Unidad de Análisis HospitalarioInforme de egresos hospitalarios · mecanismo GRDCIE-10 I50
GRD 2024

Versión de impresión: se muestran todas las secciones en una sola página.

1 Introducción

1.1 Contexto y objetivo

Este informe fue elaborado en el rol de analista de la Unidad de Análisis Hospitalario, con el encargo de dimensionar y caracterizar la actividad hospitalaria asociada a una enfermedad específica dentro de los egresos hospitalarios registrados por el mecanismo de pago Grupos Relacionados por el Diagnóstico (GRD) durante el año 2024. El alcance es descriptivo: no se ajustan modelos predictivos ni se realizan pruebas de hipótesis, y ninguna cifra de este documento debe interpretarse como incidencia, prevalencia poblacional o riesgo de enfermar. Cada fila de la base representa un episodio (una hospitalización completa, desde el ingreso hasta el egreso), no una persona: un mismo paciente puede aparecer varias veces en la base.

1.2 Enfermedad seleccionada y justificación

La enfermedad elegida es la insuficiencia cardíaca. Es una condición crónica y progresiva, causa frecuente de hospitalización y de reingreso en adultos mayores, y su manejo consume recursos hospitalarios significativos (días de estancia prolongados, unidades de cuidados intensivos, procedimientos cardiovasculares). Analizar su peso dentro de los egresos GRD 2024 permite a la jefatura dimensionar la carga hospitalaria asociada, identificar los territorios y establecimientos donde se concentra esta actividad, y detectar diferencias relevantes en la severidad y en la duración de la estancia entre centros.

1.3 Declaración de uso de inteligencia artificial

Se utilizó Claude (Anthropic, modelo Sonnet 5) como herramienta de apoyo para: (i) escribir y depurar el código R de lectura, limpieza, cruce con tablas maestras y visualización; (ii) redactar el texto interpretativo de cada resultado; y (iii) estructurar el informe conforme a la pauta de la actividad. La verificación de los resultados se realizó de las siguientes formas: los conteos de cada etapa de construcción de la cohorte quedan impresos en el propio documento y son recalculados en cada ejecución del .Rmd (no están escritos a mano); los códigos CIE-10 utilizados se contrastaron contra la tabla oficial CIE-10.xlsx; los cruces de código de hospital y código GRD se validaron contra las tablas maestras entregadas por FONASA (Tablas_maestras_GRD.xlsx); y todas las cifras narradas en el texto citan la tabla o figura donde pueden verificarse. La responsabilidad técnica y de contenido del informe es del autor.

2 Fuente de datos y clasificación

2.1 Base de datos utilizada

  • Fuente: Grupos Relacionados de Diagnóstico (GRD), Fondo Nacional de Salud (FONASA), Chile. Base pública de egresos hospitalarios y cirugía mayor ambulatoria (CMA) del mecanismo de pago GRD, año 2024.
  • Archivo: GRD_PUBLICO_2024.txt, descargado por el autor desde el portal de datos abiertos de FONASA.
  • Fecha de extracción declarada por el estudiante: 21 de agosto de 2026.
  • Formato: texto plano delimitado por |, codificación Latin-1 (ISO-8859-1), 129 columnas.
  • Alcance de la base: la base no cubre el total de egresos hospitalarios del país, sino la actividad de los establecimientos públicos adscritos al mecanismo GRD. Todo porcentaje calculado en este informe se refiere al total de episodios de esta base, y así se indica en cada caso.

2.2 Tablas auxiliares utilizadas

Tabla Contenido Uso en este informe
Tablas_maestras_GRD.xlsx — hoja Hospitales Código de hospital → nombre del establecimiento (377 registros) Identificar los establecimientos en la sección territorial
Tablas_maestras_GRD.xlsx — hoja IR - GRD Código GRD → descripción del grupo relacionado de diagnóstico Describir los GRD más frecuentes de la cohorte
Tablas_maestras_GRD.xlsx — hoja Severidad GRD Nivel de severidad (0-3) → etiqueta Etiquetar el nivel de severidad de los episodios
Tablas_maestras_GRD.xlsx — hoja Mortalidad GRD Nivel de riesgo de mortalidad (0-3) → etiqueta Etiquetar el riesgo de mortalidad esperado
CIE-10.xlsx Catálogo CIE-10 versión 2013 Verificar la descripción oficial de los códigos I50 utilizados

Adicionalmente, la variable SERVICIO_SALUD, incluida directamente en la base, se usó para agrupar los episodios por territorio. Como esta variable no trae la región asociada, se construyó una tabla de correspondencia Servicio de Salud → Región, basada en la división administrativa vigente de las 29 direcciones de servicio de salud de Chile (ver “Distribución territorial e institucional”).

2.3 Códigos CIE-10 utilizados

cie10 <- as.data.table(read_excel("CIE-10.xlsx", sheet = "CIE 10"))
cie10_i50 <- cie10[grepl("^I50", Código), .(Código, Descripción, Sección)]
tabla_html(cie10_i50, caption = "Códigos CIE-10 usados para definir la cohorte (fuente: CIE-10.xlsx, catálogo oficial CIE-10 versión 2013)")
Códigos CIE-10 usados para definir la cohorte (fuente: CIE-10.xlsx, catálogo oficial CIE-10 versión 2013)
Código Descripción Sección
I50 Insuficiencia cardíaca I30-I52 OTRAS FORMAS DE ENFERMEDAD CARDIACA
I50.0 Insuficiencia cardíaca congestiva I30-I52 OTRAS FORMAS DE ENFERMEDAD CARDIACA
I50.1 Insuficiencia ventricular izquierda I30-I52 OTRAS FORMAS DE ENFERMEDAD CARDIACA
I50.9 Insuficiencia cardíaca, no especificada I30-I52 OTRAS FORMAS DE ENFERMEDAD CARDIACA

Se utilizó el código I50 (Insuficiencia cardíaca) y sus tres subcategorías vigentes en el catálogo chileno: I50.0 (insuficiencia cardíaca congestiva), I50.1 (insuficiencia ventricular izquierda) e I50.9 (insuficiencia cardíaca no especificada). El catálogo no registra subcategorías I50.2 a I50.8 para la versión utilizada en Chile.

3 Construcción de la cohorte

3.1 Carga de la base completa

cols_diag <- paste0("DIAGNOSTICO", 1:35)

cols_usar <- c("COD_HOSPITAL", "SEXO", "FECHA_NACIMIENTO", "SERVICIO_SALUD", "PREVISION",
               "TIPO_INGRESO", "ESPECIALIDAD_MEDICA", "TIPO_ACTIVIDAD", "FECHA_INGRESO",
               "FECHAALTA", "TIPOALTA", cols_diag,
               "IR_29301_COD_GRD", "IR_29301_PESO", "IR_29301_SEVERIDAD", "IR_29301_MORTALIDAD",
               "ID_BENEFICIARIO")

base <- fread("GRD_PUBLICO_2024/GRD_PUBLICO_2024.txt", sep = "|", encoding = "Latin-1",
              quote = "", na.strings = "", select = cols_usar,
              colClasses = list(character = c("COD_HOSPITAL", "ID_BENEFICIARIO",
                                               "IR_29301_COD_GRD")))

n0 <- nrow(base)
cat("Registros en la base completa GRD 2024:", fnum(n0))
## Registros en la base completa GRD 2024: 1.085.813
tabla_html(base[, .(episodios = .N), by = TIPO_ACTIVIDAD][order(-episodios)],
           caption = "Registros por tipo de actividad, base completa")
Registros por tipo de actividad, base completa
TIPO_ACTIVIDAD episodios
HOSPITALIZACIÓN 873772
CIRUGÍA MAYOR AMBULATORIA (CMA) 212041

La base completa contiene 1.085.813 registros. El campo TIPO_ACTIVIDAD distingue dos tipos de actividad: egresos hospitalarios y cirugía mayor ambulatoria (CMA).

