Reporte Covid 19

Leemos la data

Dimensiones: (82637, 10)


Primeras 5 filas:

  FECHA_INICIO_SINTOMAS  ... PROFESIONAL_O_TRABAJADOR_DE_LA_SALUD
0            20/05/2021  ...                                   No
1            25/06/2021  ...                                   No
2             3/02/2022  ...                                   No
3            10/01/2022  ...                                   No
4            30/01/2021  ...                                   No

[5 rows x 10 columns]


Columnas: ['FECHA_INICIO_SINTOMAS', 'FECHA_DE_CONSULTA', 'ANO_INICIO_DE_SINTOMAS', 'LOCALIDAD_RESIDENCIA', 'COD_LOCALIDAD', 'GRUPOS_EDAD_QUINQUENIOS', 'EDAD', 'NOMBRE_NACIONALIDAD', 'SEXO', 'PROFESIONAL_O_TRABAJADOR_DE_LA_SALUD']

Warning in instance$preRenderHook(instance): It seems your data is too big for
client-side DataTables. You may consider server-side processing:
https://rstudio.github.io/DT/server.html

Descriptivos Basicos

[1] "NOMBRE_NACIONALIDAD"                 
[2] "SEXO"                                
[3] "PROFESIONAL_O_TRABAJADOR_DE_LA_SALUD"

Curvas epidemicas

Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
ℹ Please use `linewidth` instead.

TableGrob (2 x 1) "arrange": 2 grobs
  z     cells    name           grob
1 1 (1-1,1-1) arrange gtable[layout]
2 2 (2-2,1-1) arrange gtable[layout]

TableGrob (2 x 1) "arrange": 2 grobs
  z     cells    name           grob
1 1 (1-1,1-1) arrange gtable[layout]
2 2 (2-2,1-1) arrange gtable[layout]

TableGrob (2 x 1) "arrange": 2 grobs
  z     cells    name           grob
1 1 (1-1,1-1) arrange gtable[layout]
2 2 (2-2,1-1) arrange gtable[layout]

TableGrob (2 x 1) "arrange": 2 grobs
  z     cells    name           grob
1 1 (1-1,1-1) arrange gtable[layout]
2 2 (2-2,1-1) arrange gtable[layout]

Anaisis en personal de salud

TableGrob (2 x 1) "arrange": 2 grobs
  z     cells    name           grob
1 1 (1-1,1-1) arrange gtable[layout]
2 2 (2-2,1-1) arrange gtable[layout]

TableGrob (2 x 1) "arrange": 2 grobs
  z     cells    name           grob
1 1 (1-1,1-1) arrange gtable[layout]
2 2 (2-2,1-1) arrange gtable[layout]

TableGrob (2 x 1) "arrange": 2 grobs
  z     cells    name           grob
1 1 (1-1,1-1) arrange gtable[layout]
2 2 (2-2,1-1) arrange gtable[layout]

TableGrob (2 x 1) "arrange": 2 grobs
  z     cells    name           grob
1 1 (1-1,1-1) arrange gtable[layout]
2 2 (2-2,1-1) arrange gtable[layout]

