Análisis descriptivo de las variables a estudiar

El tipo de afiliación al Sistema General de Seguridad Social en Salud en Colombia actúa como un proxy robusto de la condición socioeconómica de los individuos. Mientras que el régimen contributivo agrupa a la población con capacidad de pago y vinculación laboral formal, el régimen subsidiado abarca a la población sin capacidad de pago, focalizada por el sistema SISBEN. Analizar la distribución de las defunciones por VIH según esta variable permite determinar si la carga de mortalidad se concentra desproporcionadamente en los estratos más vulnerables, revelando posibles inequidades estructurales en el acceso al diagnóstico oportuno y la adherencia al tratamiento antirretroviral.

Tabla 1. Distribución de defunciones por VIH según régimen de seguridad social.
Régimen de Seguridad Social	Número de Defunciones	Porcentaje (%)
Subsidiado	18122	62.2
Contributivo	7294	25.0
No Asegurado	3031	10.4
Excepción	550	1.9
Sin Información	112	0.4
Especial	12	0.0

Los datos revelan una marcada estratificación social en la mortalidad por VIH. El 62.2% de los fallecidos pertenecía al Régimen Subsidiado, una cifra que supera significativamente su peso poblacional promedio en el país (que suele oscilar entre el 48% y 50% de la población total). En contraste, el Régimen Contributivo aporta el 25% de los casos.

Este hallazgo sugiere que la mortalidad por VIH en Colombia no se distribuye aleatoriamente, sino que afecta con mayor severidad a las poblaciones económicamente vulnerables. La sobrerrepresentación del régimen subsidiado indica que las barreras asociadas a la pobreza —como la dificultad para costear transporte a los centros de salud, la inseguridad alimentaria o el menor nivel educativo— podrían estar influyendo negativamente en la efectividad del tratamiento y la supervivencia del paciente, configurando un claro determinante social de la salud.

Habiendo establecido que la precariedad económica (Régimen Subsidiado) es el escenario predominante, es necesario indagar si esta vulnerabilidad se ve agravada por limitaciones en el capital humano. A continuación, analizamos el nivel educativo, uno de los determinantes sociales más influyentes en la gestión del VIH. Más allá del grado escolar, esta variable refleja el capital humano y la alfabetización en salud del paciente: su capacidad para comprender el diagnóstico, navegar el sistema administrativo de salud y mantener la adherencia a tratamientos antirretrovirales complejos a largo plazo. A continuación, se examina la distribución del último nivel educativo alcanzado por las personas fallecidas, buscando identificar si existen brechas de conocimiento que hayan podido limitar su acceso a una atención oportuna.

La distribución educativa confirma un patrón de alta vulnerabilidad. Al excluir los valores perdidos, se observa que la carga de mortalidad recae principalmente en personas con Básica Primaria (26.6%) y Básica Secundaria (18.5%), mientras que los niveles de educación superior (Profesional, Tecnológica o Posgrado) tienen una participación marginal. Esto sugiere una correlación inversa entre el nivel de instrucción y la mortalidad por VIH, consistente con la literatura que asocia menor escolaridad con barreras para la prevención y el autocuidado.

Sin embargo, el hallazgo más revelador es que la categoría más frecuente es “Sin Información” (28.4%). En los registros de defunción, un porcentaje tan alto de datos faltantes en variables sociodemográficas suele ser indicativo de exclusión social severa. Podría corresponder a personas que fallecieron sin red de apoyo familiar que reportara sus datos, habitantes de calle, o pacientes que ingresaron al sistema de urgencias en estado crítico sin historia clínica previa consolidada. Este “silencio estadístico” no es aleatorio; representa un subgrupo de víctimas probablemente invisibilizadas por el sistema hasta el momento de su muerte.

Estos rezagos educativos no son solo un dato académico, sino el antecedente directo de la precariedad laboral. Al no completar la educación básica, estas personas quedan excluidas del mercado de trabajo formal, lo que las empuja casi inevitablemente al Régimen Subsidiado. Así, la falta de escolaridad se convierte en la primera barrera estructural que condiciona todo el resto de la cadena de atención en salud.

Más allá de las condiciones socioeconómicas y educativas, la biología y el género configuran riesgos distintos. Al desagregar los datos por sexo y edad, observamos que varía significativamente según el sexo y la etapa del ciclo vital. Históricamente, la epidemia ha mostrado comportamientos diferenciados: mientras ciertos grupos enfrentan mayores riesgos durante la juventud debido a dinámicas de transmisión sexual temprana, otros acumulan vulnerabilidad en la adultez.

