1 Título
2 Pregunta de investigación
3 Objetivos
- 3.1 General
- 3.2 Específicos
4 Metodología
5 Ejecución del plan de análisis
- 5.1 Preparación de la base de datos
6 Resultados
7 Conclusiones

1 Título

Estado nutricional, prevalencia de anemia e ingesta de hierro en población infantil de 0 a 18 años en el año 2024

2 Pregunta de investigación

¿Cuál es el estado nutricional y la prevalencia de anemia e ingesta de hierro en la población infantil de 0 a 18 años evaluada durante el año 2024?

3 Objetivos

3.1 General

Evaluar el estado nutricional, marcadores hematológicos e ingesta de hierro en población infantil de 0 a 18 años, según sexo y grupo de edad, mediante indicadores antropométricos y hematológicos

3.2 Específicos

Calcular los índices antropométricos peso/edad (WAZ), talla/edad (HAZ), peso/talla (WHZ) para menores de 5 años e índice de masa corporal/edad (BAZ) para la población de 5 a 19 años

Estimar la prevalencia de anemia según los puntos de corte de hemoglobina establecidos por la OMS

4 Metodología

4.1 Diseño

Se realizó un estudio observacional de tipo transversal analítico. Con este diseño se permite estimar estadísticos, prevalencias y explorar asociaciones en un momento puntual sin seguimiento longitudinal, así al no manipular variables es de tipo observacional y es un estudio usado para la caracterización del estado nutricional de las poblaciones.

4.2 Población

La muestra analizada de estuvo conformada por 81 niños y adolescentes de ambos sexos 42 participantes de sexo femenino (52%) y 39 de sexo masculino (48%), con edades comprendidas entre 0 y 18 años (media: 8,0 años; DE: 4,92 años).

4.3 Instrumentos y métodos de recolección

Las mediciones antropométricas de peso y talla fueron registradas con instrumentos calibrados y siguiendos las recomendaciones internacionales. Los datos de química sanguínea fueron obtenidos mediante pruebas de laboratorio clínico mediante venopunción. La ingesta de hierro corresponde a la evaluación dietética reportada por medio de diarios.

4.4 Plan de análisis

Las variables de razón como edad, peso, talla serán presentadas mediantes promedios y desviaciones estándar. Las variables categóricas serán presentadas mediante tablas de frecuencia absoluta y relativa. Se operacionalizaron las variables antropométricas en función del zcore para identificar el estado nutricional y se categorizaran mediante las curvas de la OMS, así mismo los valores de hemoglobina serán operacionalizados según la presencia o no de anemia y el grado. Para el análisis analítico o inferencias se realizó la prueba exacta de fisher para evaluar la independencia entre las variables categóricas y la correlación de spearman para las variables de razón, se aplicó el modelo de spearman ya que las variables presentaron una distribución no normal.

5 Ejecución del plan de análisis

5.1 Preparación de la base de datos

5.1.1 librerias

library(readxl)
library(dplyr)
library(tidyr)
library(ggplot2)
library(knitr)
library(kableExtra)
library(anthro)
library(anthroplus)
library(scales)
library(gtsummary)
library(lubridate)
library(patchwork)
library(table1)

5.1.2 cargar base de datos

df <- read_excel("base_epidemiologia_nutricional.xlsx")

5.1.3 Análisis exploratorio de la base de datos

nrow(df)

## [1] 90

colnames(df)

## [1] "Fecha_de_encuesta"   "ID"                  "Sexo"               
## [4] "Fecha_de_nacimiento" "Peso_kg"             "Talla_cm"           
## [7] "Hemoglobina"         "Hematocrito"         "Ingesta_hierro"

ncol(df)

## [1] 9

summary(df)