--- title: "Reporte Covid 19" format: html: self-contained: true code-tools: true --- ```{r setup, message=FALSE, include=FALSE,warning=FALSE} # Cargar las librerías necesarias library(readxl) library(lubridate) # Para trabajar con fechas library(dplyr) library(zoo) library(gridExtra) library(ggplot2) # =============================== # CONFIGURACIÓN INICIAL Y CARGA DE PAQUETES # =============================== # Configurar entorno virtual de Python para reticulate Sys.setenv(RETICULATE_PYTHON = "C:/Users/Windows 11/Documents/.virtualenvs/env_covid/Scripts/python.exe") library(reticulate) use_virtualenv("env_covid", required = TRUE) # Gestor de paquetes if (!require("pacman")) install.packages("pacman") # Lista completa de paquetes necesarios (sin duplicados) paquetes <- c( # Análisis y manipulación de datos "tidyverse", "dplyr", "tidyr", "stringr", "lubridate", "forcats", "haven", "readr", "readxl", "writexl", "rio", "janitor", "cleaner", "naniar", "skimr", "bench", # Visualización "ggplot2", "ggthemes", "ggridges", "ggforce", "GGally", "gridExtra", "gplots", "corrplot", "RColorBrewer", "pheatmap", "plotly", "leaflet", "leaflet.extras", "esquisse", "DT", "kableExtra", "flextable", "scales", # Estadística y modelado "caret", "pROC", "ROSE", "rcompanion", "psych", "PerformanceAnalytics", "effsize", "effectsize", "car", "DescTools", "binom", "qgraph", "FactoMineR", "factoextra", "FactoClass", "Rcpp", # Series temporales y epidemiología "tseries", "forecast", "tsibble", "incidence", "epicontacts", "distcrete", "epitrix", "EpiEstim", "projections", "outbreaker2", # Otros "shiny", "pander", "broom", "knitr", "magrittr", "ape", "detectseparation", "easypackages" # aunque easypackages no es necesario si ya usas pacman, lo dejo por si acaso ) # Instalar y cargar todos los paquetes pacman::p_load(char = paquetes) # =============================== # FUNCIONES PERSONALIZADAS # =============================== # Función para calcular intervalos de confianza para proporciones calc_ci <- function(count, total, conf.level = 0.95) { prop <- count / total z <- qnorm(1 - (1 - conf.level) / 2) se <- sqrt(prop * (1 - prop) / total) lower <- max(0, prop - z * se) # Asegura que no haya valores negativos upper <- min(1, prop + z * se) # Opcional: garantiza que no supere 100% return(sprintf("%.1f-%.1f", lower * 100, upper * 100)) # Devuelve porcentaje } calcular_ic <- function(x) { n <- sum(!is.na(x)) error_est <- sd(x, na.rm = TRUE) / sqrt(n) media <- mean(x, na.rm = TRUE) margen_error <- qnorm(0.975) * error_est media <- round(media, 2) margen_error <- round(margen_error, 2) return(paste(media, "±", margen_error)) } ``` ## Leemos la data ```{python, echo=FALSE, warning=FALSE, message=FALSE} # Importamos pandas import pandas as pd import warnings warnings.filterwarnings('ignore') # Leemos el archivo CSV (ajusta el nombre si es diferente) Pacientes_covid_p = pd.read_csv("D:/nocturno/temporales/elena amatista/2026/02-febrero/OSB_EnfTransm_COVID_code.csv" ,sep=';') # Función para unificar las categorías def unificar_profesional(valor): if pd.isna(valor): return "Sin Ocupacion en Sivigila" v = str(valor).strip() if v.upper() in ["NO", "NO "] or v == "No": return "No" elif v.upper() in ["SI", "SI "] or v == "Si": return "Si" else: return "Sin Ocupacion en Sivigila" # Aplicar la transformación Pacientes_covid_p["PROFESIONAL_O_TRABAJADOR_DE_LA_SALUD"] = Pacientes_covid_p["PROFESIONAL_O_TRABAJADOR_DE_LA_SALUD"].apply(unificar_profesional) # Mostramos información básica print("Dimensiones:", Pacientes_covid_p.shape) print("\nPrimeras 5 filas:") print(Pacientes_covid_p.head()) # Si quieres ver los nombres de las columnas print("\nColumnas:", Pacientes_covid_p.columns.tolist()) ``` ```{r, echo=FALSE, message=FALSE, warning=FALSE} Pacientes_covid_r <- py$Pacientes_covid_p #factorizamos Pacientes_covid_r <- Pacientes_covid_r %>% mutate( # Conversión de tipos de datos FECHA_INICIO_SINTOMAS = as.Date(FECHA_INICIO_SINTOMAS, format = "%d/%m/%Y"), FECHA_DE_CONSULTA = as.Date(FECHA_DE_CONSULTA, format = "%d/%m/%Y"), across(3, as.factor), across(4:6, as.factor), across(7, as.numeric), across(8:10, as.factor)) Pacientes_covid_r <- Pacientes_covid_r %>% arrange(across(2)) ``` ```{r,echo=FALSE} datatable( Pacientes_covid_r, rownames = FALSE, extensions = c("Buttons", "Scroller"), options = list( scrollX = TRUE, scrollY = "500px", scroller = TRUE, dom = "Bfrtip", buttons = c("copy", "csv", "excel") ) ) ``` ## Descriptivos Basicos ```{r, echo=FALSE, warning=FALSE, message=FALSE} edades_caja<-ggplot(data = Pacientes_covid_r, aes(x= EDAD,y =SEXO)) + geom_boxplot(fill = "#69b3a2", color = "#2d5c5a", width = 0.6) + labs(title = "Distribución de Edades", y = "Sexo", x = "Edad") + theme_minimal() + theme(plot.title = element_text(hjust = 0.5, face = "bold"), panel.grid.major.x = element_blank(), panel.grid.minor = element_blank(), axis.text = element_text(size = 10), axis.title = element_text(size = 12)) + coord_flip() # Opcional para orientación horizontal #colnames(MME_2024_desc) edades_caja # Calcular estadísticas y datos faltantes sin_dato <- sum(is.na(Pacientes_covid_r$EDAD)) datos_limpios <- Pacientes_covid_r %>% filter(!is.na(EDAD)) cuartiles <- quantile(datos_limpios$EDAD, probs = c(0.25, 0.5, 0.75)) N <- nrow(datos_limpios) # Total de observaciones válidas # Gráfico con eje Y en números absolutos grafico1 <- ggplot(datos_limpios, aes(x = EDAD )) + geom_density( aes(y = after_stat(density * N)), # Escalar densidad a conteos fill = "steelblue", alpha = 0.3, color = NA ) + geom_line( aes(y = after_stat(density * N)), # Línea escalada stat = "density", color = "steelblue", linewidth = 0.8 ) + geom_vline( xintercept = cuartiles, color = "red", linetype = "dashed" ) + annotate( "text", x = cuartiles, y = 0, label = c("", "Med", ""), vjust = 1.5, color = "red" ) + labs( title = "Distribución de edades", x = "Edad", y = "N" ) + scale_x_continuous(breaks = seq(0, 60, 10)) + scale_y_continuous(labels = comma) + # Formato con comas theme_minimal() grafico1 ##inicio tablas descriptivas colnames(Pacientes_covid_r[8:10]) Pacientes_covid_r_desc<-cbind.data.frame(Pacientes_covid_r[9],Pacientes_covid_r[3:4],Pacientes_covid_r[6],Pacientes_covid_r[8],Pacientes_covid_r[10]) # Crear una lista para almacenar las tablas de resultados results_list <- list() colnames(Pacientes_covid_r_desc)<-c("sexo","Año","Localidad","Edad por quinquenios","Migrante","Personal de salud") col_name_temp <- colnames(Pacientes_covid_r_desc) results_list <- list() # Renombrar columnas #colnames(resultados_finales)[3:(ncol(resultados_finales)-4)] <- colnames(tabla) k <- 4 filtrada <- Pacientes_covid_r_desc ##inicio tablas descriptivas #colnames(Pacientes_covid_r[8:10]) Pacientes_covid_r_desc<-cbind.data.frame(Pacientes_covid_r[9],Pacientes_covid_r[3:4],Pacientes_covid_r[6],Pacientes_covid_r[8],Pacientes_covid_r[10]) # Crear una lista para almacenar las tablas de resultados results_list <- list() colnames(Pacientes_covid_r_desc)<-c("sexo","Año","Localidad","Edad por quinquenios","Migrante","Personal de salud") col_name_temp <- colnames(Pacientes_covid_r_desc) results_list <- list() # Renombrar columnas #colnames(resultados_finales)[3:(ncol(resultados_finales)-4)] <- colnames(tabla) k <- 4 filtrada <- Pacientes_covid_r_desc #table(filtrada[[2]]) # Inicio del ciclo for #length(colnames(filtrada)) # Crear una lista para almacenar las tablas de resultados results_list <- list() i<-3 # Inicio del ciclo for for (i in 2:length(colnames(filtrada))) { # Obtener el nombre de la columna basada en el índice col_name <- col_name_temp[i] tabla <- table(filtrada[[i]], filtrada[[1]]) # 2. Calcular porcentajes porcentajes <- prop.table(tabla, margin = 1) * 100 # 3. Formatear tabla combinando counts y porcentajes tabla_con_porcentajes <- matrix( paste0(tabla, " (", round(porcentajes, 2), "%)"), nrow = nrow(tabla), dimnames = dimnames(tabla) ) ###################################### # Suponiendo que 'tabla' es la matriz de frecuencias absolutas con años en filas y géneros en columnas # Ejemplo: tabla <- table(filtrada[[i]], filtrada[[1]]) donde i es la columna de género (F/M) # Convertir a data frame para trabajar tabla_df <- as.data.frame.matrix(tabla) tabla_df$Categorias <- rownames(tabla_df) tabla_df$variable <- rep(col_name_temp[i],length(rownames(tabla_df))) rownames(tabla_df) <- NULL # Verificar que los nombres de columna sean "F" y "M" (ajustar si es necesario) if (!all(c("F", "M") %in% colnames(tabla_df))) { stop("Las columnas de género deben llamarse 'F' y 'M'") } # Función para calcular IC de proporción (usando la función calc_ci del usuario) calc_ci <- function(count, total, conf.level = 0.95) { prop <- count / total z <- qnorm(1 - (1 - conf.level) / 2) se <- sqrt(prop * (1 - prop) / total) lower <- max(0, prop - z * se) upper <- min(1, prop + z * se) return(sprintf("%.1f-%.1f", lower * 100, upper * 100)) } # Función para prueba de dos proporciones (F vs M) prueba_proporciones <- function(f_F, f_M) { total <- f_F + f_M # Prueba de proporciones: prop.test con dos muestras test <- prop.test(x = c(f_F, f_M), n = c(total, total), correct = FALSE) p_valor <- test$p.value # Formatear p-valor (redondear a 4 decimales o usar notación científica si es muy pequeño) if (p_valor < 0.0001) { return("<0.0001") } else { return(sprintf("%.4f", p_valor)) } } # Calcular para cada año resultados <- tabla_df %>% mutate( Total = F + M, # Para F Frec_F = F, Porc_F = sprintf("%.2f%%", 100 * F / Total), IC_F = calc_ci(F, Total), # Para M Frec_M = M, Porc_M = sprintf("%.2f%%", 100 * M / Total), IC_M = calc_ci(M, Total), # Prueba de hipótesis p_valor = mapply(prueba_proporciones, F, M) ) %>% select(variable,Categorias, Frec_F, Porc_F, IC_F, Frec_M, Porc_M, IC_M, p_valor) # Mostrar la tabla con kableExtra (opcional) results_list[[col_name]] <- resultados } # Unir todas las tablas en una sola combined_table <- do.call(rbind, results_list) # Procesar la tabla combinada para eliminar duplicados en las columnas de interpretación y p combined_table_processed <- combined_table # Ajustar nombres de columnas colnames(combined_table_processed) <- c("Variable","Categoria", "Frecuencia fem", "Porcentaje fem","IC_ fem", "Frecuencia masc", "Porcentaje masc","IC_ masc", "p") datatable( combined_table_processed, rownames = FALSE, extensions = c("Buttons", "Scroller"), options = list( scrollX = TRUE, scrollY = "500px", scroller = TRUE, dom = "Bfrtip", buttons = c("copy", "csv", "excel") ) ) ``` ## Curvas epidemicas ```{r, echo=FALSE, message=FALSE, message=FALSE} calcular_periodo_epi <- function(fecha) { # Obtener el número de la semana del año semana <- as.numeric(format(fecha, "%U")) + 1 # Calcular el periodo epidemiológico (7 periodos por año) periodo <- ceiling(semana / (52/7)) # Convertir a números romanos periodo_romano <- as.character(as.roman(periodo)) return(periodo_romano) } # Agregar la columna del periodo epidemiológico Pacientes_covid_r$Periodo_Epidemiologico <- sapply(Pacientes_covid_r$FECHA_DE_CONSULTA, calcular_periodo_epi) # Definir las fechas de inicio de la semana 1 para cada año (modifica según sea necesario) fechas_inicio_epi <- data.frame( ano = 2020:2026, inicio_semana_1 = as.Date(c( "2019-12-29", "2021-01-03", "2022-01-02", "2023-01-01", "2023-12-31", "2024-12-29", "2026-01-04")) # Fechas personalizadas ) # Función para calcular la semana epidemiológica calcular_semana_epi <- function(fecha, fechas_inicio_epi) { # Extraer el año de la fecha ano <- year(fecha) # Obtener la fecha de inicio de la semana 1 para ese año inicio_semana_1 <- fechas_inicio_epi$inicio_semana_1[fechas_inicio_epi$ano == ano] # Calcular la diferencia en días entre la fecha y