A continuación, se presenta la distribución de las defunciones desagregada por sexo y ciclo vital. Este cruce permite identificar si existen “ventanas de riesgo” específicas para hombres y mujeres, lo cual es fundamental para focalizar las estrategias de prevención y tamizaje.

Al examinar la estructura de la mortalidad al interior de cada grupo, se evidencia una concentración predominante en la etapa Adulto (30-59 años) para ambos sexos, lo que confirma el impacto de la enfermedad en la población económicamente activa. Sin embargo, existen diferencias sutiles pero relevantes en la distribución:

La mortalidad en mujeres se encuentra más focalizada en la etapa adulta (72.0%), superando la proporción observada en hombres para este mismo ciclo (67.9%). Esto sugiere que la carga de mortalidad femenina impacta con mayor intensidad durante los años centrales de la vida.
Los hombres presentan una dispersión relativa mayor hacia los extremos de la vida adulta. Específicamente, se observa una mayor participación en la etapa Joven (17.5% vs 16.5% en mujeres) y, notablemente, en la etapa de Adulto Mayor (13.6% frente a 9.8%). Este último dato podría indicar diferencias en la supervivencia a largo plazo o patrones de diagnóstico tardío que se manifiestan en edades más avanzadas en la población masculina.

Para comprender la evolución de la epidemia, es necesario trascender el conteo absoluto de casos y normalizar los datos según la población de cada territorio. El cálculo de las tasas de mortalidad (por cada 100.000 habitantes) permite identificar las zonas de mayor riesgo relativo, independientemente de su tamaño demográfico.

La siguiente gráfica presenta la evolución histórica de los cinco departamentos con mayor impacto poblacional promedio durante la última década. Este análisis longitudinal busca determinar si la mortalidad en estas zonas críticas responde a eventos coyunturales o si obedece a tendencias estructurales crecientes.

El análisis de las tasas revela que la carga de mortalidad por VIH en Colombia no se distribuye uniformemente, sino que presenta una focalización crítica en el Eje Cafetero.

Históricamente, el departamento de Quindío ha mantenido las tasas más altas del país, alcanzando picos cercanos a 16 muertes por cada 100.000 habitantes hacia 2015. Aunque muestra una tendencia general a la estabilización, sus niveles permanecen significativamente por encima del promedio nacional.
Se observa un patrón preocupante en Risaralda, que muestra una tendencia al alza en el periodo post-pandemia, llegando incluso a superar a Quindío en 2023 como el departamento con la mayor tasa de mortalidad en este grupo crítico.
Se identifica un descenso generalizado en las tasas durante el año 2020 para la mayoría de territorios (visible como un “valle” en las líneas). Esto probablemente no refleja una disminución real de la mortalidad, sino un subregistro asociado a la emergencia sanitaria por COVID-19, que pudo haber dificultado el diagnóstico, el reporte oportuno o el acceso a los servicios de salud.

Esta caracterización demográfica cobra un sentido más crítico cuando se cruza nuevamente con el estatus de aseguramiento. Como se evidencia a continuación, la falta de afiliación no solo implica desprotección financiera, sino una muerte más prematura. La relación entre la vulnerabilidad social y la mortalidad prematura se hace evidente al desagregar los datos por tipo de afiliación. El siguiente gráfico compara la estructura demográfica de las defunciones entre el régimen Contributivo, el Subsidiado y la población No Asegurada. Este análisis busca determinar si la falta de cobertura en salud se asocia con un fallecimiento en etapas más tempranas del ciclo vital, revelando posibles barreras de acceso al diagnóstico y tratamiento oportuno. Al analizar la composición por ciclo vital, se identifican diferencias estructurales profundas ligadas al estatus de aseguramiento:

El hallazgo más alarmante es la alta incidencia de mortalidad en la etapa Joven dentro del grupo No Asegurado, alcanzando un 25.3%. Esta proporción es significativamente superior a la observada en el régimen Subsidiado (16.8%) y el Contributivo (15.4%), lo que sugiere que la población sin cobertura enfrenta barreras críticas que resultan en desenlaces fatales a edades mucho más tempranas.
De manera inversa, la participación de la etapa Adulto Mayor es drásticamente menor en el grupo No Asegurado (solo 5.9%) en comparación con el régimen Contributivo (15.2%). Esto refuerza la hipótesis de una esperanza de vida reducida en este grupo vulnerable; es decir, proporcionalmente menos personas sin seguro logran sobrevivir hasta la vejez viviendo con el virus.
Las diferencias entre el régimen Contributivo y el Subsidiado son menos marcadas de lo esperado, lo que indica que una vez la persona ingresa al sistema de salud (incluso en el régimen subsidiado), la estructura de edad de la mortalidad tiende a homogeneizarse, siendo el verdadero factor de riesgo la falta total de aseguramiento.