##  Fecha_de_encuesta                   ID            Sexo          
##  Min.   :2024-01-02 00:00:00   Min.   : 1.00   Length:90         
##  1st Qu.:2024-04-12 18:00:00   1st Qu.:23.25   Class :character  
##  Median :2024-07-25 00:00:00   Median :45.50   Mode  :character  
##  Mean   :2024-07-15 20:16:00   Mean   :45.50                     
##  3rd Qu.:2024-10-02 06:00:00   3rd Qu.:67.75                     
##  Max.   :2024-12-29 00:00:00   Max.   :90.00                     
##                                                                  
##  Fecha_de_nacimiento              Peso_kg         Talla_cm      Hemoglobina   
##  Min.   :2005-11-01 00:00:00   Min.   : 3.20   Min.   : 48.0   Min.   :10.10  
##  1st Qu.:2010-08-13 00:00:00   1st Qu.:13.43   1st Qu.: 90.2   1st Qu.:11.50  
##  Median :2019-04-08 12:00:00   Median :19.45   Median :104.7   Median :12.10  
##  Mean   :2016-07-21 10:24:00   Mean   :29.25   Mean   :116.8   Mean   :12.33  
##  3rd Qu.:2022-04-17 18:00:00   3rd Qu.:49.27   3rd Qu.:159.1   3rd Qu.:13.10  
##  Max.   :2024-07-27 00:00:00   Max.   :71.10   Max.   :181.4   Max.   :16.10  
##                                                                NA's   :5      
##   Hematocrito    Ingesta_hierro 
##  Min.   :26.40   Min.   : 2.50  
##  1st Qu.:32.65   1st Qu.: 7.80  
##  Median :34.70   Median :24.60  
##  Mean   :35.47   Mean   :21.53  
##  3rd Qu.:38.05   3rd Qu.:33.60  
##  Max.   :49.50   Max.   :42.30  
##  NA's   :3       NA's   :1

5.1.4 Eliminación de datos faltantes

sum(!complete.cases(df))

## [1] 9

df1 <- df[complete.cases(df), ]
nrow(df1)

## [1] 81

5.1.5 Cálculo y categorización de la edad

5.1.6 Calcular edad en días, meses y años al momento de la encuesta

df1 <- df1 %>%
  mutate(
    edad_dias  = as.numeric(difftime(Fecha_de_encuesta,
                                      Fecha_de_nacimiento, units = "days")),
    edad_meses = edad_dias / 30.4375,
    edad_anos  = edad_dias / 365.25,
    sexo_num   = ifelse(Sexo == "M", 1, 2),   # 1 = Masculino, 2 = Femenino (estándar anthro)
    grupo_edad = cut(
      edad_anos,
      breaks = c(0, 5, 10, 15, 19.1),
      labels = c("< 5 años", "5–9 años", "10–14 años", "15–19 años"),
      right  = FALSE
    )
  )
glimpse(df1)

## Rows: 81
## Columns: 14
## $ Fecha_de_encuesta   <dttm> 2024-08-31, 2024-09-09, 2024-05-14, 2024-06-23, 2…
## $ ID                  <dbl> 1, 3, 4, 5, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 1…
## $ Sexo                <chr> "F", "M", "F", "F", "F", "F", "F", "F", "M", "M", …
## $ Fecha_de_nacimiento <dttm> 2021-12-31, 2023-02-08, 2021-02-11, 2021-11-22, 2…
## $ Peso_kg             <dbl> 11.2, 13.6, 13.7, 12.6, 9.2, 12.6, 15.0, 19.4, 18.…
## $ Talla_cm            <dbl> 90.8, 72.0, 92.4, 91.6, 63.2, 92.0, 94.5, 100.5, 9…
## $ Hemoglobina         <dbl> 12.7, 10.8, 12.0, 11.6, 10.3, 11.4, 11.5, 11.1, 11…
## $ Hematocrito         <dbl> 37.1, 32.5, 38.2, 34.9, 26.4, 34.1, 30.8, 32.8, 37…
## $ Ingesta_hierro      <dbl> 25.6, 8.3, 20.1, 8.4, 5.4, 8.4, 8.4, 8.2, 7.7, 7.6…
## $ edad_dias           <dbl> 974, 579, 1188, 944, 305, 1005, 1127, 1644, 1766, …
## $ edad_meses          <dbl> 32.000000, 19.022587, 39.030801, 31.014374, 10.020…
## $ edad_anos           <dbl> 2.6666667, 1.5852156, 3.2525667, 2.5845311, 0.8350…
## $ sexo_num            <dbl> 2, 1, 2, 2, 2, 2, 2, 2, 1, 1, 2, 1, 2, 1, 2, 2, 2,…
## $ grupo_edad          <fct> < 5 años, < 5 años, < 5 años, < 5 años, < 5 años, …

