Indicadores de Salud Infantil en Japón
Diana Sofia Lopez
2026-10-07
Contexto del Problema: Durante el periodo 1980–2018, el Programa Nacional de Inmunización Infantil en Japón enfrentó variabilidad logística y cambios estructurales en sus coberturas de vacunación. Para optimizar la toma de decisiones, la red pública requiere auditar el desempeño de la vacuna contra el sarampión (MCV1) y predecir su comportamiento mediante su acoplamiento con la vacuna DTP3.
Audiencia Objetivo: Alta Dirección, Consejo de Inmunización y Gerencia de Recursos Sanitarios del Ministerio de Salud.
Objetivo Analítico Único: Evaluar la evolución del programa de vacunación infantil en Japón comprobando estadísticamente el impacto real de sus reformas sanitarias y validando un modelo predictivo confiable para optimizar la planificación estratégica y compra de biológicos en la red pública.
EXPLORACIÓN ANALÍTICA DE DATOS (EDA)
Desde la perspectiva de la Gestión de Recursos Sanitarios, la base de datos de indicadores de salud infantil en Japón (child-health-indicators-for-japan) constituye una fuente valiosa para la exploración analítica del desempeño histórico de los programas de inmunización pública. La integración de series temporales de cobertura para biológicos clave como MCV1 (sarampión) y DTP3 (difteria, tétanos y tos ferina) permite identificar patrones de tendencia, evaluar la estabilidad de las metas operativas a lo largo de cuatro décadas (1980–2018) y analizar la respuesta del sistema ante reformas estructurales de salud.
Resumen Operativo de Indicadores Sanitarios
El análisis de la estructura del dataset evidencia importantes heterogeneidades en la longitud de las series temporales y en las escalas de medición, lo cual exige un tratamiento diferenciado para la toma de decisiones:Programas de Inmunización Consolidados: Biológicos clave como DTP3 y MCV1 representan el núcleo del sistema, contando con un seguimiento histórico completo de 39 años (1980–2018) y coberturas promedio globales del 89.03% y 86.79% respectivamente, lo que constituye una base sólida para el análisis longitudinal y la modelación predictiva.Biológicos de Reciente Incorporación: Programas más recientes muestran un desempeño operativo óptimo desde su implementación, destacando la vacuna Hib3 con una cobertura media del 98.62% (2011–2018) y la segunda dosis contra el sarampión (MCV2) con un 92.00% (2008–2018).Indicadores Nutricionales y Antropométricos: A diferencia de las vacunas, las métricas de estado nutricional en menores de 5 años (sobrepeso \(1.85\%\), retraso en el crecimiento \(7.38\%\) y bajo peso \(3.35\%\)) corresponden únicamente a una evaluación puntual del año 2010 (\(n = 4\)), ofreciendo una lectura transversal y no una serie continua de tendencia.Diferenciación de Escalas de Medición: La variable Bajo peso al nacer registra un promedio de 104.23 mil nacimientos entre 2000 y 2015, por lo que, al estar expresada en miles de casos y no en porcentaje, requiere una interpretación analítica independiente.
| Total Años Evaluados | MCV1 Promedio (%) | MCV1 Desv. Est. (%) | MCV1 Mínimo (%) | MCV1 Máximo (%) | DTP3 Promedio (%) |
|---|---|---|---|---|---|
| 39 | 86.79 | 12.01 | 66 | 98 | 89.03 |
El análisis de la serie de 39 años revela un programa de inmunización maduro con una cobertura media del 86.79% en sarampión (MCV1) y del 89.03% en DTP3. No obstante, la amplia brecha entre el mínimo histórico (66.00%) y el máximo (98.00%), sumada a una desviación estándar de 12.01 puntos porcentuales, confirma que el sistema transitó por una etapa de alta variabilidad antes de estabilizarse. Esta dispersión histórica justifica evaluar inferencialmente el impacto de las reformas sanitarias.