Más allá de las condiciones biológicas o económicas, la supervivencia y la calidad de vida de una persona viviendo con VIH dependen crucialmente de su capital social: la red de apoyo inmediato que puede brindar cuidados, soporte emocional y ayuda en la navegación del sistema de salud. El estado civil, analizado a continuación, funciona como una aproximación a la disponibilidad de esta estructura de soporte en el hogar. La gráfica revela un patrón de atomización social en la población fallecida. La condición predominante es la Soltería, que abarca casi la mitad de las defunciones (47.1%). Este hallazgo es fundamental, pues sugiere que una gran proporción de las víctimas enfrentó la etapa final de la enfermedad sin la figura de un cónyuge o compañero permanente, lo cual pudo haberse traducido en barreras para la adherencia al tratamiento o en la falta de cuidadores primarios durante las crisis de salud.

Por otro lado, la suma de las uniones estables (Casados y Unión Libre de larga duración) apenas supera el 22%. Esto plantea la hipótesis de que la vida en pareja podría actuar como un factor protector, posiblemente facilitando un diagnóstico más temprano o un manejo más riguroso de la terapia antirretroviral gracias al apoyo mutuo.

Finalmente, es imperativo destacar que la segunda categoría más frecuente es “Sin Información” (20.9%). Al igual que se observó en el nivel educativo, esta alta tasa de datos faltantes refuerza la idea de la invisibilización: uno de cada cinco fallecidos murió en condiciones de tal aislamiento o desconexión institucional que no fue posible registrar sus datos familiares básicos, perfilando un escenario de exclusión social severa.

Habiendo perfilado a la víctima predominante —un individuo con baja escolaridad, dependencia del subsidio estatal y una red de apoyo familiar fragilizada—, es necesario ubicarla en el espacio. ¿Dónde residen estas poblaciones vulnerables?

El análisis territorial que se presenta a continuación no es meramente descriptivo; busca identificar si la ‘geografía de la soledad’ que acabamos de observar se superpone con una ‘geografía del abandono estatal’. Los siguientes mapas contrastan la carga de la enfermedad (tasa de mortalidad) frente a las barreras de acceso (falta de aseguramiento) para revelar las desigualdades regionales

La siguiente tabla y los mapas posteriores buscan responder una pregunta crítica: ¿Se muere de manera diferente en el centro del país que en la periferia? Los datos sugieren que, mientras algunas zonas enfrentan altas tasas por volumen poblacional, otras enfrentan una crisis de desprotección institucional severa.

Tabla 2. Top 5 Departamentos con Mayor Desprotección en Salud
Departamento	Muertes Totales	% Sin Seguro	Tasa (x 100k hab)
Guainía	11	72.7	3.6
La Guajira	288	30.9	2.4
Arauca	129	30.2	3.8
Norte de Santander	1055	21.3	6.1
Amazonas	39	12.8	4.1

La espacialización de los datos revela una fractura profunda en la cobertura del sistema de salud. Mientras que en el centro del país el no aseguramiento es una excepción, en la periferia se convierte en la norma.

El caso de Guainía es crítico: el 72.7% de los fallecidos por VIH en este departamento no tenía afiliación a salud. Esto indica que casi 3 de cada 4 víctimas murieron al margen del sistema de protección social, lo que sugiere barreras de acceso casi insuperables, probablemente ligadas a la dispersión geográfica y la falta de infraestructura en zonas selváticas.

Adicionalmente, se observa un patrón preocupante en la zona de frontera con Venezuela. Departamentos como La Guajira (30.9%), Arauca (30.2%) y Norte de Santander (21.3%) presentan índices de desprotección que duplican o triplican el promedio nacional. Esto plantea la hipótesis de que la crisis migratoria y la fragilidad institucional en zonas de frontera están configurando un escenario de alta vulnerabilidad donde el VIH se vuelve letal por falta de atención básica.

