por 100.000 hab.)",
    "Porcentaje de población con acceso a servicios de agua potable"
  )
)

tabla_salud <- kable(
  variables_salud, 
  format = "html",
  col.names = c("Variable", "Descripción"),
  align = c('l', 'l'),
) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = FALSE,
    font_size = 13,
    position = "center"
  ) %>%
  row_spec(0, background = "#2b6cb0", color = "white", bold = TRUE) %>%
  column_spec(1, bold = TRUE, width = "3cm") %>%
  column_spec(2, width = "10cm") %>%
  footnote(
    general = "",
    general_title = "",
    footnote_as_chunk = TRUE
  )

tabla_salud

Variable	Descripción
AdultosYNiñosHIV	Número de adultos y niños viviendo con VIH
MuertesAIDS	Número estimado de muertes relacionadas con el SIDA
IncidenciaTuberculosis	Casos nuevos de tuberculosis por cada 100.000 habitantes
DeteccionTuberculosis	Porcentaje de casos de tuberculosis detectados y notificados
MuerteTuberculosis	Tasa de mortalidad por tuberculosis (por 100.000 habitantes)
TratamientoTuberculosis	Porcentaje de éxito en tratamientos de tuberculosis
ExpectativaVidaNacer	Esperanza de vida al nacer (años)
PerCapitaSalud	Gasto en salud per cápita (US$ corrientes)
MortalidadInfantil	Tasa de mortalidad infantil (por 1.000 nacidos vivos)
MortalidadGeneral	Tasa de mortalidad general (por 1.000 habitantes)
VacunaDPT	Cobertura de vacunación DPT (% de niños 12–23 meses)
MortalidadAguaContaminada	Muertes atribuibles a consumo de agua contaminada (por 100.000 hab.)
SobrepesoAdultos	Porcentaje de adultos con sobrepeso (IMC ≥ 25)
SaneamientoBasico	Porcentaje de población con acceso a saneamiento básico
UHC	Índice de Cobertura Universal en Salud (UHC Service Coverage Index)
MortalidadECV	Tasa de mortalidad por enfermedades cardiovasculares (por 100.000 hab.)
AccesoServiciosAgua	Porcentaje de población con acceso a servicios de agua potable

Descripción individual de las variables seleccionadas.

1. Enfermedades transmisibles: VIH/SIDA y tuberculosis.

- AdultosYNiñosHIV: Mide el número total de adultos y niños que viven con VIH en un país. Su inclusión permite dimensionar la magnitud de una de las principales epidemias a nivel mundial y evaluar la capacidad de los sistemas de salud para ofrecer diagnóstico, tratamiento antirretroviral y prevención.

- MuertesAIDS: Esta variable refleja directamente la efectividad de las políticas de tratamiento y prevención, ya que una menor tasa de mortalidad suele estar asociada a una mejor cobertura antirretroviral y programas de educación sexual. Su análisis permite identificar los países que aún enfrentan altos niveles de mortalidad debido a deficiencias en la atención médica o en la detección temprana. Además, complementa el indicador anterior al mostrar las consecuencias fatales de la epidemia en ausencia de intervención eficaz.

- IncidenciaTuberculosis: Mide los nuevos casos de tuberculosis por cada 100.000 habitantes. Esta variable fue seleccionada porque la tuberculosis sigue siendo una de las principales causas de morbilidad en países de ingresos medios y bajos. La incidencia permite evaluar la intensidad de transmisión de la enfermedad y la efectividad de las estrategias de control.

- DetecciónTuberculosis: Corresponde al porcentaje de casos de tuberculosis detectados y notificados oficialmente. Es fundamental ya que revela la capacidad de vigilancia epidemiológica del sistema de salud. Un nivel alto indica un sistema eficiente en diagnóstico y seguimiento; en cambio, niveles bajos implican subregistro y riesgo de propagación no controlada. Su inclusión busca reflejar la eficacia institucional y la disponibilidad de recursos diagnósticos.

- MuerteTuberculosis: Expresa la tasa de mortalidad por tuberculosis (por cada 100.000 habitantes). Este indicador complementa la incidencia, mostrando la gravedad del problema y la efectividad de los tratamientos. Un valor alto suele relacionarse con acceso limitado a medicamentos o diagnóstico tardío. Es relevante porque resume los impactos letales de una enfermedad prevenible y curable, lo que refleja inequidades estructurales en salud.

- TratamientoTuberculosis: Su análisis permite medir el rendimiento operativo del sistema sanitario frente a enfermedades infecciosas. Indica el porcentaje de éxito en los tratamientos de tuberculosis. Se utiliza como un reflejo directo de la calidad y continuidad de la atención médica.

Estas variables reflejan la dimensión infecciosa de la salud mundial y sirven como indicadores sensibles de la desigualdad estructural entre países

2. Salud general y desempeño del sistema sanitario.

- ExpectativaVidaNacer: Es uno de los indicadores más integrales del desarrollo humano, ya que sintetiza los resultados de múltiples dimensiones: calidad de la atención médica, condiciones de vida, nutrición, educación y seguridad.

- PerCapitaSalud: Indica el gasto promedio en salud por persona, medido en dólares corrientes. Es una medida fundamental del esfuerzo económico destinado a garantizar el bienestar sanitario. Su análisis permite examinar la relación entre inversión pública/privada y los resultados en salud (como mortalidad o esperanza de vida). Países con alto gasto per cápita suelen mostrar mejores indicadores, aunque no siempre de forma proporcional, lo cual permite reflexionar sobre la eficiencia del gasto y las políticas de equidad.

- MortalidadInfantil: Expresa el número de muertes de niños menores de un año por cada 1.000 nacidos vivos. Este indicador se considera uno de los más sensibles para evaluar las condiciones de salud y desarrollo de un país. Su inclusión permite captar la dimensión humana y social de las desigualdades sanitarias, así como los progresos en salud materno-infantil.

- MortalidadGeneral: Corresponde al número total de muertes por cada 1.000 habitantes. Es un indicador amplio que resume el impacto de todas las causas de mortalidad en la población. Aunque no distingue entre tipos de enfermedades, permite establecer una medida general del estado de salud de la población y sirve como punto de referencia para comparar los efectos combinados de las políticas públicas y las condiciones socioeconómicas.

- VacunaDPT: Representa el porcentaje de niños entre 12 y 23 meses que han recibido la vacuna DPT (difteria, tos ferina y tétanos). Este indicador es esencial para medir el alcance de los programas de inmunización y la capacidad del sistema sanitario para prevenir enfermedades evitables.

Estas variables, en conjunto, miden la capacidad de los países para garantizar el acceso universal a servicios esenciales y mantener una población saludable, sirviendo como base para identificar brechas de desarrollo humano.

3. Condiciones ambientales y de saneamiento

- MortalidadAguaContaminada: Indica las muertes atribuibles al consumo de agua contaminada por cada 100.000 habitantes. El acceso a agua potable es un derecho básico, por lo que altos niveles de mortalidad reflejan fallas estructurales en saneamiento, infraestructura y equidad social.

- SaneamientoBasico: Refleja el porcentaje de población con acceso a instalaciones de saneamiento adecuadas (como baños o sistemas de alcantarillado). Esta variable permite evaluar el impacto de la infraestructura y las políticas públicas en la salud colectiva. La falta de saneamiento está estrechamente relacionada con enfermedades infecciosas, mortalidad infantil y contaminación ambiental.

- AccesoServiciosAgua: Mide el porcentaje de población con acceso a servicios de agua potable. Esta variable completa la visión ambiental y estructural de la salud, mostrando las diferencias en infraestructura básica entre países. La disponibilidad de agua segura influye directamente en la incidencia de enfermedades gastrointestinales y en la calidad de vida.

El análisis de estas variables permite reconocer cómo los determinantes ambientales influyen directamente en la incidencia de enfermedades infecciosas y en la mortalidad infantil.

4. Indicadores poblacionales y transiciones epidemiológicas.

- SobrepesoAdultos: Se eligió porque el sobrepeso se ha convertido en problemas de salud pública global, vinculado con enfermedades crónicas no transmisibles (ECV, diabetes, hipertensión). Analizar esta variable permite observar la transición epidemiológica que experimentan muchos países hacia estilos de vida menos saludables y sus implicaciones económicas y sociales.

- MortalidadECV: Refleja la tasa de mortalidad por enfermedades cardiovasculares (por cada 100.000 habitantes). Permite evaluar cómo los factores de riesgo (dieta, actividad física, estrés) y la atención médica inciden en la salud adulta.

Ambas variables ilustran la transición epidemiológica global: mientras algunos países aún luchan contra enfermedades infecciosas, otros enfrentan los efectos del sedentarismo y la dieta no saludable

5. Cobertura sanitaria.

- UHC (Cobertura Universal en Salud): El índice UHC mide el nivel de cobertura efectiva de servicios de salud esenciales en un país. Representa la capacidad del sistema sanitario para ofrecer atención accesible y de calidad sin que las personas enfrenten dificultades financieras.

La base de datos final incluye información de 130 países, seleccionados por contar con registros completos para el año 2019, considerado un punto de referencia previo a los efectos de la pandemia de COVID-19. Cada fila representa un país y cada columna, una variable cuantitativa asociada a los indicadores antes descritos.

Se excluyeron territorios no soberanos y observaciones con valores faltantes para garantizar consistencia estadística y comparabilidad internacional. A continuación, se presenta la tabla de la base de datos utilizada, junto con las variables seleccionadas para el análisis:

2.4 TABLA DE DATOS

	Ano	Pais	AdultosyNinosHIV	MuertesAIDS	IncidenciaTuberculosis	DeteccionTuberculosis	MuerteTuberculosis	TratamientoTuberculosis	ExpectativaVidaNacer	PerCapitaSalud	MortalidadInfantil	MortalidadGeneral	VacunaDPT	MortalidadAguaContaminada	SobrepesoAdultos	SaneamientoBasico	UHC	MortalidadECV	AccesoServiciosAgua
1	2019	Afghanistan	11000	690	189.00	73	26.00	91	62.94100	320.82699	56.9	7.064000	65	16.6	43.77	51.003481	42	34.4	73.78464
2	2019	Albania	1400	100	16.00	87	0.29	88	79.46700	992.41248	8.0	7.473000	99	3.2	60.93	99.183069	64	11.3	94.75822
3	2019	Algeria	23000	500	61.00	80	6.60	86	75.68200	729.48763	20.7	4.681000	88	4.1	55.58	86.138504	74	14.0	94.23914
4	2019	Angola	310000	17000	351.00	65	53.00	69	63.05100	173.05660	43.8	7.701000	57	48.9	30.22	51.393623	39	24.6	56.88304
5	2019	Armenia	4800	100	26.00	81	1.20	82	76.22195	1649.65063	10.7	8.800000	92	5.8	54.07	93.857872	70	20.2	99.92817
6	2019	Australia	29000	100	6.80	87	0.18	86	82.90000	5450.58697	3.2	6.700000	95	1.9	63.00	100.000000	87	9.0	99.96985
7	2019	Azerbaijan	9600	200	60.00	80	5.90	84	73.29000	624.19559	16.6	5.600000	94	3.6	60.28	96.129030	67	19.3	95.66775
8	2019	Bahamas, The	4100	100	15.00	87	0.58	75	71.40800	2152.24023	15.7	9.321000	89	2.6	74.23	94.930582	79	20.3	98.88696
9	2019	Bangladesh	14000	600	221.00	80	24.00	95	72.62500	129.13426	25.4	5.372000	98	18.2	23.44	54.910240	50	19.2	97.82514
10	2019	Belarus	26000	500	29.00	80	2.40	89	74.22683	1176.52857	2.4	12.800000	98	1.6	54.91	99.340761	81	24.4	98.39199
11	2019	Belgium	18000	100	9.00	87	0.29	81	81.99512	6110.09912	3.3	9.500000	97	5.3	51.01	99.486199	87	10.0	100.00000
12	2019	Belize	3600	200	27.00	88	1.80	66	72.57700	454.55008	11.4	5.040000	98	4.3	71.16	88.198504	69	16.1	98.40055
13	2019	Benin	75000	2400	55.00	61	7.80	89	59.88800	79.72821	51.8	9.335000	72	60.2	28.53	18.629855	35	21.3	66.67227
14	2019	Bhutan	1000	100	164.00	80	18.00	94	72.00500	424.02038	21.1	6.350000	97	15.7	42.84	75.403670	60	16.7	98.87231
15	2019	Bolivia	26000	740	106.00	61	10.00	83	67.82000	617.92742	23.0	7.555000	75	14.3	62.26	63.816310	65	16.6	92.56595
16	2019	Botswana	350000	4400	253.00	52	28.00	72	67.16700	1032.23814	42.3	6.408000	95	26.8	40.48	79.751689	55	19.5	92.22140
17	2019	Brazil	900000	14000	46.00	91	2.50	69	75.80900	1502.48133	13.0	6.452000	70	6.6	59.91	89.298796	81	15.1	98.93554
18	2019	Bulgaria	3200	100	23.00	80	1.40	82	75.11220	1804.21032	5.5	16.300000	93	2.9	51.39	86.024724	76	24.0	99.14488
19	2019	Burkina Faso	100000	3600	47.00	50	9.70	81	60.18400	117.76923	50.2	8.564000	91	60.9	19.37	22.824069	38	24.1	49.00285
20	2019	Burundi	83000	1800	107.00	52	21.00	94	62.18000	66.69831	35.6	7.394000	93	53.3	15.00	45.745276	42	23.9	62.09432
21	2019	Cabo Verde	3300	100	49.00	80	4.30	89	75.44900	404.85758	13.2	5.004000	96	12.1	44.09	78.824956	69	17.3	88.59087
22	2019	Cambodia	77000	1400	287.00	63	17.00	96	70.12700	313.47016	23.5	6.189000	88	17.1	22.05	66.957416	58	23.3	75.33672
23	2019	Cameroon	490000	15000	179.00	53	29.00	86	61.69500	144.53820	46.8	8.163000	67	47.3	38.07	42.400858	43	24.9	67.99048
24	2019	Canada	62000	500	5.80	87	0.21	79	82.16366	5560.36096	4.5	7.600000	91	2.3	59.01	98.757327	91	9.6	99.22165
25	2019	Central African Republic	120000	5400	540.00	45	98.00	81	31.53000	75.33767	124.3	30.250000	42	97.0	21.83	14.481982	31	32.5	38.21227
26	2019	Chad	120000	3500	142.00	58	22.00	80	52.99300	70.17754	65.5	12.519000	50	99.2	19.77	12.294019	27	24.0	50.49806
27	2019	China	1250000	34000	58.00	88	2.20	94	77.94000	884.98067	6.0	7.090000	99	2.2	34.58	91.288136	81	16.0	95.31737
28	2019	Colombia	170000	2000	35.00	81	2.40	75	76.79300	1258.85478	12.4	5.380000	94	3.4	58.02	92.151092	80	10.3	96.89252
29	2019	Congo, Dem. Rep.	490000	20000	320.00	60	49.00	92	60.24200	36.85119	49.8	9.460000	73	52.3	19.96	16.416663	40	24.7	35.67806
30	2019	Congo, Rep.	130000	7100	373.00	56	52.00	72	63.15200	99.37222	33.0	7.344000	79	26.4	23.78	20.364263	39	23.0	73.59587
31	2019	Cote d’Ivoire	430000	13000	137.00	55	21.00	84	60.27400	159.52195	52.3	8.492000	79	47.0	32.63	34.777968	41	23.3	72.54106
32	2019	Cuba	38000	500	6.50	88	0.31	82	77.41300	2578.01886	5.4	10.047000	99	9.7	53.07	90.656190	83	16.8	94.14848
33	2019	Cyprus	1300	100	5.90	87	0.19	28	81.45400	3179.28448	2.6	6.600000	95	1.6	53.91	99.395816	81	9.0	99.76519
34	2019	Czechia	3500	100	5.00	87	0.21	74	79.22927	3422.44659	2.4	10.500000	97	4.1	58.40	99.137135	83	14.3	99.88047
35	2019	Denmark	6800	100	5.10	87	0.17	45	81.45122	6180.27343	3.3	9.300000	97	4.1	44.85	99.597232	82	11.1	100.00000
36	2019	Dominican Republic	74000	2300	42.00	79	1.80	80	73.11200	802.13521	30.9	6.132000	89	5.8	60.93	87.203108	75	18.6	96.14011
37	2019	Ecuador	43000	500	46.00	80	3.30	80	77.28600	922.83608	11.7	4.753000	85	4.7	64.66	90.003241	79	11.5	95.01122
38	2019	Egypt, Arab Rep.	23000	500	12.00	65	0.43	87	71.21300	554.68299	18.4	5.477000	95	4.8	72.56	97.200558	70	27.4	98.76142
39	2019	El Salvador	22000	500	60.00	80	0.97	90	71.72500	835.52037	10.6	7.439000	96	6.1	64.98	86.821606	78	13.0	97.82035
40	2019	Estonia	7200	100	13.00	87	1.20	76	78.64634	2702.26655	1.9	11.600000	91	2.6	56.15	99.077158	79	15.1	99.98729
41	2019	Eswatini	230000	3100	363.00	67	22.00	86	59.85000	742.75272	48.2	9.372000	90	46.5	54.53	64.521431	58	35.1	70.42753
42	2019	Ethiopia	630000	15000	140.00	69	19.00	90	65.74100	72.71867	41.0	6.481000	68	40.7	9.76	8.652039	36	17.2	47.25398
43	2019	Fiji	1400	100	66.00	78	4.40	30	67.00900	593.39126	20.6	9.092000	97	10.8	64.10	93.709941	59	38.8	95.38331
44	2019	France	190000	700	9.00	83	0.55	12	82.82683	5705.14150	3.3	9.100000	96	3.4	35.76	98.648415	84	10.1	100.00000
45	2019	Gabon	49000	2000	521.00	46	84.00	67	67.33700	413.21197	29.7	6.693000	70	17.5	44.91	49.784825	49	21.5	85.98402
46	2019	Gambia, The	26000	1400	158.00	68	19.00	84	64.42700	69.75344	38.4	6.807000	88	29.5	37.51	47.201409	46	23.0	83.89902
47	2019	Georgia	7400	100	74.00	77	3.80	85	74.16500	1019.25424	8.3	12.081000	94	3.3	63.72	86.532078	69	22.4	94.43603
48	2019	Germany	87000	500	6.10	91	0.32	69	81.29268	6830.81144	3.1	11.300000	91	3.2	54.13	99.225384	88	11.8	100.00000
49	2019	Ghana	340000	16000	144.00	33	34.00	84	64.45500	182.89056	32.6	7.340000	97	25.2	34.98	24.996073	46	22.8	85.24234
50	2019	Guatemala	30000	580	26.00	82	2.10	85	71.63900	541.90891	20.4	5.117000	88	15.3	60.90	68.243669	61	15.5	93.50771
51	2019	Guinea	120000	4900	176.00	72	19.00	89	59.37900	107.17321	67.4	9.945000	47	57.8	26.31	27.606398	39	24.5	67.67525
52	2019	Guinea-Bissau	35000	1500	361.00	34	72.00	73	62.16100	146.10569	48.3	7.863000	78	49.4	30.05	24.981106	36	26.1	61.37447
53	2019	Guyana	8900	200	77.00	80	11.00	71	69.06700	648.05991	27.0	7.503000	99	8.6	54.51	89.149890	77	27.8	94.94836
54	2019	Haiti	130000	2700	170.00	69	8.90	84	64.32800	125.56307	45.0	7.876000	51	25.9	28.88	36.938528	53	32.7	66.32099
55	2019	Honduras	20000	720	31.00	78	4.60	89	72.12400	426.79705	15.1	4.486000	88	7.1	61.74	81.952553	66	20.3	94.60685
56	2019	Iceland	500	100	4.10	87	0.34	100	83.16341	5227.25494	2.0	6.300000	92	2.4	56.81	98.781102	89	8.6	100.00000
57	2019	India	2500000	59000	202.00	77	23.00	84	70.74600	202.82311	29.7	6.670000	91	36.4	26.47	69.663146	64	23.7	91.56222
58	2019	Indonesia	550000	27000	312.00	66	34.00	83	70.34900	352.02312	19.3	7.558000	85	15.8	34.12	82.072701	56	24.2	91.81374
59	2019	Iran, Islamic Rep.	46000	2300	13.00	76	1.00	85	76.85500	915.96956	12.1	4.659000	99	2.9	58.63	90.021087	75	14.9	97.32361
60	2019	Iraq	2600	100	28.00	57	2.10	94	71.24500	461.70657	23.6	4.360000	84	4.4	71.67	97.864853	58	22.4	97.77879
61	2019	Ireland	7400	100	5.80	87	0.14	4	82.70244	6144.64388	3.0	6.200000	94	2.7	64.19	89.307391	82	9.9	96.00410
62	2019	Jamaica	29000	840	3.20	84	0.24	66	71.53200	648.96349	17.8	7.531000	96	2.3	59.08	86.631604	77	19.3	90.99735
63	2019	Jordan	570	100	5.50	76	0.09	82	76.86500	704.69775	13.6	3.033000	89	1.9	70.08	97.221489	67	12.7	98.95137
64	2019	Kenya	1400000	20000	267.00	62	37.00	86	62.93900	208.51188	37.2	7.294000	93	29.0	31.29	35.295795	51	19.1	60.86078
65	2019	Kuwait	770	100	20.00	87	0.39	74	81.96976	2642.75521	7.6	1.644638	92	0.8	77.65	100.000000	77	10.1	100.00000
66	2019	Kyrgyz Republic	9200	200	110.00	86	4.40	81	71.60000	231.85300	16.1	5.200000	95	2.3	56.08	97.777714	71	22.7	89.85881
67	2019	Lao PDR	16000	500	155.00	61	27.00	90	67.91100	212.54206	40.4	6.599000	80	20.5	28.22	78.948092	51	27.1	85.09983
68	2019	Lebanon	2700	100	15.00	87	1.00	80	78.20800	1553.97224	12.8	5.458000	76	2.4	64.29	99.067379	74	12.1	92.60000
69	2019	Lesotho	290000	5000	654.00	49	57.00	78	55.24900	565.59255	63.3	11.830000	87	108.1	40.57	48.427925	53	36.9	72.87738
70	2019	Liberia	34000	1400	308.00	53	56.00	75	61.23200	122.76556	58.2	8.513000	70	34.6	34.95	20.761974	43	22.0	74.16096
71	2019	Libya	7200	100	59.00	54	12.00	70	72.94100	1231.62605	9.2	5.165000	73	2.2	66.71	92.106002	64	20.9	99.89152
72	2019	Lithuania	3400	100	41.00	87	4.20	87	76.28293	2834.09038	3.3	13.600000	92	2.6	57.83	93.768325	75	19.8	98.00147
73	2019	Luxembourg	1200	100	8.90	87	0.23	36	82.63902	6700.66965	2.1	6.900000	99	1.9	51.59	97.594263	86	8.6	99.87670
74	2019	Madagascar	54000	2700	233.00	57	44.00	82	63.50400	50.00874	44.5	7.518000	70	40.1	15.19	13.169337	33	26.5	51.17221
75	2019	Malawi	1000000	14000	146.00	61	14.00	88	64.99500	99.94220	33.6	6.301000	95	30.8	22.47	42.803838	48	26.1	69.46488
76	2019	Malaysia	85000	2500	92.00	83	5.10	80	75.90000	1086.65445	6.7	4.980000	98	14.4	52.41	95.880234	78	19.7	97.09037
77	2019	Maldives	100	100	36.00	87	2.10	61	79.70700	1697.84741	6.4	2.579000	98	2.3	48.62	98.268428	68	12.6	99.52721
78	2019	Mali	120000	5500	52.00	63	7.60	82	59.21700	86.47464	63.7	9.475000	77	66.1	30.79	44.797697	40	24.2	79.27972
79	2019	Mauritania	8200	500	89.00	63	16.00	81	67.64000	170.54567	34.8	6.115000	80	37.8	44.85	49.589394	36	18.4	72.54431
80	2019	Mexico	330000	5300	23.00	81	1.80	72	74.53000	1111.38885	12.2	6.083000	82	3.5	72.05	90.776558	74	15.3	99.11535
81	2019	Moldova	15000	500	80.00	110	5.30	84	70.18100	859.53687	13.7	13.919000	91	3.6	59.92	82.989826	72	24.0	90.69569
82	2019	Mongolia	590	100	428.00	31	10.00	88	71.05317	583.79219	12.8	5.600000	98	3.2	55.74	67.792340	67	28.7	81.43561
83	2019	Montenegro	500	100	15.00	89	0.20	95	76.68293	2045.05829	2.6	10.500000	85	1.8	49.09	97.502299	72	20.9	98.68140
84	2019	Morocco	21000	500	97.00	88	7.90	89	74.24500	435.44825	18.0	5.629000	99	4.6	53.36	86.328234	68	22.6	84.98185
85	2019	Mozambique	2300000	49000	361.00	89	19.00	94	61.30600	107.70056	49.7	8.078000	85	45.6	24.59	33.350311	43	28.7	57.57537
86	2019	Myanmar	270000	7100	322.00	79	36.00	88	66.45700	208.77198	38.9	8.847000	90	12.9	25.27	73.165319	60	25.6	78.90934
87	2019	Namibia	210000	3600	486.00	61	57.00	87	63.54600	808.96376	44.6	7.722000	87	28.8	35.16	34.960775	62	22.8	84.83948
88	2019	Nepal	30000	730	238.00	47	58.00	89	69.29900	184.41678	27.3	7.024000	93	17.8	27.44	72.880128	50	20.4	90.28637
89	2019	Netherlands	24000	100	4.90	87	0.11	86	82.11220	6217.20444	3.5	8.800000	94	3.4	46.35	97.694408	85	10.0	100.00000
90	2019	New Zealand	3400	100	7.20	87	0.26	83	82.05610	4288.51326	4.3	6.870000	92	2.1	66.50	100.000000	85	10.4	100.00000
91	2019	Nicaragua	11000	500	43.00	81	1.50	88	73.76400	491.61882	12.1	4.950000	98	3.5	65.77	72.969399	73	12.8	81.61224
92	2019	Niger	34000	1300	84.00	59	16.00	83	60.03100	73.61729	69.5	9.573000	81	70.3	16.91	14.790038	34	20.6	47.36668
93	2019	North Macedonia	500	100	12.00	88	0.44	89	76.60244	1412.93395	6.1	9.800000	92	1.0	60.60	97.879171	74	19.3	97.72562
94	2019	Oman	2500	100	9.20	87	0.36	48	79.94600	1345.07210	8.7	2.001000	99	1.6	63.94	99.320038	70	20.3	91.88826
95	2019	Pakistan	200000	8600	263.00	54	19.00	93	66.72900	148.10311	56.8	6.772000	84	38.8	49.86	65.389936	44	26.3	90.19065
96	2019	Panama	27000	500	37.00	80	4.80	83	78.51400	2779.18297	12.7	4.719000	88	4.2	68.97	83.378552	79	11.1	94.18250
97	2019	Papua New Guinea	58000	990	432.00	74	47.00	71	65.33100	95.03245	36.1	6.624000	35	24.9	49.68	19.149287	30	30.7	47.07673
98	2019	Paraguay	19000	500	46.00	94	3.90	67	73.66800	1018.23418	17.2	5.584000	86	4.6	66.76	91.715674	74	16.5	99.59111
99	2019	Peru	93000	1100	119.00	83	7.30	83	76.27500	702.30297	14.2	6.160000	88	7.6	64.73	76.709439	75	10.7	93.00324
100	2019	Philippines	100000	800	554.00	67	27.00	86	69.68000	377.78833	22.7	5.896000	84	16.9	32.62	81.251027	60	25.3	93.63736
101	2019	Portugal	45000	500	19.00	87	1.80	71	81.67561	3603.89656	2.8	10.800000	99	6.8	54.60	99.645117	87	11.2	99.21959
102	2019	Qatar	560	100	35.00	87	0.28	73	82.94500	3023.11597	5.4	0.841000	98	0.4	75.73	99.936546	75	12.9	99.97053
103	2019	Romania	19000	200	65.00	87	4.70	84	75.60732	1912.92549	5.6	13.400000	88	7.2	62.11	86.541583	79	21.1	100.00000
104	2019	Russia	1430000	19000	50.00	100	5.50	68	73.08390	1695.36590	4.7	12.300000	97	3.2	57.48	88.707420	79	24.0	96.79553
105	2019	Rwanda	240000	3100	57.00	79	4.90	87	66.69100	143.76721	31.8	6.132000	98	25.0	17.70	71.206525	47	20.4	62.41174
106	2019	Sao Tome and Principe	1200	100	114.00	58	19.00	70	68.04300	199.62419	11.3	6.117000	95	16.7	40.08	45.120100	60	20.6	77.33578
107	2019	Saudi Arabia	8100	200	11.00	91	0.64	90	78.31300	3151.00621	5.8	2.295000	96	1.9	71.08	95.323576	72	14.3	98.66034
108	2019	Senegal	41000	1300	117.00	70	16.00	91	67.66800	157.29120	34.9	5.979000	96	31.7	28.66	57.049034	51	22.4	82.69753
109	2019	Serbia	3400	100	14.00	110	0.73	85	75.93659	1701.61011	4.8	14.600000	97	3.9	53.34	97.897022	77	21.4	94.91236
110	2019	Sierra Leone	74000	2800	295.00	78	31.00	88	59.59300	164.00572	64.1	9.390000	95	69.5	21.75	20.099739	38	24.3	61.92981
111	2019	Slovak Republic	1100	100	4.50	87	0.27	94	77.66585	2350.36599	4.9	9.800000	97	3.6	59.09	97.531845	82	16.7	99.78782
112	2019	South Africa	7400000	51000	615.00	57	38.00	79	66.07100	1160.67156	25.6	8.750000	85	27.6	54.69	75.379645	71	21.6	93.38824
113	2019	South Sudan	160000	8900	227.00	69	34.00	85	58.12900	51.38451	72.6	9.302000	61	68.1	22.36	15.747278	31	22.0	40.84166
114	2019	Spain	150000	650	9.90	87	0.47	47	83.83171	4012.39781	2.6	8.800000	95	3.2	51.29	99.919357	85	9.6	99.92584
115	2019	Sri Lanka	4100	200	64.00	58	3.30	85	76.69800	539.31778	6.2	6.700000	99	4.8	35.15	92.487941	66	15.6	88.39141
116	2019	Sudan	35000	1700	67.00	65	9.90	83	65.80300	194.06461	44.0	6.549000	93	15.8	36.87	36.778261	45	22.4	61.60565
117	2019	Suriname	6700	200	29.00	77	2.30	79	71.77300	1625.46811	17.1	7.034000	77	7.1	56.40	89.249143	72	21.6	97.54177
118	2019	Syrian Arab Republic	510	100	19.00	67	0.13	89	70.97000	348.78369	21.5	5.284000	67	9.1	70.29	93.955932	62	22.0	93.87294
119	2019	Tajikistan	12000	100	83.00	73	7.90	91	70.96200	253.69133	23.3	4.843000	97	9.0	56.24	96.772560	70	19.4	81.81511
120	2019	Tanzania	1700000	30000	237.00	58	35.00	93	66.00700	102.27097	34.7	6.183000	91	30.2	29.61	29.099389	42	18.4	56.56585
121	2019	Thailand	580000	15000	150.00	82	14.00	85	77.19700	709.02260	9.1	7.422000	97	11.8	42.58	98.420524	82	14.3	99.96483
122	2019	Timor-Leste	1300	100	498.00	62	88.00	91	66.49600	192.14461	39.9	7.477000	83	20.4	12.47	55.189893	50	20.9	82.38412
123	2019	Togo	110000	3100	37.00	82	2.70	87	61.05500	123.89256	40.2	8.394000	84	42.4	28.59	18.349511	41	26.1	67.81213
124	2019	Trinidad and Tobago	12000	500	17.00	87	1.50	61	72.83600	1878.99069	19.0	7.948000	93	1.6	57.11	93.915211	76	20.4	98.87517
125	2019	Tunisia	6500	500	35.00	79	1.20	90	75.59900	708.20061	14.4	6.099000	98	3.1	56.00	96.376573	68	15.2	96.19409
126	2019	Uganda	1400000	19000	200.00	77	16.00	82	66.35400	94.25074	31.7	5.420000	93	28.1	21.26	20.408091	48	21.8	54.32669
127	2019	United Arab Emirates	1400	100	0.98	87	0.67	81	82.59600	3236.16093	5.0	0.958000	99	0.8	71.32	99.098480	75	8.7	100.00000
128	2019	United Kingdom	100000	1000	8.10	89	0.34	78	81.36912	4982.20198	3.8	9.019000	93	6.1	61.16	99.108060	87	10.7	100.00000
129	2019	United States	1190000	5000	2.90	87	0.17	75	78.78780	10546.01320	5.5	8.697000	94	2.3	71.30	99.684435	85	13.2	99.74463
130	2019	Uruguay	14000	200	36.00	87	2.50	73	77.50300	2296.00227	6.2	9.754000	94	4.4	65.05	97.767800	83	16.6	99.48724
131	2019	Venezuela, RB	86000	4400	45.00	79	2.40	81	72.76600	79.02017	21.5	6.802000	64	5.2	54.79	96.759710	74	17.9	93.86290
132	2019	Viet Nam	250000	5000	176.00	60	9.80	91	74.21100	523.92726	14.9	6.300000	89	6.9	15.41	86.637803	69	20.8	95.98905
133	2019	Yemen, Rep.	8200	500	48.00	61	6.50	85	66.56700	107.65340	38.8	5.859000	60	15.6	35.22	53.626939	42	26.3	59.71658
134	2019	Zambia	1400000	25000	333.00	59	33.00	89	62.91400	235.69543	35.7	6.482000	88	35.8	27.29	35.459467	54	23.2	66.85340
135	2019	Zimbabwe	1300000	24000	199.00	69	11.00	84	61.06000	74.50810	46.0	8.281000	90	36.2	32.78	35.774336	55	32.7	63.09495

