---
title: "Narrativa visual con RStudio"
subtitle: "Dashboard ejecutivo para gestión de citas y tiempos de espera"
author: "JOP VANNDERTH MORA"
date: "`r Sys.Date()`"
output:
  flexdashboard::flex_dashboard:
    orientation: columns
    vertical_layout: fill
    source_code: embed
    theme: cosmo
---

```{r setup, include=FALSE}
# ============================================================
# CONFIGURACIÓN TÉCNICA
# Actividad Semana 4: Narrativa visual con RStudio.
# Recomendación docente aplicada:
# - Contenido visible redactado como informe ejecutivo.
# - Detalles técnicos conservados dentro del código con comentarios #.
# - Documento diseñado para publicarse en RPubs como HTML.
# ============================================================

options(repos = c(CRAN = "https://cloud.r-project.org"))

if (!requireNamespace("rlang", quietly = TRUE) || packageVersion("rlang") < "1.1.7") {
  install.packages("rlang", dependencies = TRUE)
}

paquetes <- c(
  "flexdashboard", "readxl", "dplyr", "ggplot2", "plotly",
  "tidyr", "ggrepel", "tidyverse", "skimr", "rsample",
  "caret", "broom", "yardstick", "htmltools", "bslib",
  "bsicons", "janitor", "lubridate", "RColorBrewer",
  "knitr", "scales", "tibble"
)

instalar <- paquetes[!(paquetes %in% installed.packages()[, "Package"])]
if (length(instalar) > 0) install.packages(instalar, dependencies = TRUE)

suppressPackageStartupMessages({
  library(flexdashboard)
  library(readxl)
  library(dplyr)
  library(ggplot2)
  library(plotly)
  library(tidyr)
  library(ggrepel)
  library(tidyverse)
  library(skimr)
  library(rsample)
  library(caret)
  library(broom)
  library(yardstick)
  library(htmltools)
  library(bslib)
  library(bsicons)
  library(janitor)
  library(lubridate)
  library(RColorBrewer)
  library(knitr)
  library(scales)
  library(tibble)
})

knitr::opts_chunk$set(warning = FALSE, message = FALSE, echo = FALSE)
```

```{r cargar-datos}
# ============================================================
# CARGA Y PREPARACIÓN DE DATOS
# Problema de gestión: seguimiento de oportunidad, ocupación y no asistencia.
# ============================================================

if (file.exists("data/appointments.xlsx")) {
  ruta_archivo <- "data/appointments.xlsx"
} else if (file.exists("appointments.xlsx")) {
  ruta_archivo <- "appointments.xlsx"
} else {
  stop("No se encontró appointments.xlsx. Debe estar en data/ o junto al archivo .Rmd.")
}

datos <- read_excel(ruta_archivo) %>%
  clean_names() %>%
  mutate(
    scheduling_date = as.Date(scheduling_date),
    appointment_date = as.Date(appointment_date),
    dias_espera = as.numeric(difftime(appointment_date, scheduling_date, units = "days")),
    age = as.numeric(age),
    waiting_time = as.numeric(waiting_time),
    appointment_duration = as.numeric(appointment_duration),
    sex = as.factor(sex),
    status = as.factor(status),
    mes = floor_date(appointment_date, "month")
  ) %>%
  filter(!is.na(appointment_date), !is.na(status))

datos_limpios <- datos %>%
  filter(!is.na(dias_espera), dias_espera >= 0, !is.na(waiting_time), waiting_time >= 0)

total_citas <- nrow(datos)
porc_asistencia <- mean(datos$status == "attended", na.rm = TRUE)
porc_no_asiste <- mean(datos$status == "did not attend", na.rm = TRUE)
espera_promedio <- mean(datos_limpios$waiting_time, na.rm = TRUE)

estado_tabla <- datos %>%
  count(status) %>%
  mutate(porcentaje = n / sum(n))

tendencia_mensual <- datos_limpios %>%
  group_by(mes) %>%
  summarise(
    citas = n(),
    espera_promedio = mean(waiting_time, na.rm = TRUE),
    dias_espera_promedio = mean(dias_espera, na.rm = TRUE),
    no_asistencia = mean(status == "did not attend", na.rm = TRUE),
    .groups = "drop"
  ) %>%
  filter(!is.na(mes))

pico_espera <- tendencia_mensual %>%
  filter(espera_promedio == max(espera_promedio, na.rm = TRUE)) %>%
  slice(1)

estado_edad <- datos_limpios %>%
  filter(!is.na(age), age >= 0) %>%
  mutate(
    grupo_edad = cut(
      age,
      breaks = c(0, 18, 30, 45, 60, 75, 120),
      labels = c("0-18", "19-30", "31-45", "46-60", "61-75", "76+"),
      include.lowest = TRUE
    )
  ) %>%
  group_by(grupo_edad, status) %>%
  summarise(citas = n(), .groups = "drop")
```