3.2 Exclusión de cirugía mayor ambulatoria (CMA)

Conforme a la pauta, se trabaja solo con egresos hospitalarios; los registros de CMA se excluyen porque corresponden a actividad quirúrgica sin pernoctación, con una dinámica clínica distinta a la hospitalización.

n_cma <- base[TIPO_ACTIVIDAD == "CIRUGÍA MAYOR AMBULATORIA (CMA)", .N]
base_hosp <- base[TIPO_ACTIVIDAD == "HOSPITALIZACIÓN"]
n1 <- nrow(base_hosp)
cat("Registros excluidos por ser CMA:", fnum(n_cma), "\n")
## Registros excluidos por ser CMA: 212.041
cat("Registros de egresos hospitalarios (base de trabajo):", fnum(n1))
## Registros de egresos hospitalarios (base de trabajo): 873.772

3.3 Búsqueda del código I50 en los campos de diagnóstico

La enfermedad puede registrarse en el campo DIAGNOSTICO1 (diagnóstico principal) o en cualquiera de los 34 campos de diagnóstico secundario (DIAGNOSTICO2 a DIAGNOSTICO35). Se buscó el patrón ^I50 (es decir, I50, I50.0, I50.1 o I50.9) en los 35 campos de diagnóstico de cada episodio de la base de egresos hospitalarios.

mat_i50 <- sapply(cols_diag, function(cc) grepl("^I50", base_hosp[[cc]]))
tiene_i50 <- rowSums(mat_i50) > 0
es_principal <- grepl("^I50", base_hosp$DIAGNOSTICO1)

candidatos <- base_hosp[tiene_i50]
n_cand <- nrow(candidatos)

# cuántos episodios de CMA mencionaban I50 (se excluyen igualmente, se documentan)
base_cma <- base[TIPO_ACTIVIDAD == "CIRUGÍA MAYOR AMBULATORIA (CMA)"]
mat_i50_cma <- sapply(cols_diag, function(cc) grepl("^I50", base_cma[[cc]]))
n_i50_cma <- sum(rowSums(mat_i50_cma) > 0)

cat("Episodios candidatos (I50 en algún campo de diagnóstico, ya sin CMA):", fnum(n_cand), "\n")
## Episodios candidatos (I50 en algún campo de diagnóstico, ya sin CMA): 52.315
cat("De ellos, como diagnóstico principal:", fnum(sum(es_principal[tiene_i50])), "\n")
## De ellos, como diagnóstico principal: 11.331
cat("Registros de CMA con I50 mencionado (excluidos de todas formas por ser CMA):", fnum(n_i50_cma))
## Registros de CMA con I50 mencionado (excluidos de todas formas por ser CMA): 1.546

3.4 Depuración de la cohorte candidata

Sobre los 52.315 episodios candidatos se revisó la validez de las fechas indispensables para caracterizar el episodio (FECHA_INGRESO, FECHA_NACIMIENTO, FECHAALTA). Un número reducido de registros trae el valor "DESCONOCIDO" en vez de una fecha, lo que impide calcular edad o estancia; estos registros se excluyen de la cohorte final y se documentan aquí y en la sección de calidad de los datos.

fecha_valida <- function(x) grepl("^\\d{4}-\\d{2}-\\d{2}$", x)

malas <- !fecha_valida(candidatos$FECHA_INGRESO) |
         !fecha_valida(candidatos$FECHA_NACIMIENTO) |
         !fecha_valida(candidatos$FECHAALTA)

n_malas <- sum(malas)
cohorte <- candidatos[!malas]
n_final <- nrow(cohorte)

cat("Episodios excluidos por fecha no parseable ('DESCONOCIDO'):", fnum(n_malas), "\n")
## Episodios excluidos por fecha no parseable ('DESCONOCIDO'): 3
cat("Cohorte final:", fnum(n_final))
## Cohorte final: 52.312

No se detectaron duplicados exactos dentro de la cohorte final al comparar la combinación beneficiario + fecha de ingreso + hospital (ver sección de calidad de los datos para el detalle de esta verificación).

3.5 Trazabilidad completa

trazabilidad <- data.table(
  Etapa = c("1 — Base completa GRD 2024",
            "2 — Excluye registros de CMA",
            "3 — Candidatos con código I50 en algún diagnóstico (dx. 1 a 35)",
            "4 — Excluye episodios con fecha no parseable",
            "5 — Cohorte final"),
  `Episodios` = fnum(c(n0, n1, n_cand, n_final, n_final)),
  `Excluidos en la etapa` = c("—", fnum(n_cma), "(subconjunto, no exclusión)", fnum(n_malas), "—")
)
tabla_html(trazabilidad, caption = "Trazabilidad de la construcción de la cohorte, de la base completa a la cohorte final")
Trazabilidad de la construcción de la cohorte, de la base completa a la cohorte final
Etapa Episodios Excluidos en la etapa
1 — Base completa GRD 2024 1.085.813 —
2 — Excluye registros de CMA 873.772 212.041
3 — Candidatos con código I50 en algún diagnóstico (dx. 1 a 35) 52.315 (subconjunto, no exclusión)
4 — Excluye episodios con fecha no parseable 52.312 3
5 — Cohorte final 52.312 — 
es_principal_final <- grepl("^I50", cohorte$DIAGNOSTICO1)
n_principal <- sum(es_principal_final)
n_secundario <- n_final - n_principal

De los 52.312 episodios de la cohorte final, 11.331 (21,7%) tienen la insuficiencia cardíaca como diagnóstico principal, y 40.981 (78,3%) la registran únicamente como diagnóstico secundario (comorbilidad o complicación asociada a otra causa de hospitalización). Esta distinción es relevante: en el primer grupo la insuficiencia cardíaca motivó la hospitalización; en el segundo, acompañó a episodios cuya causa principal fue otra (por ejemplo, neumonía o insuficiencia respiratoria, como se ve en la sección de caracterización).

4 Dimensionamiento de la enfermedad

4.1 Volumen y participación porcentual

pct_base_completa <- 100 * n_final / n0
pct_sin_cma <- 100 * n_final / n1

La cohorte de 52.312 episodios representa:

  • 4,8% del total de episodios de la base GRD 2024 completa (1.085.813 registros, incluye CMA).
  • 6,0% del total de egresos hospitalarios sin CMA (873.772 registros), que es el universo de trabajo definido por la pauta.

Ambos porcentajes se informan explícitamente porque tienen denominadores distintos y no deben confundirse entre sí.

4.2 Diagnóstico principal vs. secundario

df_ps <- data.table(tipo = c("Diagnóstico principal", "Diagnóstico secundario"),
                     n = c(n_principal, n_secundario))
ggplot(df_ps, aes(x = tipo, y = n, fill = tipo)) +
  geom_col(width = 0.55, show.legend = FALSE) +
  geom_text(aes(label = fnum(n)), vjust = -0.4, size = 4.2) +
  scale_fill_manual(values = paleta[c(1,5)]) +
  scale_y_continuous(labels = function(x) fnum(x), expand = expansion(mult = c(0, 0.15))) +
  labs(title = "Episodios según rol diagnóstico",
       x = NULL, y = "Episodios")

Interpretación: la insuficiencia cardíaca aparece con más frecuencia como diagnóstico secundario (78,3% de la cohorte) que como diagnóstico principal (21,7%). Esto sugiere que, dentro de los egresos GRD 2024, la insuficiencia cardíaca actúa mayoritariamente como comorbilidad relevante que acompaña a otras causas de hospitalización, más que como el motivo primario de ingreso.

4.3 Distribución trimestral y variación

La distribución temporal se calculó sobre FECHAALTA (fecha de egreso), ya que es el campo que define la pertenencia del episodio al año de la base: el 100% de los egresos hospitalarios tiene FECHAALTA en 2024, mientras que un porcentaje menor de los ingresos (FECHA_INGRESO) corresponde a fines de 2023 (hospitalizaciones que se prolongaron entre ambos años). Además de los conteos, se calcula la participación porcentual de la cohorte sobre el total de egresos hospitalarios de cada trimestre: un aumento de episodios I50 no es necesariamente específico de la enfermedad si la actividad hospitalaria total también crece en el mismo período: solo la participación porcentual permite distinguir ambos escenarios.

cohorte[, fecha_alta_d := as.Date(FECHAALTA)]
cohorte[, trimestre := paste0("T", as.integer(substr(quarters(fecha_alta_d), 2, 2)))]

base_hosp[, fecha_alta_d := as.Date(FECHAALTA)]
base_hosp[, trimestre := paste0("T", as.integer(substr(quarters(fecha_alta_d), 2, 2)))]
tot_trim <- base_hosp[, .(total_egresos = .N), by = trimestre]

tab_trim <- cohorte[, .(episodios = .N), by = trimestre][order(trimestre)]
tab_trim <- merge(tab_trim, tot_trim, by = "trimestre", sort = FALSE)
setorder(tab_trim, trimestre)
tab_trim[, participacion := 100 * episodios / total_egresos]
tab_trim[, var_absoluta := episodios - shift(episodios)]
tab_trim[, var_relativa := round(100 * var_absoluta / shift(episodios), 1)]
tab_trim[, var_participacion := round(participacion - shift(participacion), 2)]

tab_trim_show <- copy(tab_trim)
tab_trim_show[, episodios := fnum(episodios)]
tab_trim_show[, total_egresos := fnum(total_egresos)]
tab_trim_show[, participacion := fpct(participacion, 2)]
tab_trim_show[, var_absoluta := ifelse(is.na(var_absoluta), "—", fnum(var_absoluta))]
tab_trim_show[, var_relativa := ifelse(is.na(var_relativa), "—", paste0(ifelse(var_relativa>0,"+",""), fnum(var_relativa,1), "%"))]
tab_trim_show[, var_participacion := ifelse(is.na(var_participacion), "—",
                                             paste0(ifelse(var_participacion>0,"+",""), fnum(var_participacion,2), " p.p."))]
setnames(tab_trim_show, c("Trimestre", "Episodios I50", "Total egresos hospitalarios", "% de I50 sobre el total",
                          "Var. absoluta episodios", "Var. relativa episodios", "Var. participación (p.p.)"))
tabla_html(tab_trim_show, caption = "Distribución trimestral de la cohorte, participación sobre el total de egresos y variación entre trimestres consecutivos (según fecha de egreso)")
Distribución trimestral de la cohorte, participación sobre el total de egresos y variación entre trimestres consecutivos (según fecha de egreso)
Trimestre Episodios I50 Total egresos hospitalarios % de I50 sobre el total Var. absoluta episodios Var. relativa episodios Var. participación (p.p.)
T1 11.517 212.586 5,42% — — —
T2 12.720 218.126 5,83% 1.203 +10,4% +0,41 p.p.
T3 14.408 221.759 6,50% 1.688 +13,3% +0,67 p.p.
T4 13.667 221.301 6,18% -741 -5,1% -0,32 p.p. 
p1 <- ggplot(tab_trim, aes(x = trimestre, y = episodios)) +
  geom_col(fill = paleta[1], width = 0.55) +
  geom_text(aes(label = fnum(episodios)), vjust = -0.4, size = 3.6) +
  scale_y_continuous(labels = fnum, expand = expansion(mult = c(0, 0.18))) +
  labs(title = "Episodios I50 por trimestre", x = "Trimestre", y = "Episodios")