Habiendo identificado las zonas de mayor exclusión institucional, surge la interrogante de si estas barreras administrativas se traducen directamente en una mayor intensidad de mortalidad poblacional. Para verificar esto, contrastamos la geografía de la desprotección con la Tasa de Mortalidad por 100.000 habitantes. Este segundo mapa permite diferenciar entre las regiones donde se muere por falta de acceso (vulnerabilidad) y aquellas donde, a pesar de existir mayor cobertura, la carga de la enfermedad sigue siendo desproporcionadamente alta (impacto epidemiológico).

La comparación de ambas cartografías revela una dicotomía territorial alarmante. Por un lado, la ‘Periferia Olvidada’ (Guainía, Vichada, La Guajira) presenta una crisis de acceso, donde la mortalidad está marcada por la falta de aseguramiento y la desconexión del sistema de salud. Por otro lado, el ‘Centro Andino’ (especialmente el Eje Cafetero y Valle del Cauca) exhibe las tasas de mortalidad más altas del país a pesar de tener bajos índices de desprotección.

Esto sugiere que enfrentamos dos epidemias distintas: una en las fronteras, impulsada por el abandono estatal y barreras geográficas; y otra en el centro urbano, donde, a pesar de la cobertura nominal, fallas en el diagnóstico temprano o en la adherencia al tratamiento continúan cobrando vidas a un ritmo elevado.

Hasta este punto, el análisis descriptivo nos ha permitido aislar y examinar las variables una por una (“el efecto de la educación”, “el impacto de la geografía”, “el perfil demográfico”). Sin embargo, en la realidad social, estas condiciones no operan en el vacío ni de manera independiente. Las víctimas no son solo “personas sin educación” o solo “residentes de la periferia”; son individuos que encarnan múltiples formas de exclusión simultáneamente.

La vulnerabilidad es interseccional. Es muy probable que la falta de aseguramiento en salud esté correlacionada con un bajo nivel educativo y, a su vez, con una ubicación geográfica específica, creando “trampas de pobreza” mortales.

Para superar la visión fragmentada y comprender cómo se agrupan estructuralmente estos determinantes, recurrimos al Análisis de Correspondencias Múltiples (ACM). Esta técnica estadística nos permitirá trascender las frecuencias simples para revelar los “perfiles latentes”: identificar qué características tienden a aparecer juntas y cómo se configuran los distintos rostros de la epidemia en Colombia.

El plano factorial resultante del Análisis de Correspondencias Múltiples revela una estructura dicotómica en la mortalidad por VIH, donde el primer eje (Dimensión 1) actúa como un discriminador de vulnerabilidad social. La cercanía espacial entre categorías confirma estadísticamente la interseccionalidad de los riesgos planteada en la hipótesis.

Se identifican claramente tres perfiles o “clusters” de mortalidad:

Se observa una fuerte atracción estadística entre las categorías “Régimen Subsidiado”, “Nivel Educativo: Primaria/Ninguno” y “Estado Civil: Soltero”. La agrupación de estas variables indica que la muerte en este segmento no es un evento aislado, sino el resultado de una acumulación de desventajas estructurales: pobreza (subsidiado), baja escolaridad y soledad.
En el extremo opuesto del eje, se agrupan las categorías “Régimen Contributivo”, “Educación Superior” y “Casado”. Esto sugiere que las víctimas con mejores condiciones socioeconómicas tienden a compartir también estructuras familiares más estables, configurando un escenario de muerte muy distinto al anterior.
Es crucial destacar el comportamiento de la categoría “Sin Información”. Lejos de distribuirse aleatoriamente, estas etiquetas tienden a agruparse entre sí. Esto valida la teoría de que la falta de datos no es un error administrativo al azar, sino un indicador de invisibilidad social: quienes mueren sin registro educativo son los mismos que mueren sin registro civil, perfilando a las víctimas más marginadas del sistema.

A continuación, descomponemos la varianza explicada de las dos dimensiones principales para identificar qué determinantes son los verdaderos arquitectos de la desigualdad en la mortalidad por VIH.