Análisis de Tendencia Temporal e Indicadores de Posición
Grafico 1. Evolucion de coberturas de inmunizacion infaltil en japon
En el gráfico anterior se observa que desde 1980 a 2018 las coberturas de biológicos esenciales pasaron de niveles inestables (60% – 80%) a consolidarse de forma homogénea por encima de la meta internacional del 95%. Los gráficos de control reflejan que la mediana histórica de MCV1 (94.00%) supera a su media (86.79%), lo que demuestra un sesgo negativo (hacia la derecha) característico de un sistema que logró resolver sus ineficiencias de distribución y abastecimiento en las últimas dos décadas.
PROBABILIDAD Y ESTADISTICA APLICADA
Para determinar si las mejoras observadas responden a un cambio estructural permanente derivado de decisiones de política pública o a fluctuaciones aleatorias del servicio, se aplican pruebas de hipótesis inferenciales sobre la serie temporal.
Evaluación Inferencial: Prueba t de Student entre Eras Sanitarias
Se dividió el registro histórico en dos periodos de gestión: la Era Histórica (1980–1999) y la Era Moderna (2000–2018).
| Estadístico t | p-valor | Media Era Histórica (%) | Media Era Moderna (%) |
|---|---|---|---|
| -7.9624 | < 0.001 | 77.7 | 96.37 |
La prueba \(t\) de Student (\(t = -7.9624, p < 0.001\)) demuestra una diferencia altamente significativa entre periodos. Se rechaza la hipótesis nula y se confirma con un 95% de confianza que el aumento en la cobertura media de vacunas —pasando de 77.70% en la Era Histórica a 96.37% en la Era Moderna— responde a un salto estructural permanente por las reformas sanitarias y no a variaciones aleatorias.
Grafico 2. Comparacion de cobertura de Sarampion (Era Histórica vs Moderna)
La prueba de comparación de medias (\(p = 1.3 \times 10^{-7}\)) confirma una diferencia altamente significativa entre periodos. En la Era Histórica (1980–1999) se evidencia una amplia dispersión operativa con coberturas fluctuantes e inestables que descienden hasta el \(66\%\). Por el contrario, en la Era Moderna (2000–2018) el sistema logra una drástica reducción de la variabilidad, consolidando una caja sumamente compacta en la parte superior del gráfico, donde la cobertura se estabiliza por encima del \(95\%\) de inmunidad comunitaria. Este salto estructural valida que las políticas de salud pública implementadas lograron transformar el esquema en un servicio uniforme, predecible y de alto desempeño.
MODELO ANALITICO PREDICTIVO
En la administración de recursos sanitarios, la precisión en la estimación de la demanda de biológicos previene tanto el desabastecimiento en sala como las pérdidas financieras por vencimiento de insumos. Se desarrollan dos modelos predictivos complementarios:
Modelo 1 (Predicción Continua - Regresión Lineal): Estima cuantitativamente el porcentaje exacto de cobertura de la vacuna MCV1 a partir del tiempo (Año) y la capacidad logística instalada (DTP3).
Modelo 2 (Clasificación Supervisada - Regresión Logística Binaria): Estima la probabilidad de que una jornada anual alcance el umbral de Meta Óptima (\(\ge 95\%\)), categorizando el desempeño en Óptimo (\(1\)) vs Subóptimo (\(0\)).
Métricas de Éxito de Gestión Error Máximo Tolerable (RMSE): \(\text{RMSE} < 8.0\%\) en estimación continua. Ajuste Mínimo (\(R^2\)): \(R^2 \ge 70.0\%\) sobre datos no vistos (conjunto de prueba). Capacidad Discriminativa (AUC): \(\text{AUC} \ge 0.80\) en clasificación binaria.
