Alcance del tema: Este documento presenta el Análisis Exploratorio de Datos (EDA) inicial de una base poblacional, con el fin de conocer su estructura, calidad y patrones preliminares. Siguiendo los límites de esta fase, el análisis se centra en conteos, distribuciones y visualizaciones. Las pruebas de hipótesis o inferencia estadística corresponden a etapas posteriores.

Contexto y Objetivo

Objetivo del análisis

Describir la relación entre los hábitos de vida (ocupación, actividad física, estrés), métricas biométricas (IMC, presión arterial) y la calidad del sueño en una muestra poblacional de 374 individuos. El propósito es identificar patrones visuales que permitan a la gerencia clínica perfilar riesgos y priorizar intervenciones de salud ocupacional o preventiva.

Descripción del conjunto de datos

La base “The Sleep Health and Lifestyle Dataset” contiene registros individuales con las siguientes variables clave para la gestión:

  • Identificación y Demografía: person_id (Identificador único), gender (Género), age (Edad).
  • Determinantes Sociales y Hábitos: occupation (Rol laboral), physical_activity_level (Nivel de actividad), stress_level (Escala de estrés), daily_steps (Pasos diarios).
  • Métricas Biométricas y Clínicas: bmi_category (Categoría de peso), blood_pressure (Presión arterial), heart_rate (Frecuencia cardíaca).
  • Resultados de Salud (Outcomes): sleep_duration (Horas de sueño), quality_of_sleep (Calificación del descanso), sleep_disorder (Diagnóstico de trastorno).

1. Exploración Analítica de Datos (EDA)

Propósito de la Exploración:

  • Enfoque Metodológico: Esta sección documenta la transformación de registros crudos en información estratégica mediante tres pasos: limpieza de la información (gobierno del dato), validación poblacional y diagnóstico visual de patrones de riesgo.
  • Objetivo Gerencial: Garantizar que todas las decisiones clínicas y de salud ocupacional derivadas de este informe estén sustentadas en evidencia íntegra, trazable y libre de errores estructurales.

1.1. Carga y preparación del conjunto de datos

# Cargar las librerías necesarias
library(readxl)
library(tidyverse)
library(janitor)
library(plotly)

# Cargar el archivo, limpiar nombres, convertir numéricos y unificar el IMC
datos_sueño <- read_excel("Sleep_health_and_lifestyle_dataset.xlsx") %>%
  clean_names() %>%
  mutate(sleep_duration = as.numeric(sleep_duration)) %>%
  mutate(bmi_category = str_replace(bmi_category, "Normal Weight", "Normal"))

# Mostrar las primeras 5 filas para verificar la carga
head(datos_sueño, 5)

Interpretación del procesamiento:

  • Acción Técnica: Se ejecutó la depuración inicial de la base de datos: estandarización de variables, conversión de formatos (horas de sueño a valores matemáticos) y unificación de redundancias en las categorías de IMC.
  • Valor Gerencial: Este paso garantiza el gobierno del dato. Al igual que en una auditoría de historias clínicas, asegurar una matriz consolidada y limpia previene sesgos de formato y asegura la integridad de las decisiones analíticas posteriores.

1.2. Descripción y estructura de las variables

# Revisar la estructura general del dataframe (tabla de datos)
glimpse(datos_sueño)
## Rows: 374
## Columns: 13
## $ person_id               <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14,…
## $ gender                  <chr> "Male", "Male", "Male", "Male", "Male", "Male"…
## $ age                     <dbl> 27, 28, 28, 28, 28, 28, 29, 29, 29, 29, 29, 29…
## $ occupation              <chr> "Software Engineer", "Doctor", "Doctor", "Sale…
## $ sleep_duration          <dbl> 6.1, 6.2, 6.2, 5.9, 5.9, 5.9, 6.3, 7.8, 7.8, 7…
## $ quality_of_sleep        <dbl> 6, 6, 6, 4, 4, 4, 6, 7, 7, 7, 6, 7, 6, 6, 6, 6…
## $ physical_activity_level <dbl> 42, 60, 60, 30, 30, 30, 40, 75, 75, 75, 30, 75…
## $ stress_level            <dbl> 6, 8, 8, 8, 8, 8, 7, 6, 6, 6, 8, 6, 8, 8, 8, 8…
## $ bmi_category            <chr> "Overweight", "Normal", "Normal", "Obese", "Ob…
## $ blood_pressure          <chr> "126/83", "125/80", "125/80", "140/90", "140/9…
## $ heart_rate              <dbl> 77, 75, 75, 85, 85, 85, 82, 70, 70, 70, 70, 70…
## $ daily_steps             <dbl> 4200, 10000, 10000, 3000, 3000, 3000, 3500, 80…
## $ sleep_disorder          <dbl> 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0…