5.1.7 zcore menores de 5 años

# Subconjunto < 5 años
df_lt5 <- df1 %>% filter(edad_anos < 5)

# Calcular puntajes Z con anthro
# oedema = "n" (sin edema), medida de longitud/talla estándar
zscore_lt5 <- anthro_zscores(
  sex    = df_lt5$sexo_num,
  age    = df_lt5$edad_dias,
  weight = df_lt5$Peso_kg,
  lenhei = df_lt5$Talla_cm,
  is_age_in_month = FALSE
)

# Unir resultados
df_lt5 <- bind_cols(df_lt5, zscore_lt5) %>%
  rename(
    WAZ = zwei,   # Peso para la edad
    HAZ = zlen,   # Talla para la edad
    WHZ = zwfl    # Peso para la talla
  )

# Clasificación nutricional OMS
df_lt5 <- df_lt5 %>%
  mutate(
    estado_WAZ = case_when(
      WAZ < -3              ~ "Desnutrición severa",
      WAZ >= -3 & WAZ < -2  ~ "Desnutrición moderada",
      WAZ >= -2 & WAZ <= 2  ~ "Normal",
      WAZ > 2               ~ "Sobrepeso/Obesidad",
      TRUE ~ NA_character_
    ),
    estado_HAZ = case_when(
      HAZ < -3              ~ "Talla baja severa",
      HAZ >= -3 & HAZ < -2  ~ "Talla baja moderada",
      HAZ >= -2             ~ "Talla normal",
      TRUE ~ NA_character_
    ),
    estado_WHZ = case_when(
      WHZ < -3              ~ "Desnutrición aguda severa",
      WHZ >= -3 & WHZ < -2  ~ "Desnutrición aguda moderada",
      WHZ >= -2 & WHZ < 1   ~ "Normal",
      WHZ >= 1  & WHZ < 2   ~ "Riesgo de sobrepeso",
      WHZ >= 2              ~ "Sobrepeso/Obesidad",
      TRUE ~ NA_character_
    )
  )

5.1.8 zscore 5 a 19 años

# Subconjunto 5–19 años
df_5a19 <- df1 %>% filter(edad_anos >= 5 & edad_anos < 19.1)

# Calcular puntajes Z con anthroplus (BAZ = BMI-for-age Z-score, HAZ = height-for-age)
zscore_5a19 <- anthroplus_zscores(
  sex    = df_5a19$sexo_num,
  age    = df_5a19$edad_anos * 12,  # edad en meses
  weight = df_5a19$Peso_kg,
  height = df_5a19$Talla_cm
)

df_5a19 <- bind_cols(df_5a19, zscore_5a19) %>%
  rename(
    BAZ = zbfa,   # IMC para la edad
    HAZ = zhfa    # Talla para la edad
  )



# Clasificación por BAZ (IMC/edad)
df_5a19 <- df_5a19 %>%
  mutate(
    estado_BAZ = case_when(
      BAZ < -3              ~ "Delgadez severa",
      BAZ >= -3 & BAZ < -2  ~ "Delgadez",
      BAZ >= -2 & BAZ <= 1  ~ "Normal",
      BAZ > 1   & BAZ <= 2  ~ "Sobrepeso",
      BAZ > 2               ~ "Obesidad",
      TRUE ~ NA_character_
    ),
    estado_HAZ = case_when(
      HAZ < -3              ~ "Talla baja severa",
      HAZ >= -3 & HAZ < -2  ~ "Talla baja moderada",
      HAZ >= -2             ~ "Talla normal",
      TRUE ~ NA_character_
    )
  )

6 Resultados

6.1 Análisis descriptivo

table1 (~Peso_kg + Talla_cm + Hemoglobina + Hematocrito + Ingesta_hierro + edad_anos + Sexo, data = df1, caption = "Características nutricionales de la población en general")

Características nutricionales de la población en general
	Overall (N=81)
Peso_kg
Mean (SD)	29.3 (19.7)
Median [Min, Max]	19.4 [3.20, 71.1]
Talla_cm
Mean (SD)	117 (42.1)
Median [Min, Max]	103 [48.0, 181]
Hemoglobina
Mean (SD)	12.3 (1.30)
Median [Min, Max]	12.0 [10.1, 16.1]
Hematocrito
Mean (SD)	35.7 (4.20)
Median [Min, Max]	34.8 [26.4, 49.5]
Ingesta_hierro
Mean (SD)	21.7 (13.5)
Median [Min, Max]	25.1 [2.50, 42.3]
edad_anos
Mean (SD)	8.01 (6.43)
Median [Min, Max]	4.92 [0, 18.8]
Sexo
F	42 (51.9%)
M	39 (48.1%)

table1 (~Peso_kg + Talla_cm + Hemoglobina + Hematocrito + Ingesta_hierro + edad_anos | Sexo, data = df1, caption = "Características nutricionales de la población por sexo")

