El Análisis Exploratorio de Datos (EDA) permite conocer la estructura de una base de datos, identificar sus variables, reconocer posibles problemas de calidad y explorar visualmente la información antes de realizar análisis posteriores.
Para este ejercicio se utiliza la base de datos Medical Appointment Scheduling System, relacionada con el proceso de agendamiento de citas médicas.
Primero, cargamos las librerías necesarias:
##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union##
## Adjuntando el paquete: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutA continuación las dimensiones de la base, las primeras columnas y los primeros registros
## [1] 111488 16## [1] "appointment_id" "slot_id" "scheduling_date"
## [4] "appointment_date" "appointment_time" "scheduling_interval"
## [7] "status" "check_in_time" "appointment_duration"
## [10] "start_time" "end_time" "waiting_time"
## [13] "patient_id" "sex" "age"
## [16] "age_group"Interpretación: la base contiene 111.488 registros y 16 columnas. Cada fila representa un registro de cita y las columnas contienen información relacionada con la programación, el estado de la atención, los tiempos y las características del paciente.
Las variables permiten reconocer qué información se encuentra disponible para estudiar el proceso de agendamiento.
| Variable | Descripción | Tipo de información |
|---|---|---|
| appointment_id | Identificador único de la cita médica. | Identificación |
| slot_id | Identificador del espacio de agenda asignado. | Identificación |
| scheduling_date | Fecha en que se programó la cita. | Fecha |
| appointment_date | Fecha programada para la atención. | Fecha |
| appointment_time | Hora programada para la cita. | Hora |
| scheduling_interval | Número de días entre la programación y la fecha de atención. | Numérica |
| status | Estado registrado de la cita médica. | Categórica |
| check_in_time | Hora de llegada o registro del paciente. | Hora |
| appointment_duration | Duración registrada de la atención, en minutos. | Numérica |
| start_time | Hora real de inicio de la atención. | Hora |
| end_time | Hora real de finalización de la atención. | Hora |
| waiting_time | Tiempo de espera registrado, en minutos. | Numérica |
| patient_id | Identificador del paciente. | Identificación |
| sex | Sexo registrado del paciente. | Categórica |
| age | Edad del paciente en años. | Numérica |
| age_group | Categoría o grupo de edad del paciente. | Categórica |
La clasificación anterior se refiere al contenido de las variables. En R, las fechas y horas pueden importarse como texto, por lo que también es necesario revisar cómo están almacenadas realmente.
Consultamos la estructura reconocida por R:
## spc_tbl_ [111,488 × 16] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ appointment_id : chr [1:111488] "0000138" "0000146" "0000021" "0000233" ...
