El primer paso en el Análisis Exploratorio de Datos (EDA) consiste en verificar las dimensiones (número de filas y columnas), examinar los tipos de datos y realizar un saneamiento inicial. La base de datos de la OMS para Japón contiene una fila inicial de metadatos técnicos (etiquetas que inician con #) que debe excluirse antes de procesar los registros cuantitativos.
# ==========================================
# BLOQUE 1: Carga de Librerías y Datos
# ==========================================
library(tidyverse)
library(plotly)
library(knitr)
# Carga del archivo manteniendo los nombres originales de las columnas
datos_raw <- read.csv("child-health-indicators-for-japan-44.csv",
check.names = FALSE,
stringsAsFactors = FALSE)
# Filtrado de la fila de metadatos (índice 0) y formateo de campos
datos_salud <- datos_raw %>%
filter(`GHO (CODE)` != "#indicator+code") %>%
mutate(
Valor_Numerico = as.numeric(Numeric),
Anio = as.numeric(`YEAR (DISPLAY)`),
Indicador = `GHO (DISPLAY)`,
Sexo = `SEX (DISPLAY)`
) %>%
filter(!is.na(Valor_Numerico))
# Inspección de dimensiones (filas y columnas disponibles)
dim(datos_salud)## [1] 199 38# ==========================================
# BLOQUE 2: Verificación de Valores Faltantes
# ==========================================
# Conteo de datos ausentes (registros sin información almacenada) por columna
valores_faltantes <- colSums(is.na(datos_salud))
valores_faltantes[valores_faltantes > 0]## PUBLISHSTATE (URL) YEAR (URL)
## 199 199
## REGION (URL) WORLDBANKINCOMEGROUP (URL)
## 199 199
## COUNTRY (URL) SEX (URL)
## 199 199
## Low High
## 183 183
## StdErr StdDev
## 199 199
## Anio
## 4Para la toma de decisiones en gerencia de recursos de salud, las variables del conjunto de datos se clasifican según su naturaleza de medición:
Variables Categóricas o Cualitativas (Atributos de clasificación):
GHO (DISPLAY) (Indicador Sanitario): Variable cualitativa nominal (categorías sin orden jerárquico) que define el programa o metas de salud evaluadas (ej. cobertura de vacunación DTP3, BCG, bajo peso al nacer).
SEX (DISPLAY) (Sexo de la Población): Variable cualitativa nominal utilizada para desagregar los datos demográficamente (Ambos sexos, Femenino, Masculino) y evaluar la equidad en el acceso a la atención médica.
PUBLISHSTATE (DISPLAY) (Estado de Publicación): Variable cualitativa nominal que valida la oficialidad del dato emitido por la OMS.
Variables Numéricas o Cuantitativas (Cantidades de gestión):
YEAR (DISPLAY) / Anio (Año del Registro): Variable cuantitativa discreta (valores enteros) que define la temporalidad para el análisis de tendencias plurianuales en salud pública.
Numeric / Valor_Numerico (Valor del Indicador): Variable cuantitativa continua (mediciones con decimales) que representa la tasa, porcentaje de cobertura o cifra absoluta de la intervención sanitaria.
# ==========================================
# BLOQUE 3: Resumen Estructurado de Variables
# ==========================================
resumen_variables <- datos_salud %>%
group_by(Indicador) %>%
summarise(
Registros = n(),
Anio_Inicio = min(Anio, na.rm = TRUE),
Anio_Fin = max(Anio, na.rm = TRUE),
Promedio_Valor = round(mean(Valor_Numerico, na.rm = TRUE), 2)
)
kable(head(resumen_variables, 10),
caption = "Resumen Operativo de Indicadores Sanitarios en Japón")| Indicador | Registros | Anio_Inicio | Anio_Fin | Promedio_Valor |
|---|---|---|---|---|
| BCG immunization coverage among 1-year-olds (%) | 25 | 1981 | 2018 | 90.84 |
| Children aged <5 years overweight (%) | 4 | 2010 | 2010 | 1.85 |
| Children aged <5 years stunted (%) | 4 | 2010 | 2010 | 7.38 |
| Children aged <5 years underweight (%) | 4 | 2010 | 2010 | 3.35 |
| Children aged <5 years wasted for age (%) | 4 | 2010 | 2010 | 2.02 |
| Diphtheria tetanus toxoid and pertussis (DTP3) immunization coverage among 1-year-olds (%) | 39 | 1980 | 2018 | 89.03 |
| Hib (Hib3) immunization coverage among 1-year-olds (%) | 8 | 2011 | 2018 | 98.62 |
| Low birth weight (in thousands) | 16 | 2000 | 2015 | 104.23 |
| Measles-containing-vaccine first-dose (MCV1) immunization coverage among 1-year-olds (%) | 39 | 1980 | 2018 | 86.79 |
| Measles-containing-vaccine second-dose (MCV2) immunization coverage by the nationally recommended age (%) | 11 | 2008 | 2018 | 92.00 |