Partición de Datos y Ajuste del Modelo
| Modelo Analítico | Conjunto | Métrica 1 | Métrica 2 |
|---|---|---|---|
| Modelo 1: Regresión Lineal (Continua) | Entrenamiento (n=29) | R² = 75.7% | RMSE = 5.66% |
| Modelo 1: Regresión Lineal (Continua) | Prueba (n=10) | R² = 71.3% | RMSE = 7.25% |
| Modelo 2: Regresión Logística (Clasificación) | Entrenamiento (n=29) | AUC = 0.923 | Clasificación Estable |
| Modelo 2: Regresión Logística (Clasificación) | Prueba (n=10) | AUC = 0.88 | Clasificación Estable |
Cumplimiento de Metas y Tolerancia al Error (Modelo 1): La regresión lineal explica el 71.3% de la variabilidad (\(R^2\)) en el conjunto de prueba no visto, con un error promedio de estimación de \(\text{RMSE} = 7.25\%\). Al ser inferior al límite máximo tolerable (\(8.0\%\)), confirma que la capacidad logística (\(\text{DTP3}\)) y la tendencia temporal predicen con precisión el nivel de cobertura de vacunación.
Alta Capacidad Discriminativa (Modelo 2): El modelo logístico alcanza un \(\text{AUC} = 0.88\) en el conjunto de prueba, lo que demuestra una excelente capacidad para clasificar correctamente si una jornada anual logrará o no la meta comunitaria del \(95\%\) de inmunización.
Ausencia de Sobreajuste (Generalización Estable): La brecha entre entrenamiento y prueba en ambos modelos es mínima (disminución de solo \(4.4\%\) en \(R^2\) y \(0.043\) en \(\text{AUC}\)). Esto valida que los algoritmos no memorizaron el ruido de los datos históricos y pueden ser desplegados con seguridad para la planificación sanitaria real.
##Visualización Interactiva 3D y Diagnóstico
Grafico 3. Superficie Predictiva 3D (Modelo 1 - Regresión Lineal)
La pendiente ascendente de la superficie en tres dimensiones demuestra que el fortalecimiento de la capacidad logística instalada (DTP3) junto con la tendencia de modernización temporal (Año) generan un impacto positivo y directo sobre la cobertura final de la vacuna contra el sarampión (MCV1). La cercanía de los puntos observados respecto al plano predictivo ajustado confirma que el modelo captura con alta precisión la trayectoria del sistema, evidenciando que para sostener la meta nacional de inmunidad comunitaria (por encima del 95%) resulta indispensable garantizar niveles operativos elevados y continuos en la red de distribución de biológicos
Grafico 4. diagnóstico de Residuos (Homocedasticidad del Modelo 1)
Permite validar visualmente si los errores del modelo se distribuyen de forma homogénea alrededor de cero.
La distribución de los puntos alrededor de la línea roja central no muestra patrones cónicos o tendencias sistemáticas, lo que confirma la homocedasticidad (varianza constante del error). Los errores de estimación se mantienen contenidos dentro de un margen razonable, validando la estabilidad estadística del modelo de regresión continua para ser aplicado en la estimación de presupuestos sanitarios.
ANALISIS GERENCIAL DE RESULTADOS Y ACCIONES DE MEJORA
Validación de Tolerancia: El Modelo 1 alcanza un \(R^2 = 71.3\%\) en la muestra de prueba no vista con un error \(\text{RMSE} = 7.25\%\), cumpliendo satisfactoriamente la meta de gestión de mantener el margen de error por debajo del \(8.0\%\)
Ausencia de Sobreajuste (Overfitting): La cercanía entre el rendimiento de entrenamiento (\(R^2 = 75.7\%\)) y prueba (\(R^2 = 71.3\%\)) confirma la estabilidad del modelo para ser desplegado en entornos reales de planificación.
Acciones de Mejora Recomendadas: Ingeniería de Variables (Efectos No Lineales): Incorporar términos cuadráticos (\(\text{Año}^2\)) para modelar la desaceleración logarítmica de las coberturas al aproximarse al techo técnico del \(100\%\). Inclusión de Variables de Gestión Operativa: Integrar el gasto per cápita en salud preventiva y la densidad de personal asistencial para reducir el error residual.