Características nutricionales de la población por sexo
	F (N=42)	M (N=39)	Overall (N=81)
Peso_kg
Mean (SD)	29.9 (20.1)	28.6 (19.4)	29.3 (19.7)
Median [Min, Max]	18.9 [4.90, 71.1]	20.4 [3.20, 66.4]	19.4 [3.20, 71.1]
Talla_cm
Mean (SD)	120 (41.6)	114 (43.0)	117 (42.1)
Median [Min, Max]	102 [48.7, 180]	106 [48.0, 181]	103 [48.0, 181]
Hemoglobina
Mean (SD)	12.3 (1.35)	12.3 (1.26)	12.3 (1.30)
Median [Min, Max]	12.0 [10.2, 15.6]	12.1 [10.1, 16.1]	12.0 [10.1, 16.1]
Hematocrito
Mean (SD)	35.3 (4.52)	36.1 (3.83)	35.7 (4.20)
Median [Min, Max]	34.1 [26.4, 45.1]	35.6 [31.4, 49.5]	34.8 [26.4, 49.5]
Ingesta_hierro
Mean (SD)	20.8 (13.1)	22.7 (14.1)	21.7 (13.5)
Median [Min, Max]	22.8 [4.80, 42.3]	25.1 [2.50, 41.9]	25.1 [2.50, 42.3]
edad_anos
Mean (SD)	8.26 (6.62)	7.74 (6.30)	8.01 (6.43)
Median [Min, Max]	4.71 [0.167, 18.6]	5.08 [0, 18.8]	4.92 [0, 18.8]

table1 (~Peso_kg + Talla_cm + Hemoglobina + Hematocrito + Ingesta_hierro + Sexo | grupo_edad, data = df1, caption = "Características nutricionales de la población por rangos de edad")

Características nutricionales de la población por rangos de edad
	< 5 años (N=41)	5–9 años (N=9)	10–14 años (N=14)	15–19 años (N=17)	Overall (N=81)
Peso_kg
Mean (SD)	13.0 (4.63)	24.4 (4.84)	44.9 (7.13)	58.3 (5.08)	29.3 (19.7)
Median [Min, Max]	13.4 [3.20, 20.4]	23.2 [18.4, 31.2]	46.8 [27.7, 53.9]	56.9 [52.1, 71.1]	19.4 [3.20, 71.1]
Talla_cm
Mean (SD)	80.7 (18.1)	121 (9.69)	152 (9.05)	174 (4.87)	117 (42.1)
Median [Min, Max]	90.8 [48.0, 103]	124 [106, 133]	152 [139, 168]	174 [166, 181]	103 [48.0, 181]
Hemoglobina
Mean (SD)	11.5 (0.790)	12.4 (0.902)	13.0 (1.50)	13.5 (1.02)	12.3 (1.30)
Median [Min, Max]	11.6 [10.1, 13.3]	12.0 [11.0, 13.9]	12.4 [10.9, 16.1]	13.5 [11.4, 15.6]	12.0 [10.1, 16.1]
Hematocrito
Mean (SD)	33.8 (2.80)	35.6 (3.07)	37.4 (5.93)	38.6 (3.79)	35.7 (4.20)
Median [Min, Max]	33.7 [26.4, 39.2]	35.0 [31.8, 40.5]	35.1 [31.4, 49.5]	38.6 [32.0, 44.6]	34.8 [26.4, 49.5]
Ingesta_hierro
Mean (SD)	13.4 (10.5)	27.4 (12.6)	26.3 (13.6)	34.8 (4.23)	21.7 (13.5)
Median [Min, Max]	8.00 [2.50, 41.9]	29.9 [6.40, 39.7]	30.2 [6.30, 41.4]	35.9 [27.6, 42.3]	25.1 [2.50, 42.3]
Sexo
F	22 (53.7%)	4 (44.4%)	5 (35.7%)	11 (64.7%)	42 (51.9%)
M	19 (46.3%)	5 (55.6%)	9 (64.3%)	6 (35.3%)	39 (48.1%)