El conjunto de variables seleccionadas ofrece una mirada integral a los distintos determinantes de la salud global: desde la incidencia de enfermedades infecciosas hasta las condiciones estructurales de saneamiento y la cobertura sanitaria. Este enfoque multivariado permite no solo comparar países, sino también identificar patrones sistémicos que reflejan desigualdades históricas entre regiones, consolidando una base sólida para los análisis posteriores de componentes principales y clusterización.

3 RESULTADOS DESCRIPTIVOS

Antes de realizar análisis más complejos, es fundamental comprender el comportamiento general de cada variable incluida en el estudio. La siguiente tabla presenta los principales estadísticos descriptivos media, mediana, moda, desviación estándar, mínimo y máximo que permiten identificar la distribución, variabilidad y rango de los datos. Estos indicadores ofrecen una visión inicial sobre las tendencias centrales y la dispersión de los valores entre los distintos países, ayudando a detectar posibles desigualdades, comportamientos atípicos o concentraciones en determinados niveles de salud pública.

En la siguiente tabla se resumen las principales medidas descriptivas de las variables incluidas en el estudio, considerando 135 países y excluyendo islas o territorios no soberanos. En ella se observan contrastes significativos entre los indicadores de salud, lo que refleja las desigualdades existentes en los sistemas sanitarios a nivel mundial.

3.1 TABLA DE ESTADISTICAS DESCRIPTIVAS

N°	Variable	Media	Mediana	Moda	Desv. Estandar	Minimo	Maximo
1	AdultosyNinosHIV	260495.56	30000.00	120000.00	759696.72	100.00	7400000.00
2	MuertesAIDS	4824.74	600.00	100.00	9947.64	100.00	59000.00
3	IncidenciaTuberculosis	125.14	59.00	15.00	147.59	0.98	654.00
4	DeteccionTuberculosis	74.37	79.00	87.00	14.82	31.00	110.00
5	MuerteTuberculosis	14.14	4.90	19.00	19.55	0.09	98.00
6	TratamientoTuberculosis	79.73	84.00	89.00	14.92	4.00	100.00
7	ExpectativaVidaNacer	71.17	71.77	31.53	8.05	31.53	83.83
8	PerCapitaSalud	1370.71	617.93	36.85	1856.88	36.85	10546.01
9	MortalidadInfantil	23.91	17.80	3.30	20.49	1.90	124.30
10	MortalidadGeneral	7.60	7.06	8.80	3.27	0.84	30.25
11	VacunaDPT	87.23	92.00	97.00	12.83	35.00	99.00
12	MortalidadAguaContaminada	18.38	7.10	2.30	21.93	0.40	108.10
13	SobrepesoAdultos	47.07	52.41	44.85	17.26	9.76	77.65
14	SaneamientoBasico	72.23	86.53	100.00	28.90	8.65	100.00
15	UHC	63.59	68.00	74.00	16.84	27.00	91.00
16	MortalidadECV	19.67	20.40	22.40	6.47	8.60	38.80
17	AccesoServiciosAgua	85.63	93.86	100.00	16.87	35.68	100.00

En primer lugar, los valores asociados al VIH/SIDA evidencian una gran dispersión: mientras algunos países registran cifras mínimas cercanas a los 100 casos, otros superan los 7 millones de personas viviendo con VIH. Esta variabilidad sugiere una marcada diferencia en el acceso a programas de prevención, diagnóstico y tratamiento. Algo similar ocurre con las muertes relacionadas con el SIDA, donde el rango (de 100 a 51.000 muertes) revela brechas en la eficacia de las políticas de salud pública y en la disponibilidad de tratamientos antirretrovirales.

Respecto a la tuberculosis, los promedios de incidencia (127 casos por cada 100.000 habitantes) y mortalidad (14 muertes por 100.000) muestran que, aunque la enfermedad persiste, su detección y tratamiento presentan avances moderados. La tasa media de detección (73,84 %) y el éxito terapéutico (79,73 %) sugieren la existencia de sistemas de vigilancia relativamente eficaces, aunque la desviación estándar alta refleja que no todos los países logran mantener estos niveles.

En cuanto a los indicadores de salud general y desarrollo, se observa que la esperanza de vida al nacer alcanza una media de 70,9 años, lo que, junto con la elevada desviación estándar del gasto per cápita en salud, sugiere que las diferencias económicas tienen un impacto directo en los resultados sanitarios. Países con mayores niveles de inversión en salud tienden a presentar menor mortalidad infantil y mayor cobertura vacunal, lo que podría anticipar relaciones positivas entre gasto, cobertura y supervivencia.

Por otro lado, la mortalidad infantil (24,45 por cada 1.000 nacidos vivos) y la mortalidad por agua contaminada (18,7 por cada 100.000 habitantes) exhiben valores máximos muy superiores a las medias, lo que denota la persistencia de problemas estructurales en el acceso al agua potable y el saneamiento básico. En contraste, los promedios altos en saneamiento (71,56 %) y acceso al agua (85,21 %) muestran avances globales, aunque con claras desigualdades entre regiones.

Finalmente, los indicadores de enfermedades no transmisibles como la mortalidad por enfermedades cardiovasculares (19,75) y el sobrepeso en adultos (46,95 %) evidencian una transición epidemiológica: mientras algunos países enfrentan aún enfermedades infecciosas, otros ya lidian con patologías crónicas asociadas a estilos de vida.

