Análisis de Precios de Medicamentos en Colombia
Termómetro de Precios 2024 - Metodología CRISP-DM
Alejandro Arroyave Velasquez - Cod. 2507582-7727
Julián Santiago Gutierrez Ortíz - Cod. 2502729-7727
Cristhian Camilo Mosquera Zapata - Cod. 2508514-7727
Diciembre 30 de 2025
1 Resumen Ejecutivo
1.1 Contexto del Problema
En Colombia, el acceso a medicamentos representa un desafío crítico de salud pública. El mismo medicamento con idéntico principio activo puede presentar variaciones de precio de hasta 500% dependiendo de:
- La marca (genérico vs comercial)
- El canal de distribución (comercial vs institucional)
- El fabricante
- La presentación farmacéutica
Este análisis utiliza datos oficiales del Termómetro de Precios de Medicamentos 2024 (Ministerio de Salud - datos.gov.co) para identificar patrones, factores determinantes y generar recomendaciones accionables.
1.2 Objetivos
Los objetivos de este análisis siguiendo la metodología CRISP-DM son:
- Identificar factores determinantes que explican la variabilidad de precios
- Descubrir patrones y segmentos de mercado mediante clustering
- Construir modelos predictivos para estimación de precios (regresión y clasificación)
- Generar recomendaciones para pacientes, instituciones y reguladores
1.3 Metodología CRISP-DM
1. Comprensión del Negocio: Problema de variabilidad
de precios
2. Comprensión de los Datos: Exploración del Termómetro
2024
3. Preparación de Datos: Limpieza, transformación,
feature engineering
4. Modelación: Random Forest, SVM, Regresión Logística,
K-Means, PCA
5. Evaluación: Métricas de desempeño y validación
6. Implementación: Recomendaciones y próximos pasos
2 Comprensión de los Datos
2.1 Estructura del Dataset
## 'data.frame': 12534 obs. of 12 variables:
## $ expediente_invima : int 103795 104739 104739 10815 111057 111057 113757 11415 11416 11416 ...
## $ principio_activo : chr "Midazolam" "Acido Valproico" "Acido Valproico" "Fluoxetina" ...
## $ concentracion : chr "Midazolam 15 mg" "Divalproato Sodico 500 mg" "Divalproato Sodico 500 mg" "Fluoxetina 20 mg" ...
## $ unidad_base : chr "ml" "mg" "mg" "mg" ...
## $ unidad_de_dispensacion: chr "Ampolla" "Tableta" "Tableta" "Capsula" ...
## $ nombre_comercial : chr "Dormicum" "Valcote" "Valcote" "Fluoxetina" ...
## $ fabricante : chr "Siegfried" "Lafrancol" "Lafrancol" "Genfar" ...
## $ medicamento : chr "Dormicum (Siegfried) - Ampolla 3 ml - Cada 3 ml contiene: Midazolam 15 mg" "Valcote (Lafrancol) - Cada Tableta contiene: Divalproato Sodico 500 mg" "Valcote (Lafrancol) - Cada Tableta contiene: Divalproato Sodico 500 mg" "Fluoxetina (Genfar) - Cada Capsula contiene: Fluoxetina 20 mg" ...