Lectura de la estructura poblacional:

  • Acción Técnica: El resumen estructural (glimpse) valida la carga exitosa de 374 registros individuales con sus respectivas 13 variables de análisis, abarcando datos demográficos, determinantes de estilo de vida y métricas clínicas.
  • Valor Gerencial: Esta vista panorámica confirma que la muestra cuenta con las dimensiones esenciales para la gestión del riesgo sanitario. Validar el volumen y el tipo de dato establece una base estadísticamente confiable antes de iniciar la búsqueda visual de patrones.

1.3. Exploración visual interactiva

Propósito de la visualización:

  • Alcance Analítico: Esta sección proyecta gráficamente el comportamiento poblacional a través de tres dimensiones críticas: carga ocupacional, impacto psicosocial (estrés) y condición física (IMC).
  • Objetivo Gerencial: La representación interactiva facilita la detección ágil de focos de vulnerabilidad. Identificar visualmente a los grupos con mayor exposición al riesgo es el paso previo para diseñar y priorizar rutas de atención temprana y programas preventivos no farmacológicos.

Gráfico A: Duración del sueño según la ocupación

grafico_1 <- ggplot(datos_sueño, aes(x = reorder(occupation, sleep_duration), y = sleep_duration, fill = occupation)) +
  geom_boxplot() +
  coord_flip() +
  theme_minimal() +
  labs(title = "Distribución de la Duración del Sueño por Ocupación",
       x = "Ocupación",
       y = "Duración del Sueño (Horas)") +
  theme(legend.position = "none")

# Convertir a gráfico interactivo
ggplotly(grafico_1)

Interpretación Analítica:

  • Observación del Patrón: El diagrama de caja revela una marcada variabilidad en el descanso según el rol laboral. Los perfiles comerciales (Representantes de Ventas y Vendedores) registran las medianas más bajas de la muestra (cercanas o inferiores a 6.5 horas), mientras que perfiles técnicos (como Ingenieros) exhiben patrones prolongados.
  • Implicación Gerencial: Esta vulnerabilidad focalizada sugiere que los programas de bienestar corporativo no deben ser homogéneos. Es necesario priorizar tamizajes de fatiga y estrategias de higiene del sueño específicamente en los equipos de ventas para mitigar riesgos operativos.

Gráfico B: Relación entre Nivel de Estrés y Calidad del Sueño

grafico_2 <- ggplot(datos_sueño, aes(x = as.factor(stress_level), y = quality_of_sleep, color = as.factor(stress_level))) +
  geom_jitter(width = 0.2, alpha = 0.7, size = 2) +
  theme_minimal() +
  labs(title = "Impacto del Estrés en la Calidad del Sueño",
       x = "Nivel de Estrés (Escala)",
       y = "Calidad del Sueño",
       color = "Nivel de Estrés")

ggplotly(grafico_2)

Interpretación Analítica:

  • Observación del Patrón: La dispersión evidencia una clara correlación negativa entre la carga psicológica y el descanso. A medida que el estrés escala hacia los niveles 7 y 8, las calificaciones de sueño caen drásticamente por debajo de 6. Inversamente, niveles de estrés bajos (3 y 4) garantizan consistentemente una calidad superior a 8.
  • Implicación Gerencial: Este comportamiento confirma empíricamente que la mitigación del riesgo psicosocial es un componente ineludible. Cualquier intervención diseñada para mejorar el descanso de una población trabajadora carecerá de impacto si no aborda directamente el control del estrés de fondo.