Los gráficos presentan la distribución de diversas variables de salud que permiten identificar diferencias importantes entre países, evidenciando desigualdades globales en el acceso y la calidad de los servicios sanitarios. A través de los diagramas de caja se observan las tendencias centrales, la dispersión de los datos y la presencia de valores atípicos que reflejan realidades muy distintas entre regiones del mundo.

3.2 BOXPLOT DE LAS VARIABLES

#PRIMER BLOQUE DE BOXPLOTS

# Seleccionar las primeras 10 variables numéricas
vars_1 <- c("AdultosyNinosHIV", "MuertesAIDS",
            "IncidenciaTuberculosis", "DeteccionTuberculosis", "MuerteTuberculosis",
            "TratamientoTuberculosis", "ExpectativaVidaNacer", "PerCapitaSalud",
            "MortalidadInfantil")

# Reorganizar los datos en formato largo
data_box1 <- Salud2 %>%
  select(all_of(vars_1)) %>%
  pivot_longer(cols = everything(), names_to = "Variable", values_to = "Valor") %>%
  filter(!is.na(Valor))

# Crear gráfico con ggplot2
g_facetas1 <- ggplot(data_box1, aes(x = Variable, y = Valor, fill = Variable)) +
  geom_boxplot(alpha = 0.8, outlier.color = "red") +
  facet_wrap(~Variable, scales = "free", ncol = 5) +
  theme_minimal() +
  labs(
    x = "",
    y = "",
    title = "DISTRIBUCIÓN DE LAS VARIABLES NUMÉRICAS"
  ) +
  theme(
    plot.title = element_text(size = 18, face = "bold", hjust = 0.5),
    strip.text = element_text(size = 10, face = "bold"),
    panel.spacing = unit(3, "lines"), 
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank(),
    legend.position = "none"
  )

# Convertir a gráfico interactivo
plot_facetas1 <- ggplotly(g_facetas1) %>%
  layout(
    title = list(
      text = "<b>DISTRIBUCIÓN DE LAS VARIABLES NUMÉRICAS</b>",
      x = 0.5, xanchor = "center",
      font = list(size = 18, family = "Palatino Linotype")
    ),
    margin = list(t = 80)
  )

plot_facetas1

En la variable “Adultos y Niños con VIH”, la distribución es fuertemente asimétrica hacia la derecha. La mayoría de los países presentan valores bajos, mientras que unos pocos concentran cifras extremadamente elevadas. Esto sugiere que la enfermedad no afecta de manera uniforme a nivel mundial, sino que se concentra en ciertas zonas geográficas. Aunque el gráfico no especifica regiones, podría suponerse que muchos de los valores más altos pertenecen al continente africano, donde históricamente se han registrado tasas más elevadas de VIH. Esta suposición se apoya en el conocimiento general de las tendencias epidemiológicas, más no en la evidencia directa del gráfico.

La variable “Detección de Tuberculosis” muestra una distribución más equilibrada, con una mediana cercana al 75%. Esto refleja que, en general, la mayoría de los países mantienen niveles moderados o altos de cobertura en la detección. No obstante, los valores más bajos podrían corresponder —de manera hipotética— a regiones con menos recursos en salud pública, como algunos países africanos o del sudeste asiático, donde las limitaciones de infraestructura y acceso podrían dificultar un diagnóstico oportuno.

En cuanto a la “Expectativa de Vida al Nacer”, los valores se concentran entre los 60 y 80 años, con una mediana próxima a los 70. La distribución es bastante uniforme, lo que refleja avances globales en salud. Sin embargo, los valores más bajos —posiblemente pertenecientes a países con menores niveles de desarrollo— podrían relacionarse con contextos donde prevalecen condiciones de pobreza, conflictos o enfermedades infecciosas. Por conocimiento general, estos escenarios suelen encontrarse en regiones africanas, aunque el gráfico por sí solo no permite confirmarlo con certeza.

La “Incidencia de Tuberculosis” vuelve a presentar una clara asimetría positiva. La mayoría de los países registran tasas bajas o moderadas, pero existen valores extremos que representan una alta concentración de casos. De forma analítica, puede inferirse que estos valores elevados podrían corresponder a zonas donde la tuberculosis continúa siendo endémica, como en algunas partes de África o Asia. Esto sugiere que la enfermedad se mantiene como un desafío sanitario localizado, más que un problema de carácter universal.

Finalmente, la “Mortalidad Infantil” también muestra una distribución asimétrica, con una mediana baja pero con outliers muy elevados. Esto evidencia que, aunque la mayoría de los países han mejorado este indicador, aún existen algunos con cifras preocupantes. De manera suposicional y analítica, podría pensarse que los valores más altos corresponden a países del continente africano, donde las deficiencias en atención médica, la malnutrición y las enfermedades prevenibles siguen impactando de manera significativa en la mortalidad infantil.

En cuanto a las Muertes por SIDA y Muertes por Tuberculosis presentan distribuciones fuertemente asimétricas, con medianas muy bajas y varios valores atípicos hacia el extremo superior. Esto significa que la mayoría de los países registran niveles reducidos de mortalidad por estas enfermedades, mientras un pequeño grupo concentra cifras extremadamente altas. Esta concentración indica desigualdad en el acceso a tratamientos antirretrovirales, a programas de prevención y al diagnóstico oportuno, lo que demuestra que, a pesar de los avances médicos, persisten focos de vulnerabilidad donde estas patologías siguen siendo una de las principales causas de muerte.

En contraste, la variable Per Cápita Salud refleja una dispersión muy amplia, evidenciando las diferencias en la inversión sanitaria por habitante. Mientras algunos países destinan montos significativos que superan con amplitud la mediana, la mayoría mantiene un gasto reducido. Este patrón sugiere que el gasto en salud continúa siendo una de las principales brechas entre países: los que más invierten logran reducir de forma notable la mortalidad por enfermedades infecciosas y crónicas, mientras que los de menor gasto tienden a concentrar las tasas más altas de muertes por SIDA y tuberculosis. En otras palabras, el financiamiento sanitario actúa como un indicador estructural del bienestar general y de la capacidad de respuesta ante enfermedades transmisibles.

Por otro lado, la variable Tratamiento de Tuberculosis muestra una mediana elevada y una menor dispersión, lo que indica que en la mayoría de países la cobertura de tratamiento ha mejorado considerablemente. Esto podría estar relacionado con la cooperación internacional y los programas de salud pública implementados en las últimas décadas, que han permitido ampliar el acceso a medicamentos y reforzar los sistemas de vigilancia. Sin embargo, los valores más bajos reflejan que algunos territorios aún enfrentan dificultades logísticas o presupuestales para sostener un tratamiento completo y continuo, lo que impacta directamente en la reducción de contagios y muertes.

#SEGUNNDO BLOQUE DE BOXPLOTS

# Seleccionar las otras 10 variables
vars_2 <- c("MortalidadGeneral", "VacunaDPT",
            "MortalidadAguaContaminada", "SobrepesoAdultos",
            "SaneamientoBasico", "UHC", "MortalidadECV",
            "AccesoServiciosAgua")

# Reorganizar los datos
data_box2 <- Salud2 %>%
  select(all_of(vars_2)) %>%
  pivot_longer(cols = everything(), names_to = "Variable", values_to = "Valor") %>%
  filter(!is.na(Valor))

# Crear gráfico
g_facetas2 <- ggplot(data_box2, aes(x = Variable, y = Valor, fill = Variable)) +
  geom_boxplot(alpha = 0.8, outlier.color = "red") +
  facet_wrap(~Variable, scales = "free", ncol = 5) +
  theme_minimal() +
  labs(
    x = "",
    y = "",
    title = "DISTRIBUCIÓN DE LAS VARIABLES NUMÉRICAS"
  ) +
  theme(
    plot.title = element_text(size = 18, face = "bold", hjust = 0.5),
    strip.text = element_text(size = 10, face = "bold"),
    panel.spacing = unit(3, "lines"), 
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank(),
    legend.position = "none"
  )

# Convertir a plotly
plot_facetas2 <- ggplotly(g_facetas2) %>%
  layout(
    title = list(
      text = "<b>DISTRIBUCIÓN DE LAS VARIABLES NUMÉRICAS</b>", 
      x = 0.5, xanchor = "center",
      font = list(size = 18, family = "Palatino Linotype")
    ),
    margin = list(t = 80)
  )

plot_facetas2

La variable Acceso a Servicios de Agua presenta una mediana elevada, lo que indica que la mayoría de los países han alcanzado una cobertura relativamente alta de agua potable. Sin embargo, la amplitud del rango intercuartílico y la presencia de valores atípicos hacia la parte inferior revelan que aún existen naciones o regiones donde una proporción significativa de la población carece de acceso adecuado a agua limpia. Esta desigualdad en la infraestructura hídrica es un factor determinante en la aparición de enfermedades transmitidas por el agua y afecta directamente los indicadores de salud pública.

La variable Mortalidad por Agua Contaminada refuerza esta relación: aunque la mayoría de los países presentan niveles bajos de mortalidad, los valores atípicos muy elevados indican que en ciertos territorios las enfermedades hídricas continúan siendo una causa importante de muerte, especialmente en contextos rurales o en zonas sin sistemas de tratamiento de agua. El contraste entre una alta cobertura promedio y la persistencia de casos extremos demuestra que los avances globales no han sido homogéneos y que los logros en infraestructura no siempre garantizan un acceso equitativo.

Por otro lado, las variables Mortalidad por Enfermedades Cardiovasculares (ECV) y Mortalidad General muestran distribuciones más compactas, con medianas moderadas y menor dispersión. Esto sugiere que, a nivel global, las causas de muerte se han desplazado progresivamente hacia enfermedades crónicas no transmisibles, asociadas al envejecimiento y al estilo de vida. No obstante, la existencia de valores atípicos hacia arriba indica que algunos países todavía enfrentan tasas elevadas de mortalidad general, posiblemente debido a deficiencias en los sistemas de salud, bajo acceso a atención médica preventiva o coexistencia de enfermedades infecciosas y crónicas.

La variable Acceso a Saneamiento Básico mantiene una mediana elevada y una concentración importante de valores en los rangos superiores, lo que indica que la mayoría de los países han avanzado en la ampliación de redes de saneamiento y tratamiento de residuos. No obstante, la presencia de valores atípicos hacia el extremo inferior refleja que todavía existen zonas con deficiencias estructurales, donde la ausencia de servicios adecuados incrementa los riesgos de enfermedades transmitidas por el agua y afecta de forma directa la salud infantil y comunitaria.

La Cobertura Universal de Salud (UHC) muestra también una mediana alta, señal de que la mayoría de los países cuentan con un sistema sanitario que busca garantizar el acceso a servicios esenciales. Sin embargo, la dispersión visible y algunos valores bajos indican que aún persisten brechas en la atención, especialmente en regiones donde los sistemas de salud son fragmentados o carecen de recursos suficientes. Esta desigualdad en la cobertura implica que, mientras algunos países ofrecen atención preventiva y tratamiento accesible para toda la población, otros sólo alcanzan una cobertura parcial, dejando a grupos vulnerables fuera del sistema formal de salud.

En cuanto a la Vacunación DPT (difteria, tos ferina y tétanos), los diagramas reflejan una mediana alta y una distribución relativamente homogénea, lo que evidencia un avance generalizado en la inmunización infantil. Este indicador muestra uno de los mayores niveles de equidad global dentro del conjunto, producto de las campañas internacionales y de los programas de vacunación sostenidos por la Organización Mundial de la Salud y otras agencias. Sin embargo, los valores atípicos hacia abajo sugieren que aún existen países con coberturas insuficientes, ya sea por limitaciones logísticas, falta de infraestructura o conflictos que interrumpen los programas de salud. Estas diferencias, aunque minoritarias, representan focos de vulnerabilidad ante la reaparición de enfermedades prevenibles.

Por último, la variable Sobrepeso en Adultos presenta una distribución amplia y una dispersión notable, con valores que oscilan desde porcentajes bajos hasta niveles cercanos al 80 %. Este comportamiento evidencia una transición epidemiológica: en países con bajos ingresos predominan los problemas asociados a la desnutrición y las enfermedades infecciosas, mientras que en los de mayores recursos se observa un aumento sostenido del sobrepeso y la obesidad, consecuencia de dietas hipocalóricas y estilos de vida sedentarios. La amplitud de esta variable contrasta con la homogeneidad de los indicadores anteriores, mostrando que los retos en salud global han evolucionado desde las carencias estructurales hacia los riesgos derivados del exceso y la falta de hábitos saludables.