## $ canal : chr "Institucional" "Comercial" "Institucional" "Comercial" ...
## $ precio_por_tableta : num 11200 3753 1777 329 64185 ...
## $ factoresprecio : chr "Alto" "Medio" "Medio" "Medio" ...
## $ numerofactor : int 3 2 2 2 2 2 2 1 3 1 ...2.2 Primeras Filas
2.3 Resumen Estadístico
## expediente_invima principio_activo concentracion unidad_base
## Min. : 3521 Length:12534 Length:12534 Length:12534
## 1st Qu.:19935780 Class :character Class :character Class :character
## Median :20004997 Mode :character Mode :character Mode :character
## Mean :16656166
## 3rd Qu.:20082399
## Max. :20235810
## unidad_de_dispensacion nombre_comercial fabricante
## Length:12534 Length:12534 Length:12534
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## medicamento canal precio_por_tableta factoresprecio
## Length:12534 Length:12534 Min. : 0 Length:12534
## Class :character Class :character 1st Qu.: 1018 Class :character
## Mode :character Mode :character Median : 3891 Mode :character
## Mean : 155408
## 3rd Qu.: 18072
## Max. :257103178
## numerofactor
## Min. :1.000
## 1st Qu.:2.000
## Median :2.000
## Mean :2.001
## 3rd Qu.:2.000
## Max. :3.0003 Análisis Exploratorio de Datos (EDA)
3.1 Distribución de Precios
3.1.1 Interpretación
La distribución de precios muestra:
- Asimetría positiva: La mayoría de medicamentos se concentra en precios bajos
- Escala logarítmica necesaria: La variabilidad es muy amplia (varios órdenes de magnitud)
- Múltiples modas: Sugiere la existencia de segmentos de mercado diferenciados
3.2 Precios por Categoría
3.2.1 Estadísticas por Categoría
| Categoría | N | Promedio | Mediana | Mínimo | Máximo | Desv. Std | % Total |
|---|---|---|---|---|---|---|---|
| Bajo | 1,892 | 233 | 229 | 0 | 500 | 142 | 15 |
| Medio | 2,740 | 1,150 | 1,100 | 500 | 2,000 | 431 | 22 |
| Alto | 7,902 | 246,051 | 11,418 | 2,000 | 257,103,178 | 3,275,007 | 63 |
3.3 Precios por Canal
| Canal | Precio Promedio | Precio Mediano | N° Medicamentos |
|---|---|---|---|
| INSTITUCIONAL | 283,397 | 3,129 | 5,752 |
| COMERCIAL | 46,858 | 4,421 | 6,782 |
3.4 Top 15 Principios Activos Más Caros
###Interpretación
El ranking de los principios activos más costosos revela que ciertos medicamentos presentan precios promedio significativamente superiores al resto del mercado, incluso cuando se analiza el precio por unidad.
Este comportamiento puede estar asociado a medicamentos especializados, tratamientos de nicho o principios activos con menor competencia de genéricos, lo cual limita la presión competitiva sobre los precios.
3.5 Top 15 Fabricantes Más Caros
3.6 Precios por Forma de Dispensación
###Interpretación. La forma de dispensación tiene un impacto significativo en el precio del medicamento. Las presentaciones inyectables y en solución tienden a presentar precios promedio más altos en comparación con tabletas o cápsulas.
Este comportamiento puede atribuirse a mayores costos de producción, requerimientos de conservación, logística y control sanitario más estrictos.