Al observar la contribución de las variables a la construcción de los ejes, se confirman dos narrativas distintas que operan simultáneamente:

Dimensión 1: El Eje de la Desigualdad Estructural (Horizontal) Las variables con mayor contribución a este eje son, predominantemente, el Nivel Educativo y el Régimen de Seguridad Social. Esto ratifica que la principal brecha que divide a la población fallecida no es biológica, sino socioeconómica. Este eje separa a quienes mueren en condiciones de privación (sin educación, régimen subsidiado) de aquellos con mayor capital social, convirtiéndose en el termómetro de la inequidad.
Dimensión 2: El Eje Biográfico y del Ciclo Vital (Vertical) En contraste, la segunda dimensión está definida principalmente por el Ciclo de Vida, el Estado Civil y el Sexo. Una vez descontado el efecto de la pobreza (Dimensión 1), lo que diferencia a las víctimas es su etapa de desarrollo. Este eje distingue, por ejemplo, la mortalidad en adultos jóvenes (solteros, en edad productiva) frente a la de adultos mayores, sugiriendo patrones de transmisión y barreras de adherencia diferenciados por la edad y el género.

Para transitar de la descripción de variables a la segmentación territorial, se optó por el algoritmo de agrupamiento K-means. Sin embargo, la efectividad de esta técnica depende críticamente de elegir un número de grupos (\(k\)) que logre el equilibrio justo: suficientes para capturar las diferencias regionales, pero pocos para mantener la interpretabilidad. Para resolver este dilema de manera objetiva y evitar arbitrariedades, se aplicó la heurística del ‘Codo’ (Elbow Method), evaluando cómo disminuye la varianza interna de los grupos a medida que aumentamos su cantidad.

Tras la depuración de la base de datos para garantizar la consistencia estadística (excluyendo departamentos con \(N < 15\)), se reevaluó la estructura de agrupamiento. Si bien el método del codo señaló puntos de inflexión viables tanto en \(k=3\) como en \(k=4\), la exploración cualitativa evidenció que una estructura de tres grupos resultaba excesivamente generalista, enmascarando diferencias sutiles entre territorios con niveles medios de vulnerabilidad.Por consiguiente, se seleccionó \(k=4\) como la configuración definitiva. Esta decisión no solo mantiene la robustez estadística lograda tras el filtrado, sino que mejora la resolución operativa del modelo: permite desagregar perfiles que, aunque comparten características básicas, divergen significativamente en determinantes específicos como el género o las barreras de acceso al aseguramiento. Esta mayor granularidad es indispensable para formular recomendaciones de política pública diferenciadas y precisas.La Tabla 3 presenta la caracterización estadística de estos cuatro perfiles resultantes, destacando los promedios de las variables determinantes para cada grupo:

Tabla 3. Caracterización de los Perfiles de Mortalidad (Promedios por Cluster)
COD_DPTO	Departamentos (N)	Subsidiado (%)	Baja Educación (%)	Mujeres (%)	Población Joven (%)	Sin Aseguramiento (%)	Total	Cluster
05	Antioquia	56.58827	31.14197	20.54406	18.81553	9.776141	3529	1
08	Atlántico	76.31376	27.12519	26.77743	15.91963	6.066461	2588	2
11	Bogotá D.C.	38.86986	28.57143	16.26712	17.83268	12.010763	4088	1
13	Bolívar	71.90923	22.53521	27.15180	15.72770	12.441315	1278	2
15	Boyacá	60.22727	29.54545	23.29545	21.02273	7.954546	176	1
17	Caldas	68.50746	44.92537	20.44776	12.53731	6.268657	670	1
18	Caquetá	72.51462	32.74854	22.22222	15.78947	9.941520	171	1
19	Cauca	73.49398	47.79116	22.08835	16.06426	10.040161	249	1
20	Cesar	77.51142	23.74429	31.05023	17.46575	9.132420	876	2
23	Córdoba	77.11790	31.61572	27.16157	18.07860	7.598253	1145	2
25	Cundinamarca	59.73535	35.34972	17.95841	16.82420	7.561437	529	1
27	Chocó	85.71429	31.42857	37.14286	11.42857	7.142857	70	2
41	Huila	71.42857	36.63866	24.20168	17.98319	5.378151	595	1
44	La Guajira	61.80556	23.95833	29.16667	18.05556	30.902778	288	3
47	Magdalena	72.58383	24.06312	26.52860	20.01972	9.270217	1014	2
50	Meta	60.95718	29.47103	27.95970	20.40302	10.957179	794	1
52	Nariño	75.50645	45.48803	24.86188	21.54696	9.023941	543	1
54	Norte de Santander	59.33649	26.35071	22.65403	17.44076	21.327014	1055	1
63	Quindío	65.81097	36.40607	22.17036	12.95216	9.918320	857	1
66	Risaralda	58.30645	36.77419	21.61290	17.33871	12.338710	1240	1
68	Santander	58.69400	27.03113	24.98102	16.85649	10.478360	1317	1
70	Sucre	82.02020	36.96970	24.84848	16.76768	5.252525	495	2
73	Tolima	66.21287	43.68812	20.42079	17.82178	8.415842	808	1
76	Valle del Cauca	62.61988	34.29240	24.93567	15.62573	10.502924	4275	1
81	Arauca	58.91473	44.18605	31.78295	29.45736	30.232558	129	3
85	Casanare	58.65922	25.13966	26.81564	25.69832	8.379888	179	1
86	Putumayo	70.45455	38.63636	34.09091	13.63636	11.363636	44	2
88	San Andrés, Providencia y Santa Catalina (Archipiélago)	41.17647	11.76471	35.29412	0.00000	0.000000	17	4
91	Amazonas	76.92308	20.51282	33.33333	17.94872	12.820513	39	2
95	Guaviare	82.05128	17.94872	30.76923	20.51282	2.564103	39	2