Análisis: Resumen Operativo de Indicadores Sanitarios en JapónHeterogeneidad en la Longitud de las Series Temporales:Inmunizaciones consolidadas (DTP3, MCV1, BCG): Poseen la mayor cobertura de seguimiento histórico (39 registros entre 1980 y 2018 para DTP3 y MCV1; 25 registros entre 1981 y 2018 para BCG), lo que permite análisis de tendencia plurianuales de largo plazo. Nutrición e indicadores antropométricos en menores de 5 años: Cuentan únicamente con 4 registros puntuales correspondientes al año 2010 (sobrepeso \(1.85\%\), retraso en el crecimiento \(7.38\%\), bajo peso \(3.35\%\) y emaciación \(2.02\%\)), representando lecturas transversales y no series temporales de seguimiento continuo. Diferenciación de Escalas de Medición:La variable Bajo peso al nacer no está expresada en porcentaje sino en miles de nacimientos (\(104.23\) mil en promedio entre 2000 y 2015), por lo que no debe compararse directamente en una misma gráfica de escala porcentual con las coberturas de vacunación. Interpretación de Desempeño Operativo:Vacunación de alta adopción: Hib3 destaca con el promedio de cobertura más elevado (\(98.62\%\) entre 2011 y 2018), seguido por MCV2 (\(92.00\%\) entre 2008 y 2018) y BCG (\(90.84\%\)). Oportunidad de gestión: MCV1 registra el promedio más bajo entre las vacunas tradicionales (\(86.79\%\)), debido al peso del rezago histórico acumulado en las décadas de 1980 y 1990 antes de su estabilización final
A continuación, se presentan tres gráficos interactivos generados con la librería plotly para explorar el comportamiento de los indicadores clave en la administración de recursos sanitarios de Japón.
Gráfico 1: Tendencia Temporal de Cobertura de Vacunación Esencial (Gráfico de Líneas) Explora la evolución cronológica de las principales vacunas infantiles en Japón (DTP3, MCV1, Pol3 y BCG).
# ==========================================
# BLOQUE 4: Gráfico Interactivo 1 (Líneas)
# ==========================================
# Selección de vacunas clave para el análisis longitudinal
vacunas_clave <- c(
"Diphtheria tetanus toxoid and pertussis (DTP3) immunization coverage among 1-year-olds (%)",
"Measles-containing-vaccine first-dose (MCV1) immunization coverage among 1-year-olds (%)",
"Polio (Pol3) immunization coverage among 1-year-olds (%)",
"BCG immunization coverage among 1-year-olds (%)"
)
datos_vacunas <- datos_salud %>%
filter(Indicador %in% vacunas_clave)
p1 <- ggplot(datos_vacunas, aes(x = Anio, y = Valor_Numerico, color = Indicador, group = Indicador)) +
geom_line(size = 1) +
geom_point(size = 2) +
labs(
title = "Evolucion de Coberturas de Inmunización Infantil en Japon",
x = "Ano de Registro",
y = "Cobertura (%)",
color = "Vacuna"
) +
theme_minimal() +
theme(legend.position = "bottom")## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once per session.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.Analisis de la grafica: (EDA en Recursos Sanitarios) Tendencia General (Crecimiento Sostenido): De 1980 a 2020, las coberturas pasan de niveles bajos e inestables (60% - 80%) a consolidarse por encima del 95%. Esto refleja fortalecimiento del sistema de salud y asignación presupuestitaria continua.
Desempeño por Biológico:
MCV1 (Sarampión) y DTP3: Muestran la recuperación más drástica, pasando de la vulnerabilidad en los 80 a niveles óptimos de protección comunitaria.
BCG y Polio 3: Mantienen la mayor estabilidad histórica en el esquema nacional.
Puntos Críticos de Gestión: La caída puntual de la BCG hacia 2014-2015 señala un evento operativo específico (desabastecimiento, quiebre en la cadena de frío o cambio de protocolo) que requiere auditoría de recursos.
Gráfico 2: Comparativo de Cobertura Promedio por Programa de Salud (Gráfico de Barras) Permite comparar la tasa media de cobertura alcanzada entre los distintos esquemas profilácticos (preventivos) evaluados en la base de datos.
# ==========================================
# BLOQUE 5: Gráfico Interactivo 2 (Barras)
# ==========================================
datos_cobertura <- datos_salud %>%
filter(grepl("immunization coverage", Indicador, ignore.case = TRUE)) %>%
group_by(Indicador) %>%
summarise(Cobertura_Promedio = round(mean(Valor_Numerico, na.rm = TRUE), 1)) %>%
mutate(Indicador_Corto = substr(Indicador, 1, 35))
p2 <- ggplot(datos_cobertura, aes(x = reorder(Indicador_Corto, Cobertura_Promedio), y = Cobertura_Promedio, fill = Cobertura_Promedio)) +
geom_col() +
coord_flip() +
scale_fill_gradient(low = "#85C1E9", high = "#1B4F72") +
labs(
title = "Cobertura Promedio Historica por Tipo de Inmunización",
x = "Indicador Sanitario",
y = "Cobertura Promedio (%)"
) +
theme_minimal()
ggplotly(p2)Analisis de la grafica: Desempeño Global Destacado: Todos los biológicos analizados presentan coberturas promedio históricas muy altas, situándose en un rango entre el 85% y el 98%.