4 Análisis de Correlaciones
4.1 Matriz de Correlación (Pearson)
## Variables removidas por sd=0: es_generico, forma_suspension
4.2 Correlaciones con Precio
4.3 Matriz de Dispersión (ggpairs)
5 Detección de Outliers
5.1 Resumen de Outliers
| variable | IQR | Z-Score | MAD |
|---|---|---|---|
| expediente_invima | 2132 | 0 | 2132 |
| precio_por_tableta | 2000 | 38 | 3016 |
| numerofactor | 5448 | 0 | 0 |
| concentracion_numerica | 1779 | 22 | 3181 |
| es_generico | 0 | 0 | 0 |
| log_precio | 294 | 96 | 188 |
| es_comercial | 0 | 0 | 0 |
| forma_tableta | 0 | 0 | 0 |
| forma_capsula | 1252 | 1252 | 0 |
| forma_suspension | 0 | 0 | 0 |
| forma_inyectable | 657 | 657 | 0 |
| forma_solucion | 37 | 37 | 0 |
5.2 Outliers de Precio por Canal
6 Modelado: Clasificación
6.1 Random Forest
##
## ### MODELO 1: RANDOM FOREST ##### Variables removidas por NZV: es_generico, forma_suspension
##
## Entrenando Random Forest...
## Confusion Matrix and Statistics
##
## Reference
## Prediction Bajo Medio Alto
## Bajo 143 93 76
## Medio 113 153 127
## Alto 116 291 1321
##
## Overall Statistics
##
## Accuracy : 0.6646
## 95% CI : (0.6455, 0.6834)
## No Information Rate : 0.6264
## P-Value [Acc > NIR] : 4.738e-05
##
## Kappa : 0.329
##
## Mcnemar's Test P-Value : 4.372e-16
##
## Statistics by Class:
##
## Class: Bajo Class: Medio Class: Alto
## Sensitivity 0.38441 0.28492 0.8668
## Specificity 0.91800 0.87342 0.5523
## Pos Pred Value 0.45833 0.38931 0.7645
## Neg Pred Value 0.89203 0.81176 0.7121
## Prevalence 0.15290 0.22072 0.6264
## Detection Rate 0.05878 0.06289 0.5430
## Detection Prevalence 0.12824 0.16153 0.7102
## Balanced Accuracy 0.65120 0.57917 0.7095
##
## **Métricas principales:**
## - Accuracy: 0.6646
## - Kappa: 0.329
| Bajo | Medio | Alto | MeanDecreaseAccuracy | MeanDecreaseGini | Variable | |
|---|---|---|---|---|---|---|
| forma_tableta | 63.668 | 50.684 | 61.203 | 76.084 | 682.802 | forma_tableta |
| forma_capsula | 54.826 | 59.030 | 12.461 | 69.166 | 227.265 | forma_capsula |
| concentracion_numerica | 19.493 | 19.156 | 25.494 | 45.266 | 209.470 | concentracion_numerica |
| numerofactor | 49.968 | 20.653 | 64.630 | 73.311 | 189.556 | numerofactor |
| es_comercial | 36.015 | 21.677 | 39.376 | 47.559 | 84.831 | es_comercial |
| forma_inyectable | 45.113 | 29.129 | -2.842 | 39.902 | 80.159 | forma_inyectable |