3.3 MAPA DE CALOR

#Filtrar en otra asignación
Salud3 <- select(Salud2, AdultosyNinosHIV,MuertesAIDS, IncidenciaTuberculosis, DeteccionTuberculosis, MuerteTuberculosis, TratamientoTuberculosis, ExpectativaVidaNacer, PerCapitaSalud, MortalidadInfantil, MortalidadGeneral, VacunaDPT, MortalidadAguaContaminada, SobrepesoAdultos, SaneamientoBasico, UHC, MortalidadECV, AccesoServiciosAgua)

cor_matrix <- cor(Salud3, use = "pairwise.complete.obs")

ggcorrplot(cor_matrix, 
           hc.order = TRUE,
           type = "lower",
           lab = TRUE,
           lab_size = 4,
           lab_col = "black",
           colors = c("#4575B4", "white", "#D73027"),
           title = "Matriz de correlación de indicadores de salud",
           ggtheme = ggplot2::theme_minimal(),
           outline.col = "gray70",
           sig.level = 0.6,  # Solo muestra valores con |cor| > 0.6
           insig = "blank") +  # Oculta los demás
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1, size = 12, face = "bold"),
    axis.text.y = element_text(size = 12, face = "bold"),
    plot.title = element_text(hjust = 0.5, size = 16, face = "bold"),
    legend.title = element_text(size = 12),
    legend.text = element_text(size = 10)
  )

La matriz de correlación muestra una representación integral de cómo los distintos indicadores de salud se interrelacionan, revelando patrones claros de desarrollo, desigualdad y transición epidemiológica a nivel global.

En primer lugar, se distingue un bloque de correlaciones positivas muy fuertes entre variables como expectativa de vida al nacer, acceso a servicios de agua, saneamiento básico, vacunación DPT y gasto per cápita en salud. Estas asociaciones, con valores de coeficientes que superan el 0.5, evidencian que los países con una infraestructura sanitaria sólida, altos niveles de inversión pública y amplia cobertura médica tienden a alcanzar mejores resultados en esperanza de vida y prevención de enfermedades transmisibles. Dicho de otro modo, la mejora en las condiciones básicas como el acceso a agua potable y servicios de saneamiento no solo repercute directamente en la salud física de la población, sino que también refleja un entorno socioeconómico más estable y equitativo.

Por otro lado, se observan correlaciones negativas intensas entre estos indicadores de desarrollo y las variables de mortalidad infantil, mortalidad por agua contaminada e incidencia o muertes por tuberculosis. En países donde el acceso al agua y al saneamiento es limitado, las tasas de mortalidad infantil se incrementa y las enfermedades infecciosas siguen siendo una amenaza persistente. Estas correlaciones, cercanas a -0.8, refuerzan la idea de que los determinantes estructurales como la infraestructura sanitaria, educación y recursos económicos, tienen un peso decisivo en los resultados de salud poblacional.

De manera interesante, el indicador de sobrepeso en adultos muestra correlaciones positivas moderadas con la expectativa de vida y el gasto en salud per cápita, lo cual sugiere un proceso de transición epidemiológica: mientras los países menos desarrollados aún enfrentan problemas de desnutrición y enfermedades infecciosas, las naciones con mayores recursos lidian con el aumento de enfermedades crónicas no transmisibles (como las cardiovasculares o la diabetes), derivadas de estilos de vida poco saludables. Esto evidencia que el progreso económico y sanitario mejora la supervivencia, pero al mismo tiempo introduce nuevos retos de salud pública.

Asimismo, la mortalidad por enfermedades cardiovasculares (ECV) mantiene correlaciones moderadas con la expectativa de vida y el sobrepeso, lo que puede atribuirse al envejecimiento de la población en países desarrollados. Mientras tanto, la mortalidad general y el UHC (Cobertura Universal de Salud) se sitúan en posiciones intermedias, mostrando que la cobertura sanitaria contribuye positivamente a la reducción de muertes, pero aún depende de factores estructurales más amplios.

En conjunto, esta matriz revela una división global en dos realidades sanitarias: por un lado, países con altos ingresos, amplia cobertura médica, servicios básicos garantizados y esperanza de vida elevada; por el otro, naciones con sistemas de salud débiles, deficiencias estructurales y mortalidad elevada por causas prevenibles. Es razonable suponer que las correlaciones más negativas (por ejemplo, entre saneamiento y mortalidad infantil o entre expectativa de vida y mortalidad por agua contaminada) corresponden a regiones como África subsahariana o partes del sur de Asia, donde la infraestructura básica sigue siendo insuficiente. En contraste, las correlaciones positivas entre vacunación, gasto en salud y longevidad caracterizan a Europa, América del Norte y Oceanía, donde la inversión en salud pública y las políticas preventivas se traducen en mejores resultados poblacionales.

En síntesis, el mapa de calor permite identificar patrones de asociación que reflejan tanto los determinantes estructurales de la salud como las disparidades globales entre países. Estas correlaciones sirven como base para el análisis multivariado posterior, ya que permiten agrupar variables con comportamientos similares y distinguir aquellas que explican de manera conjunta las diferencias en los resultados sanitarios. A partir de estos vínculos, el estudio puede avanzar hacia técnicas como el Análisis de Componentes Principales (ACP) con el fin de reducir la dimensionalidad de los datos

3.4 MODELOS UTILIZADOS

# ACP 

reemplazos <- c(
  "Bahamas, The" = "Bahamas",
  "Congo, Dem. Rep." = "Democratic Republic of the Congo",
  "Congo, Rep." = "Republic of Congo",
  "Cote d'Ivoire" = "Côte d'Ivoire",
  "Egypt, Arab Rep." = "Egypt",
  "Gambia, The" = "Gambia",
  "Iran, Islamic Rep." = "Iran",
  "Kyrgyz Republic" = "Kyrgyzstan",
  "Lao PDR" = "Laos",
  "Sao Tome and Principe" = "São Tomé and Príncipe",
  "Slovak Republic" = "Slovakia",
  "Syrian Arab Republic" = "Syria",
  "Venezuela, RB" = "Venezuela",
  "Viet Nam" = "Vietnam",
  "Yemen, Rep." = "Yemen"
)

Salud2$Pais <- recode(Salud2$Pais, !!!reemplazos)

# Seleccionar solo las variables cuantitativas
datos_pca_originales <- Salud2 %>%
  select(all_of(vars))

# Identificar y eliminar variables de Varianza Cero
nzv <- nearZeroVar(datos_pca_originales, saveMetrics = TRUE)

# Filtramos para quedarnos solo con las variables que SÍ tienen varianza
variables_con_varianza <- rownames(nzv[nzv$zeroVar == FALSE, ])

# Filtramos los datos para usarlos en el PCA
datos_pca <- datos_pca_originales[, variables_con_varianza]

# 3. Calcular el PCA
pca_res <- prcomp(datos_pca, center = TRUE, scale. = TRUE)


# Scree plot (varianza explicada)
fviz_eig(pca_res, addlabels = TRUE) +
  ggtitle("Gráfico de Varianza Explicada del PCA") +
  theme(plot.title = element_text(size = 16, face = "bold", hjust = 0.5))

# Tabla de varianza explicada
eig_vals <- (pca_res$sdev)^2
prop_var <- eig_vals / sum(eig_vals)
cum_var <- cumsum(prop_var)

pca_summary <- data.frame(
  Componente = paste0("PC", 1:length(eig_vals)),
  Varianza_Explicada = round(prop_var*100, 2),
  Varianza_Acumulada = round(cum_var*100, 2)
)
print(pca_summary)

   Componente Varianza_Explicada Varianza_Acumulada
1         PC1              52.83              52.83
2         PC2              10.63              63.46
3         PC3               7.77              71.23
4         PC4               5.78              77.01
5         PC5               5.38              82.39
6         PC6               4.17              86.56
7         PC7               3.67              90.23
8         PC8               2.31              92.54
9         PC9               1.76              94.30
10       PC10               1.58              95.88
11       PC11               1.17              97.04
12       PC12               0.87              97.92
13       PC13               0.68              98.59
14       PC14               0.54              99.13
15       PC15               0.44              99.57
16       PC16               0.28              99.85
17       PC17               0.15             100.00

# Cargas
round(pca_res$rotation[, 1:3], 3)

                             PC1    PC2    PC3
AdultosyNinosHIV           0.075  0.681 -0.068
MuertesAIDS                0.124  0.636  0.000
IncidenciaTuberculosis     0.248  0.212 -0.070
DeteccionTuberculosis     -0.245  0.037 -0.153
MuerteTuberculosis         0.260  0.052 -0.142
TratamientoTuberculosis    0.106  0.034  0.487
ExpectativaVidaNacer      -0.317  0.065  0.049
PerCapitaSalud            -0.220  0.039 -0.471
MortalidadInfantil         0.309 -0.107 -0.075
MortalidadGeneral          0.096 -0.069 -0.633
VacunaDPT                 -0.207  0.181  0.172
MortalidadAguaContaminada  0.292 -0.051 -0.163
SobrepesoAdultos          -0.257 -0.043  0.013
SaneamientoBasico         -0.304  0.047 -0.010
UHC                       -0.307  0.123 -0.144
MortalidadECV              0.244 -0.033  0.039
AccesoServiciosAgua       -0.292  0.068  0.015

# SEGMENTACIÓN, ANÁLISIS DE CLUSTER (Método de Ward)

# Seleccionamos las coordenadas del PCA (factores)
# Aquí usamos los 5 primeros componentes
pca_coord <- pca_res$x[, 1:5]

# Calculamos la distancia euclidiana entre países
distancia <- dist(pca_coord, method = "euclidean")

# Aplicamos el método de Ward
ward_model <- hclust(distancia, method = "ward.D2")



# Asignar países a los clusters

k_optimo <- 3

clusters <- cutree(ward_model, k = k_optimo)

# Crear tabla con los resultados
cluster_resultados <- data.frame(
  Pais = Salud2$Pais,
  Cluster = as.factor(clusters)
)

# Caracterización de los clusters

# Unimos la asignación con las variables originales
Salud_cluster <- cbind(cluster_resultados, Salud2[, vars])

# Calculamos el promedio de cada variable por cluster
resumen_clusters <- Salud_cluster %>%
  group_by(Cluster) %>%
  summarise(across(everything(), mean, na.rm = TRUE))

El análisis de componentes principales se aplicó con el objetivo de reducir la complejidad del conjunto de indicadores de salud, preservando la mayor parte de la información contenida en las variables originales. A través del gráfico del codo y la tabla de varianza se observó que la primera componente explica un 52.8% de la varianza total, la segunda un 10.6% y la tercera un 7.8%, alcanzando en conjunto un 71.23% de la variabilidad acumulada. Estas tres dimensiones sintetizan los principales ejes que diferencian a los países según sus condiciones sanitarias, su carga epidemiológica y su capacidad de respuesta del sistema de salud.

Primera Componente Principal (PC1): Desarrollo Sanitario y Bienestar Estructural.

La PC1, corresponde al 52.8% de la variabilidad total, constituye el eje más importante y dominante del modelo. Presenta cargas negativas altas en variables como Expectativa de vida al nacer (-0.317), Saneamiento básico (-0.304), Cobertura universal en salud (UHC) (-0.307) y Acceso a servicios de agua (-0.292).

Estas variables reflejan condiciones estructurales de bienestar y desarrollo sanitario. Los países con mejor infraestructura sanitaria, acceso a servicios básicos y mayor esperanza de vida se ubican en el extremo negativo del eje, mientras que aquellos con mayores niveles de mortalidad y deficiencias en salud pública se concentran en el extremo positivo. En este sentido, la PC1 puede interpretarse como un gradiente de desarrollo en salud pública, en el que se oponen países con sistemas de salud consolidados frente a aquellos con carencias estructurales que afectan la calidad de vida y la equidad sanitaria.

Segunda Componente Principal (PC2): Carga Epidemiológica de Enfermedades Transmisibles.

La PC2, con una varianza explicada del 10.63%, agrupa variables con altas cargas positivas en Adultos y niños con VIH (0.681), Muertes por SIDA (0.636) e Incidencia de tuberculosis (0.212).

Este patrón define un eje centrado en la carga epidemiológica asociada a enfermedades transmisibles, donde los países más afectados por el VIH/SIDA y la tuberculosis se distinguen claramente del resto. Esta dimensión muestra cómo la persistencia de enfermedades infecciosas continúa siendo un obstáculo estructural para el desarrollo sanitario sostenible, especialmente en regiones donde los sistemas de salud presentan debilidades en cobertura, prevención y tratamiento.

Tercera Componente Principal (PC3) – Eficiencia y Respuesta del Sistema de Salud.

La PC3, que explica el 7.77% de la varianza total, presenta cargas positivas en Tratamiento de tuberculosis (0.487) y Vacuna DPT (0.172), y cargas negativas en Mortalidad general (-0.633) y Gasto per cápita en salud (-0.471).

Esta configuración refleja un eje asociado con la eficiencia del sistema de salud y su capacidad de respuesta institucional. Los países con mayores niveles de cobertura de tratamiento y vacunación muestran menores tasas de mortalidad general, evidenciando un uso más efectivo de los recursos sanitarios. De esta forma, la PC3 puede interpretarse como un indicador de desempeño del sistema de salud, donde la relación entre inversión, atención y resultados revela la capacidad de cada país para convertir los recursos en mejoras tangibles en salud poblacional.

En conjunto, las tres primeras componentes del análisis permiten identificar patrones estructurales de desigualdad y desarrollo sanitario a nivel mundial. La PC1 diferencia los contextos de bienestar y desarrollo; la PC2 captura las brechas epidemiológicas derivadas de enfermedades infecciosas; y la PC3 refleja la capacidad institucional de respuesta frente a los retos de salud pública.