p2 <- ggplot(tab_trim, aes(x = trimestre, y = participacion, group = 1)) +
  geom_line(color = paleta[2], linewidth = 1) +
  geom_point(color = paleta[2], size = 2.5) +
  geom_text(aes(label = fpct(participacion, 2)), vjust = -1, size = 3.6) +
  scale_y_continuous(labels = function(x) fpct(x, 1), expand = expansion(mult = c(0.15, 0.25))) +
  labs(title = "Participación de I50 sobre el total de egresos", x = "Trimestre", y = "% del total")

gridExtra::grid.arrange(p1, p2, ncol = 2)

Interpretación: el número de episodios aumenta de forma sostenida entre el primer trimestre (11.517) y el tercero (14.408), con un incremento relativo de 10,4% entre T1 y T2 y de 13,3% entre T2 y T3, para luego descender 5,1% en T4. Estas dos variaciones (T1→T2 y T2→T3) son comparaciones distintas y no deben promediarse ni citarse de forma intercambiable. Este mismo patrón se observa en la participación porcentual de la cohorte sobre el total de egresos hospitalarios: sube de 5,42% en T1 a 6,50% en T3, lo que indica que el aumento no se explica solo por una mayor actividad hospitalaria general en esos trimestres, sino que I50 gana peso relativo dentro de esa actividad. El patrón es compatible con la mayor frecuencia de descompensaciones cardíacas asociadas a cuadros respiratorios invernales, aunque este informe no evalúa causalidad.

5 Caracterización de los episodios

Los episodios con insuficiencia cardíaca como diagnóstico principal y aquellos donde aparece solo como diagnóstico secundario representan situaciones clínicas distintas (en el primer grupo motivó la hospitalización; en el segundo acompañó otra causa de ingreso). Por eso, cada variable de esta sección se describe por separado según ese rol diagnóstico (rol), y además se contrasta contra una referencia de comparación: la misma medida calculada sobre base_hosp, es decir, sobre el total de egresos hospitalarios de la base 2024 (con y sin I50), que es lo que permite dimensionar si estos episodios son o no distintos del resto de la actividad hospitalaria.

cohorte[, fecha_ingreso_d := as.Date(FECHA_INGRESO)]
cohorte[, fecha_nac_d := as.Date(FECHA_NACIMIENTO)]

cohorte[, edad := as.numeric(difftime(fecha_ingreso_d, fecha_nac_d, units = "days")) / 365.25]
cohorte[, estancia := as.numeric(difftime(fecha_alta_d, fecha_ingreso_d, units = "days"))]
cohorte[, peso_grd := as.numeric(gsub(",", ".", IR_29301_PESO))]
cohorte[, rol := factor(ifelse(es_principal_final, "Principal", "Secundario"),
                         levels = c("Principal", "Secundario"))]

# Puntos de corte con right = FALSE: un episodio de 44,9 años queda en "< 45" y uno de
# 45,0 años en "45-64" (con right = TRUE, que es el valor por defecto, un episodio de 44,3
# años quedaba incorrectamente asignado a "45-64").
cohorte[, grupo_etario := cut(edad,
                               breaks = c(-Inf, 45, 65, 75, 85, Inf), right = FALSE,
                               labels = c("< 45", "45-64", "65-74", "75-84", "85 y más"))]

sev_lab <- c("0" = "0 · Sin gravedad", "1" = "1 · Menor", "2" = "2 · Moderada", "3" = "3 · Mayor")
mort_lab <- c("0" = "0 · Sin gravedad", "1" = "1 · Menor", "2" = "2 · Moderada", "3" = "3 · Mayor")
cohorte[, severidad_lab := factor(ifelse(IR_29301_SEVERIDAD %in% names(sev_lab),
                                          sev_lab[IR_29301_SEVERIDAD], "Sin información"),
                                   levels = c(sev_lab, "Sin información"))]
cohorte[, mortalidad_lab := factor(ifelse(IR_29301_MORTALIDAD %in% names(mort_lab),
                                           mort_lab[IR_29301_MORTALIDAD], "Sin información"),
                                    levels = c(mort_lab, "Sin información"))]

# Mismas variables sobre la base general de egresos hospitalarios (con y sin I50), para
# usarlas como referencia de comparación en cada resumen de esta sección.
base_hosp[, fecha_ingreso_d := as.Date(FECHA_INGRESO)]
base_hosp[, fecha_nac_d := as.Date(FECHA_NACIMIENTO)]
base_hosp[, edad := as.numeric(difftime(fecha_ingreso_d, fecha_nac_d, units = "days")) / 365.25]
base_hosp[, estancia := as.numeric(difftime(fecha_alta_d, fecha_ingreso_d, units = "days"))]
base_hosp[, peso_grd := as.numeric(gsub(",", ".", IR_29301_PESO))]

resumen_numerico <- function(x, dec = 0) {
  data.table(N = fnum(sum(!is.na(x))),
             Mínimo = fnum(min(x, na.rm = TRUE), dec),
             `Percentil 25` = fnum(quantile(x, .25, na.rm = TRUE), dec),
             Mediana = fnum(median(x, na.rm = TRUE), dec),
             Media = fnum(mean(x, na.rm = TRUE), dec),
             `Percentil 75` = fnum(quantile(x, .75, na.rm = TRUE), dec),
             Máximo = fnum(max(x, na.rm = TRUE), dec))
}

tabla_por_rol <- function(var, dec = 0) {
  tab <- cohorte[, resumen_numerico(get(var), dec), by = rol]
  ref <- data.table(rol = "Base general (todos los egresos hospitalarios)")
  ref <- cbind(ref, resumen_numerico(base_hosp[[var]], dec))
  out <- rbind(tab, ref)
  setnames(out, "rol", "Grupo")
  out
}

5.1 Edad y grupos etarios

tabla_html(tabla_por_rol("edad", 1),
           caption = "Edad (años) por rol diagnóstico, con la base general de egresos hospitalarios como referencia (N = observaciones válidas)")
Edad (años) por rol diagnóstico, con la base general de egresos hospitalarios como referencia (N = observaciones válidas)
Grupo N Mínimo Percentil 25 Mediana Media Percentil 75 Máximo
Secundario 40.981 0,0 64,3 73,6 71,7 81,6 104,4
Principal 11.331 0,0 63,5 72,8 71,4 81,3 108,0
Base general (todos los egresos hospitalarios) 873.719 0,0 25,3 44,2 44,8 66,9 108,0 
ggplot(cohorte[!is.na(grupo_etario)], aes(x = grupo_etario, fill = rol)) +
  geom_bar(position = "dodge") +
  geom_text(stat = "count", aes(label = fnum(after_stat(count))),
            position = position_dodge(width = 0.9), vjust = -0.4, size = 3.2) +
  scale_fill_manual(values = paleta[c(1,2)], name = "Rol diagnóstico") +
  scale_y_continuous(labels = fnum, expand = expansion(mult = c(0, 0.15))) +
  labs(title = "Episodios por grupo etario y rol diagnóstico",
       x = "Grupo etario", y = "Episodios")

Interpretación: la edad mediana es similar entre ambos grupos — 72,8 años cuando la insuficiencia cardíaca es diagnóstico principal y 73,6 años cuando es secundario—, pero ambas superan ampliamente la mediana de la base general de egresos hospitalarios (44,2 años). Esto confirma que, independientemente del rol diagnóstico, los episodios con insuficiencia cardíaca ocurren en una población sistemáticamente mayor que la del resto de la actividad hospitalaria. En ambos grupos, más de dos tercios de los episodios ocurre en personas de 65 años o más.