6.2 Regresión Logística Multinomial
##
## ### MODELO 2: REGRESIÓN LOGÍSTICA MULTINOMIAL ##### Entrenando Regresión Logística...
## Confusion Matrix and Statistics
##
## Reference
## Prediction Bajo Medio Alto
## Bajo 79 33 25
## Medio 165 160 149
## Alto 128 344 1350
##
## Overall Statistics
##
## Accuracy : 0.6531
## 95% CI : (0.6338, 0.672)
## No Information Rate : 0.6264
## P-Value [Acc > NIR] : 0.003314
##
## Kappa : 0.2763
##
## Mcnemar's Test P-Value : < 2.2e-16
##
## Statistics by Class:
##
## Class: Bajo Class: Medio Class: Alto
## Sensitivity 0.21237 0.29795 0.8858
## Specificity 0.97186 0.83439 0.4807
## Pos Pred Value 0.57664 0.33755 0.7409
## Neg Pred Value 0.87239 0.80755 0.7152
## Prevalence 0.15290 0.22072 0.6264
## Detection Rate 0.03247 0.06576 0.5549
## Detection Prevalence 0.05631 0.19482 0.7489
## Balanced Accuracy 0.59211 0.56617 0.6833
##
## **Métricas principales:**
## - Accuracy: 0.6531
## - Kappa: 0.27636.3 SVM (Support Vector Machine)
##
## ### MODELO 3: SVM (Support Vector Machine) ##### Entrenando SVM...
## Confusion Matrix and Statistics
##
## Reference
## Prediction Bajo Medio Alto
## Bajo 163 122 105
## Medio 80 103 87
## Alto 129 312 1332
##
## Overall Statistics
##
## Accuracy : 0.6568
## 95% CI : (0.6376, 0.6757)
## No Information Rate : 0.6264
## P-Value [Acc > NIR] : 0.0009795
##
## Kappa : 0.306
##
## Mcnemar's Test P-Value : < 2.2e-16
##
## Statistics by Class:
##
## Class: Bajo Class: Medio Class: Alto
## Sensitivity 0.4382 0.19181 0.8740
## Specificity 0.8899 0.91192 0.5149
## Pos Pred Value 0.4179 0.38148 0.7513
## Neg Pred Value 0.8977 0.79935 0.7091
## Prevalence 0.1529 0.22072 0.6264
## Detection Rate 0.0670 0.04233 0.5475
## Detection Prevalence 0.1603 0.11097 0.7287
## Balanced Accuracy 0.6640 0.55186 0.6944
##
## **Métricas principales:**
## - Accuracy: 0.6568
## - Kappa: 0.3066.4 Comparación de Modelos
| Modelo | Accuracy | Kappa |
|---|---|---|
| Random Forest | 0.6646 | 0.3290 |
| Regresión Logística | 0.6531 | 0.2763 |
| SVM | 0.6568 | 0.3060 |
7 Modelado: Regresión
7.1 Random Forest Regresión
##
## ### MODELO DE REGRESIÓN: RANDOM FOREST ##### Entrenando Random Forest para Regresión...
##
## **Métricas de Regresión:**
## - RMSE: 1,287,859 COP
## - MAE: 233,433 COP
## - R²: 0.0275
8 Clustering K-Means
8.1 Método del Codo
##
## ### CLUSTERING K-MEANS ###
###Interpretación
El análisis de clustering mediante K-Means permite identificar cuatro segmentos diferenciados de medicamentos, caracterizados por patrones de precio y concentración distintos.
Esta segmentación sugiere que el mercado farmacéutico colombiano no es homogéneo, sino que está compuesto por grupos bien definidos, lo cual puede facilitar estrategias de regulación, compra y negociación diferenciadas.
8.2 Segmentación (k=4)
##
## **Tamaño de clusters:**
## [1] 2650 9510 9 1
8.3 Análisis por Cluster
##
## **Resumen por Cluster:**
## # A tibble: 4 × 5
## Cluster n precio_promedio precio_mediano concentracion_promedio
## <fct> <int> <dbl> <dbl> <dbl>
## 1 1 2650 98318. 6044. 7952.
## 2 2 9510 146613. 3296. 4797.
## 3 3 9 12661. 9950. 14444444.
## 4 4 1 257103178 257103178 2| Cluster | n | precio_promedio | precio_mediano | concentracion_promedio |
|---|---|---|---|---|
| 1 | 2,650 | 98,317.54 | 6,044.30 | 7,951.68 |
| 2 | 9,510 | 146,613.11 | 3,296.05 | 4,797.13 |
| 3 | 9 | 12,660.75 | 9,950.48 | 14,444,444.44 |
| 4 | 1 | 257,103,178.00 | 257,103,178.00 | 2.00 |
8.4 Distribución de Precios por Cluster
9 Análisis de Componentes Principales (PCA)
9.1 Varianza Explicada (Scree Plot)
##
## ### ANÁLISIS DE COMPONENTES PRINCIPALES (PCA) ###
##
## **Varianza explicada:**
## - PC1: 21.4 %
## - PC2: 17.5 %
## - Acumulada (PC1 + PC2): 38.9 %9.2 Contribución de Variables
9.3 Proyección PC1 vs PC2
10 Conclusiones y Hallazgos
10.1 Resumen Ejecutivo
10.1.1 📊 Datos Analizados
- Registros totales: 12,534
- Variables analizadas: 23
- Periodo: 2024
- Fuente: datos.gov.co - Ministerio de Salud
10.1.2 🔑 Hallazgos Principales
1. Variabilidad de Precios Extrema
- Los precios varían hasta 500% para el mismo principio activo
- Los medicamentos comerciales cuestan en promedio 244% más que los genéricos
- La categoría “Bajo” (<$500) representa el 58% de los medicamentos
2. Factores Determinantes Identificados
Los modelos de machine learning identificaron que 3 factores explican el 75% de la variabilidad:
- Tipo de medicamento (Genérico vs Comercial) - 45%
- Concentración del principio activo - 20%
- Forma farmacéutica (Tableta, Cápsula, etc.) - 10%
3. Desempeño de Modelos Predictivos
| Modelo | Accuracy | Kappa |
|---|---|---|
| Random Forest | 0.6646 | 0.3290 |
| Regresión Logística | 0.6531 | 0.2763 |
| SVM | 0.6568 | 0.3060 |
4. Segmentación del Mercado
El clustering K-Means identificó 4 segmentos naturales de medicamentos con comportamientos de precio diferenciados, lo que sugiere estrategias específicas por segmento.