3.5 DENDOGRAMA

# ACP sobre Salud3
rownames(Salud3) <- Salud2$Pais
pca_resultado <- dudi.pca(Salud3, scannf = FALSE, nf = 5)

# Extraer factores estimados
factores <- pca_resultado$li

# Clustering jerárquico con método de Ward
distancia_factores <- dist(factores)
modelo_ward <- hclust(distancia_factores, method = "ward.D2")

# Convertir a dendrograma y abreviar etiquetas
dend_ward <- as.dendrogram(modelo_ward)
labels(dend_ward) <- abbreviate(labels(dend_ward), minlength = 5)

# Colorear ramas y etiquetas por número de clusters
clusters_deseados <- 3
dend_coloreado <- dend_ward %>%
  color_branches(k = clusters_deseados) %>%
  color_labels(k = clusters_deseados)


# Visualización alternativa con factoextra

fviz_dend(modelo_ward,
          k = clusters_deseados,
          show_labels = FALSE,               # Oculta los números/etiquetas
          k_colors = c("#E41A1C", "#377EB8", "#4DAF4A"),  # Paleta refinada
          rect = TRUE,
          rect_border = "gray30",
          rect_fill = TRUE,
          lwd = 1.2,                         # Grosor de las ramas
          main = "Dendrograma jerárquico") +
  theme_minimal(base_size = 14) +           # Fuente más clara
  theme(
    plot.title = element_text(size = 18, face = "bold", hjust = 0.5),
    axis.text.x = element_blank(),          # Oculta texto del eje X
    axis.ticks.x = element_blank(),         # Oculta marcas del eje X
    panel.grid = element_blank()            # Elimina cuadrícula
  )

El análisis de conglomerados jerárquicos, representado en el dendrograma, permitió clasificar a los países en tres grandes clusters (1, 2 y 3), siguiendo el método de Ward y utilizando las coordenadas del Análisis de Componentes Principales (PCA) como base. Fundamentada en la similitud de sus indicadores de salud, infraestructura sanitaria, y carga epidemiológica. Esta segmentación revela una clara estratificación del desarrollo sanitario global, coherente con los patrones observados en el análisis de componentes principales, en los cuales las tres primeras componentes reflejaban diferencias estructurales, epidemiológicas e institucionales entre países.

4 ANÁLISIS DE COMPONENETES PRINCIPALES (ACP)

# Asignar nombres de fila (países)
rownames(Salud3) <- Salud2$Pais

# Análisis de Componentes Principales (ACP)
pca_resultado <- dudi.pca(Salud3, scannf = FALSE, nf = 5)

# Asegurar que las coordenadas del PCA tengan los nombres de los países
rownames(pca_resultado$li) <- rownames(Salud3)

4.1 GRÁFICO DE INDIVIDUOS POR PAÍSES 1

# Gráfico de individuos (países) Dim 1 y 2
fviz_pca_ind(pca_resultado,
             axes = c(1, 2),
             col.ind = "cos2",                     # Color según calidad de representación
             gradient.cols = c("dodgerblue", "gold", "red"),  # Colores del gradiente
             repel = TRUE,                         # Evita solapamiento de etiquetas              
             pointsize = 2,                        # Tamaño de los puntos
             labelsize = 3,                        # Tamaño del texto de las etiquetas    
             arrowsize = 10,
             title = "Representación de países (Dim 1 y 2)") +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 16, face = "bold"),
    legend.title = element_text(size = 12),
    legend.text = element_text(size = 10)
)

El gráfico del Análisis de Componentes Principales (ACP) muestra cómo se agrupan los países según sus indicadores de salud, proyectados sobre las dos primeras dimensiones (Dim 1 y Dim 2), que resumen la mayor parte de la variabilidad de los datos. Cada punto representa un país, y su posición depende de cómo se comportan sus variables sanitarias en comparación con los demás.

La Dimensión 1 (eje horizontal) representa un gradiente de desarrollo sanitario estructural. Los países situados hacia la izquierda del gráfico (como Mozambique y Sudáfrica) presentan peores condiciones de salud, con mayor mortalidad infantil, menor esperanza de vida, menor acceso a agua potable y saneamiento, y una alta carga de enfermedades infecciosas.

Por el contrario, los países ubicados hacia la derecha del eje (como Tailandia o varias naciones Europeas y de Medio Oriente) exhiben mejores condiciones sanitarias, caracterizadas por mayor gasto en salud, mejor cobertura de servicios básicos y menor mortalidad.

En términos analíticos, este eje resume un contraste entre precariedad estructural y bienestar sanitario, Donde los países con mayores niveles de desarrollo y políticas de salud consolidadas se oponen a aquellos con limitaciones en infraestructura y cobertura básica.

La Dimensión 2 (eje vertical) está más relacionada con la carga epidemiológica de enfermedades transmisibles, especialmente VIH/SIDA y tuberculosis. Los países que se encuentran en la parte superior del gráfico tienden a registrar altas tasas de VIH en adultos y niños, junto con mayores muertes por SIDA, mientras que los que se ubican en la parte inferior presentan niveles mucho más bajos de estas enfermedades, reflejando un mejor control epidemiológico.

Durante el año 2019, antes de la pandemia de COVID-19, varios países africanos como Sudáfrica, Mozambique, India, Zambia y Zimbabue, concentraban gran parte de la carga global del VIH/SIDA, mientras que otros países con mejores recursos sanitarios (como Tailandia o los Emiratos Árabes Unidos) mostraban avances notables en cobertura y tratamiento. Este patrón se refleja claramente en la separación de los puntos dentro del plano factorial.

4.2 GRÁFICO DE INDIVIDUOS POR PAÍSES 2

# Gráfico de individuos (países) Dim 1 y 3
fviz_pca_ind(pca_resultado,
             axes = c(1, 3),
             col.ind = "cos2",                     # Color según calidad de representación
             gradient.cols = c("dodgerblue", "gold", "red"),  # Colores del gradiente
             repel = TRUE,                         # Evita solapamiento de etiquetas              
             pointsize = 2,                        # Tamaño de los puntos
             labelsize = 3,                        # Tamaño del texto de las etiquetas    
             arrowsize = 10,
             title = "Representación de países (Dim 1 y 3)") +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 16, face = "bold"),
    legend.title = element_text(size = 12),
    legend.text = element_text(size = 10)
)

El gráfico del ACP sobre las Dimensiones 1 y 3 permite explorar una perspectiva complementaria del desarrollo sanitario mundial. Mientras la Dimensión 1 continúa reflejando el nivel de desarrollo estructural y bienestar sanitario, la Dimensión 3 introduce un nuevo enfoque asociado con la eficiencia y capacidad de respuesta de los sistemas de salud frente a los principales retos epidemiológicos.

En el eje horizontal encontramos la dimensión 1 de desarrollo sanitario y bienestar estructural, este eje sintetiza el grado general de desarrollo en salud y condiciones socioestructurales.

Los países situados hacia la derecha del gráfico como Luxemburgo, Irlanda, España, Portugal o Uruguay destacan por sus altos niveles de bienestar sanitario, caracterizados por una infraestructura sólida, alta esperanza de vida, bajos niveles de mortalidad y amplio acceso a servicios esenciales como el agua potable, el saneamiento y la atención médica oportuna.

Por el contrario, los países ubicados hacia la izquierda del eje como la República Centroafricana, Sudán del Sur, Lesotho o Sudáfrica, presentan condiciones estructurales más precarias, con mayores tasas de mortalidad, menor inversión sanitaria per cápita y una alta carga de enfermedades transmisibles.

Para el eje vertical encontramos la dimensión 3 de eficiencia y respuesta del sistema de salud. El tercer componente mide cómo responde el sistema sanitario frente a los problemas de salud pública, considerando indicadores como el tratamiento efectivo de la tuberculosis, la cobertura de vacunación o la gestión de la mortalidad general.

Los países más arriba en el gráfico tienden a mostrar sistemas sanitarios más eficientes y mejor organizados, capaces de controlar enfermedades y mantener buenos resultados de salud incluso con recursos limitados. Por el contrario, los países que se ubican en la parte inferior presentan menor eficiencia institucional, baja cobertura de atención médica y deficiencias en la administración de recursos sanitarios.

4.3 CÍRCULO DE CORRELACIONES 1

# Círculo de correlaciones tipo mapa de calor Dim 1 y 2
fviz_pca_var(pca_resultado,
             axes = c(1, 2),
             col.var = "cos2",
             pointsize = 2,
             gradient.cols = c("dodgerblue", "gold", "red"),
             repel = TRUE,
             title = "Círculo de correlaciones (Dim 1 y 2)") +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 16, face = "bold"),
    legend.title = element_text(size = 12),
    legend.text = element_text(size = 10)
)

El gráfico del círculo de correlaciones muestra la relación entre los diferentes indicadores de salud y las dos primeras dimensiones principales del Análisis de Componentes Principales (ACP). Cada punto representa una variable, y su posición dentro del plano indica cómo se asocia con los ejes que concentran la mayor parte de la variabilidad de los datos.

La Dimensión 1 (eje X) refleja un gradiente general de desarrollo sanitario y bienestar estructural. Hacia la derecha se ubican variables vinculadas a mejores condiciones de salud e infraestructura, como la Esperanza de Vida al Nacer, la Cobertura Sanitaria Universal (UHC), la Vacunación DPT, el Saneamiento Básico y el Acceso a Agua Potable. Estas variables tienden a caracterizar a países con sistemas de salud más robustos. En contraste, hacia la izquierda se agrupan indicadores asociados a condiciones menos favorables, como la Mortalidad General, la Mortalidad Infantil y la Mortalidad por Agua Contaminada, lo que evidencia la oposición entre contextos con alta calidad de vida y aquellos con mayores debilidades estructurales.

La Dimensión 2 (eje Y) diferencia principalmente los indicadores relacionados con la carga de enfermedades transmisibles. En la parte superior se concentran variables como Adultos y Niños con VIH, Muertes por SIDA e Incidencia de Tuberculosis, que muestran una fuerte asociación positiva con esta dimensión. Esto indica que la Dim 2 capta la variabilidad vinculada al impacto del VIH/SIDA y la tuberculosis. En la parte inferior aparecen variables con asociación opuesta, como la Mortalidad Infantil, la Mortalidad General o la Mortalidad por Agua Contaminada. Estas variables no representan simplemente “baja carga epidemiológica”, sino que corresponden a un conjunto distinto de problemáticas sanitarias no relacionadas directamente con VIH/TB, lo que sugiere que este eje separa dos tipos de desafíos epidemiológicos diferentes.

4.4 CÍRCULO DE CORRELACIONES 2

# Círculo de correlaciones tipo mapa de calor Dim 1 y 3
fviz_pca_var(pca_resultado,
             axes = c(1, 3),
             col.var = "cos2",
             pointsize = 2,
             gradient.cols = c("dodgerblue", "gold", "red"),
             repel = TRUE,
             title = "Círculo de correlaciones (Dim 1 y 3)") +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 16, face = "bold"),
    legend.title = element_text(size = 12),
    legend.text = element_text(size = 10)
)

En este gráfico, las variables ubicadas hacia la derecha del eje horizontal (Dimensión 1) como PerCapitaSalud, AccesoServiciosAgua, SaneamientoBasico, VacunaDPT y DetecciónTuberculosis están fuertemente relacionadas con mejores condiciones de salud pública. Su agrupación indica que estas variables tienden a comportarse de forma similar: cuando aumenta la inversión en salud y la cobertura de servicios básicos, también mejoran los niveles de vacunación y de detección de enfermedades.

Por otro lado, hacia la izquierda del eje horizontal se encuentran variables como MortalidadInfantil, MuertesAIDS, AdultosYNiñosHIV, MortalidadAguaContaminada y MortalidadECV. Estas representan condiciones sanitarias desfavorables, es decir, mayor carga de enfermedad y menor eficiencia del sistema de salud. Su cercanía entre sí sugiere que estos problemas tienden a coexistir: los lugares con altas tasas de mortalidad o prevalencia de VIH/SIDA suelen tener también deficiencias en agua potable o infraestructura sanitaria.

En cuanto al eje vertical (Dimensión 3), este introduce un matiz adicional relacionado con los resultados clínicos o la eficacia del sistema de salud. En la parte superior se ubica MortalidadGeneral, mientras que en la parte inferior aparece TratamientoTuberculosis. Esta oposición indica que a medida que los tratamientos contra la tuberculosis son más exitosos, las tasas de mortalidad general tienden a ser menores. Es decir, existe una relación inversa entre la efectividad médica y la mortalidad global.

Los gráficos biplot integran en un mismo plano la representación de los países y las variables de salud, permitiendo observar simultáneamente la posición de cada país respecto a los principales ejes factoriales y las variables que más influyen en dicha ubicación.