5.2 Sexo

tab_sexo_rol <- cohorte[, .(episodios = .N), by = .(rol, SEXO)]
tab_sexo_rol[, pct_dentro_rol := 100 * episodios / sum(episodios), by = rol]
tab_sexo_wide <- dcast(tab_sexo_rol, SEXO ~ rol, value.var = c("episodios", "pct_dentro_rol"), fill = 0)
tab_sexo_show <- tab_sexo_wide[, .(SEXO,
                                    `Principal (n)` = fnum(episodios_Principal),
                                    `Principal (%)` = fpct(pct_dentro_rol_Principal),
                                    `Secundario (n)` = fnum(episodios_Secundario),
                                    `Secundario (%)` = fpct(pct_dentro_rol_Secundario))]
tabla_html(tab_sexo_show, caption = "Episodios por sexo y rol diagnóstico (% calculado dentro de cada rol)")
Episodios por sexo y rol diagnóstico (% calculado dentro de cada rol)
SEXO Principal (n) Principal (%) Secundario (n) Secundario (%)
DESCONOCIDO 0 0,0% 1 0,0%
HOMBRE 5.824 51,4% 20.870 50,9%
MUJER 5.507 48,6% 20.110 49,1% 
ggplot(tab_sexo_rol, aes(x = reorder(SEXO, -episodios), y = episodios, fill = rol)) +
  geom_col(position = "dodge") +
  geom_text(aes(label = fnum(episodios)), position = position_dodge(width = 0.9), vjust = -0.4, size = 3.4) +
  scale_fill_manual(values = paleta[c(1,2)], name = "Rol diagnóstico") +
  scale_y_continuous(labels = fnum, expand = expansion(mult = c(0, 0.15))) +
  labs(title = "Episodios por sexo y rol diagnóstico", x = NULL, y = "Episodios")

Interpretación: la distribución por sexo es prácticamente idéntica en ambos grupos — alrededor de 51% hombres y 49% mujeres tanto cuando la insuficiencia cardíaca es diagnóstico principal como cuando es secundario—, por lo que el rol diagnóstico no está asociado a una composición por sexo distinta. El registro sin información (SEXO = "DESCONOCIDO") es marginal (un solo episodio).

5.3 Duración de la estancia

La estancia es una variable con distribución asimétrica hacia la derecha (algunos episodios muy prolongados), por lo que se reporta mediana y rango intercuartílico en vez del promedio, conforme al criterio estadístico de la pauta.

tabla_html(tabla_por_rol("estancia", 0),
           caption = "Estancia (días) por rol diagnóstico, con la base general de egresos hospitalarios como referencia (N = observaciones válidas)")
Estancia (días) por rol diagnóstico, con la base general de egresos hospitalarios como referencia (N = observaciones válidas)
Grupo N Mínimo Percentil 25 Mediana Media Percentil 75 Máximo
Secundario 40.981 0 3 7 12 14 645
Principal 11.331 0 3 6 8 10 263
Base general (todos los egresos hospitalarios) 873.720 0 2 3 7 7 661 
p99_est <- quantile(cohorte$estancia, .99, na.rm = TRUE)
ggplot(cohorte[estancia <= p99_est], aes(x = estancia, fill = rol)) +
  geom_histogram(binwidth = 2, boundary = 0, position = "identity", alpha = 0.55) +
  geom_vline(data = cohorte[, .(mediana = median(estancia, na.rm = TRUE)), by = rol],
             aes(xintercept = mediana, color = rol), linetype = "dashed", linewidth = 0.8) +
  scale_fill_manual(values = paleta[c(1,2)], name = "Rol diagnóstico") +
  scale_color_manual(values = paleta[c(1,2)], guide = "none") +
  labs(title = "Distribución de la estancia hospitalaria por rol diagnóstico",
       subtitle = "Recortada al percentil 99 para visualización; líneas punteadas = mediana de cada grupo",
       x = "Estancia (días)", y = "Episodios")

Interpretación: la estancia mediana es de 7 días cuando la insuficiencia cardíaca es diagnóstico secundario (RIC 3-14) y de 6 días cuando es diagnóstico principal (RIC 3-10). La estancia es más larga cuando I50 es secundaria, lo esperable si la duración depende principalmente de la causa de ingreso y la descompensación cardíaca se suma como complicación. Ambos grupos superan con holgura la mediana de la base general de egresos hospitalarios (3 días, RIC 2-7), lo que confirma que los episodios de esta cohorte —con cualquier rol diagnóstico— son más prolongados que el resto de la actividad hospitalaria. En ambos grupos la media supera bastante a la mediana, lo que confirma la asimetría de la variable y justifica reportar mediana y RIC en lugar del promedio.

5.4 Condición de egreso

tab_alta <- cohorte[, .(episodios = .N), by = TIPOALTA][order(-episodios)]
tab_alta[, pct := fpct(100*episodios/n_final)]
tabla_html(copy(tab_alta)[, episodios := fnum(episodios)],
           caption = "Condición de egreso de la cohorte final (% sobre el total de la cohorte)")
Condición de egreso de la cohorte final (% sobre el total de la cohorte)
TIPOALTA episodios pct
DOMICILIO 36.464 69,7%
HOSPITALIZACIÓN DOMICILIARIA 5.827 11,1%
FALLECIDO 5.231 10,0%
DERIVACIÓN OTRO HOSPITAL DEL SERVICIO 2.617 5,0%
DERIVACIÓN OTRO HOSPITAL DE LA RED NACIONAL 838 1,6%
ALTA VOLUNTARIA 594 1,1%
DERIVACIÓN INST. PRIVADA (COMPRA DE SERVICIOS 419 0,8%
DERIVACIÓN A OTROS CENTROS (CÁRCEL, HOGAR DE 186 0,4%
FUGA DEL PACIENTE 86 0,2%
DERIVACIÓN INST. PRIVADA (VOLUNTARIO) 50 0,1% 
ggplot(tab_alta, aes(x = reorder(TIPOALTA, episodios), y = episodios)) +
  geom_col(fill = paleta[1]) +
  coord_flip() +
  scale_x_discrete(labels = wrap_lbl) +
  scale_y_continuous(labels = fnum, expand = expansion(mult = c(0, 0.12))) +
  labs(title = "Condición de egreso de los episodios",
       x = NULL, y = "Episodios")

La condición de egreso —y en particular la mortalidad intrahospitalaria— también se describe por separado según el rol diagnóstico, porque agregarla en una sola cifra mezcla dos poblaciones con severidad de base distinta.

tab_alta_rol <- cohorte[, .(episodios = .N), by = .(rol, TIPOALTA)]
tab_alta_rol[, pct := 100 * episodios / sum(episodios), by = rol]

tab_mort_rol <- cohorte[, .(episodios = .N, fallecidos = sum(TIPOALTA == "FALLECIDO")), by = rol]
tab_mort_rol[, pct_mortalidad := fpct(100 * fallecidos / episodios, 1)]
tab_mort_show <- copy(tab_mort_rol)[, `:=`(episodios = fnum(episodios), fallecidos = fnum(fallecidos))]
setnames(tab_mort_show, c("Rol diagnóstico", "Episodios", "Fallecidos", "% mortalidad intrahospitalaria"))
tabla_html(tab_mort_show, caption = "Mortalidad intrahospitalaria por rol diagnóstico")
Mortalidad intrahospitalaria por rol diagnóstico
Rol diagnóstico Episodios Fallecidos % mortalidad intrahospitalaria
Secundario 40.981 4.423 10,8%
Principal 11.331 808 7,1% 
ggplot(tab_alta_rol, aes(x = reorder(TIPOALTA, pct), y = pct, fill = rol)) +
  geom_col(position = "dodge") +
  coord_flip() +
  scale_x_discrete(labels = wrap_lbl) +
  scale_fill_manual(values = paleta[c(1,2)], name = "Rol diagnóstico") +
  scale_y_continuous(labels = function(x) fpct(x, 0), expand = expansion(mult = c(0, 0.12))) +
  labs(title = "Condición de egreso por rol diagnóstico",
       subtitle = "% calculado dentro de cada rol (no sobre el total de la cohorte)",
       x = NULL, y = "% dentro del rol")

Interpretación: la mayoría de los episodios termina en alta a domicilio (69,7% del total de la cohorte), pero la mortalidad intrahospitalaria difiere claramente según el rol diagnóstico: 10,8% de los episodios donde I50 es diagnóstico secundario termina en fallecimiento, frente a 7,1% cuando es diagnóstico principal. Esto es clínicamente esperable: cuando la insuficiencia cardíaca complica otra causa de ingreso, suele reflejar un paciente de base más grave que cuando la insuficiencia cardíaca es en sí misma el motivo de hospitalización. Una cifra única de mortalidad para toda la cohorte ocultaría esta diferencia. La hospitalización domiciliaria como destino de alta también es algo más frecuente en el grupo secundario, consistente con estancias más prolongadas y mayor comorbilidad.