Gráfico C: Presencia de Trastornos del Sueño por Categoría de IMC

# Pre-procesar los datos para contar los casos
conteo_trastornos <- datos_sueño %>%
  mutate(sleep_disorder = ifelse(sleep_disorder == 1, "Con Trastorno", "Sin Trastorno")) %>%
  count(bmi_category, sleep_disorder)

grafico_3 <- ggplot(conteo_trastornos, aes(x = bmi_category, y = n, fill = sleep_disorder)) +
  geom_bar(stat = "identity", position = "dodge") +
  theme_minimal() +
  labs(title = "Trastornos del Sueño según Categoría de IMC",
       x = "Categoría de IMC",
       y = "Número de Personas",
       fill = "Estado Clínico") +
  scale_fill_manual(values = c("Con Trastorno" = "#E07A5F", "Sin Trastorno" = "#81B29A"))

ggplotly(grafico_3)

Interpretación Analítica:

  • Observación del Patrón: Existe una relación directa entre el exceso de peso y el desarrollo de patologías del descanso. Mientras la categoría “Normal” concentra la inmensa mayoría de individuos sanos, la categoría “Sobrepeso” (Overweight) invierte abruptamente la tendencia, aglomerando la mayor cantidad absoluta de diagnósticos positivos.
  • Implicación Gerencial: Clínicamente, este cruce valida al Índice de Masa Corporal (IMC) como un predictor primario de riesgo. Establece el imperativo de estructurar rutas de atención integrales, donde el control metabólico y nutricional actúe como primera línea de defensa contra los trastornos del sueño.

Implicaciones para la Gestión y Conclusiones

A partir de la exploración visual de los datos, se derivan las siguientes lecturas para la administración de recursos sanitarios:

Enfoque en Talento Humano y Salud Ocupacional

La variabilidad en las horas de sueño según la ocupación indica que los programas de bienestar corporativo no deben ser genéricos. Roles específicos, como los asociados a ventas, muestran una mayor vulnerabilidad al déficit de sueño, lo que podría correlacionarse con una baja productividad o mayor riesgo de accidentalidad laboral. Se sugiere priorizar tamizajes de fatiga en estos grupos.

Gestión Clínica del Riesgo

La correlación directa observada entre altos niveles de estrés y una baja calidad del sueño, así como la concentración de trastornos del sueño en pacientes con sobrepeso y obesidad, subraya la necesidad de un enfoque integral. Las consultas por alteraciones del sueño deben incluir obligatoriamente evaluaciones de salud mental y control metabólico.

Variables Adicionales Sugeridas (Para futuros análisis)

Para enriquecer la toma de decisiones, sería valioso incorporar a este registro:

  • Historial de Salud Mental y Factores Protectores: Incluir si existe un diagnóstico formal previo de ansiedad, depresión o síndrome de agotamiento laboral (burnout). Asimismo, se sugiere categorizar el tipo de actividad física para registrar la práctica de intervenciones mente-cuerpo (como yoga, meditación o mindfulness). Esto permite a la gerencia clínica no solo mapear el riesgo psicológico, sino también identificar factores protectores no farmacológicos que mitigan el estrés y favorecen la higiene del sueño.
  • Ausentismo laboral: Días de incapacidad en el último año, para medir el impacto económico del mal descanso.
  • Consumo de medicamentos: Uso de inductores del sueño o ansiolíticos.
  • Factores de Riesgo Conductuales: Consumo de sustancias (cafeína, alcohol o tabaquismo), que actúan como variables confusoras clave. Adicionalmente, es crucial medir el tiempo de exposición a pantallas y redes sociales antes de dormir; desde la neurociencia, esta sobreestimulación digital genera picos de liberación de dopamina (que mantienen el cerebro en estado de alerta y recompensa) y la luz azul bloquea la secreción de melatonina (la hormona del sueño). Identificar este factor permitiría a la gerencia en salud promover políticas reales de “desconexión digital” y pausas preventivas.

Conclusión del EDA:

A partir de la exploración analítica, se establecen las siguientes conclusiones estratégicas para la gerencia:

  • Multicausalidad del riesgo: La exploración visual confirma que el déficit y los trastornos del sueño no son incidentes aislados, sino el resultado de una interacción medible entre la carga ocupacional, el estrés psicosocial y el estado metabólico.
  • Transición metodológica: Los patrones descriptivos hallados justifican plenamente el avance hacia modelos estadísticos inferenciales para cuantificar el peso real de cada factor.
  • Evolución del sistema de información: El registro actual tiene un límite. Para estructurar intervenciones definitivas, es imperativo integrar variables de salud mental crónicas, factores protectores no farmacológicos (como mindfulness) y determinantes neurobiológicos modernos (sobreestimulación dopaminérgica por pantallas).
  • Impacto gerencial: Solo mediante una recolección de datos integral será posible diseñar políticas de salud ocupacional preventivas y garantizar una asignación de recursos eficiente.