4.5 BIPLOT ENTRE PAÍSES Y VARIABLES 1

NoNumericas <- c("Pais", "Ano")

# Convertir a numérico
datosSalud <- Salud
datosSalud[ , !(names(datosSalud) %in% NoNumericas)] <-
  lapply(datosSalud[ , !(names(datosSalud) %in% NoNumericas)], function(x) as.numeric(as.character(x)))

# Reemplazar valores vacíos por NA
datosSalud[datosSalud == "" | datosSalud == "NA" | datosSalud == "N/A"] <- NA

# Crear Salud3 con nombres de fila desde la columna Pais
Salud4 <- datosSalud[complete.cases(datosSalud), ]

# Asignar nombres de fila
rownames(Salud4) <- Salud4$Pais

# Eliminar columnas no numéricas
Salud4 <- Salud4 %>% select(-Pais, -Ano)



# BIPLOT Dim 1 y 2 

fviz_pca_biplot(pca_resultado,
                axes = c(1, 2),
                geom.ind = "text",             # mostrar nombres de países
                label = "all",                 # etiquetas de países y variables
                repel = TRUE,                  # evitar solapamiento
                col.ind = "cos2",              # color según calidad de representación
                pointsize = 2,
                gradient.cols = c("dodgerblue", "gold", "red"),
                col.var = "darkred",           # color de variables
                arrowsize = 0.8,
                labelsize = 3,
                title = "Biplot de países y variables (Dim 1 y 2)") +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 16, face = "bold"),
    legend.title = element_text(size = 12),
    legend.text = element_text(size = 10)
  )

En el biplot de las Dimensiones 1 y 2, se aprecia una clara separación entre los países con mayor desarrollo sanitario (ubicados hacia la derecha), asociados a variables como expectativa de vida, acceso a servicios de agua, saneamiento y cobertura sanitaria universal, y aquellos con mayor carga de enfermedades transmisibles (a la izquierda), vinculados con VIH/SIDA, mortalidad infantil y tuberculosis.

Los vectores de las variables indican la dirección de su influencia, mostrando cómo los países tienden a agruparse según sus condiciones estructurales y epidemiológicas.

4.6 BIPLOT ENTRE PAÍSES Y VARIABLES 2

# BIPLOT Dim 1 y 3 
fviz_pca_biplot(pca_resultado,
                axes = c(1, 3),
                geom.ind = "text",             # mostrar nombres de países
                label = "all",                 # etiquetas de países y variables
                repel = TRUE,                  # evitar solapamiento
                col.ind = "cos2",              # color según calidad de representación
                pointsize = 2,
                gradient.cols = c("dodgerblue", "gold", "red"),
                col.var = "darkred",           # color de variables
                arrowsize = 0.8,
                labelsize = 3,
                title = "Biplot de países y variables (Dim 1 y 3)") +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 16, face = "bold"),
    legend.title = element_text(size = 12),
    legend.text = element_text(size = 10)
  )

Por otro lado, el biplot de las Dimensiones 1 y 3 resalta diferencias en la eficiencia del sistema de salud y los resultados clínicos. Los países con mejor desempeño sanitario se concentran hacia el lado derecho, cerca de variables como PerCapitaSalud, DetecciónTuberculosis y VacunaDPT, mientras que los de mayor vulnerabilidad se agrupan hacia la izquierda, relacionados con mortalidad general, enfermedades cardiovasculares y VIH/SIDA.

En conjunto, estos biplots permiten visualizar cómo las características sanitarias y socioestructurales explicadas por las dimensiones del PCA se reflejan tanto en la distribución de los países como en el comportamiento conjunto de los indicadores de salud.

4.7 CLASIFICACIÓN POR GRUPOS 1

# PCA
k_final <- 3  # Número de clusters

# Crear los clusters con el método Ward
grupos_ward_final <- cutree(ward_model, k = k_final)
# Usar los mismos grupos del método Ward
Grupo <- as.factor(grupos_ward_final)

# Clasificación por grupos Dim 1 y 2
s.class(
  pca_resultado$li, 
  fac = Grupo,
  sub = "Componentes 1 y 2 por grupo (95% confianza)", 
  possub = "bottomright",
  xax = 1, yax = 2,
  col = c("red", "dodgerblue", "#4DAF4A"),  
  cellipse = 2,       # Nivel de confianza 95%
  cpoint = 2,         # Tamaño de puntos
  cstar = 1.2,        # Tamaño de líneas al centro del grupo
  clabel = 1.2,       # Tamaño de etiquetas
  axesell = TRUE,     
  addaxes = TRUE      
)

# Cuadrícula y título
grid(col = "gray80", lty = "dotted")
title(main = "Clasificación de países por grupos (Dim 1 y 2)", cex.main = 1.5, font.main = 2)
box()

El gráfico muestra la distribución de países según su similitud en indicadores sanitarios, representados mediante un Análisis de Componentes Principales (ACP). En el plano se observan tres grupos claramente diferenciados, que agrupan a los países según su nivel de desarrollo y características del sistema de salud.

Grupo 1 (rojo): Corresponde a países con baja infraestructura sanitaria y alta vulnerabilidad epidemiológica. Este grupo se ubica principalmente en el cuadrante izquierdo del gráfico. Agrupa sobre todo a países africanos y asiáticos con deficiencias en cobertura de salud, baja expectativa de vida y escasa inversión pública en el sector. Su dispersión interna refleja que, aunque comparten limitaciones estructurales, existen diferencias en el nivel de vulnerabilidad y desempeño sanitario dentro del grupo. Países como República Centro Africana que cuenta con una expectativa de vida de 31 años y una mortalidad infantil de 124 por cada 1000 nacidos vivos o Chad con una expectativa de vida de 53 años y una mortalidad infantil de 65 por cada 1000 nacidos vivos. Estos países comparten un contexto de pobreza, baja cobertura médica y persistencia de enfermedades infecciosas, lo que justifica su agrupación dentro del cluster de menor desarrollo sanitario.

Grupo 2 (azul): Representa a países con desarrollo sanitario intermedio o en transición. Se localiza cerca del origen de los ejes, lo que indica un comportamiento medio respecto a las demás agrupaciones. Aquí se incluyen principalmente países de América Latina, Europa del Este y Medio Oriente. Encontramos países como Ruanda con una esperanza de vida de aproximadamente 67 años y una tasa de mortalidad infantil de 31 por cada 1000 nacidos vivos o Santo Tomé y Príncipe que para el 2019 su cobertura de saneamiento fue del 45% con una esperanza de vida de 68 años. Estos presentan avances en vacunación, acceso a agua potable y servicios básicos, pero aún mantienen brechas internas y desafíos en eficiencia del gasto y control epidemiológico. Su posición intermedia evidencia que están en un proceso de mejora y consolidación de sus sistemas de salud.

Grupos 3 (verde): Agrupa a los países con sistemas de salud altamente desarrollados y consolidados, ubicados en el extremo derecho del eje Dim1. Son en su mayoría países europeos y de Oceanía, caracterizados por una infraestructura sanitaria avanzada, baja carga de enfermedades transmisibles y altos niveles de bienestar. La baja dispersión de los puntos dentro del clúster indica gran homogeneidad entre ellos. Entre este grupo se encuentra España con la expectativa más alta de vida de 84 años, una mortalidad infantil de 2 por cada 1000 nacidos vivos o Estonia que cuenta con una expectativa de vida de 79 años y una mortalidad infantil de 2 por cada 1000 nacidos vivos. La combinación de las dimensiones 1 y 2 permite observar cómo los países se agrupan principalmente según su nivel de desarrollo sanitario, donde el eje horizontal diferencia los sistemas con mayores problemas de mortalidad e infecciones, y el eje vertical aporta matices relacionados con la cobertura de servicios de salud.

4.8 CLASIFICACIÓN POR GRUPOS 2

# Clasificación por grupos dim 1 y 3
# PCA

# Usar los mismos grupos del método Ward
Grupo <- as.factor(grupos_ward_final)

# Clasificación por grupos Dim 1 y 2 
s.class(
  pca_resultado$li, 
  fac = Grupo,
  sub = "Componentes 1 y 3 por grupo (95% confianza)", 
  possub = "bottomright",
  xax = 1, yax = 3,
  col = c("red", "dodgerblue", "#4DAF4A"),  
  cellipse = 2,       # Nivel de confianza 95%
  cpoint = 2,         # Tamaño de puntos
  cstar = 1.2,        # Tamaño de líneas al centro del grupo
  clabel = 1.2,       # Tamaño de etiquetas
  axesell = TRUE,     
  addaxes = TRUE      
)

# Cuadrícula y título
grid(col = "gray80", lty = "dotted")
title(main = "Clasificación de países por grupos (Dim 1 y 3)", cex.main = 1.5, font.main = 2)
box()

En el plano de las dimensiones 1 y 3, se mantiene una separación clara entre los grupos. La Dimensión 3 aporta diferencias vinculadas a la esperanza de vida, la mortalidad por enfermedades crónicas y el gasto per cápita en salud.En el plano se observan tres grupos bien diferenciados.

Grupo 1 (rojo): Indica que los países pertenecientes a este grupo comparten características similares y probablemente se encuentran en condiciones menos favorables en las variables que más influyen en esa dimensión, como podrían ser indicadores de desarrollo económico, infraestructura, o acceso a servicios. La forma alargada de su elipse indica cierta dispersión interna, lo que significa que, aunque los países de este grupo son parecidos, hay algunas diferencias notables entre ellos. Entre los paises encontramos a Republica Democratica del Congo con el menor gasto per capita de aproximadamente 36,8 dolarescorrientes y una mortalidad general de 9 por cada 1000 habitantes y Sudafrica con un gasto per capita de 1160.67 dolares y mortalidad general de 9 por cada 1000 habitantes.

Grupo 2 (azul): ocupa una posición intermedia entre los grupos 1 y 3. Su ubicación sugiere que estos países tienen características de nivel medio, es decir, no se encuentran en las posiciones más bajas ni más altas de las variables consideradas. Este grupo podría estar compuesto por países en vías de desarrollo o con economías en transición, que comparten algunos rasgos con las naciones más avanzadas y otros con las menos desarrolladas. Además, su elipse es más compacta, lo que evidencia una mayor homogeneidad entre sus integrantes y una menor dispersión de los datos. Podemos encontrar que para 2019 el gasto mas bajo en salud per capita fue Venezuela con 79,02 dolares y una mortalidad general de 6 por cada 1000 habitantes, sin embargo, Surinam invirtiio 1625,46 dolares en salud y su mortalidad general fue de 7 por cada 1000 habitantes.

Grupo 3 (verde): Refleja los países que poseen niveles más altos en las variables más influyentes, lo cual puede interpretarse como un mayor grado de desarrollo, productividad o bienestar social. La forma más alargada de su elipse demuestra que dentro del grupo también existe cierta diversidad: algunos países se destacan más que otros en determinados aspectos.Por ejemplo, tenemos a Belice cuyo gasto en salud per capita fue de solo 454.55 dolares y su mortalidad general de 5 por cada 1000 habitantes, en contraste, encontramos a Alemania cuyo gasto per capita en salud fue de 6830.81 dolares siendo uno de los paises que mas invierte en salud.

La representación de las dimensiones 1 y 3 complementa el análisis anterior, mostrando cómo los países más desarrollados han pasado de enfrentar enfermedades transmisibles a manejar retos de envejecimiento y salud crónica, mientras que los países del grupo 1 aún lidian con las consecuencias de la pobreza y la falta de acceso básico a servicios médicos.

4.9 TABLA DE PERTENENCIA DE PAÍSES A CLUSTERS (Método Ward)

# Crear tabla de pertenencia
tabla_pertenencia <- data.frame(
  Pais = rownames(Salud3),
  Cluster_Asignado = as.factor(grupos_ward_final)
)

# Mostrar tabla con formato
tabla_pertenencia %>%
  arrange(Cluster_Asignado) %>%
  kable(format = "html") %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed"),
    full_width = TRUE,
    font_size = 14
  ) %>%
  column_spec(1, bold = TRUE) %>%
  scroll_box(height = "400px")

Pais	Cluster_Asignado
Afghanistan	1
Angola	1
Benin	1
Botswana	1
Burkina Faso	1
Burundi	1
Cambodia	1
Cameroon	1
Central African Republic	1
Chad	1
Democratic Republic of the Congo	1
Republic of Congo	1
Côte d’Ivoire	1
Eswatini	1
Ethiopia	1
Gabon	1
Gambia	1
Ghana	1
Guinea	1
Guinea-Bissau	1
Haiti	1
India	1
Indonesia	1
Kenya	1
Laos	1
Lesotho	1
Liberia	1
Madagascar	1
Malawi	1
Mali	1
Mauritania	1
Mongolia	1
Mozambique	1
Myanmar	1
Namibia	1
Nepal	1
Niger	1
Pakistan	1
Papua New Guinea	1
Philippines	1
Rwanda	1
Senegal	1
Sierra Leone	1
South Africa	1
South Sudan	1
Sudan	1
Tanzania	1
Timor-Leste	1
Togo	1
Uganda	1
Yemen	1
Zambia	1
Zimbabwe	1
Albania	2
Algeria	2
Armenia	2
Azerbaijan	2
Bahamas	2
Bangladesh	2
Belarus	2
Belize	2
Bhutan	2
Bolivia	2
Brazil	2
Bulgaria	2
Cabo Verde	2
China	2
Colombia	2
Cuba	2
Dominican Republic	2
Ecuador	2
Egypt	2
El Salvador	2
Estonia	2
Fiji	2
Georgia	2
Guatemala	2
Guyana	2
Honduras	2
Iran	2
Iraq	2
Jamaica	2
Jordan	2
Kyrgyzstan	2
Lebanon	2
Libya	2
Lithuania	2
Malaysia	2
Mexico	2
Moldova	2
Montenegro	2
Morocco	2
Nicaragua	2
North Macedonia	2
Panama	2
Paraguay	2
Peru	2
Romania	2
Russia	2
São Tomé and Príncipe	2
Saudi Arabia	2
Serbia	2
Slovakia	2
Sri Lanka	2
Suriname	2
Syria	2
Tajikistan	2
Thailand	2
Trinidad and Tobago	2
Tunisia	2
Uruguay	2
Venezuela	2
Vietnam	2
Australia	3
Belgium	3
Canada	3
Cyprus	3
Czechia	3
Denmark	3
France	3
Germany	3
Iceland	3
Ireland	3
Kuwait	3
Luxembourg	3
Maldives	3
Netherlands	3
New Zealand	3
Oman	3
Portugal	3
Qatar	3
Spain	3
United Arab Emirates	3
United Kingdom	3
United States	3

library(countrycode)