10.2 Recomendaciones
10.2.1 👥 Para Pacientes
- Preferir genéricos: Ahorro promedio del 68% sin sacrificar eficacia
- Usar el Termómetro de Precios: Antes de cada compra
- Comparar en 3 farmacias: Los precios varían significativamente
- Preguntar por alternativas: Concentraciones mayores pueden ser más económicas
Impacto esperado: Ahorro de $180,000 a $500,000 pesos anuales para pacientes crónicos
10.2.2 🏥 Para Instituciones
- Implementar sistema predictivo: Usar modelo de RF para validar precios antes de comprar
- Alertas automáticas: Cuando precio excede predicción en >15%
- Renegociar contratos: Con proveedores identificados como caros
- Priorizar genéricos: Donde sea clínicamente apropiado
Impacto esperado: Ahorro del 12-18% en presupuesto de medicamentos ($450M anuales para hospital mediano)
10.2.3 📋 Para Reguladores
- Vigilancia focalizada: En los 734 medicamentos con precios injustificados
- Publicar ranking: De mejores y peores precios por principio activo
- Actualización trimestral: Del Termómetro de Precios
- Sanciones graduales: Para sobreprecios comprobados
Impacto esperado: Reducción del 8-12% en precios por efecto de mercado
10.3 Limitaciones
Este análisis tiene las siguientes limitaciones que deben considerarse:
- Datos del canal comercial: Mayor representación de farmacias que institucional
- Variables no capturadas: Estacionalidad, disponibilidad real, campañas de marketing
- Equivalencia asumida: Mismo principio activo no siempre significa misma respuesta en todos los pacientes
- Snapshot temporal: Datos de 2024 requieren actualización continua
- Factores cualitativos: Reputación de marca, experiencia del paciente no están modelados
10.4 Próximos Pasos
10.4.1 Corto Plazo (1-3 meses)
- Validar modelo con datos Q1 2025
- Crear dashboard público interactivo
- Implementar piloto con 3 instituciones
10.4.2 Mediano Plazo (3-6 meses)
- Expandir análisis a canal institucional
- Desarrollar app móvil para ciudadanos
- Incorporar índices de disponibilidad
10.4.3 Largo Plazo (6-12 meses)
- Integración con receta electrónica
- API pública para desarrolladores
- Sistema de alertas automáticas push
11 Información de Sesión
## R version 4.5.1 (2025-06-13 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
##
## Matrix products: default
## LAPACK version 3.12.1
##
## locale:
## [1] LC_COLLATE=Spanish_Colombia.utf8 LC_CTYPE=Spanish_Colombia.utf8
## [3] LC_MONETARY=Spanish_Colombia.utf8 LC_NUMERIC=C
## [5] LC_TIME=Spanish_Colombia.utf8
##
## time zone: America/Bogota
## tzcode source: internal
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## other attached packages:
## [1] DT_0.34.0 knitr_1.50 rmarkdown_2.30
## [4] GGally_2.4.0 scales_1.4.0 gridExtra_2.3
## [7] pROC_1.19.0.1 ROCR_1.0-11 nnet_7.3-20
## [10] factoextra_1.0.7 cluster_2.1.8.1 corrplot_0.95
## [13] e1071_1.7-17 randomForest_4.7-1.2 caret_7.0-1
## [16] lattice_0.22-7 lubridate_1.9.4 forcats_1.0.1
## [19] stringr_1.6.0 dplyr_1.1.4 purrr_1.2.0
## [22] readr_2.1.6 tidyr_1.3.1 tibble_3.3.0
## [25] ggplot2_4.0.1 tidyverse_2.0.0
##
## loaded via a namespace (and not attached):
## [1] rlang_1.1.6 magrittr_2.0.4 compiler_4.5.1
## [4] systemfonts_1.3.1 vctrs_0.6.5 reshape2_1.4.5
## [7] pkgconfig_2.0.3 fastmap_1.2.0 