6.1.1 Prevalencia de malnutrición menores de 5 años

# WAZ
prev_WAZ <- df_lt5 %>%
  filter(!is.na(estado_WAZ)) %>%
  count(estado_WAZ) %>%
  mutate(Porcentaje = round(n / sum(n) * 100, 1))

kable(prev_WAZ, col.names = c("Estado Nutricional (WAZ)", "n", "%"),
      caption = "Clasificación por peso/edad — <5 años") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

Clasificación por peso/edad —
Estado Nutricional (WAZ)	n	%
Desnutrición moderada	4	9.8
Normal	36	87.8
Sobrepeso/Obesidad	1	2.4

# WHZ
prev_WHZ <- df_lt5 %>%
  filter(!is.na(estado_WHZ)) %>%
  count(estado_WHZ) %>%
  mutate(Porcentaje = round(n / sum(n) * 100, 1))

kable(prev_WHZ, col.names = c("Estado Nutricional (WHZ)", "n", "%"),
      caption = "Clasificación por peso/talla — <5 años") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

Clasificación por peso/talla —
Estado Nutricional (WHZ)	n	%
Normal	13	31.7
Riesgo de sobrepeso	2	4.9
Sobrepeso/Obesidad	26	63.4

#HAZ
prev_HAZ <- df_lt5 %>%
  mutate(
    estado_HAZ = factor(estado_HAZ,
                        levels = c("Talla baja severa",
                                   "Talla baja moderada",
                                   "Talla normal"))
  ) %>%                                    
  filter(!is.na(estado_HAZ)) %>%
  count(estado_HAZ) %>%
  mutate(Porcentaje = round(n / sum(n) * 100, 1))

kable(prev_HAZ,
      col.names = c("Estado Nutricional (HAZ)", "n", "%"),
      caption   = "Clasificación por talla/edad — <5 años") %>%
  kable_styling(latex_options = c("striped", "hover"), full_width = FALSE)

Clasificación por talla/edad —
Estado Nutricional (HAZ)	n	%
Talla baja severa	16	39.0
Talla baja moderada	3	7.3
Talla normal	22	53.7

6.1.2 Prevalencia de malnutrición niños y adolescentes de 5 a 19 años

prev_BAZ <- df_5a19 %>%
  mutate(
    estado_BAZ = factor(estado_BAZ,
                        levels = c("Delgadez severa",
                                   "Delgadez",
                                   "Normal",
                                   "Sobrepeso",
                                   "Obesidad"))
  ) %>%
  filter(!is.na(estado_BAZ)) %>%
  count(estado_BAZ) %>%
  mutate(Porcentaje = round(n / sum(n) * 100, 1))

kable(prev_BAZ,
      col.names = c("Estado Nutricional (BAZ)", "n", "%"),
      caption   = "Clasificación por IMC/edad — 5 a 19 años") %>%
  kable_styling(latex_options = c("striped", "hover"), full_width = FALSE)

Clasificación por IMC/edad — 5 a 19 años
Estado Nutricional (BAZ)	n	%
Delgadez severa	1	2.5
Delgadez	1	2.5
Normal	33	82.5
Sobrepeso	4	10.0
Obesidad	1	2.5

6.1.3 Clasificación de anemia por puntos de corte OMS

df1 <- df1 %>%
  mutate(
    # Puntos de corte hemoglobina (g/dL) según OMS 2011
    corte_hb = case_when(
      edad_anos < 5                          ~ 11.0,
      edad_anos >= 5  & edad_anos < 12       ~ 11.5,
      edad_anos >= 12 & edad_anos < 15       ~ 12.0,
      edad_anos >= 15 & Sexo == "F"          ~ 12.0,
      edad_anos >= 15 & Sexo == "M"          ~ 13.0,
      TRUE ~ NA_real_
    ),
    anemia = case_when(
      is.na(Hemoglobina) ~ NA_character_,
      Hemoglobina < corte_hb ~ "Anemia",
      TRUE ~ "Sin anemia"
    ),
    # Clasificar severidad
    severidad_anemia = case_when(
      is.na(Hemoglobina) ~ NA_character_,
      edad_anos < 5 & Hemoglobina < 7.0  ~ "Anemia severa",
      edad_anos < 5 & Hemoglobina < 10.0 ~ "Anemia moderada",
      edad_anos < 5 & Hemoglobina < 11.0 ~ "Anemia leve",
      edad_anos >= 5 & Hemoglobina < 8.0 ~ "Anemia severa",
      edad_anos >= 5 & Hemoglobina < 11.0 ~ "Anemia moderada",
      Hemoglobina >= corte_hb ~ "Sin anemia",
      TRUE ~ "Anemia leve"
    )
  )