el inicio de la semana 1 dias_diferencia <- as.numeric(difftime(fecha, inicio_semana_1, units = "days")) # Calcular la semana epidemiológica (cada semana tiene 7 días) semana_epi <- floor(dias_diferencia / 7) + 1 return(semana_epi) } Pacientes_covid_r_f<-Pacientes_covid_r%>%filter(ANO_INICIO_DE_SINTOMAS==2020|ANO_INICIO_DE_SINTOMAS==2021|ANO_INICIO_DE_SINTOMAS==2022) inc.week.gender <- incidence(Pacientes_covid_r_f$FECHA_DE_CONSULTA, interval = "1 epiweeks: sunday", groups = Pacientes_covid_r_f$ANO_INICIO_DE_SINTOMAS)#FIS ES LA VARIABLE A ESTUDIAR # --- 1. Extraer fechas y datos del objeto incidence --- fechas <- inc.week.gender$dates n <- length(fechas) # Crear data frame auxiliar con fecha, año y semana epidemiológica (ISO) df_fechas <- data.frame( fecha = fechas, año = format(fechas, "%Y"), semana = lubridate::epiweek(fechas) # semana epidemiológica (domingo a sábado) ) # --- 2. Definir periodo epidemiológico (ejemplo: cada 4 semanas) --- # Ajusta según la definición de tu país (Colombia: 13 periodos de 4 semanas) df_fechas <- df_fechas %>% mutate( periodo = ceiling(semana / 4), # periodo 1 a 13 periodo_romano = as.character(as.roman(periodo)) ) # --- 3. Crear etiquetas para los periodos (solo en la primera semana de cada periodo) --- df_fechas <- df_fechas %>% group_by(año, periodo) %>% mutate(etiqueta_periodo = if_else(row_number() == 1, periodo_romano, "")) %>% ungroup() # --- 4. Crear etiquetas para los años (solo en la primera semana de cada año) --- df_fechas <- df_fechas %>% group_by(año) %>% mutate(etiqueta_año = if_else(row_number() == 1, año, "")) %>% ungroup() # --- 5. Vectores finales para usar en scale_x_continuous --- vector_final <- df_fechas$etiqueta_periodo year_labels <- df_fechas$etiqueta_año # --- 6. Gráfico de la curva epidémica (barras + media móvil) --- colores <- c("2020" = "#C6CDE9", "2021" = "#9BAEF3", "2022" = "#B8A7EA", "2023" = "#B387D6", "2024" = "#AF65B9", "2025" = "#E898AF", "2026" = "#D47C9B") colores <- c("2020" = "#E6F1FF","2021" = "#CEE2FF","2022" = "#B3D1F8","2023" = "#95BDED","2024" = "#5898D6","2025" = "#1581C6","2026" = "#0067A7") FISCURVEEPI0 <- plot(inc.week.gender) + theme(axis.title = element_text(size = 10), axis.text = element_text(size = 4), axis.ticks.x = element_blank(), axis.ticks.length = unit(0, "cm"), legend.title = element_text(size = 10), legend.position = "none") + scale_x_continuous( breaks = as.numeric(fechas), labels = vector_final, expand = c(0, 0) ) + ylab("Casos") + labs(title = "Curva Epidemiológica COVID19 General 20-22") + scale_fill_manual(values = colores) #FISCURVEEPI0 # Media móvil (ventana de 3 semanas) inc_week_df <- data.frame( dates = fechas, counts = rowSums(inc.week.gender$counts) ) inc_week_df$moving_avg <- rollmean(inc_week_df$counts, k = 3, fill = NA, align = "right") FISCURVEEPI1 <- FISCURVEEPI0 + geom_line(data = inc_week_df, aes(x = dates, y = moving_avg), inherit.aes = FALSE, color = "#068FAB", size = 0.5) # --- 7. Gráfico inferior con los años --- plot_years <- ggplot(df_fechas, aes(x = as.numeric(fecha), y = 0)) + geom_blank() + theme_classic() + scale_x_continuous( breaks = as.numeric(fechas), labels = year_labels, expand = c(0, 0) ) + theme( axis.title.x = element_blank(), axis.text.x = element_text(size = 6, vjust = 1), axis.line.y = element_blank(), axis.text.y = element_blank(), axis.ticks.y = element_blank(), axis.title.y = element_blank(), axis.line.x = element_blank(), axis.ticks.x = element_blank() ) + xlab("Periodo Epidemiológico") + theme(panel.background = element_rect(fill = "white")) # --- 8. Combinar ambos gráficos --- grafica_final <- grid.arrange(FISCURVEEPI0, plot_years, ncol = 1, heights = c(0.9, 0.1)) grafica_final ############################################ #########################################genero # ---------------------------------------------------------------------- # Curva epidémica por género (automática, con periodos y años) # ---------------------------------------------------------------------- library(incidence) library(dplyr) library(zoo) library(ggplot2) library(gridExtra) # Crear objeto incidence agrupado por género (ajusta el nombre de la columna) inc.week.gender <- incidence(Pacientes_covid_r_f$FECHA_DE_CONSULTA, interval = "1 epiweeks: sunday", groups = Pacientes_covid_r_f$SEXO) # <--- cambiar según tu variable # Extraer fechas fechas <- inc.week.gender$dates n <- length(fechas) # Data frame auxiliar con fecha, año y semana epidemiológica df_fechas <- data.frame( fecha = fechas, año = format(fechas, "%Y"), semana = lubridate::epiweek(fechas) ) # Periodo epidemiológico (cada 4 semanas) df_fechas <- df_fechas %>% mutate( periodo = ceiling(semana / 4), periodo_romano = as.character(as.roman(periodo)) ) # Etiquetas de periodo (solo primera semana de cada periodo) df_fechas <- df_fechas %>% group_by(año, periodo) %>% mutate(etiqueta_periodo = if_else(row_number() == 1, periodo_romano, "")) %>% ungroup() # Etiquetas de año (solo primera semana de cada año) df_fechas <- df_fechas %>% group_by(año) %>% mutate(etiqueta_año = if_else(row_number() == 1, año, "")) %>% ungroup() vector_final <- df_fechas$etiqueta_periodo year_labels <- df_fechas$etiqueta_año # Colores para los géneros (automático según niveles) generos <- levels(inc.week.gender$groups) colores_genero <- setNames(c("#F2AEB4", "#1E90FF"), generos) # rosa y azul # Gráfico de barras apiladas por género FISCURVEEPI01 <- plot(inc.week.gender) + theme(axis.title = element_text(size = 10), axis.text = element_text(size = 4), axis.ticks.x = element_blank(), axis.ticks.length = unit(0, "cm"), legend.title = element_text(size = 10), legend.position = "right") + # muestra la leyenda para identificar géneros scale_x_continuous( breaks = as.numeric(fechas), labels = vector_final, expand = c(0, 0) ) + ylab("Casos") + labs(title = "Curva Epidemiológica