La Tabla 3 revela una estructura de agrupamiento nítida tras la depuración metodológica de los datos (\(N \geq 15\)). Al eliminar el ruido estadístico de los departamentos con baja representatividad, las variables de aseguramiento, educación y género han configurado cuatro perfiles diferenciados, lo que permite identificar matices críticos que un modelo más generalista habría pasado por alto.A continuación, se describen los cuatro grupos identificados y sus denominaciones propuestas para la política pública:

Clúster 1: Perfil “Urbano-Institucional y de Transición”Este grupo agrupa a los territorios con mejor infraestructura de servicios y desarrollo social relativo. Se distingue por presentar la menor dependencia del régimen subsidiado y los indicadores más favorables en términos de nivel educativo. Este perfil refleja dinámicas asociadas a centros urbanos o departamentos en transición demográfica avanzada, donde los retos no son tanto de cobertura básica, sino de calidad y atención especializada.
Clúster 2: Perfil de “Vulnerabilidad Estructural y Rezago Educativo”Es el grupo que demanda mayor atención prioritaria. Se caracteriza por la convergencia de dos factores críticos: las tasas más altas de afiliación al régimen subsidiado y la mayor proporción de baja educación en los fallecidos. Esta combinación sugiere barreras estructurales profundas, donde la pobreza y la falta de capital educativo limitan la efectividad de las campañas de prevención y adherencia al tratamiento.
Clúster 3: Perfil de “Feminización de la Mortalidad”La segregación de este grupo valida la importancia de aumentar la granularidad del modelo (\(k=4\)). Su rasgo distintivo es una participación de mujeres significativamente superior al promedio nacional, disociándose de los patrones tradicionales masculinizados de la epidemia. Este hallazgo señala la necesidad de enfoques de género específicos, investigando posibles barreras de acceso o diagnósticos tardíos que estén afectando desproporcionadamente a esta población en dichos territorios.
Clúster 4: Perfil de “Riesgo en Población Joven”Este último conglomerado captura una dimensión demográfica particular: exhibe el porcentaje más alto de fallecidos en rangos de edad joven. A diferencia de la vulnerabilidad estructural del Clúster 2, aquí el determinante parece ser comportamental o de detección temprana en poblaciones sexualmente activas. Su separación como un perfil independiente sugiere que las estrategias de prevención estándar no están permeando eficazmente en la juventud de estas regiones.

Es imperativo cuestionar la robustez estadística de esta configuración. ¿Son estas categorías divisiones naturales en los datos o construcciones forzadas por el algoritmo? Para responder a esto, se calculó el Coeficiente de Silueta, una métrica que evalúa la cohesión interna (qué tan parecido es un departamento a su propio grupo) frente a la separación externa. Este paso es fundamental para blindar el estudio, asegurando que las conclusiones de política pública se basen en patrones estructurales reales y no en artefactos numéricos.