5.5 Peso GRD y severidad

tabla_html(tabla_por_rol("peso_grd", 2),
           caption = "Peso GRD por rol diagnóstico, con la base general de egresos hospitalarios como referencia (N = observaciones válidas)")
Peso GRD por rol diagnóstico, con la base general de egresos hospitalarios como referencia (N = observaciones válidas)
Grupo N Mínimo Percentil 25 Mediana Media Percentil 75 Máximo
Secundario 40.979 0,35 0,79 1,07 1,58 1,65 17,14
Principal 11.331 0,47 0,63 1,01 1,12 1,01 17,14
Base general (todos los egresos hospitalarios) 873.757 0,00 0,52 0,77 1,07 1,15 20,65 
tab_sev <- cohorte[, .(episodios = .N), by = .(rol, severidad_lab)]
tab_sev[, pct := 100 * episodios / sum(episodios), by = rol]
tab_sev_wide <- dcast(tab_sev, severidad_lab ~ rol, value.var = c("episodios", "pct"), fill = 0)
tab_sev_show <- tab_sev_wide[, .(`Nivel de severidad` = severidad_lab,
                                  `Principal (n)` = fnum(episodios_Principal),
                                  `Principal (%)` = fpct(pct_Principal),
                                  `Secundario (n)` = fnum(episodios_Secundario),
                                  `Secundario (%)` = fpct(pct_Secundario))]
tabla_html(tab_sev_show, caption = "Episodios por nivel de severidad GRD y rol diagnóstico (% dentro de cada rol)")
Episodios por nivel de severidad GRD y rol diagnóstico (% dentro de cada rol)
Nivel de severidad Principal (n) Principal (%) Secundario (n) Secundario (%)
1 · Menor 721 6,4% 13 0,0%
2 · Moderada 2.781 24,5% 17.050 41,6%
3 · Mayor 7.829 69,1% 23.916 58,4%
Sin información 0 0,0% 2 0,0%

El peso GRD de un episodio se calcula, precisamente, a partir de su código GRD y de su nivel de severidad; por eso la relación entre ambas variables es en gran medida definicional y no un hallazgo independiente. Se muestra igualmente porque permite verificar que el agrupador se comportó como se espera dentro de esta cohorte, pero la comparación relevante para dimensionar la enfermedad es la de la tabla anterior: el peso GRD de la cohorte frente al de la base general.

ggplot(cohorte, aes(x = severidad_lab, y = peso_grd, fill = rol)) +
  geom_boxplot(outlier.alpha = 0.12, outlier.size = 0.5, position = position_dodge(width = 0.8)) +
  scale_fill_manual(values = paleta[c(1,2)], name = "Rol diagnóstico") +
  labs(title = "Peso GRD según nivel de severidad y rol diagnóstico",
       x = "Nivel de severidad", y = "Peso GRD") +
  theme(axis.text.x = element_text(angle = 15, hjust = 1))

Interpretación: el peso GRD mediano de la cohorte (1,01) es claramente superior al de la base general de egresos hospitalarios (0,77), lo que indica que, en promedio, estos episodios consumen más recursos que el episodio hospitalario general de la base 2024 —esta es la comparación que dimensiona la carga de la enfermedad, y no la relación con la severidad, que es esperable por construcción del agrupador. Dentro de cada nivel de severidad, los episodios donde I50 es diagnóstico secundario muestran pesos algo más altos y dispersos que aquellos donde es principal, compatible con la comorbilidad adicional que suele acompañar a esos casos.

5.6 Grupos Relacionados de Diagnóstico (GRD) más frecuentes

irgrd <- as.data.table(read_excel("Tablas_maestras_GRD.xlsx", sheet = "IR - GRD"))
setnames(irgrd, c("cod_grd", "descripcion_grd"))
irgrd[, cod_grd := as.character(cod_grd)]

cohorte[, cod_grd_norm := sub("^0+", "", IR_29301_COD_GRD)]
top_grd <- cohorte[, .(episodios = .N), by = cod_grd_norm][order(-episodios)][1:8]
top_grd <- merge(top_grd, irgrd, by.x = "cod_grd_norm", by.y = "cod_grd", all.x = TRUE, sort = FALSE)
top_grd <- top_grd[order(-episodios)]
setnames(top_grd, "cod_grd_norm", "Código GRD")
setnames(top_grd, "descripcion_grd", "Descripción")
tabla_html(copy(top_grd)[, episodios := fnum(episodios)][, .(`Código GRD`, Descripción, episodios)],
           caption = "GRD más frecuentes dentro de la cohorte de insuficiencia cardíaca (top 8)")
GRD más frecuentes dentro de la cohorte de insuficiencia cardíaca (top 8)
Código GRD Descripción episodios
54123 MH INSUFICIENCIA CARDIACA W/MCC 6.946
44163 MH NEUMONÍA SIMPLE Y TOS FERINA W/MCC 2.738
54122 MH INSUFICIENCIA CARDIACA W/CC 2.450
44173 MH ENFERMEDAD PULMONAR OBSTRUCTIVA CRÓNICA W/MCC 1.534
41023 PH VENTILACIÓN MECÁNICA PROLONGADA SIN TRAQUEOSTOMÍA W/MCC 1.431
41203 PH PROCEDIMIENTOS NO COMPLEJOS SOBRE APARATO RESPIRATORIO W/MCC 1.215
51152 PH CATETERISMO CARDIACO W/CC 1.000
44153 MH INFECCIONES E INFLAMACIONES RESPIRATORIAS W/MCC 939

Interpretación: los dos GRD más frecuentes corresponden directamente a insuficiencia cardíaca con y sin complicación mayor (MH Insuficiencia Cardíaca W/MCC y W/CC), coherente con los episodios donde la enfermedad es diagnóstico principal. El resto de la lista está dominado por GRD respiratorios (neumonía, EPOC, ventilación mecánica prolongada) y cardiovasculares (cateterismo, procedimientos percutáneos, arritmias), lo que confirma que buena parte de la cohorte corresponde a episodios donde la insuficiencia cardíaca es una comorbilidad relevante de otra causa de ingreso.

6 Distribución territorial e institucional

6.1 Servicios de salud y regiones

ss_region <- c(
  "ARICA" = "Arica y Parinacota",
  "IQUIQUE" = "Tarapacá",
  "ANTOFAGASTA" = "Antofagasta",
  "ATACAMA" = "Atacama",
  "COQUIMBO" = "Coquimbo",
  "VALPARAISO SAN ANTONIO" = "Valparaíso",
  "VIÑA DEL MAR QUILLOTA" = "Valparaíso",
  "ACONCAGUA" = "Valparaíso",
  "METROPOLITANO NORTE" = "Metropolitana",
  "METROPOLITANO OCCIDENTE" = "Metropolitana",
  "METROPOLITANO CENTRAL" = "Metropolitana",
  "METROPOLITANO ORIENTE" = "Metropolitana",
  "METROPOLITANO SUR" = "Metropolitana",
  "METROPOLITANO SURORIENTE" = "Metropolitana",
  "LIBERTADOR B. O HIGGINS" = "O'Higgins",
  "DEL MAULE" = "Maule",
  "ÑUBLE" = "Ñuble",
  "CONCEPCIÓN" = "Biobío",
  "TALCAHUANO" = "Biobío",
  "BIOBIO" = "Biobío",
  "ARAUCO" = "Biobío",
  "ARAUCANÍA NORTE" = "Araucanía",
  "ARAUCANÍA SUR" = "Araucanía",
  "DEL RELONCAVÍ" = "Los Lagos",
  "OSORNO" = "Los Lagos",
  "CHILOÉ" = "Los Lagos",
  "VALDIVIA" = "Los Ríos",
  "AYSEN" = "Aysén",
  "MAGALLANES" = "Magallanes"
)
cohorte[, region := ifelse(SERVICIO_SALUD %in% names(ss_region), ss_region[SERVICIO_SALUD], "Sin información")]

tab_ss <- cohorte[, .(episodios = .N), by = SERVICIO_SALUD][order(-episodios)][1:10]
tabla_html(copy(tab_ss)[, episodios := fnum(episodios)],
           caption = "Servicios de salud con mayor número de episodios (top 10)")
Servicios de salud con mayor número de episodios (top 10)
SERVICIO_SALUD episodios
METROPOLITANO SURORIENTE 5.078
DEL MAULE 4.384
METROPOLITANO SUR 3.619
METROPOLITANO OCCIDENTE 3.293
METROPOLITANO CENTRAL 2.918
CONCEPCIÓN 2.674
ARAUCANÍA SUR 2.619
LIBERTADOR B. O HIGGINS 2.218
METROPOLITANO ORIENTE 2.184
ÑUBLE 2.127 
tab_region <- cohorte[, .(episodios = .N), by = region][order(-episodios)]
tabla_html(copy(tab_region)[, episodios := fnum(episodios)],
           caption = "Episodios por región (agregación de servicios de salud)")
Episodios por región (agregación de servicios de salud)
region episodios
Metropolitana 18.455
Biobío 6.831
Valparaíso 5.024
Maule 4.384
Araucanía 3.361
Los Lagos 3.334
O’Higgins 2.218
Ñuble 2.127
Coquimbo 1.778
Los Ríos 1.115
Antofagasta 862
Atacama 741
Magallanes 624
Tarapacá 602
Arica y Parinacota 500
Aysén 335
Sin información 21 
ggplot(tab_ss, aes(x = reorder(SERVICIO_SALUD, episodios), y = episodios)) +
  geom_col(fill = paleta[1]) +
  coord_flip() +
  scale_y_continuous(labels = fnum, expand = expansion(mult = c(0, 0.12))) +
  labs(title = "Servicios de salud con mayor número de episodios",
       x = NULL, y = "Episodios")

Interpretación: el Servicio de Salud Metropolitano Suroriente concentra el mayor número absoluto de episodios (5.078), seguido por Del Maule y Metropolitano Sur. A nivel de región, la Región Metropolitana concentra la mayor cantidad de episodios en términos absolutos —esperable por su mayor población y oferta hospitalaria—, pero esto no implica necesariamente una mayor concentración relativa de la enfermedad, como se examina a continuación con los establecimientos.