por Género 20-22") + scale_fill_manual(values = colores_genero, name = "Género") # Media móvil total (ventana de 3 semanas) inc_week_df <- data.frame( dates = fechas, counts_total = rowSums(inc.week.gender$counts) ) inc_week_df$moving_avg <- zoo::rollmean(inc_week_df$counts_total, k = 3, fill = NA, align = "right") FISCURVEEPI11 <- FISCURVEEPI01 + geom_line(data = inc_week_df, aes(x = dates, y = moving_avg), inherit.aes = FALSE, color = "#068FAB", size = 0.5) # Gráfico inferior con los años plot_years1 <- ggplot(df_fechas, aes(x = as.numeric(fecha), y = 0)) + geom_blank() + theme_classic() + scale_x_continuous( breaks = as.numeric(fechas), labels = year_labels, expand = c(0, 0) ) + theme( axis.title.x = element_blank(), axis.text.x = element_text(size = 6, vjust = 1), axis.line.y = element_blank(), axis.text.y = element_blank(), axis.ticks.y = element_blank(), axis.title.y = element_blank(), axis.line.x = element_blank(), axis.ticks.x = element_blank() ) + xlab("Periodo Epidemiológico") + theme(panel.background = element_rect(fill = "white")) # Combinar ambos gráficos grafica_final1 <- grid.arrange(FISCURVEEPI01, plot_years1, ncol = 1, heights = c(0.9, 0.1)) grafica_final1 ###################################################### Pacientes_covid_r_f<-Pacientes_covid_r%>%filter(ANO_INICIO_DE_SINTOMAS==2023|ANO_INICIO_DE_SINTOMAS==2024|ANO_INICIO_DE_SINTOMAS==2025|ANO_INICIO_DE_SINTOMAS==2026) inc.week.gender <- incidence(Pacientes_covid_r_f$FECHA_DE_CONSULTA, interval = "1 epiweeks: sunday", groups = Pacientes_covid_r_f$ANO_INICIO_DE_SINTOMAS)#FIS ES LA VARIABLE A ESTUDIAR # --- 1. Extraer fechas y datos del objeto incidence --- fechas <- inc.week.gender$dates n <- length(fechas) # Crear data frame auxiliar con fecha, año y semana epidemiológica (ISO) df_fechas <- data.frame( fecha = fechas, año = format(fechas, "%Y"), semana = lubridate::epiweek(fechas) # semana epidemiológica (domingo a sábado) ) # --- 2. Definir periodo epidemiológico (ejemplo: cada 4 semanas) --- # Ajusta según la definición de tu país (Colombia: 13 periodos de 4 semanas) df_fechas <- df_fechas %>% mutate( periodo = ceiling(semana / 4), # periodo 1 a 13 periodo_romano = as.character(as.roman(periodo)) ) # --- 3. Crear etiquetas para los periodos (solo en la primera semana de cada periodo) --- df_fechas <- df_fechas %>% group_by(año, periodo) %>% mutate(etiqueta_periodo = if_else(row_number() == 1, periodo_romano, "")) %>% ungroup() # --- 4. Crear etiquetas para los años (solo en la primera semana de cada año) --- df_fechas <- df_fechas %>% group_by(año) %>% mutate(etiqueta_año = if_else(row_number() == 1, año, "")) %>% ungroup() # --- 5. Vectores finales para usar en scale_x_continuous --- vector_final <- df_fechas$etiqueta_periodo year_labels <- df_fechas$etiqueta_año # --- 6. Gráfico de la curva epidémica (barras + media móvil) --- colores <- c("2020" = "#C6CDE9", "2021" = "#9BAEF3", "2022" = "#B8A7EA", "2023" = "#B387D6", "2024" = "#AF65B9", "2025" = "#E898AF", "2026" = "#D47C9B") colores <- c("2020" = "#E6F1FF","2021" = "#CEE2FF","2022" = "#B3D1F8","2023" = "#95BDED","2024" = "#5898D6","2025" = "#1581C6","2026" = "#0067A7") FISCURVEEPI01 <- plot(inc.week.gender) + theme(axis.title = element_text(size = 10), axis.text = element_text(size = 4), axis.ticks.x = element_blank(), axis.ticks.length = unit(0, "cm"), legend.title = element_text(size = 10), legend.position = "none") + scale_x_continuous( breaks = as.numeric(fechas), labels = vector_final, expand = c(0, 0) ) + ylab("Casos") + labs(title = "Curva Epidemiológica COVID19 General 23-26") + scale_fill_manual(values = colores) #FISCURVEEPI0 # Media móvil (ventana de 3 semanas) inc_week_df <- data.frame( dates = fechas, counts = rowSums(inc.week.gender$counts) ) inc_week_df$moving_avg <- rollmean(inc_week_df$counts, k = 3, fill = NA, align = "right") FISCURVEEPI1 <- FISCURVEEPI0 + geom_line(data = inc_week_df, aes(x = dates, y = moving_avg), inherit.aes = FALSE, color = "#068FAB", size = 0.5) # --- 7. Gráfico inferior con los años --- plot_years1 <- ggplot(df_fechas, aes(x = as.numeric(fecha), y = 0)) + geom_blank() + theme_classic() + scale_x_continuous( breaks = as.numeric(fechas), labels = year_labels, expand = c(0, 0) ) + theme( axis.title.x = element_blank(), axis.text.x = element_text(size = 6, vjust = 1), axis.line.y = element_blank(), axis.text.y = element_blank(), axis.ticks.y = element_blank(), axis.title.y = element_blank(), axis.line.x = element_blank(), axis.ticks.x = element_blank() ) + xlab("Periodo Epidemiológico") + theme(panel.background = element_rect(fill = "white")) # --- 8. Combinar ambos gráficos --- grafica_final1 <- grid.arrange(FISCURVEEPI01, plot_years1, ncol = 1, heights = c(0.9, 0.1)) grafica_final1 ############################################ #########################################genero # ---------------------------------------------------------------------- # Curva epidémica por género (automática, con periodos y años) # ---------------------------------------------------------------------- library(incidence) library(dplyr) library(zoo) library(ggplot2) library(gridExtra) # Crear objeto incidence agrupado por género (ajusta el nombre de la columna) inc.week.gender <- incidence(Pacientes_covid_r_f$FECHA_DE_CONSULTA, interval = "1 epiweeks: sunday", groups = Pacientes_covid_r_f$SEXO) # <--- cambiar según tu variable # Extraer fechas fechas <- inc.week.gender$dates n <- length(fechas) # Data frame auxiliar con fecha, año y semana epidemiológica df_fechas <- data.frame( fecha = fechas, año = format(fechas, "%Y"), semana = lubridate::epiweek(fechas) ) # Periodo epidemiológico (cada 4 semanas) df_fechas <- df_fechas %>% mutate( periodo = ceiling(semana / 4), periodo_romano = as.character(as.roman(periodo)) ) # Etiquetas de periodo (solo primera semana de cada