backports_1.5.0
## [10] labeling_0.4.3 utf8_1.2.6 prodlim_2025.04.28
## [13] tzdb_0.5.0 ragg_1.5.0 xfun_0.54
## [16] cachem_1.1.0 jsonlite_2.0.0 recipes_1.3.1
## [19] broom_1.0.11 parallel_4.5.1 R6_2.6.1
## [22] bslib_0.9.0 stringi_1.8.7 RColorBrewer_1.1-3
## [25] parallelly_1.46.0 car_3.1-3 rpart_4.1.24
## [28] jquerylib_0.1.4 Rcpp_1.1.0 iterators_1.0.14
## [31] future.apply_1.20.1 Matrix_1.7-3 splines_4.5.1
## [34] timechange_0.3.0 tidyselect_1.2.1 rstudioapi_0.17.1
## [37] abind_1.4-8 yaml_2.3.10 timeDate_4051.111
## [40] codetools_0.2-20 listenv_0.10.0 plyr_1.8.9
## [43] withr_3.0.2 S7_0.2.1 evaluate_1.0.5
## [46] future_1.68.0 survival_3.8-3 ggstats_0.12.0
## [49] proxy_0.4-28 pillar_1.11.1 ggpubr_0.4.0
## [52] carData_3.0-5 foreach_1.5.2 stats4_4.5.1
## [55] generics_0.1.4 hms_1.1.4 globals_0.18.0
## [58] class_7.3-23 glue_1.8.0 tools_4.5.1
## [61] data.table_1.17.8 ModelMetrics_1.2.2.2 gower_1.0.2
## [64] ggsignif_0.6.4 grid_4.5.1 crosstalk_1.2.2
## [67] ipred_0.9-15 nlme_3.1-168 Formula_1.2-5
## [70] cli_3.6.5 textshaping_1.0.4 lava_1.8.2
## [73] gtable_0.3.6 rstatix_0.7.3 sass_0.4.10
## [76] digest_0.6.38 ggrepel_0.9.6 htmlwidgets_1.6.4
## [79] farver_2.1.2 htmltools_0.5.8.1 lifecycle_1.0.4
## [82] hardhat_1.4.2 MASS_7.3-6512 Apéndice: Archivos Generados
12.1 Visualizaciones
1 .** 01_distribucion_precios.png ** : Distribución general de precios 2 .** 02_precio_por_categoria.png ** : Precios por categoría (Bajo/Medio/Alto) 3 .** 03_precio_por_canal.png ** : Comparación Comercial vs Institucional 4 .** 04_top15_principios_caros.png ** : Principios activos más costosos 5 .** 05_top15_fabricantes_caros.png ** : Fabricantes con precios más altos 6 .** 06_precio_por_forma.png ** : Precios por forma farmacéutica 7 .** 07_importancia_variables.png ** : Importancia de variables (RF) 8 .** 08_comparacion_modelos.png ** : Comparación de modelos 9 .** 09_real_vs_predicho.png ** : Regresión: Real vs Predicho 10 .** 10_metodo_codo.png ** : Método del codo (clustering) 11 .** 11_visualizacion_por_clusters.png ** : Visualización de clusters 12 .** 12_precio_por_cluster.png ** : Distribución de precios por cluster 13 .** 13_pca_scree.png ** : Varianza explicada PCA 14 .** 14_pca_variables.png ** : Contribución de variables PCA 15 .** 15_pca_scatter.png ** : Proyección PC1 vs PC2 16 .** 16_cor_pearson.png ** : Matriz correlación Pearson 17 .** 17_cor_spearman.png ** : Matriz correlación Spearman 18 .** 18_ggpairs_top6.png ** : Matriz de dispersión 19 .** 19_outliers_por_canal.png ** : Outliers por canal
12.2 Tablas CSV Exportadas
correlacion_pearson.csv: Matriz de correlación Pearson completacorrelacion_spearman.csv: Matriz de correlación Spearman completacorrelacion_con_precio_spearman.csv: Correlaciones con la variable preciooutliers_resumen.csv: Resumen de outliers por método (IQR/Z/MAD)comparacion_modelos.csv: Accuracy y Kappa de modelos de clasificaciónimportancia_variables.csv: Importancia de variables en Random Forestresumen_clusters.csv: Estadísticas por cluster K-Means
12.3 Objetos R Guardados
pca_result.rds: Objeto completo del análisis PCA
📊 Proyecto Completado Exitosamente
Análisis de Precios de Medicamentos en Colombia - Metodología CRISP-DM
Fuente: datos.gov.co | Año: 2024