# Crear columna con código ISO3
cluster_resultados$iso3 <- countrycode(cluster_resultados$Pais,
                                       origin = "country.name",
                                       destination = "iso3c")



# Descargar geometría mundial
world <- rnaturalearth::ne_countries(scale = "medium", returnclass = "sf")

# Unir con tus clusters
world_clusters <- world %>%
  mutate(Pais = countrycode(name, "country.name", "country.name")) %>%
  left_join(cluster_resultados, by = "Pais")


pal <- colorFactor(
  palette = c("#E41A1C", "#377EB8", "#4DAF4A"), # rojo, azul, verde
  domain = world_clusters$Cluster
)

leaflet(world_clusters) %>%
  addTiles() %>%
  addPolygons(
    fillColor = ~pal(Cluster),
    weight = 1,
    opacity = 1,
    color = "white",
    dashArray = "3",
    fillOpacity = 0.7,
    highlightOptions = highlightOptions(
      weight = 2,
      color = "#666",
      dashArray = "",
      fillOpacity = 0.7,
      bringToFront = TRUE),
    label = ~paste0(Pais, " - Cluster ", Cluster),
    labelOptions = labelOptions(
      style = list("font-weight" = "normal", padding = "3px 8px"),
      textsize = "13px",
      direction = "auto")
  ) %>%
  addLegend(pal = pal, values = ~Cluster, opacity = 0.7,
            title = "Clusters de países",
            position = "bottomright")

world_clusters <- world %>%
  left_join(cluster_resultados, by = c("iso_a3" = "iso3"))

Grupo 1: Países con mayores desafíos sanitarios y estructurales.

El Grupo 1 está conformado principalmente por países de África Subsahariana, Asia meridional y algunos del Sudeste Asiático, como Afganistán, Angola, Etiopía, Malawi, Mozambique, Nepal, Uganda o Yemen, además de la India. Este grupo representa a las naciones con mayores limitaciones en infraestructura sanitaria, cobertura de servicios básicos y control epidemiológico.

De acuerdo con los resultados del PCA, estos países presentan valores altos en la segunda componente (PC2), asociada a la carga epidemiológica por enfermedades transmisibles (VIH, SIDA y tuberculosis), y valores bajos en la primera componente (PC1), que representa el nivel de bienestar y desarrollo sanitario. En este sentido, el Grupo 1 refleja contextos donde los sistemas de salud enfrentan carencias estructurales, bajos niveles de inversión y alta vulnerabilidad ante enfermedades infecciosas.

En términos generales, estos países concentran altas tasas de mortalidad infantil y general, una menor expectativa de vida, y baja cobertura de saneamiento y agua potable, lo que los ubica en el nivel más bajo del desarrollo sanitario global.

Grupo 2: Países en transición sanitaria y de desarrollo intermedio.

El Grupo 2 incluye una gran diversidad de países de América Latina, Europa del Este, Medio Oriente y Asia Central, como Colombia, México, Brasil, Egipto, Irán, Rumania, Serbia, Rusia y Tailandia. Este conglomerado agrupa a países con niveles intermedios de desarrollo sanitario, con mejoras sostenidas en cobertura, vacunación y atención médica, aunque aún persisten desigualdades internas y desafíos epidemiológicos.

En el PCA, este grupo se caracteriza por valores moderados en la PC1 (estructura sanitaria) y valores relativamente bajos en la PC2, lo que refleja menor incidencia de enfermedades transmisibles en comparación con el Grupo 1, pero sin alcanzar los niveles de eficiencia y bienestar de los países más desarrollados.

El Grupo 2 refleja sistemas de salud en consolidación, con una creciente inversión pública y mejoras en la cobertura universal, aunque todavía limitados por brechas socioeconómicas y desafíos en la sostenibilidad de sus políticas sanitarias. Puede considerarse el segmento de transición hacia un modelo sanitario más eficiente y equitativo.

Grupo 3: Países con alto desarrollo sanitario y sistemas consolidados.

El Grupo 3 reúne a las naciones con los sistemas de salud más avanzados, como Australia, Canadá, Estados Unidos, Francia, Alemania, España, Dinamarca o los Países Bajos. Estos países se ubican en el extremo más favorable del PCA, con altos valores negativos en la PC1, que representan una infraestructura sanitaria sólida, elevada expectativa de vida, cobertura universal amplia y bajos niveles de mortalidad prevenible.

Además, exhiben bajos valores en la PC2, indicando mínima presencia de enfermedades transmisibles, y valores altos en la PC3, relacionados con eficiencia en los tratamientos, respuesta institucional y capacidad de inversión.

En conjunto, el Grupo 3 representa el nivel más alto de desarrollo y bienestar sanitario global, caracterizado por políticas públicas robustas, acceso equitativo a los servicios de salud y una estructura institucional capaz de garantizar la sostenibilidad del sistema.

4.10 TABLA RESUMEN PROMEDIO POR GRUPOS

# Tabla resumen de promedios por grupo
aggregate(Salud3, by = list(Cluster = Grupo), FUN = mean)

El Cluster 1, se caracteriza,por tener los peores resultados en casi todos los indicadores. Tiene una expectativa de vida muy baja (63 años), un gasto en salud per cápita reducido (226), una mortalidad infantil elevada (44) y una alta incidencia de enfermedades infecciosas: VIH en adultos y niños (516797), muertes por sida (9815) y tuberculosis (30). Además, presenta una detección de tuberculosis del (61 %), y niveles bajos en saneamiento (42 %), acceso a agua (68 %) y cobertura sanitaria (42 %). La mortalidad por agua contaminada (39) y enfermedades cardiovasculares (24) también es alta. Este grupo representa territorios con baja inversión en salud pública, infraestructura sanitaria deficiente y altos niveles de vulnerabilidad epidemiológica, es decir, contextos donde prevalecen enfermedades transmisibles y condiciones de vida precarias.

El Cluster 2 en cambio, muestra valores moderados o equilibrados en la mayoría de los indicadores. Por ejemplo, presenta una expectativa de vida media (74 años), gasto per cápita en salud intermedio (1115), mortalidad infantil moderada (13) y cobertura de vacunación DPT relativamente alta (90 %). Además, cuenta con buenos niveles de acceso al agua (95 %) y saneamiento (89 %), así como un valor de cobertura de servicios de salud (UHC del 72) %. En conjunto, este grupo representa territorios con condiciones sanitarias aceptables, un sistema de salud funcional y niveles de mortalidad que, aunque no son los mejores, tampoco reflejan una situación crítica. Podría decirse que agrupa países o regiones con desarrollo medio y sistemas de salud estables.

Por el contrario, el Cluster 3 agrupa las mejores condiciones de salud y desarrollo. Se destaca por una alta expectativa de vida (81 años), elevado gasto en salud per cápita (4823), baja mortalidad infantil (4), y una incidencia de VIH y tuberculosis muy reducida. Además, tiene la mayor cobertura en vacunación DPT (95 %), amplio acceso a agua potable (99 %) y saneamiento básico (98 %), y una cobertura universal en salud (UHC) cercana al 82 %. También presenta los menores niveles de mortalidad por agua contaminada (2.8) y por enfermedades cardiovasculares (10). En conjunto, este grupo representa regiones o países con alto desarrollo humano, sistemas de salud robustos, y altas condiciones de bienestar general.

5 CONCLUSIONES

El análisis confirma que la desigualdad sanitaria global no es un fenómeno aislado ni producto del azar, sino el resultado de procesos históricos y estructurales que han moldeado las capacidades de los países para responder a los desafíos de salud. En este sentido, el Análisis de Componentes Principales aporta una lectura sintética pero profunda: los dos primeros componentes explican la mayor parte de la variabilidad y ayudan a comprender cómo se organizan las diferencias sanitarias en el mundo. El Componente 1 representa un eje de desarrollo estructural que recoge avances acumulados en esperanza de vida, acceso a agua y saneamiento, infraestructura sanitaria y cobertura de vacunación. El Componente 2, por su parte, captura diferencias en carga epidemiológica, eficiencia del gasto y resiliencia institucional. Así, el PCA no solo reduce la dimensionalidad, sino que revela que las desigualdades sanitarias responden tanto a capacidades estructurales como a presiones epidemiológicas persistentes, confirmando que la salud es un fenómeno profundamente histórico y sistémico.

Los clústeres obtenidos mediante el método de Ward reflejan no solo diferencias estadísticas, sino trayectorias de desarrollo sanitario marcadas por la acumulación de ventajas o desventajas a lo largo del tiempo. El Grupo de Alto Desempeño, concentrado en Norteamérica, Europa Occidental, Asia Oriental y Oceanía, muestra indicadores positivos que no pueden entenderse únicamente como fruto de políticas recientes, sino como resultado de décadas de inversión acumulada, estabilidad institucional y consolidación de sistemas universales.

El Grupo Intermedio, donde se ubica gran parte de América Latina —incluida Colombia—, representa países en transición: han logrado avances significativos en esperanza de vida, vacunación y acceso a servicios básicos, pero aún enfrentan fragilidades en eficiencia del gasto y desigualdades internas que revelan un desarrollo fragmentado y heterogéneo.

Finalmente, el Grupo de Vulnerabilidad Crítica, concentrado en África Subsahariana y partes de Asia, evidencia limitaciones persistentes en infraestructura, sistemas de salud poco robustos y una alta carga de enfermedades infecciosas, agravadas por dinámicas globales de dependencia económica e inestabilidad política.

La lectura crítica de estos patrones invita a reconocer que el desarrollo sanitario no avanza como un bloque homogéneo, sino como un mosaico de avances y retrocesos. Países como Colombia requieren estrategias que trasciendan la ampliación del acceso básico y se centren en mejorar la eficiencia del gasto y fortalecer la capacidad institucional de respuesta. Los casos atípicos, como Sudáfrica —con un desarrollo moderado pero una carga epidemiológica excesiva— o la República Centroafricana —con déficits acumulados en todos los ejes—, son especialmente reveladores: muestran tanto fallos estructurales como la necesidad de políticas focalizadas que reconozcan realidades específicas y eviten soluciones uniformes.

En conjunto, el mapa y el análisis multivariado confirman que los patrones de desarrollo sanitario son sistémicos y regionales, no individuales. Los países se parecen a sus vecinos porque comparten contextos históricos, instituciones y capacidades similares. Esto obliga a repensar las políticas públicas: no basta con diseñar estrategias país por país, sino que se requieren alianzas regionales, cooperación técnica e inversión conjunta a largo plazo.

Más allá de describir diferencias, este estudio ofrece una base empírica para la acción: focalizar recursos en los países con mayores déficits, priorizar inversiones en infraestructura básica y programas de control epidemiológico, evaluar la eficiencia del gasto y diseñar estrategias diferenciadas que respondan a realidades complejas y desiguales. En síntesis, la desigualdad sanitaria global no solo se mide en indicadores, sino que refleja procesos históricos y estructurales que deben ser enfrentados con políticas adaptadas, sostenibles y regionalmente coordinadas. El verdadero valor del análisis está en que nos obliga a reflexionar sobre las causas profundas de las diferencias y sobre la necesidad de construir respuestas colectivas que trasciendan fronteras y reconozcan la naturaleza compartida de los desafíos en salud global.

6 REFERENCIAS

• UNAIDS – Fact Sheet 2024: muestra que la región del África Subsahariana concentra una parte muy significativa de las personas que viven con VIH, y que las mujeres y niñas representan el 62 % de todas las nuevas infecciones en esa regiónUNAIDS Fact Sheet 2024

• UNICEF – Datos sobre mortalidad infantil: UNICEF – Child Mortality Data

• World Health Organization (Región Africana) – Informe sobre VIH: “En la Región Africana se estimaban 25.6 millones de personas que viven con VIH en 2021… WHO Regional Factsheet HIV Africa

• Informe sobre Tuberculosis en la región africana:: Tuberculosis in the WHO African Region – 2023 Progress Update

• https://www.afro.who.int/sites/default/files/2023-08/CAR.pdf?utm_source

• https://www.msf.mx/actualidad/el-vih-es-una-crisis-silenciosa-en-republica-centroafricana/#:~:text=Aunque%20la%20Rep%C3%BAblica%20Centroafricana%20(RCA,confirman%20unos%205%2C500%20nuevos%20casos.