6.2 Establecimientos con mayor volumen de episodios

hosp <- as.data.table(read_excel("Tablas_maestras_GRD.xlsx", sheet = "Hospitales"))
setnames(hosp, c("cod_hospital", "nombre_hospital"))
hosp[, cod_hospital := as.character(as.integer(cod_hospital))]

top_hosp <- cohorte[, .(episodios = .N), by = COD_HOSPITAL][order(-episodios)][1:10]
top_hosp <- merge(top_hosp, hosp, by.x = "COD_HOSPITAL", by.y = "cod_hospital", all.x = TRUE, sort = FALSE)
top_hosp[is.na(nombre_hospital), nombre_hospital := paste0("Cód. ", COD_HOSPITAL, " (sin nombre en tabla maestra)")]
top_hosp <- top_hosp[order(-episodios)]
tabla_html(copy(top_hosp)[, episodios := fnum(episodios)][, .(Establecimiento = nombre_hospital, `Código` = COD_HOSPITAL, episodios)],
           caption = "Establecimientos con mayor número absoluto de episodios (top 10)")
Establecimientos con mayor número absoluto de episodios (top 10)
Establecimiento Código episodios
Complejo Hospitalario Dr. Sótero del Río (Santiago, Puente Alto) 114101 3.138
Hospital Clínico Regional Dr. Guillermo Grant Benavente (Concepción) 118100 2.078
Hospital Barros Luco Trudeau (Santiago, San Miguel) 113100 1.987
Hospital Regional de Rancagua 115100 1.611
Complejo Asistencial Dr. Víctor Ríos Ruiz (Los Ángeles) 120101 1.606
Hospital Dr. Félix Bulnes Cerda (Santiago, Quinta Normal) 110120 1.492
Hospital de Puerto Montt 124105 1.475
Hospital Dr. César Garavagno Burotto (Talca) 116105 1.452
Hospital Las Higueras (Talcahuano) 119100 1.386
Hospital Clínico Herminda Martín (Chillán) 117101 1.382 
ggplot(top_hosp, aes(x = reorder(nombre_hospital, episodios), y = episodios)) +
  geom_col(fill = paleta[1]) +
  coord_flip() +
  scale_x_discrete(labels = wrap_lbl) +
  scale_y_continuous(labels = fnum, expand = expansion(mult = c(0, 0.12))) +
  labs(title = "Establecimientos con mayor número de episodios",
       x = NULL, y = "Episodios")

Interpretación: el Complejo Hospitalario Dr. Sótero del Río concentra el mayor volumen absoluto de episodios (3.138), seguido por el Hospital Regional de Concepción y el Hospital Barros Luco Trudeau. Son, en general, grandes hospitales de alta complejidad con población asignada numerosa, por lo que su volumen alto es esperable y no implica por sí solo una mayor concentración relativa de la enfermedad dentro de su propia actividad.

6.3 Establecimientos donde la enfermedad representa una mayor proporción de su actividad

La estabilidad de una proporción depende del tamaño de su denominador (el total de egresos del establecimiento), no del numerador (los episodios de I50). Restringir el análisis a establecimientos con muchos episodios de I50 no evita que un establecimiento con un denominador pequeño muestre un porcentaje inestable; por eso el umbral se aplica sobre el total de egresos del establecimiento, y cada proporción se acompaña de un intervalo de confianza del 95% (método de Wilson) que cuantifica esa incertidumbre.

tot_hosp <- base_hosp[, .(total_egresos = .N), by = COD_HOSPITAL]
prop_hosp <- cohorte[, .(episodios_i50 = .N), by = COD_HOSPITAL]
prop_hosp <- merge(prop_hosp, tot_hosp, by = "COD_HOSPITAL")
prop_hosp[, pct := 100 * episodios_i50 / total_egresos]
prop_hosp <- cbind(prop_hosp, wilson_ci(prop_hosp$episodios_i50, prop_hosp$total_egresos))
prop_hosp <- merge(prop_hosp, hosp, by.x = "COD_HOSPITAL", by.y = "cod_hospital", all.x = TRUE, sort = FALSE)
prop_hosp[is.na(nombre_hospital), nombre_hospital := paste0("Cód. ", COD_HOSPITAL)]

umbral_egresos <- 500
top_prop <- prop_hosp[total_egresos >= umbral_egresos][order(-pct)][1:10]
top_prop[, ic95 := paste0(fnum(ci_lo,1), "%-", fnum(ci_hi,1), "%")]
tabla_html(copy(top_prop)[, `:=`(episodios_i50 = fnum(episodios_i50),
                                   total_egresos = fnum(total_egresos),
                                   pct = fpct(pct))][, .(Establecimiento = nombre_hospital,
                                                          `Episodios I50` = episodios_i50,
                                                          `Total egresos del establecimiento` = total_egresos,
                                                          `% de su propia actividad` = pct,
                                                          `IC 95% (Wilson)` = ic95)],
           caption = paste0("Establecimientos donde la insuficiencia cardíaca representa mayor proporción de su propia actividad (mínimo ",
                             fnum(umbral_egresos), " egresos hospitalarios totales en el establecimiento)"))
Establecimientos donde la insuficiencia cardíaca representa mayor proporción de su propia actividad (mínimo 500 egresos hospitalarios totales en el establecimiento)
Establecimiento Episodios I50 Total egresos del establecimiento % de su propia actividad IC 95% (Wilson)
Instituto Nacional de Enfermedades Respiratorias y Cirugía Torácica 717 3.951 18,1% 17,0%-19,4%
Hospital de Constitución 369 2.796 13,2% 12,0%-14,5%
Hospital de Tomé 375 3.210 11,7% 10,6%-12,8%
Hospital de Pitrufquén 311 2.904 10,7% 9,6%-11,9%
Hospital de Urgencia Asistencia Pública Dr. Alejandro del Río 1.237 11.565 10,7% 10,1%-11,3%
Hospital Penco - Lirquén 293 2.751 10,7% 9,6%-11,9%
Hospital de Lota 406 4.113 9,9% 9,0%-10,8%
Hospital de San Carlos 695 7.112 9,8% 9,1%-10,5%
Hospital Intercultural de Nueva Imperial 396 4.133 9,6% 8,7%-10,5%
Hospital Dr. Abraham Godoy (Lautaro) 255 2.724 9,4% 8,3%-10,5%

Interpretación: el establecimiento con mayor peso relativo es el Instituto Nacional de Enfermedades Respiratorias y Cirugía Torácica, donde la insuficiencia cardíaca explica 18,1% de sus egresos hospitalarios totales (IC 95% 17,0%-19,4%), muy por encima de hospitales con volumen absoluto mucho mayor pero actividad más diversificada (como el Complejo Sótero del Río, donde la enfermedad representa una fracción menor de su actividad total). Que el primer lugar corresponda a un instituto especializado en enfermedades respiratorias —no a un hospital general— es un motivo adicional para interpretar este ranking con cautela: su actividad no es representativa de un hospital general y la comorbilidad cardiorrespiratoria puede sobrerrepresentar a I50 en su casuística. En este caso el umbral por denominador no cambia la lista respecto de exigir un mínimo de casos de I50, porque los 72 establecimientos que registran al menos un episodio I50 tienen, todos, más de 500 egresos totales; el intervalo de confianza es, de todas formas, la forma correcta de comunicar cuánta certeza hay detrás de cada porcentaje, independientemente del umbral usado para filtrar la tabla.

6.4 Variabilidad de estancia y peso GRD entre establecimientos

Esta comparación se restringe a los diez establecimientos de mayor volumen, de modo que describe la variabilidad dentro de ese subgrupo y no necesariamente la del sistema completo; los establecimientos con menor volumen (la mayoría de los 72 que registran algún episodio I50) no están representados aquí.