6.1.4 Prevalencia global de anemia

prev_an <- df1 %>%
  filter(!is.na(anemia)) %>%
  count(anemia) %>%
  mutate(Porcentaje = round(n / sum(n) * 100, 1))

kable(prev_an, col.names = c("Estado", "n", "%"),
      caption = "Prevalencia global de anemia") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

Prevalencia global de anemia
Estado	n	%
Anemia	18	22.2
Sin anemia	63	77.8

6.1.5 Gráfico: Anemia por grupo de edad

df1 %>%
  filter(!is.na(anemia)) %>%
  ggplot(aes(x = grupo_edad, fill = anemia)) +
  geom_bar(position = "fill") +
  facet_wrap(~Sexo, labeller = labeller(Sexo = c("F" = "Femenino", "M" = "Masculino"))) +
  scale_y_continuous(labels = percent_format()) +
  scale_fill_manual(values = c("Anemia" = "#E74C3C", "Sin anemia" = "#2ECC71")) +
  labs(
    title = "Prevalencia de anemia por grupo de edad y sexo",
    x = "Grupo de edad", y = "Proporción", fill = "Estado"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 30, hjust = 1))

Prevalencia de anemia por grupo de edad y sexo

6.1.6 Prevalencia de anemia por grupo de edad y sexo

table1(~grupo_edad + Sexo | anemia , data=df1, caption = "Prevalencia de anemia según grupo de edad y sexo")

Prevalencia de anemia según grupo de edad y sexo
	Anemia (N=18)	Sin anemia (N=63)	Overall (N=81)
grupo_edad
< 5 años	12 (66.7%)	29 (46.0%)	41 (50.6%)
5–9 años	1 (5.6%)	8 (12.7%)	9 (11.1%)
10–14 años	2 (11.1%)	12 (19.0%)	14 (17.3%)
15–19 años	3 (16.7%)	14 (22.2%)	17 (21.0%)
Sexo
F	9 (50.0%)	33 (52.4%)	42 (51.9%)
M	9 (50.0%)	30 (47.6%)	39 (48.1%)

6.1.7 Prevalencia de suficiente ingesta de hierro

# Recomendaciones OMS/IOM de ingesta de hierro (mg/día)
df1 <- df1 %>%
  mutate(
    rec_hierro = case_when(
      edad_anos < 1                          ~ 11,
      edad_anos >= 1  & edad_anos < 4        ~ 7,
      edad_anos >= 4  & edad_anos < 9        ~ 10,
      edad_anos >= 9  & edad_anos < 14       ~ 8,
      edad_anos >= 14 & Sexo == "F"          ~ 15,
      edad_anos >= 14 & Sexo == "M"          ~ 11,
      TRUE ~ NA_real_
    ),
    adecuacion_hierro = case_when(
      is.na(Ingesta_hierro) ~ NA_character_,
      Ingesta_hierro >= rec_hierro ~ "Adecuada",
      TRUE ~ "Inadecuada"
    )
  )

prev_hierro <- df1 %>%
  filter(!is.na(adecuacion_hierro)) %>%
  count(adecuacion_hierro) %>%
  mutate(Porcentaje = round(n / sum(n) * 100, 1))

kable(prev_hierro, col.names = c("Adecuación de ingesta", "n", "%"),
      caption = "Adecuación de la ingesta de hierro") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

Adecuación de la ingesta de hierro
Adecuación de ingesta	n	%
Adecuada	57	70.4
Inadecuada	24	29.6

6.2 Análisis inferencial

6.2.1 Análisis de independencia entre

df_lt5 %>%
  select(estado_WHZ, estado_HAZ, Sexo) %>%
  tbl_summary(
    by = Sexo,
    label = list(
      estado_WHZ ~ "Estado nutricional (WHZ)",
      estado_HAZ     ~ "Talla para la edad (HAZ)"
    ),
    missing = "no"
  ) %>%
  add_p(test = list(all_categorical() ~ "fisher.test")) %>%
  add_overall() %>%
  bold_labels() %>%
  modify_caption("Estado nutricional por sexo — Menores de 5 años")

