library(readxl)
datos <- read_excel(“EVENTOS_ADVERSOS_3.xlsx”) ## 1. Problemática de investigacion
Los eventos adversos asociados al uso de medicamentos representan un problema relevante de salud pública a nivel mundial, debido a su impacto en la seguridad del paciente, la calidad de la atención en salud y los costos del sistema sanitario. Estos eventos pueden generar desde efectos leves hasta consecuencias graves como hospitalizaciones prolongadas, discapacidad permanente o incluso la muerte.
En los sistemas de salud, la ocurrencia de eventos adversos relacionados con medicamentos está asociada a múltiples factores, entre ellos el tipo de medicamento, el sistema orgánico implicado, las características del paciente y las condiciones del proceso de atención. La identificación y análisis sistemático de estos eventos resulta fundamental para fortalecer las estrategias de farmacovigilancia y orientar la toma de decisiones basadas en evidencia.
A pesar de la disponibilidad de bases de datos institucionales sobre eventos adversos, en muchos contextos esta información no se aprovecha plenamente mediante análisis cuantitativos que permitan comprender patrones, factores asociados y la probabilidad de ocurrencia de eventos graves. En este sentido, el uso de modelos estadísticos constituye una herramienta clave para evaluar relaciones entre variables y apoyar la gestión del riesgo en salud. ## 2. Planteamiento del problema Dada la importancia de los eventos adversos asociados a medicamentos y su impacto en la seguridad del paciente, surge la necesidad de analizar cuantitativamente la información disponible sobre estos eventos, con el fin de identificar los factores asociados a la gravedad de los mismos.
En particular, se plantea el siguiente problema de investigación:
¿Cuáles son los factores asociados a la ocurrencia de eventos adversos graves relacionados con medicamentos, según la información registrada en la base de datos de eventos adversos?
Este problema se aborda mediante un enfoque cuantitativo, utilizando técnicas de exploración analítica de datos, estadísticas descriptivas y un modelo matemático que permita evaluar la relación entre la gravedad del evento adverso y variables explicativas como el sistema implicado, entre otras
##3. Exploración analítica de datos y estadísticas descriptivas
La base de datos utilizada corresponde a registros de eventos adversos asociados al uso de medicamentos. Previo al análisis inferencial, se realizó una exploración analítica de los datos con el fin de comprender la estructura de la información, identificar posibles valores perdidos y describir las principales características de las variables de interés.
##3.1 Descripción general de la base de datos
Previo al análisis inferencial, fue necesario construir la variable dependiente del estudio a partir de la información original contenida en la base de datos.
La base de datos contiene observaciones correspondientes a eventos adversos notificados, incluyendo variables relacionadas con el sistema orgánico implicado y la gravedad del evento. La variable dependiente del estudio es Evento_Grave, codificada de manera dicotómica (0 = evento no grave, 1 = evento grave).
##3.2 Construcción de la variable dependiente
La variable Evento_Grave no se encontraba originalmente codificada de forma dicotómica en la base de datos. Por lo tanto, se realizó un proceso de recodificación a partir de la variable original que clasifica la gravedad del evento adverso.
Para efectos del análisis cuantitativo y del modelo de regresión logística, la variable fue codificada de la siguiente manera:
##0: Evento no grave
##1: Evento grave
library(tidyverse) library(readxl) library(janitor) library(skimr)
datos <- read_excel(“EVENTOS_ADVERSOS_3.xlsx”)
datos <- read_excel(“EVENTOS_ADVERSOS_3.xlsx”)
glimpse(datos) skim(datos)
library(dplyr)
library(dplyr)
datos <- datos %>% mutate( Evento_Grave = ifelse(Seriedad == “SERIA”, 1, 0) )
table(datos\(Seriedad) table(datos\)Evento_Grave)
La variable dependiente del estudio, denominada Evento_Grave, fue construida a partir de la variable original Seriedad, la cual clasifica los eventos adversos según su gravedad. Para el análisis cuantitativo, los eventos catalogados como “NO SERIA” fueron codificados como 0, mientras que aquellos clasificados como “SERIA” fueron codificados como 1
str(datos)
summary(datos)
table(datos\(Evento_Grave) prop.table(table(datos\)Evento_Grave))
table(datos\(`Sistema Implicado`)
prop.table(table(datos\)Sistema Implicado))
table(datos\(Seriedad) table(datos\)via) table(datos\(`Sistema Implicado`) table(datos\)Ciudad)
Los resultados descriptivos permiten identificar patrones preliminares en la ocurrencia de eventos adversos graves, los cuales orientan la formulación del modelo matemático presentado en la siguiente sección.
##4. Modelo matemático
Con el fin de identificar los factores asociados a la ocurrencia de eventos adversos graves, se estimó un modelo de regresión logística, dado que la variable dependiente Evento_Grave es dicotómica (0 = no grave, 1 = grave).
##4.1 Formulación del modelo
El modelo de regresión logística se expresa de la siguiente manera:
\[ \log\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 X_1 \]
donde:
𝑝:p es la probabilidad de que ocurra un evento adverso grave. 𝑋1: corresponde al Sistema Implicado. 𝛽0: es el intercepto del modelo. 𝛽1: representa el efecto del sistema implicado sobre la probabilidad de gravedad del evento.
datos\(`Sistema Implicado` <-
as.factor(datos\)Sistema Implicado) table(datos\(`Sistema Implicado`,
datos\)Evento_Grave)
##4.2. ESTIMACION DEL MODELO # Modelo de regresión logística
modelo_logistico <- glm(Evento_Grave ~ Sistema Implicado
+ Via, data = datos, family = binomial)
summary(modelo_logistico)
Los coeficientes estimados permiten evaluar la asociación entre el sistema implicado y la probabilidad de que un evento adverso sea clasificado como grave.
El modelo de regresión logística evidencia que la dosis administrada, la vía de administración y el sistema orgánico implicado presentan una relación con la probabilidad de que un evento adverso sea clasificado como serio. La capacidad explicativa del modelo, evaluada mediante el pseudo R², indica que las variables incluidas aportan información relevante para comprender la ocurrencia de eventos adversos serios.
El análisis cuantitativo de la base EVENTOS_ADVERSOS_3.xlsx permitió identificar factores asociados a la seriedad de los eventos adversos medicamentosos. La aplicación de modelos estadísticos constituye una herramienta fundamental para el fortalecimiento de la farmacovigilancia y la toma de decisiones orientadas a la seguridad del paciente.