Contexto {.sidebar}
=======================================================================

### Definición estratégica y audiencia

**Problema de gestión real:** disminuir la congestión operativa asociada a tiempos de espera, cancelaciones e inasistencias en la programación de citas ambulatorias.

**Audiencia directiva:** gerencia general, coordinación médica, dirección de calidad, líderes de experiencia del usuario y responsables de agenda asistencial.

**Enfoque A³ aplicado:**

- **Atención:** identificar el problema crítico de oportunidad y uso de agenda.
- **Análisis:** visualizar tendencias, estados de cita y grupos con mayor carga operativa.
- **Acción:** proponer decisiones ejecutivas para optimizar capacidad, confirmar citas y reducir tiempos improductivos.

Resumen ejecutivo
=======================================================================

Column {data-width=280}
-----------------------------------------------------------------------

### Citas analizadas

```{r value-total}
valueBox(comma(total_citas), "Total de citas registradas", icon = "fa-calendar-check", color = "primary")
```

### Asistencia

```{r value-asistencia}
valueBox(percent(porc_asistencia, accuracy = 0.1), "Citas asistidas", icon = "fa-user-check", color = "success")
```

### Inasistencia

```{r value-noasiste}
valueBox(percent(porc_no_asiste, accuracy = 0.1), "Citas no atendidas", icon = "fa-user-times", color = ifelse(porc_no_asiste > 0.10, "danger", "warning"))
```

Column {data-width=420}
-----------------------------------------------------------------------

### KPI crítico: tiempo promedio de espera

```{r gauge-espera}
gauge(
  round(espera_promedio, 1),
  min = 0,
  max = 60,
  symbol = " min",
  gaugeSectors(success = c(0, 15), warning = c(15, 30), danger = c(30, 60))
)
```

### Lectura ejecutiva

El indicador de espera permite valorar la oportunidad percibida por el paciente una vez llega al servicio. Un tiempo promedio bajo sugiere mejor flujo operativo; un valor elevado puede reflejar sobrecarga de agendas, retrasos acumulados o insuficiente capacidad instalada.

**Ruta de acción sugerida:** establecer seguimiento semanal del tiempo promedio de espera y activar alertas cuando el indicador supere el umbral definido por la institución.

Análisis visual
=======================================================================

Column {data-width=500}
-----------------------------------------------------------------------

### Tendencia mensual de citas y espera

```{r tendencia-estatica, fig.height=5}
grafico_tendencia <- ggplot(tendencia_mensual, aes(x = mes, y = espera_promedio)) +
  geom_line(linewidth = 1, color = "#2C3E50") +
  geom_point(size = 2, color = "#2C3E50") +
  geom_point(data = pico_espera, aes(x = mes, y = espera_promedio), color = "#C0392B", size = 4) +
  annotate("rect",
           xmin = pico_espera$mes - 15, xmax = pico_espera$mes + 15,
           ymin = pico_espera$espera_promedio - 2, ymax = pico_espera$espera_promedio + 2,
           alpha = 0.12, fill = "#C0392B") +
  ggrepel::geom_text_repel(
    data = pico_espera,
    aes(label = paste0("Pico: ", round(espera_promedio, 1), " min")),
    color = "#C0392B", size = 3.5
  ) +
  labs(title = "Evolución mensual del tiempo promedio de espera",
       x = "Mes", y = "Tiempo promedio de espera (minutos)") +
  theme_minimal()

grafico_tendencia
```

**¿Qué evidencia el gráfico?** Muestra la evolución mensual del tiempo promedio de espera e identifica el pico crítico del periodo analizado.

**¿Por qué es relevante?** Permite detectar meses con mayor presión operativa y priorizar análisis de causas: agendas saturadas, retrasos acumulados o aumento de demanda.

**¿Qué ruta de acción sugiere?** Comparar los meses pico con disponibilidad de talento humano, número de consultorios, duración real de citas y volumen de usuarios citados.