var_hosp <- cohorte[, .(episodios = .N,
                         mediana_estancia = median(estancia, na.rm = TRUE),
                         ric_estancia = paste0(fnum(quantile(estancia,.25,na.rm=TRUE)), "-", fnum(quantile(estancia,.75,na.rm=TRUE))),
                         mediana_peso = round(median(peso_grd, na.rm = TRUE), 2)),
                     by = COD_HOSPITAL][episodios >= 30]
var_hosp <- merge(var_hosp, hosp, by.x = "COD_HOSPITAL", by.y = "cod_hospital", all.x = TRUE, sort = FALSE)
var_hosp[is.na(nombre_hospital), nombre_hospital := paste0("Cód. ", COD_HOSPITAL)]
var_hosp <- var_hosp[order(-episodios)][1:10]
tabla_html(copy(var_hosp)[, episodios := fnum(episodios)][, .(Establecimiento = nombre_hospital, episodios,
                                                                 `Mediana estancia (días)` = mediana_estancia,
                                                                 `RIC estancia` = ric_estancia,
                                                                 `Mediana peso GRD` = mediana_peso)],
           caption = "Estancia y peso GRD por establecimiento, top 10 establecimientos por volumen (mínimo 30 episodios)")
Estancia y peso GRD por establecimiento, top 10 establecimientos por volumen (mínimo 30 episodios)
Establecimiento episodios Mediana estancia (días) RIC estancia Mediana peso GRD
Complejo Hospitalario Dr. Sótero del Río (Santiago, Puente Alto) 3.138 4 1-10 1.07
Hospital Clínico Regional Dr. Guillermo Grant Benavente (Concepción) 2.078 6 3-12 1.10
Hospital Barros Luco Trudeau (Santiago, San Miguel) 1.987 7 3-15 1.17
Hospital Regional de Rancagua 1.611 5 3-10 1.01
Complejo Asistencial Dr. Víctor Ríos Ruiz (Los Ángeles) 1.606 6 4-11 1.07
Hospital Dr. Félix Bulnes Cerda (Santiago, Quinta Normal) 1.492 7 3-12 1.01
Hospital de Puerto Montt 1.475 7 4-13 1.01
Hospital Dr. César Garavagno Burotto (Talca) 1.452 8 4-14 1.03
Hospital Las Higueras (Talcahuano) 1.386 6 3-11 1.01
Hospital Clínico Herminda Martín (Chillán) 1.382 6 3-11 1.01 
resumen_var <- var_hosp[, .(mediana_de_medianas = median(mediana_estancia),
                             p25_de_medianas = quantile(mediana_estancia, .25),
                             p75_de_medianas = quantile(mediana_estancia, .75))]

Resumir estas diez medianas solo con su rango (mínimo y máximo) depende exclusivamente de los dos establecimientos más extremos y puede ser inestable; por eso se resumen también con su propia mediana y rango intercuartílico, y se muestra la distribución completa de la estancia (no solo el punto de la mediana) en cada uno de estos establecimientos.

ggplot(cohorte[COD_HOSPITAL %in% var_hosp$COD_HOSPITAL], aes(x = reorder(COD_HOSPITAL, estancia, FUN = median), y = estancia)) +
  geom_boxplot(fill = paleta[1], outlier.alpha = 0.1, outlier.size = 0.5) +
  scale_x_discrete(labels = function(x) wrap_lbl(var_hosp$nombre_hospital[match(x, var_hosp$COD_HOSPITAL)], width = 22)) +
  coord_flip(ylim = c(0, quantile(cohorte$estancia, .97, na.rm = TRUE))) +
  labs(title = "Distribución de la estancia por establecimiento",
       subtitle = "Los diez establecimientos de mayor volumen; eje recortado al percentil 97 para visualización",
       x = NULL, y = "Estancia (días)")

Interpretación: entre estos diez establecimientos, la mediana de estancia va de 4 a 8 días. Esas diez medianas tienen, a su vez, una mediana de 6 días (RIC 6-7), un resumen menos sensible a un único establecimiento atípico que el rango. El boxplot muestra además que la dispersión dentro de cada establecimiento es, en general, mayor que la diferencia entre sus medianas: la variabilidad intra-establecimiento domina por sobre la variabilidad entre-establecimientos. Estas diferencias pueden reflejar distinta complejidad de los casos atendidos, distinta disponibilidad de cupos de hospitalización domiciliaria o de camas de continuidad de cuidados, y no deben interpretarse como una medida directa de calidad de atención sin un ajuste por case-mix, que excede el alcance descriptivo de este informe. Tampoco deben generalizarse al resto de los establecimientos de la base, que no forman parte de esta comparación.

7 Calidad de los datos

7.1 Valores faltantes y categorías desconocidas

n_sin_info <- c(
  sum(cohorte$SEXO == "DESCONOCIDO"),
  sum(cohorte$SERVICIO_SALUD == "DESCONOCIDO"),
  sum(cohorte$TIPO_INGRESO == "DESCONOCIDO"),
  sum(cohorte$IR_29301_SEVERIDAD == "DESCONOCIDO"),
  sum(cohorte$IR_29301_MORTALIDAD == "DESCONOCIDO"),
  sum(is.na(cohorte$peso_grd)),
  sum(!fecha_valida(candidatos$FECHA_INGRESO)),
  sum(!fecha_valida(candidatos$FECHA_NACIMIENTO))
)
denom_sin_info <- c(n_final, n_final, n_final, n_final, n_final, n_final, n_cand, n_cand)

calidad <- data.table(
  Variable = c("SEXO", "SERVICIO_SALUD", "TIPO_INGRESO", "IR_29301_SEVERIDAD",
               "IR_29301_MORTALIDAD", "IR_29301_PESO (peso GRD, tras as.numeric)",
               "FECHA_INGRESO (previo a depuración)", "FECHA_NACIMIENTO (previo a depuración)"),
  `Base de cálculo` = c(rep("Cohorte final", 6), rep("Candidatos (pre-depuración)", 2)),
  `Sin información / DESCONOCIDO` = fnum(n_sin_info),
  `%` = fpct(100 * n_sin_info / denom_sin_info, 2)
)
tabla_html(calidad, caption = "Valores sin información por variable utilizada en el análisis (% calculado sobre la base indicada en cada fila)")
Valores sin información por variable utilizada en el análisis (% calculado sobre la base indicada en cada fila)
Variable Base de cálculo Sin información / DESCONOCIDO %
SEXO Cohorte final 1 0,00%
SERVICIO_SALUD Cohorte final 21 0,04%
TIPO_INGRESO Cohorte final 3 0,01%
IR_29301_SEVERIDAD Cohorte final 2 0,00%
IR_29301_MORTALIDAD Cohorte final 2 0,00%
IR_29301_PESO (peso GRD, tras as.numeric) Cohorte final 2 0,00%
FECHA_INGRESO (previo a depuración) Candidatos (pre-depuración) 2 0,00%
FECHA_NACIMIENTO (previo a depuración) Candidatos (pre-depuración) 1 0,00%

Todas las medidas resumen de esta sección (mediana, media, cuantiles) se calcularon con na.rm = TRUE, lo que excluye del cálculo los valores faltantes de esta tabla. Por eso cada tabla de resumen de la sección “Caracterización de los episodios” incluye una columna N con el número de observaciones efectivamente utilizadas en esa fila, que en general es muy cercano al tamaño de la cohorte o del grupo, salvo en IR_29301_PESO, donde la conversión con as.numeric() puede transformar en NA valores no numéricos de origen (por ejemplo, el texto "DESCONOCIDO"); esa columna N es la forma de detectar ese efecto sin que quede oculto en la tabla.

7.2 Códigos sin clasificación en las tablas maestras

n_grd_desconocido <- sum(cohorte$IR_29301_COD_GRD == "DESCONOCIDO")
n_hosp_sin_tabla <- sum(!(cohorte$COD_HOSPITAL %in% hosp$cod_hospital))
cat("Episodios con código GRD 'DESCONOCIDO' (sin agrupador asignado):", fnum(n_grd_desconocido), "\n")
## Episodios con código GRD 'DESCONOCIDO' (sin agrupador asignado): 2
cat("Episodios cuyo código de hospital no aparece en la tabla maestra de establecimientos:", fnum(n_hosp_sin_tabla))
## Episodios cuyo código de hospital no aparece en la tabla maestra de establecimientos: 514

Los episodios sin código GRD asignado (2) y aquellos cuyo hospital no figura en la tabla maestra (514, correspondiente al código 200717) se mantienen en la cohorte —porque el diagnóstico I50 sí está identificado— pero se excluyen o se marcan como “sin información” en las tablas y figuras que dependen específicamente de esas variables (GRD y nombre de establecimiento, respectivamente).

7.3 Registros duplicados

dup_key_base <- base_hosp[, .(N = .N, n_diag1 = uniqueN(DIAGNOSTICO1), n_tipoalta = uniqueN(TIPOALTA)),
                           by = .(ID_BENEFICIARIO, FECHA_INGRESO, COD_HOSPITAL)]
dup_grupos <- dup_key_base[N > 1]
n_grupos_dup <- nrow(dup_grupos)
n_filas_dup <- sum(dup_grupos$N)
n_dup_iguales <- sum(dup_grupos$n_diag1 == 1 & dup_grupos$n_tipoalta == 1)
n_dup_diag_distinto <- sum(dup_grupos$n_diag1 > 1)

dup_key_cohorte <- cohorte[, .N, by = .(ID_BENEFICIARIO, FECHA_INGRESO, COD_HOSPITAL)]
n_dup_cohorte <- sum(dup_key_cohorte$N > 1)

cat("Base de egresos hospitalarios: combinaciones beneficiario+ingreso+hospital repetidas:",
    fnum(n_grupos_dup), "(", fnum(n_filas_dup), "filas involucradas )\n")
## Base de egresos hospitalarios: combinaciones beneficiario+ingreso+hospital repetidas: 415 ( 874 filas involucradas )
cat("De esas combinaciones, con el mismo DIAGNOSTICO1 y la misma TIPOALTA (más parecido a un duplicado exacto):",
    fnum(n_dup_iguales), "\n")
## De esas combinaciones, con el mismo DIAGNOSTICO1 y la misma TIPOALTA (más parecido a un duplicado exacto): 38
cat("Con DIAGNOSTICO1 distinto entre las filas del grupo (compatible con registros clínicos distintos):",
    fnum(n_dup_diag_distinto), "\n")
## Con DIAGNOSTICO1 distinto entre las filas del grupo (compatible con registros clínicos distintos): 367
cat("Dentro de la cohorte de insuficiencia cardíaca: combinaciones repetidas:", fnum(n_dup_cohorte))
## Dentro de la cohorte de insuficiencia cardíaca: combinaciones repetidas: 0