Estado nutricional por sexo — Menores de 5 años
Characteristic	Overall N = 41¹	F N = 22¹	M N = 19¹	p-value²
Estado nutricional (WHZ)				0.9
Normal	13 (32%)	8 (36%)	5 (26%)
Riesgo de sobrepeso	2 (4.9%)	1 (4.5%)	1 (5.3%)
Sobrepeso/Obesidad	26 (63%)	13 (59%)	13 (68%)
Talla para la edad (HAZ)				0.049
Talla baja moderada	3 (7.3%)	0 (0%)	3 (16%)
Talla baja severa	16 (39%)	7 (32%)	9 (47%)
Talla normal	22 (54%)	15 (68%)	7 (37%)
¹ n (%)
² Fisher’s exact test

df_5a19 %>%
  select(estado_BAZ, Sexo) %>%
  tbl_summary(
    by = Sexo,
    label = list(
      estado_BAZ ~ "Estado nutricional (BAZ)"
    ),
    missing = "no"
  ) %>%
  add_p(test = list(all_categorical() ~ "fisher.test")) %>%
  add_overall() %>%
  bold_labels() %>%
  modify_caption("Estado nutricional por sexo — 5 a 19 años")

Estado nutricional por sexo — 5 a 19 años
Characteristic	Overall N = 40¹	F N = 20¹	M N = 20¹	p-value²
Estado nutricional (BAZ)				0.008
Delgadez	1 (2.5%)	0 (0%)	1 (5.0%)
Delgadez severa	1 (2.5%)	0 (0%)	1 (5.0%)
Normal	33 (83%)	20 (100%)	13 (65%)
Obesidad	1 (2.5%)	0 (0%)	1 (5.0%)
Sobrepeso	4 (10%)	0 (0%)	4 (20%)
¹ n (%)
² Fisher’s exact test

6.2.2 Asociación entre ingesta de hierro y hemoglobina

shapiro.test(df1$Hematocrito)

## 
##  Shapiro-Wilk normality test
## 
## data:  df1$Hematocrito
## W = 0.94185, p-value = 0.001116

shapiro.test(df1$Hemoglobina)

## 
##  Shapiro-Wilk normality test
## 
## data:  df1$Hemoglobina
## W = 0.96187, p-value = 0.01651

shapiro.test(df1$Ingesta_hierro)

## 
##  Shapiro-Wilk normality test
## 
## data:  df1$Ingesta_hierro
## W = 0.83816, p-value = 5.741e-08

# Correlación de spearman 
cor_test <- cor.test(df1$Ingesta_hierro, df1$Hemoglobina,
                     method = "spearman", exact = FALSE)

cat("Correlación de spearman (Ingesta hierro vs Hemoglobina):\n")

## Correlación de spearman (Ingesta hierro vs Hemoglobina):

cat("  rho =", round(cor_test$estimate, 3), "\n")

##   rho = 0.762

cat(" p-valor =", ifelse(cor_test$p.value < 0.001, "< 0.001", 
                          round(cor_test$p.value, 4)), "\n")

##  p-valor = < 0.001

df1 %>%
  ggplot(aes(x = Ingesta_hierro, y = Hemoglobina, color = grupo_edad)) +
  geom_point(alpha = 0.7, size = 2.5) +
  geom_smooth(method = "lm", se = TRUE, color = "black", linetype = "dashed") +
  geom_hline(yintercept = 11.5, color = "red", linetype = "dotted") +
  annotate("text", x = 35, y = 11.2, label = "Corte anemia (ref.)", size = 3) +
  labs(
    title = "Ingesta de hierro vs Hemoglobina",
    x = "Ingesta de hierro (mg/día)",
    y = "Hemoglobina (g/dL)",
    color = "Grupo de edad"
  ) +
  theme_minimal()

Relación entre ingesta de hierro y hemoglobina

6.2.3 Asociación entre ingesta de hierro y hematocrito

# Correlación de spearman 
cor_test <- cor.test(df1$Ingesta_hierro, df1$Hematocrito,
                     method = "spearman", exact = FALSE)

cat("Correlación de spearman (Ingesta hierro vs Hematocrito):\n")

## Correlación de spearman (Ingesta hierro vs Hematocrito):

cat("  rho =", round(cor_test$estimate, 3), "\n")