Líderes en Cobertura (Programas Consolidados): Las vacunas Hib3 (Hemophilus Influenzae Tipo B) y PCV3 (Neumococo Conjugada) ocupan las posiciones superiores alcanzando promedios cercanos al 97%-98%, reflejando una excelente adopción desde su incorporación al programa nacional.
Puntos de Interés para el Gerente Sanitario:
Las vacunas más antiguas o de dosis múltiples como MCV1 (Sarampión 1ª dosis) y DTP3 se ubican en la parte inferior de la tabla comparativa (promedios entre 85% y 88%).
Causa Administrativa: Esto no indica un mal desempeño actual, sino el peso del histórico de las décadas de 1980 y 1990, donde sus coberturas eran más bajas antes de la consolidación total del sistema de salud japonés.
Gráfico 3: Distribución del Coeficiente de Cobertura e Identificación de Atípicos (Gráfico de Caja / Boxplot) Analiza la dispersión (variabilidad de los datos) y la presencia de valores atípicos (observaciones extremadamente altas o bajas respecto al patrón general) en los indicadores evaluados.
# ==========================================
# BLOQUE 6: Gráfico Interactivo 3 (Boxplot)
# ==========================================
p3 <- ggplot(datos_vacunas, aes(x = Indicador, y = Valor_Numerico, fill = Indicador)) +
geom_boxplot(alpha = 0.7, outlier.colour = "red", outlier.shape = 8) +
labs(
title = "Variabilidad de Cobertura en Vacunas Principales",
x = "Vacuna",
y = "Porcentaje (%)"
) +
theme_minimal() +
theme(axis.text.x = element_blank())
ggplotly(p3)Analisis de la grafica (Gráficos de Caja / Boxplot) Dispersión y Estabilidad Operativa:
Polio (Pol3 - Morado) y BCG (Rojo): Presentan las cajas más compactas e instaladas en la parte alta de la escala (entre 90% y 98%), lo que refleja una gran consistencia histórica en la prestación del servicio sanitario.
DTP3 (Verde) y MCV1 (Azul): Tienen cajas y “bigotes” más alargados (que se extienden hasta el 60%-70%), lo que indica que históricamente atravesaron períodos de alta variabilidad antes de lograr la estabilización del esquema.
Detección de Valores Atípicos (Outliers):
Los puntos aislados fuera de los “bigotes” (como los observados cerca del 60% en la línea verde de DTP3 o alrededor del 80%-85% en las demás) representan años atípicos de baja cobertura.
Relevancia Gerencial:
Para la administración de recursos sanitarios, la variabilidad (cajas largas) alerta sobre períodos pasados de vulnerabilidad presupuestal o fallas de cobertura.
Los valores atípicos señalan eventos críticos específicos en la historia del sistema de salud (como desabastecimiento o alertas sanitarias) que deben ser auditados.
Conclusiones del Informe: Análisis Exploratorio de Datos (EDA) en Recursos Sanitarios de JapónConsolidación de la Cobertura de Vacunación (Sostenibilidad de Programas): El análisis exploratorio evidencia un avance sostenido en los indicadores de inmunización infantil en Japón durante las últimas cuatro décadas, transitando de coberturas heterogéneas en los años 80 (\(60\% - 80\%\)) a niveles de consolidación cercanos al \(95\% - 98\%\) en la actualidad. Esto demuestra una asignación presupuestal continua y una infraestructura de salud pública madura. Diferenciación entre Programas Consolidados y Captaciones Punctuales: Indicadores como Hib3 y PCV3 presentan las coberturas promedio históricas más elevadas (\(>97\%\)), mientras que esquemas tradicionales como MCV1 y DTP3 reflejan una mayor variabilidad histórica. Asimismo, la base de datos muestra que mientras la inmunización cuenta con un monitoreo longitudinal robusto, las evaluaciones antropométricas infantiles (sobrepeso, emaciación, retraso en el crecimiento) corresponden a registros puntuales (año 2010), señalando la necesidad de ampliar los sistemas de vigilancia epidemiológica continua en nutrición. Detección de Brechas y Eventos Atípicos para la Toma de Decisiones: A través de las herramientas visuales (diagramas de tendencia y boxplots), se identificaron caídas puntuales y valores atípicos (outliers) en años específicos (como la contracción observada en la vacuna BCG hacia 2014-2015). Desde la perspectiva de la gerencia de recursos sanitarios, estos hallazgos sirven como alertas operativas para auditar la logística de distribución, la estabilidad en la cadena de frío y los posibles quiebres de inventario en la cadena de suministro público.