Antes de interpretar estas combinaciones repetidas como reingresos o como errores de administración, se verificó si las filas de cada grupo comparten el mismo diagnóstico principal y la misma condición de egreso. De las 415 combinaciones repetidas en el total de egresos hospitalarios (874 filas), la mayoría (367, 88,4%) tiene un DIAGNOSTICO1 distinto entre sus filas, lo que es compatible con registros clínicos genuinamente distintos (por ejemplo, reingresos el mismo día) y no con duplicados de administración. Solo 38 grupos (9,2%) comparten diagnóstico principal y condición de egreso, que es el patrón más parecido a un registro duplicado. Ninguna de estas combinaciones cae dentro de la cohorte final de insuficiencia cardíaca, por lo que esta verificación no cambia el tamaño de la cohorte, pero sí respalda con evidencia la interpretación de que la mayoría de estas repeticiones no son errores de registro.

7.4 Valores extremos o incompatibles

n_est_cero <- sum(cohorte$estancia == 0, na.rm = TRUE)
n_est_larga <- sum(cohorte$estancia > 100, na.rm = TRUE)
n_edad_extrema <- sum(cohorte$edad < 1 | cohorte$edad > 100, na.rm = TRUE)
n_edad_neg <- sum(cohorte$edad < 0, na.rm = TRUE)
n_est_neg <- sum(cohorte$estancia < 0, na.rm = TRUE)

cat("Episodios con estancia = 0 días (alta el mismo día del ingreso):", fnum(n_est_cero), "\n")
## Episodios con estancia = 0 días (alta el mismo día del ingreso): 1.594
cat("Episodios con estancia > 100 días:", fnum(n_est_larga), "\n")
## Episodios con estancia > 100 días: 221
cat("Episodios con edad < 1 año o > 100 años:", fnum(n_edad_extrema), "\n")
## Episodios con edad < 1 año o > 100 años: 289
cat("Episodios con edad o estancia negativas (incompatibles, ninguno esperado):",
    fnum(n_edad_neg + n_est_neg))
## Episodios con edad o estancia negativas (incompatibles, ninguno esperado): 0

En vez de solo proponer explicaciones para la estancia de 0 días, se contrastaron con la condición de egreso (TIPOALTA) de esos mismos episodios:

tab_cero <- cohorte[estancia == 0, .N, by = TIPOALTA][order(-N)]
tab_cero[, pct := fpct(100 * N / n_est_cero, 1)]
tabla_html(copy(tab_cero)[, N := fnum(N)], caption = "Condición de egreso de los episodios con estancia = 0 días (% sobre esos episodios)")
Condición de egreso de los episodios con estancia = 0 días (% sobre esos episodios)
TIPOALTA N pct
DOMICILIO 809 50,8%
DERIVACIÓN OTRO HOSPITAL DEL SERVICIO 290 18,2%
FALLECIDO 269 16,9%
HOSPITALIZACIÓN DOMICILIARIA 112 7,0%
DERIVACIÓN INST. PRIVADA (COMPRA DE SERVICIOS 60 3,8%
ALTA VOLUNTARIA 27 1,7%
DERIVACIÓN OTRO HOSPITAL DE LA RED NACIONAL 18 1,1%
FUGA DEL PACIENTE 5 0,3%
DERIVACIÓN INST. PRIVADA (VOLUNTARIO) 3 0,2%
DERIVACIÓN A OTROS CENTROS (CÁRCEL, HOGAR DE 1 0,1%

No se detectaron edades ni estancias negativas (valores incompatibles). De los 1.594 episodios con estancia de 0 días, 50,8% termina en alta a domicilio (compatible con ingresos y altas administrativas el mismo día) y 16,9% en fallecimiento (compatible con muertes tempranas); el resto corresponde mayormente a derivaciones a otro hospital el mismo día de ingreso. Este cruce confirma con evidencia, y no solo por plausibilidad general, que la explicación propuesta para este valor extremo es consistente con los datos. Adicionalmente, se observan 221 episodios con estancias superiores a 100 días, que son extremos pero clínicamente plausibles en pacientes con insuficiencia cardíaca compleja y prolongada. Ninguno de estos valores se excluyó de la cohorte, ya que corresponden a valores extremos posibles y no a errores de registro identificables.

7.5 Registros descartados y efecto sobre la cohorte

En total se descartaron 3 episodios de los 52.315 candidatos iniciales (0,006%), exclusivamente por traer fecha de ingreso o de nacimiento no parseable ("DESCONOCIDO"). El efecto sobre el tamaño final de la cohorte es marginal: de 52.315 a 52.312 episodios.

8 Síntesis para la jefatura

8.1 Cinco hallazgos principales

  1. La insuficiencia cardíaca está presente en 52.312 episodios de la base GRD 2024 (4,8% del total de la base completa; 6,0% de los egresos hospitalarios sin CMA). Verificable en la tabla de trazabilidad de la sección “Construcción de la cohorte”.
  2. La enfermedad aparece con más frecuencia como diagnóstico secundario que principal: 78,3% de la cohorte la registra como comorbilidad frente a 21,7% como causa principal de ingreso, y esta separación importa: la estancia y la mortalidad difieren claramente entre ambos grupos (hallazgos 3 y 4). Verificable en la figura “Episodios según rol diagnóstico”.
  3. La estancia mediana es más larga cuando I50 es diagnóstico secundario (7 días) que cuando es principal (6 días), y ambas superan con holgura la mediana de la base general de egresos hospitalarios (3 días). Verificable en la tabla y figura de “Duración de la estancia”.
  4. La mortalidad intrahospitalaria es más alta cuando I50 es diagnóstico secundario (10,8%) que cuando es principal (7,1%), consistente con una base clínica más grave cuando la insuficiencia cardíaca complica otra causa de ingreso. Reportar una única cifra de mortalidad para toda la cohorte habría ocultado esta diferencia. Verificable en la tabla “Mortalidad intrahospitalaria por rol diagnóstico”.
  5. El peso relativo de la enfermedad dentro de la actividad de cada establecimiento no coincide con el volumen absoluto: el Instituto Nacional de Enfermedades Respiratorias y Cirugía Torácica destaca con 18,1% de su actividad total (IC 95% 17,0%-19,4%), muy por encima de los hospitales con mayor número absoluto de casos, aunque por tratarse de un centro especializado este resultado debe leerse con cautela. Verificable en la tabla “Establecimientos donde la insuficiencia cardíaca representa mayor proporción de su propia actividad”.

8.2 Limitaciones

  1. La base GRD cubre únicamente los establecimientos públicos adscritos al mecanismo de pago GRD; no representa el total de egresos hospitalarios del país ni permite estimar incidencia o prevalencia poblacional de la insuficiencia cardíaca.
  2. La unidad de registro es el episodio, no la persona: un mismo paciente puede generar varios episodios en la cohorte (por ejemplo, reingresos), por lo que las cifras no deben interpretarse como número de pacientes afectados.
  3. La presencia de insuficiencia cardíaca como diagnóstico secundario depende de las prácticas de codificación clínica de cada establecimiento (exhaustividad y orden de registro de comorbilidades), lo que puede introducir variabilidad entre centros que no refleja necesariamente diferencias reales en la frecuencia de la enfermedad. La comparación de variabilidad entre establecimientos (sección “Distribución territorial e institucional”) se restringe además a los diez de mayor volumen y no describe al resto del sistema.

8.3 Propuesta de análisis posterior

Con la misma base de datos es posible construir un análisis descriptivo de reingresos hospitalarios por insuficiencia cardíaca dentro de una ventana de tiempo definida (por ejemplo, 30 días), utilizando ID_BENEFICIARIO para identificar al mismo beneficiario y las fechas de FECHAALTA de un episodio y FECHA_INGRESO del siguiente episodio con diagnóstico I50. Este análisis permitiría dimensionar la frecuencia de reingresos tempranos y cómo se distribuyen por establecimiento, sin requerir datos adicionales a los ya utilizados en este informe.

9 Referencias

  • Fondo Nacional de Salud (FONASA), Chile. Base de datos pública de egresos hospitalarios y cirugía mayor ambulatoria bajo el mecanismo GRD, año 2024. Portal de datos abiertos de FONASA. Archivo GRD_PUBLICO_2024.txt, extraído el 21 de agosto de 2026.
  • FONASA. Tablero y Catálogo GRD (tablas maestras de hospitales, IR-GRD, severidad y mortalidad), archivo Tablas_maestras_GRD.xlsx.
  • Organización Mundial de la Salud. Clasificación Internacional de Enfermedades, décima revisión (CIE-10), versión Chile 2013, archivo CIE-10.xlsx.