##   rho = 0.542

cat(" p-valor =", ifelse(cor_test$p.value < 0.001, "< 0.001", 
                          round(cor_test$p.value, 4)), "\n")

##  p-valor = < 0.001

df1 %>%
  ggplot(aes(x = Ingesta_hierro, y = Hematocrito, color = Sexo)) +
  geom_point(alpha = 0.7, size = 2.5) +
  geom_smooth(method = "lm", se = TRUE, color = "black", linetype = "dashed") +
  labs(
    title = "Ingesta de hierro vs Hematocrito",
    x = "Ingesta de hierro (mg/día)",
    y = "Hematocrito (%)",
    color = "Grupo de edad"
  ) +
  theme_minimal()

Relación entre ingesta de hierro y hematocrito

6.3 Regresión logística: Predictores de anemia

# Codificar anemia como binaria
df_modelo <- df1 %>%
  mutate(anemia_bin = ifelse(anemia == "Anemia", 1, 0)) %>%
  filter(!is.na(anemia_bin), !is.na(Ingesta_hierro))

modelo <- glm(anemia_bin ~ edad_anos + Sexo + Ingesta_hierro,
              data = df_modelo, family = binomial(link = "logit"))

summary(modelo)

## 
## Call:
## glm(formula = anemia_bin ~ edad_anos + Sexo + Ingesta_hierro, 
##     family = binomial(link = "logit"), data = df_modelo)
## 
## Coefficients:
##                 Estimate Std. Error z value Pr(>|z|)   
## (Intercept)     0.001116   0.562158   0.002  0.99842   
## edad_anos       0.142682   0.078347   1.821  0.06858 . 
## SexoM           0.218092   0.605835   0.360  0.71886   
## Ingesta_hierro -0.137756   0.042368  -3.251  0.00115 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 85.812  on 80  degrees of freedom
## Residual deviance: 67.878  on 77  degrees of freedom
## AIC: 75.878
## 
## Number of Fisher Scoring iterations: 5

# Extraer coeficientes
coefs <- summary(modelo)$coefficients

# Construir tabla completa
cbind(
  Logit = coef(modelo),
  OR    = exp(coef(modelo)),
  exp(confint(modelo))
) %>%
  round(3) %>%
  as.data.frame() %>%
  tibble::rownames_to_column("Variable") %>%
  filter(Variable != "(Intercept)") %>%
  mutate(
    Variable = recode(Variable,
      "edad_anos"      = "Edad (años)",
      "SexoM"          = "Sexo masculino",
      "Ingesta_hierro" = "Ingesta de hierro (mg/día)"
    ),
    # p-valor
    p_valor = coefs[-1, 4],
    p_valor = ifelse(p_valor < 0.001, "< 0.001", round(p_valor, 4))
  ) %>%
  rename("IC 2.5%" = `2.5 %`, "IC 97.5%" = `97.5 %`) %>%
  select(Variable, Logit, OR, `IC 2.5%`, `IC 97.5%`, p_valor) %>%
  kable(caption = "Regresión logística — Logit, OR") %>%
  kable_styling(latex_options = c("striped", "hold_position"), full_width = FALSE)

Regresión logística — Logit, OR
Variable	Logit	OR	IC 2.5%	IC 97.5%	p_valor
Edad (años)	0.143	1.153	1.000	1.369	0.0686
Sexo masculino	0.218	1.244	0.373	4.134	0.7189
Ingesta de hierro (mg/día)	-0.138	0.871	0.791	0.938	0.0011

7 Conclusiones

La prevalencia de anemia en la muestra fue del 21,2%, constituyendo un problema de salud pública. El grupo de menores de 5 años presentó la mayor carga (28,6%), lo que evidencia una vulnerabilidad diferencial que requiere estrategias focalizadas de suplementación con hierro y educación alimentaria dirigidas a cuidadores de niños en etapa preescolar.

Se identificó una doble carga de malnutrición: desnutrición aguda en el 11,1% de los menores de 5 años (WHZ < -2 DE) y sobrepeso/obesidad en el 35,6% de los niños y adolescentes de 5 a 19 años (BAZ > +1 DE), lo que refleja la transición nutricional propia de entornos en desarrollo y la necesidad de políticas de salud integrales que aborden simultáneamente el déficit y el exceso nutricional.

Taller Final Epidemiología Nutricional

Corso, C & Arevalo, D

2026-06-09