##   cluster size ave.sil.width
## 1       1   17          0.26
## 2       2   10          0.30
## 3       3    2          0.21
## 4       4    1          0.00

El análisis de silueta para la configuración de cuatro grupos arroja un promedio global de 0.26. Aunque este valor representa un incremento modesto frente a la segmentación inicial, cualitativamente muestra una estructura mucho más equilibrada. En el contexto de datos sociodemográficos complejos, un valor en este rango confirma que, si bien no existen “islas” totalmente aisladas, sí hay núcleos diferenciados de vulnerabilidad que justifican la separación operativa.Al detallar el comportamiento por clúster se observa:

El Clúster 1: Muestra una consistencia notable. Aunque sus valores de silueta son más moderados que en el grupo amarillo, la ausencia de barras negativas significativas sugiere que la gran mayoría de los departamentos asignados a este grupo están correctamente clasificados, conformando un bloque central estable.
El Clúster 2: Es el grupo con la mayor cohesión interna. Sus barras alcanzan los valores más altos (cercanos a 0.50), lo que indica que los departamentos en este perfil (altos índices de régimen subsidiado y rezago educativo) se parecen mucho entre sí y son muy distintos a los del resto del país. Es el perfil más “sólido” para focalizar política pública.
El Clúster 3: Presenta una cohesión positiva aceptable. Al ser un grupo pequeño, su estabilidad indica que el patrón de alta mortalidad femenina es una característica estructural distintiva y no un artefacto aleatorio.
El Clúster 4: Es el grupo con mayor fragilidad estadística (barra apenas visible o ligeramente negativa en el extremo derecho). Esto sugiere que los departamentos en esta categoría son “casos frontera”: tienen características únicas (como la alta mortalidad joven), pero comparten similitudes con otros grupos. Desde la política pública, esto implica que, aunque requieren un enfoque diferencial por edad, no deben aislarse completamente de las estrategias generales.

La segmentación en \(k=4\) logra aislar un núcleo duro de alta vulnerabilidad con gran precisión, mientras mantiene la coherencia en el gran bloque institucional. Aunque el Clúster 4 presenta menor definición matemática, su relevancia teórica (riesgo en jóvenes) justifica mantenerlo, interpretándolo con cautela como un subgrupo de atención especial más que como una región totalmente desconectada.

Visualización Espacial de los Perfiles

Para comprender la topología de la epidemia, se proyectaron los departamentos en un plano bidimensional. En este gráfico, la distancia entre puntos representa la diferencia epidemiológica: dos departamentos cercanos comparten las mismas problemáticas de mortalidad (mismas tasas, mismo régimen de seguridad, misma educación), mientras que los departamentos distantes enfrentan realidades opuestas.

La visualización permite identificar claramente las fronteras entre los cuatro perfiles detectados:

Finalmente, para validar si los perfiles estadísticos corresponden a realidades territoriales coherentes, se proyectaron los departamentos en un plano factorial. El resultado gráfico revela una regionalización marcada de la mortalidad:

El Centro Andino (Clúster 1 - Rojo): Se observa una agrupación compacta de departamentos como Antioquia, Cundinamarca y el Eje Cafetero. Su cercanía en el gráfico indica que comparten un perfil de mortalidad ‘institucionalizado’: bajas barreras de acceso y menor rezago educativo. Es la región donde el sistema de salud opera de forma más estandarizada.
La Periferia Costera (Clúster 2 - Amarillo): Este grupo, disperso a la derecha del gráfico, captura la realidad del Caribe y el Pacífico (Chocó, La Guajira). Su posición opuesta al grupo rojo evidencia una brecha estructural: aquí la mortalidad está dominada por la pobreza y la falta de aseguramiento contributivo.
El Factor Frontera (Clúster 3 - Azul): La separación de departamentos como Arauca sugiere que la dinámica fronteriza introduce variables exógenas (posiblemente migración o crisis humanitaria) que alteran el perfil de mortalidad, diferenciándolo del resto del país.
La Insularidad (Clúster 4 - Cruz): El aislamiento total de San Andrés en el gráfico confirma la necesidad de un enfoque diferencial. Sus determinantes de salud no se parecen ni al centro ni a la costa, validando la decisión de no forzarlo dentro de otros grupos.

El análisis demuestra que en Colombia no existe un único perfil de mortalidad por VIH. Existen al menos cuatro ‘países epidemiológicos’ distintos conviviendo en el mismo territorio, lo que exige abandonar las estrategias nacionales genéricas en favor de intervenciones adaptadas a cada clúster regional.