periodo) df_fechas <- df_fechas %>% group_by(año, periodo) %>% mutate(etiqueta_periodo = if_else(row_number() == 1, periodo_romano, "")) %>% ungroup() # Etiquetas de año (solo primera semana de cada año) df_fechas <- df_fechas %>% group_by(año) %>% mutate(etiqueta_año = if_else(row_number() == 1, año, "")) %>% ungroup() vector_final <- df_fechas$etiqueta_periodo year_labels <- df_fechas$etiqueta_año # Colores para los géneros (automático según niveles) generos <- levels(inc.week.gender$groups) colores_genero <- setNames(c("#F2AEB4", "#1E90FF"), generos) # rosa y azul # Gráfico de barras apiladas por género FISCURVEEPI02 <- plot(inc.week.gender) + theme(axis.title = element_text(size = 10), axis.text = element_text(size = 4), axis.ticks.x = element_blank(), axis.ticks.length = unit(0, "cm"), legend.title = element_text(size = 10), legend.position = "right") + # muestra la leyenda para identificar géneros scale_x_continuous( breaks = as.numeric(fechas), labels = vector_final, expand = c(0, 0) ) + ylab("Casos") + labs(title = "Curva Epidemiológica por Género 23-26") + scale_fill_manual(values = colores_genero, name = "Género") # Media móvil total (ventana de 3 semanas) inc_week_df <- data.frame( dates = fechas, counts_total = rowSums(inc.week.gender$counts) ) inc_week_df$moving_avg <- zoo::rollmean(inc_week_df$counts_total, k = 3, fill = NA, align = "right") FISCURVEEPI12 <- FISCURVEEPI01 + geom_line(data = inc_week_df, aes(x = dates, y = moving_avg), inherit.aes = FALSE, color = "#068FAB", size = 0.5) # Gráfico inferior con los años plot_years2 <- ggplot(df_fechas, aes(x = as.numeric(fecha), y = 0)) + geom_blank() + theme_classic() + scale_x_continuous( breaks = as.numeric(fechas), labels = year_labels, expand = c(0, 0) ) + theme( axis.title.x = element_blank(), axis.text.x = element_text(size = 6, vjust = 1), axis.line.y = element_blank(), axis.text.y = element_blank(), axis.ticks.y = element_blank(), axis.title.y = element_blank(), axis.line.x = element_blank(), axis.ticks.x = element_blank() ) + xlab("Periodo Epidemiológico") + theme(panel.background = element_rect(fill = "white")) # Combinar ambos gráficos grafica_final2 <- grid.arrange(FISCURVEEPI02, plot_years2, ncol = 1, heights = c(0.9, 0.1)) grafica_final2 ``` ## Anaisis en personal de salud ```{r, echo=FALSE, message=FALSE, message=FALSE} calcular_periodo_epi <- function(fecha) { # Obtener el número de la semana del año semana <- as.numeric(format(fecha, "%U")) + 1 # Calcular el periodo epidemiológico (7 periodos por año) periodo <- ceiling(semana / (52/7)) # Convertir a números romanos periodo_romano <- as.character(as.roman(periodo)) return(periodo_romano) } # Agregar la columna del periodo epidemiológico Pacientes_covid_r$Periodo_Epidemiologico <- sapply(Pacientes_covid_r$FECHA_DE_CONSULTA, calcular_periodo_epi) # Definir las fechas de inicio de la semana 1 para cada año (modifica según sea necesario) fechas_inicio_epi <- data.frame( ano = 2020:2026, inicio_semana_1 = as.Date(c( "2019-12-29", "2021-01-03", "2022-01-02", "2023-01-01", "2023-12-31", "2024-12-29", "2026-01-04")) # Fechas personalizadas ) # Función para calcular la semana epidemiológica calcular_semana_epi <- function(fecha, fechas_inicio_epi) { # Extraer el año de la fecha ano <- year(fecha) # Obtener la fecha de inicio de la semana 1 para ese año inicio_semana_1 <- fechas_inicio_epi$inicio_semana_1[fechas_inicio_epi$ano == ano] # Calcular la diferencia en días entre la fecha y el inicio de la semana 1 dias_diferencia <- as.numeric(difftime(fecha, inicio_semana_1, units = "days")) # Calcular la semana epidemiológica (cada semana tiene 7 días) semana_epi <- floor(dias_diferencia / 7) + 1 return(semana_epi) } Pacientes_covid_r_f1<-Pacientes_covid_r%>%filter((ANO_INICIO_DE_SINTOMAS==2020|ANO_INICIO_DE_SINTOMAS==2021|ANO_INICIO_DE_SINTOMAS==2022) & PROFESIONAL_O_TRABAJADOR_DE_LA_SALUD=="Si") inc.week.gender <- incidence(Pacientes_covid_r_f1$FECHA_DE_CONSULTA, interval = "1 epiweeks: sunday", groups = Pacientes_covid_r_f1$ANO_INICIO_DE_SINTOMAS)#FIS ES LA VARIABLE A ESTUDIAR # --- 1. Extraer fechas y datos del objeto incidence --- fechas <- inc.week.gender$dates n <- length(fechas) # Crear data frame auxiliar con fecha, año y semana epidemiológica (ISO) df_fechas <- data.frame( fecha = fechas, año = format(fechas, "%Y"), semana = lubridate::epiweek(fechas) # semana epidemiológica (domingo a sábado) ) # --- 2. Definir periodo epidemiológico (ejemplo: cada 4 semanas) --- # Ajusta según la definición de tu país (Colombia: 13 periodos de 4 semanas) df_fechas <- df_fechas %>% mutate( periodo = ceiling(semana / 4), # periodo 1 a 13 periodo_romano = as.character(as.roman(periodo)) ) # --- 3. Crear etiquetas para los periodos (solo en la primera semana de cada periodo) --- df_fechas <- df_fechas %>% group_by(año, periodo) %>% mutate(etiqueta_periodo = if_else(row_number() == 1, periodo_romano, "")) %>% ungroup() # --- 4. Crear etiquetas para los años (solo en la primera semana de cada año) --- df_fechas <- df_fechas %>% group_by(año) %>% mutate(etiqueta_año = if_else(row_number() == 1, año, "")) %>% ungroup() # --- 5. Vectores finales para usar en scale_x_continuous --- vector_final <- df_fechas$etiqueta_periodo year_labels <- df_fechas$etiqueta_año # --- 6. Gráfico de la curva epidémica (barras + media móvil) --- colores <- c("2020" = "#C6CDE9", "2021" = "#9BAEF3", "2022" = "#B8A7EA", "2023" = "#B387D6", "2024" = "#AF65B9", "2025" = "#E898AF", "2026" = "#D47C9B") colores <- c("2020" = "#E6F1FF","2021" = "#CEE2FF","2022" = "#B3D1F8","2023" = "#95BDED","2024" = "#5898D6","2025" = "#1581C6","2026" = "#0067A7") FISCURVEEPI03 <- plot(inc.week.gender) + theme(axis.title = element_text(size = 10), axis.text = element_text(size = 4), axis.ticks.x = element_blank(), axis.ticks.length = unit(0, "cm"), legend.title = element_text(size = 10), legend.position = "none") + scale_x_continuous( breaks = as.numeric(fechas), labels = vector_final, expand = c(0, 0) ) + ylab("Casos") + labs(title = "Curva Epidemiológica COVID19 General 20-22") + scale_fill_manual(values = colores) #FISCURVEEPI0 # Media móvil (ventana de 3 semanas) inc_week_df <- data.frame( dates = fechas, counts = rowSums(inc.week.gender$counts) ) inc_week_df$moving_avg <- rollmean(inc_week_df$counts, k = 3, fill = NA, align = "right") FISCURVEEPI3 <- FISCURVEEPI0 + geom_line(data = inc_week_df, aes(x = dates, y = moving_avg), inherit.aes = FALSE, color = "#068FAB", size = 0.5) # --- 7. Gráfico inferior con los años --- plot_years3 <- ggplot(df_fechas, aes(x = as.numeric(fecha), y = 0)) + geom_blank() + theme_classic() + scale_x_continuous( breaks = as.numeric(fechas), labels = year_labels, expand = c(0, 0) ) + theme( axis.title.x = element_blank(), axis.text.x = element_text(size = 6, vjust = 1), axis.line.y = element_blank(), axis.text.y = element_blank(), axis.ticks.y = element_blank(), axis.title.y = element_blank(), axis.line.x = element_blank(), axis.ticks.x = element_blank() ) + xlab("Periodo Epidemiológico") + theme(panel.background = element_rect(fill = "white")) # --- 8. Combinar ambos gráficos --- grafica_final3 <- grid.arrange(FISCURVEEPI03, plot_years3, ncol = 1, heights = c(0.9, 0.1)) grafica_final3 ############################################ #########################################genero # ---------------------------------------------------------------------- # Curva epidémica por género (automática, con periodos y años) # ---------------------------------------------------------------------- library(incidence) library(dplyr) library(zoo) library(ggplot2) library(gridExtra) # Crear objeto incidence agrupado por género (ajusta el nombre de la columna) inc.week.gender <- incidence(Pacientes_covid_r_f1$FECHA_DE_CONSULTA, interval = "1 epiweeks: sunday", groups = Pacientes_covid_r_f1$SEXO) # <--- cambiar según tu variable # Extraer fechas fechas <- inc.week.gender$dates n <- length(fechas) # Data frame auxiliar con fecha, año y semana epidemiológica df_fechas <- data.frame( fecha = fechas, año = format(fechas, "%Y"), semana = lubridate::epiweek(fechas) ) # Periodo epidemiológico (cada 4 semanas) df_fechas <- df_fechas %>% mutate( periodo = ceiling(semana / 4), periodo_romano = as.character(as.roman(periodo)) ) # Etiquetas de periodo (solo primera semana de cada periodo) df_fechas <- df_fechas %>% group_by(año, periodo) %>% mutate(etiqueta_periodo = if_else(row_number() == 1, periodo_romano, "")) %>% ungroup() # Etiquetas de año (solo primera semana de cada año) df_fechas <- df_fechas %>% group_by(año) %>% mutate(etiqueta_año = if_else(row_number() == 1, año, "")) %>% ungroup() vector_final <- df_fechas$etiqueta_periodo year_labels <- df_fechas$etiqueta_año # Colores para los géneros (automático según niveles) generos <- levels(inc.week.gender$groups) colores_genero <- setNames(c("#F2AEB4", "#1E90FF"), generos) # rosa y azul # Gráfico de barras apiladas por género FISCURVEEPI04 <- plot(inc.week.gender) + theme(axis.title = element_text(size = 10), axis.text = element_text(size = 4), axis.ticks.x = element_blank(), axis.ticks.length = unit(0, "cm"), legend.title = element_text(size = 10), legend.position = "right") + # muestra la leyenda para identificar géneros scale_x_continuous( breaks = as.numeric(fechas), labels = vector_final, expand = c(0, 0) ) + ylab("Casos") + labs(title = "Curva Epidemiológica por Género 20-22") + scale_fill_manual(values = colores_genero, name = "Género") # Media móvil total (ventana de 3 semanas) inc_week_df <- data.frame( dates = fechas, counts_total = rowSums(inc.week.gender$counts) ) inc_week_df$moving_avg <- zoo::rollmean(inc_week_df$counts_total, k = 3, fill = NA, align = "right") FISCURVEEPI14 <- FISCURVEEPI01 + geom_line(data = inc_week_df, aes(x = dates, y = moving_avg), inherit.aes = FALSE, color = "#068FAB", size = 0.5) # Gráfico inferior con los años plot_years4 <- ggplot(df_fechas, aes(x = as.numeric(fecha), y = 0)) + geom_blank() + theme_classic() + scale_x_continuous( breaks = as.numeric(fechas), labels = year_labels, expand = c(0, 0) ) + theme( axis.title.x = element_blank(), axis.text.x = element_text(size = 6, vjust = 1), axis.line.y = element_blank(), axis.text.y = element_blank(), axis.ticks.y = element_blank(), axis.title.y = element_blank(), axis.line.x = element_blank(), axis.ticks.x = element_blank() ) + xlab("Periodo Epidemiológico") + theme(panel.background = element_rect(fill = "white")) # Combinar ambos gráficos grafica_final4 <- grid.arrange(FISCURVEEPI04, plot_years4, ncol = 1, heights = c(0.9, 0.1)) grafica_final4 ###################################################### Pacientes_covid_r_f1<-Pacientes_covid_r%>%filter((ANO_INICIO_DE_SINTOMAS==2023|ANO_INICIO_DE_SINTOMAS==2024|ANO_INICIO_DE_SINTOMAS==2025|ANO_INICIO_DE_SINTOMAS==2026) & PROFESIONAL_O_TRABAJADOR_DE_LA_SALUD=="Si") inc.week.gender <- incidence(Pacientes_covid_r_f1$FECHA_DE_CONSULTA, interval = "1 epiweeks: sunday", groups = Pacientes_covid_r_f1$ANO_INICIO_DE_SINTOMAS)#FIS ES LA VARIABLE A ESTUDIAR # --- 1. Extraer fechas y datos del objeto incidence --- fechas <- inc.week.gender$dates n <- length(fechas) # Crear data frame auxiliar con fecha, año y semana epidemiológica (ISO) df_fechas <- data.frame( fecha = fechas, año = format(fechas, "%Y"), semana = lubridate::epiweek(fechas) # semana epidemiológica (domingo a sábado) ) # --- 2. Definir periodo epidemiológico (ejemplo: cada 4 semanas) --- # Ajusta según la definición de tu país (Colombia: 13 periodos de 4 semanas) df_fechas <- df_fechas %>% mutate( periodo = ceiling(semana / 4), # periodo 1 a 13 periodo_romano = as.character(as.roman(periodo)) ) # --- 3. Crear etiquetas para los periodos (solo en la primera semana de cada periodo) --- df_fechas <- df_fechas %>% group_by(año, periodo) %>% mutate(etiqueta_periodo = if_else(row_number() == 1, periodo_romano, "")) %>% ungroup() # --- 4. Crear etiquetas para los años (solo en la primera semana de cada año) --- df_fechas <- df_fechas %>% group_by(año) %>% mutate(etiqueta_año = if_else(row_number() == 1, año, "")) %>% ungroup() # --- 5. Vectores finales para usar en scale_x_continuous --- vector_final <- df_fechas$etiqueta_periodo year_labels <- df_fechas$etiqueta_año # --- 6. Gráfico de la curva epidémica (barras + media móvil) --- colores <- c("2020" = "#C6CDE9", "2021" = "#9BAEF3", "2022" = "#B8A7EA", "2023" = "#B387D6", "2024" = "#AF65B9", "2025" = "#E898AF", "2026" = "#D47C9B") colores <- c("2020" = "#E6F1FF","2021" = "#CEE2FF","2022" = "#B3D1F8","2023" = "#95BDED","2024" = "#5898D6","2025" = "#1581C6","2026" = "#0067A7") FISCURVEEPI05 <- plot(inc.week.gender) + theme(axis.title = element_text(size = 10), axis.text = element_text(size = 4), axis.ticks.x = element_blank(), axis.ticks.length = unit(0, "cm"), legend.title = element_text(size = 10), legend.position = "none") + scale_x_continuous( breaks = as.numeric(fechas), labels = vector_final, expand = c(0, 0) ) + ylab("Casos") + labs(title = "Curva Epidemiológica COVID19 General 23-26") + scale_fill_manual(values = colores) #FISCURVEEPI0 # Media móvil (ventana de 3 semanas) inc_week_df <- data.frame( dates = fechas, counts = rowSums(inc.week.gender$counts) ) inc_week_df$moving_avg <- rollmean(inc_week_df$counts, k = 3, fill = NA, align = "right") FISCURVEEPI5 <- FISCURVEEPI0 + geom_line(data = inc_week_df, aes(x = dates, y = moving_avg), inherit.aes = FALSE, color = "#068FAB", size = 0.5) # --- 7. Gráfico inferior con los años --- plot_years5 <- ggplot(df_fechas, aes(x = as.numeric(fecha), y = 0)) + geom_blank() + theme_classic() + scale_x_continuous( breaks = as.numeric(fechas), labels = year_labels, expand = c(0, 0) ) + theme( axis.title.x = element_blank(), axis.text.x = element_text(size = 6, vjust = 1), axis.line.y = element_blank(), axis.text.y = element_blank(), axis.ticks.y = element_blank(), axis.title.y = element_blank(), axis.line.x = element_blank(), axis.ticks.x = element_blank() ) + xlab("Periodo Epidemiológico") + theme(panel.background = element_rect(fill = "white")) # --- 8. Combinar ambos gráficos --- grafica_final5 <- grid.arrange(FISCURVEEPI05, plot_years5, ncol = 1, heights = c(0.9, 0.1)) grafica_final5 ############################################ #########################################genero # ---------------------------------------------------------------------- # Curva epidémica por género (automática, con periodos y años) # ---------------------------------------------------------------------- library(incidence) library(dplyr) library(zoo) library(ggplot2) library(gridExtra) # Crear objeto incidence agrupado por género (ajusta el nombre de la columna) inc.week.gender <- incidence(Pacientes_covid_r_f1$FECHA_DE_CONSULTA, interval = "1 epiweeks: sunday", groups = Pacientes_covid_r_f1$SEXO) # <--- cambiar según tu variable # Extraer fechas fechas <- inc.week.gender$dates n <- length(fechas) # Data frame auxiliar con fecha, año y semana epidemiológica df_fechas <- data.frame( fecha = fechas, año = format(fechas, "%Y"), semana = lubridate::epiweek(fechas) ) # Periodo epidemiológico (cada 4 semanas) df_fechas <- df_fechas %>% mutate( periodo = ceiling(semana / 4), periodo_romano = as.character(as.roman(periodo)) ) # Etiquetas de periodo (solo primera semana de cada periodo) df_fechas <- df_fechas %>% group_by(año, periodo) %>% mutate(etiqueta_periodo = if_else(row_number() == 1, periodo_romano, "")) %>% ungroup() # Etiquetas de año (solo primera semana de cada año) df_fechas <- df_fechas %>% group_by(año) %>% mutate(etiqueta_año = if_else(row_number() == 1, año, "")) %>% ungroup() vector_final <- df_fechas$etiqueta_periodo year_labels <- df_fechas$etiqueta_año # Colores para los géneros (automático según niveles) generos <- levels(inc.week.gender$groups) colores_genero <- setNames(c("#F2AEB4", "#1E90FF"), generos) # rosa y azul # Gráfico de barras apiladas por género FISCURVEEPI06 <- plot(inc.week.gender) + theme(axis.title = element_text(size = 10), axis.text = element_text(size = 4), axis.ticks.x = element_blank(), axis.ticks.length = unit(0, "cm"), legend.title = element_text(size = 10), legend.position = "right") + # muestra la leyenda para identificar géneros scale_x_continuous( breaks = as.numeric(fechas), labels = vector_final, expand = c(0, 0) ) + ylab("Casos") + labs(title = "Curva Epidemiológica por Género 23-26") + scale_fill_manual(values = colores_genero, name = "Género") # Media móvil total (ventana de 3 semanas) inc_week_df <- data.frame( dates = fechas, counts_total = rowSums(inc.week.gender$counts) ) inc_week_df$moving_avg <- zoo::rollmean(inc_week_df$counts_total, k = 3, fill = NA, align = "right") FISCURVEEPI16 <- FISCURVEEPI01 + geom_line(data = inc_week_df, aes(x = dates, y = moving_avg), inherit.aes = FALSE, color = "#068FAB", size = 0.5) # Gráfico inferior con los años plot_years6 <- ggplot(df_fechas, aes(x = as.numeric(fecha), y = 0)) + geom_blank() + theme_classic() + scale_x_continuous( breaks = as.numeric(fechas), labels = year_labels, expand = c(0, 0) ) + theme( axis.title.x = element_blank(), axis.text.x = element_text(size = 6, vjust = 1), axis.line.y = element_blank(), axis.text.y = element_blank(), axis.ticks.y = element_blank(), axis.title.y = element_blank(), axis.line.x = element_blank(), axis.ticks.x = element_blank() ) + xlab("Periodo Epidemiológico") + theme(panel.background = element_rect(fill = "white")) # Combinar ambos gráficos grafica_final6 <- grid.arrange(FISCURVEEPI06, plot_years6, ncol = 1, heights = c(0.9, 0.1)) grafica_final6 ```