## $ slot_id : chr [1:111488] "0000001" "0000023" "0000024" "0000025" ...
## $ scheduling_date : Date[1:111488], format: "2014-12-28" "2014-12-29" ...
## $ appointment_date : Date[1:111488], format: "2015-01-01" "2015-01-01" ...
## $ appointment_time : 'hms' num [1:111488] 08:00:00 13:30:00 13:45:00 14:00:00 ...
## ..- attr(*, "units")= chr "secs"
## $ scheduling_interval : num [1:111488] 4 3 15 1 6 2 2 2 4 4 ...
## $ status : chr [1:111488] "did not attend" "did not attend" "attended" "attended" ...
## $ check_in_time : 'hms' num [1:111488] NA NA 13:36:45 13:59:32 ...
## ..- attr(*, "units")= chr "secs"
## $ appointment_duration: num [1:111488] NA NA 5.2 28.9 NA 7.7 4.2 27.1 NA 1.2 ...
## $ start_time : 'hms' num [1:111488] NA NA 13:37:57 14:00:40 ...
## ..- attr(*, "units")= chr "secs"
## $ end_time : 'hms' num [1:111488] NA NA 13:43:09 14:29:34 ...
## ..- attr(*, "units")= chr "secs"
## $ waiting_time : num [1:111488] NA NA 1.2 1.1 NA 21.7 16.2 1 NA 8.5 ...
## $ patient_id : chr [1:111488] "08285" "05972" "06472" "05376" ...
## $ sex : chr [1:111488] "Male" "Male" "Male" "Female" ...
## $ age : num [1:111488] 37 84 77 37 72 51 28 33 29 90 ...
## $ age_group : chr [1:111488] "35-39" "80-84" "75-79" "35-39" ...
## - attr(*, "spec")=
## .. cols(
## .. appointment_id = col_character(),
## .. slot_id = col_character(),
## .. scheduling_date = col_date(format = ""),
## .. appointment_date = col_date(format = ""),
## .. appointment_time = col_time(format = ""),
## .. scheduling_interval = col_double(),
## .. status = col_character(),
## .. check_in_time = col_time(format = ""),
## .. appointment_duration = col_double(),
## .. start_time = col_time(format = ""),
## .. end_time = col_time(format = ""),
## .. waiting_time = col_double(),
## .. patient_id = col_character(),
## .. sex = col_character(),
## .. age = col_double(),
## .. age_group = col_character()
## .. )
## - attr(*, "problems")=<pointer: 0x000001aab34e0150>Interpretación: esta revisión permite identificar si las variables están almacenadas en un formato apropiado. Por ejemplo, las fechas pueden requerir conversión antes de utilizarlas en gráficos temporales
Este gráfico permite explorar cómo se distribuyen los registros entre los diferentes estados de las citas.
grafico_estados <- citas %>%
count(status, name = "Cantidad") %>%
ggplot(aes(x = status, y = Cantidad, fill = status)) +
geom_col() +
labs(
title = "Citas registradas según su estado",
x = "Estado de la cita",
y = "Número de registros"
) +
theme_minimal() +
theme(legend.position = "none")
ggplotly(grafico_estados)Comentario del gráfico:
La visualización permite identificar cuáles estados concentran más registros y cuáles tienen menor presencia en la base.
Desde la perspectiva de gestión de la calidad, esta información ayuda a reconocer cómo se distribuyen los registros del proceso de agendamiento. Sin embargo, la cantidad de registros de cada estado no equivale automáticamente a una tasa de inasistencia, cancelación o cumplimiento. Para calcular esos indicadores se requiere definir previamente el denominador y las reglas de clasificación correspondientes.
Este gráfico permite explorar cómo cambia el número de citas según el mes de atención.
Primero, convertimos la fecha de la cita a un formato que R pueda reconocer:
Agrupamos los registros por mes:
citas_mes <- citas %>%
filter(!is.na(appointment_date)) %>%
mutate(
mes = as.Date(
format(appointment_date, "%Y-%m-01")
)
) %>%
count(mes, name = "Cantidad")Construimos el gráfico interactivo:
grafico_temporal <- ggplot(
citas_mes,
aes(x = mes, y = Cantidad)
) +
geom_line() +
geom_point() +
labs(
title = "Registros de citas por mes de atención",
x = "Mes de atención",
y = "Número de registros"
) +
theme_minimal()
ggplotly(grafico_temporal)Comentario del gráfico:
La visualización permite identificar periodos con mayor o menor cantidad de citas registradas y observar cambios en el comportamiento temporal de la agenda.
Desde la gerencia clínica, esta exploración puede orientar revisiones posteriores sobre la organización de la capacidad instalada y la programación de los servicios.
Es importante tener en cuenta que el gráfico representa las citas por fecha de atención, no por fecha de programación. Además, una variación en el número de registros no demuestra por sí sola un aumento o una disminución de la demanda real.
Este gráfico permite visualizar la distribución de las citas entre los grupos de edad definidos en la base.
grafico_edad <- citas %>%
filter(!is.na(age_group)) %>%
count(age_group, name = "Cantidad") %>%
ggplot(
aes(
x = reorder(age_group, age_group),
y = Cantidad,
text = paste(
"Grupo de edad:", age_group,
"<br>Registros:", Cantidad
)
)
) +
geom_col() +
coord_flip() +
labs(
title = "Registros de citas por grupo de edad",
x = "Grupo de edad",
y = "Número de registros"
) +
theme_minimal()
ggplotly(grafico_edad, tooltip = "text")La exploración inicial permite reconocer la estructura de la base de datos, identificar las variables disponibles, revisar los valores faltantes y visualizar el comportamiento de los registros según el estado de la cita, el mes de atención y el grupo de edad.
Estos elementos proporcionan una primera aproximación al funcionamiento del sistema de agendamiento y permiten reconocer aspectos que requieren revisión antes de desarrollar análisis posteriores.
Desde la gerencia de la calidad y la gestión clínica, el EDA constituye una herramienta para conocer la información disponible y detectar necesidades de mejora en su registro y organización.
En esta etapa no se establecen relaciones causales, no se realizan pruebas estadísticas y no se formulan conclusiones definitivas sobre el desempeño del servicio. Los hallazgos obtenidos sirven como punto de partida para investigaciones posteriores.