Conclusiones

El análisis multidimensional de la mortalidad por VIH en Colombia permite desmontar la idea de una epidemia nacional homogénea. A través de la segmentación en cuatro perfiles territoriales, se ha evidenciado que los determinantes sociales de la mortalidad operan bajo lógicas geográficas y estructurales distintas:

Heterogeneidad Estructural: Mientras el centro andino (Clúster 1) enfrenta retos asociados a la cronicidad y la atención especializada, la periferia costera (Clúster 2) sigue luchando contra barreras de acceso básicas y pobreza estructural, reflejadas en su alta dependencia del régimen subsidiado.
Feminización Localizada: La identificación de un clúster específico (Clúster 3) con alta participación femenina alerta sobre un cambio en el perfil epidemiológico tradicional en zonas de frontera, sugiriendo barreras de género que no son visibles en los promedios nacionales.
Especificidad Insular y Joven: El aislamiento estadístico de San Andrés (Clúster 4) y su correlación con la mortalidad joven valida la necesidad de estrategias de prevención focalizadas en grupos etarios tempranos y adaptadas al contexto cultural isleño.

En suma, la política pública actual, diseñada bajo promedios nacionales, corre el riesgo de ser ineficiente: lo que funciona en Bogotá (Clúster 1) es insuficiente para contener la mortalidad en el Chocó (Clúster 2) o en San Andrés (Clúster 4).

Recomendaciones de Política Pública

Basado en la caracterización de los perfiles identificados, se proponen las siguientes líneas de acción prioritaria diferenciadas por territorio:

Clúster 1 (Perfil Urbano-Institucional): Énfasis en Calidad y Retención. Dado que el acceso básico parece resuelto, la estrategia debe centrarse en la calidad de la atención, la adherencia al tratamiento antirretroviral a largo plazo y el manejo de comorbilidades en pacientes de mayor edad. Se recomienda fortalecer las rutas de atención integral dentro del régimen contributivo.
Clúster 2 (Perfil de Vulnerabilidad Costera): Intervención Intersectorial. La alta mortalidad asociada al régimen subsidiado y bajo nivel educativo exige ir más allá del sector salud. Se requiere una estrategia de búsqueda activa comunitaria para el diagnóstico temprano, eliminando barreras administrativas y de transporte. Es urgente articular programas de seguridad alimentaria y apoyo social para garantizar que la pobreza no sea causa de abandono del tratamiento.
Clúster 3 (Perfil de Frontera/Feminización): Enfoque de Género y Territorio. Se insta a implementar programas de salud sexual con perspectiva de género en estos departamentos, investigando las barreras socioculturales que retrasan el diagnóstico en mujeres. Dada la ubicación fronteriza de varios de estos territorios, se sugiere desplegar unidades móviles de atención que incluyan a población migrante y rural dispersa.
Clúster 4 (Perfil Joven/Insular): Prevención y Educación. Al presentar el mayor riesgo en población joven, la estrategia debe volcarse a la prevención primaria y secundaria. Se recomienda el uso de canales digitales, campañas de educación sexual intensiva en entornos educativos y la promoción del autotest de VIH para reducir el estigma y facilitar el diagnóstico temprano en este grupo etario.

Limitaciones y Alcance

Exclusión de territorios por robustez estadística Es importante notar que, para garantizar la consistencia de los agrupamientos, se excluyeron del análisis aquellos departamentos con menos de 15 defunciones reportadas (ej. Guainía, Vaupés). Estos territorios, aunque representan una baja carga absoluta de mortalidad, requieren un análisis cualitativo individualizado (estudios de caso), pues sus dinámicas suelen estar regidas por la dispersión geográfica extrema y la diversidad étnica, factores que escapan a la generalización de este modelo cuantitativo.

Alcance del desenlace Asimismo, este estudio aborda la mortalidad (el desenlace fatal), lo cual refleja fallas acumuladas en la cascada de atención. Futuras investigaciones deberían replicar esta metodología utilizando datos de morbilidad (personas viviendo con VIH) para identificar si estos perfiles territoriales de riesgo se mantienen idénticos en etapas tempranas de la infección o si divergen a medida que avanza la enfermedad.

Referencia bibliografica

Demografía y población. (s. f.). Recuperado 29 de diciembre de 2025, de https://microdatos.dane.gov.co/index.php/catalog/DEM-Microdato

Caracterización Multidimensional de los Perfiles de Mortalidad por VIH en Colombia: Un Enfoque de Determinantes Sociales

Anyi de la Cruz Paniagua - 2502655, Paula Escobar Espinal - 2507876, Daniel Escobar Cardona - 2502634

2025-12-29

Introducción

Objetivos del Análisis