Column {data-width=500}
-----------------------------------------------------------------------

### Estado de las citas

```{r estado-citas, fig.height=5}
grafico_estado <- ggplot(estado_tabla, aes(x = status, y = porcentaje, fill = status)) +
  geom_col(show.legend = FALSE) +
  geom_text(aes(label = percent(porcentaje, accuracy = 0.1)), vjust = -0.3, size = 3.5) +
  scale_y_continuous(labels = percent_format()) +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Distribución de citas según estado", x = "Estado de la cita", y = "Porcentaje") +
  theme_minimal()

grafico_estado
```

**¿Qué evidencia el gráfico?** Muestra la participación porcentual de citas asistidas, canceladas y no atendidas.

**¿Por qué es relevante?** Las cancelaciones e inasistencias reducen productividad, dejan cupos sin usar y afectan la oportunidad de pacientes que requieren atención.

**¿Qué ruta de acción sugiere?** Implementar recordatorios automatizados, confirmación previa y reprogramación digital para recuperar cupos antes de que se pierdan.

Exploración interactiva
=======================================================================

Column {data-width=650}
-----------------------------------------------------------------------

### Exploración interactiva de la tendencia

```{r tendencia-interactiva, fig.height=5}
plotly::ggplotly(grafico_tendencia)
```

### Justificación de la interactividad

La conversión a gráfico interactivo permite que el usuario directivo explore los meses con mayor tiempo de espera, revise valores específicos mediante tooltips y amplíe periodos críticos con zoom. Esta funcionalidad aporta valor porque transforma una visualización descriptiva en una herramienta de exploración gerencial.

Column {data-width=350}
-----------------------------------------------------------------------

### Citas por grupo de edad y estado

```{r edad-estado, fig.height=5}
grafico_edad <- ggplot(estado_edad, aes(x = grupo_edad, y = citas, fill = status)) +
  geom_col(position = "dodge") +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Citas por grupo de edad y estado",
       x = "Grupo de edad", y = "Número de citas", fill = "Estado") +
  theme_minimal()

grafico_edad
```

**Lectura ejecutiva:** la segmentación por edad permite identificar qué grupos concentran mayor carga de citas y cómo se distribuyen los estados de atención. Esta información ayuda a focalizar estrategias de comunicación y seguimiento.

Acción directiva
=======================================================================

Column {data-width=500}
-----------------------------------------------------------------------

### Hallazgos críticos

```{r tabla-hallazgos}
hallazgos <- tibble(
  Hallazgo = c(
    "Se identifican diferencias en el estado final de las citas.",
    "El tiempo de espera presenta variación mensual.",
    "Existen grupos etarios con mayor concentración de citas."
  ),
  Impacto_en_gestion = c(
    "La inasistencia y cancelación reducen productividad y disponibilidad real.",
    "Los picos de espera sugieren congestión operativa o desbalance de agenda.",
    "La demanda por edad permite focalizar acciones de comunicación y acceso."
  ),
  Accion_sugerida = c(
    "Confirmación previa y recuperación temprana de cupos.",
    "Monitoreo semanal y ajuste de agendas en meses críticos.",
    "Segmentar recordatorios y rutas de atención por grupo poblacional."
  )
)

knitr::kable(hallazgos, caption = "Síntesis ejecutiva de hallazgos y acciones")
```

Column {data-width=500}
-----------------------------------------------------------------------

### Recomendaciones ejecutivas

**1. Implementar un tablero de seguimiento operativo semanal.**  
Se recomienda monitorear tiempo promedio de espera, porcentaje de asistencia, cancelación e inasistencia. El tablero debe tener semáforos de alerta para activar acciones correctivas cuando se superen los umbrales definidos.

**2. Fortalecer la estrategia de confirmación y reprogramación de citas.**  
Se recomienda automatizar recordatorios, permitir confirmación por canales digitales y liberar cupos con anticipación cuando el paciente no pueda asistir. Esta medida puede mejorar la productividad de agenda y reducir pérdida de capacidad instalada.

### Cierre estratégico

La narrativa visual permite que la información operativa deje de ser únicamente descriptiva y se convierta en un insumo para la toma de decisiones. El uso de `ggplot2`, `plotly` y `flexdashboard` facilita construir un informe reproducible, visualmente claro y orientado a la acción directiva.