Resumen ejecutivo

En esta memoria se presenta la selección, auditoría de calidad y conceptualización analítica del conjunto de datos destinado a la práctica de la asignatura Visualización de datos (Máster en Ciencia de Datos, Universitat Oberta de Catalunya). Con el objetivo de analizar cómo las desigualdades socioeconómicas y las barreras de acceso sanitario condicionan el cribado preventivo del cáncer en Estados Unidos, se ha integrado a escala de distrito censal (Census Tract) la información clínica de CDC PLACES (edición 2025) con los indicadores sociodemográficos del CDC/ATSDR Social Vulnerability Index (SVI 2022).

El conjunto maestro resultante abarca 83.522 distritos censales de los 51 estados y territorios estadounidenses —de los cuales 83.287 disponen de cruce válido con el índice de vulnerabilidad social y 60.269 cuentan con registros completos en las siete dimensiones empleadas para segmentar el territorio en cuatro perfiles mediante k-means—. La validación exploratoria inicial confirma la consistencia y riqueza del conjunto de datos para desarrollar y responder en la Parte II: proyecto de visualización a las preguntas de investigación formuladas.


1. Justificación de la selección del conjunto de datos

La elección de esta temática responde al interés profesional y analítico por aplicar la ciencia de datos y la visualización de información al ámbito de la epidemiología social, la salud pública y la equidad territorial. En salud pública suele afirmarse que el código postal condiciona la salud tanto como el código genético: tal como advierte la Asociación Española Contra el Cáncer (AECC) bajo su lema «El cáncer es igual para todos, pero no todos somos iguales frente al cáncer», el nivel socioeconómico y el lugar de residencia condicionan de forma determinante la participación en los programas de cribado y el diagnóstico precoz. Sin embargo, en la gestión sanitaria convencional, los indicadores de prevención suelen analizarse de forma agregada por estados, comunidades o grandes regiones administrativas, lo que oculta las fracturas socioeconómicas que separan a barrios contiguos dentro de una misma área metropolitana.

Aunque la motivación inicial surge de esta realidad cercana, al explorar repositorios públicos en España (como el INE o los portales autonómicos de salud) no se localizaron conjuntos de datos abiertos que ofrecieran simultáneamente prevalencias de cribado oncológico e indicadores de vulnerabilidad socioeconómica y una clave geográfica común para cruzarlos. Por este motivo, y frente a las fuentes estadísticas genéricas mencionadas de forma ilustrativa en los materiales docentes (World Bank, Kaggle, UCI ML, INE o Eurostat; Minguillón, 2024, Introducción a la preparación de datos), se optó por acudir directamente a los repositorios especializados de los Centers for Disease Control and Prevention (CDC) de Estados Unidos.

Desde una perspectiva aplicada a la ciencia de datos, cruzar métricas clínicas de cribado preventivo con indicadores estructurales de vulnerabilidad social a escala inframunicipal permite abordar un problema real de planificación sanitaria: identificar dónde se concentran las bolsas de exclusión preventiva y qué barreras estructurales (carencia de seguro médico, pobreza, bajo nivel educativo o falta de transporte) condicionan el acceso al diagnóstico precoz. Este enfoque resulta directamente transferible a la toma de decisiones institucionales, como el despliegue territorial de unidades móviles de mamografía, campañas comunitarias de detección precoz de cáncer colorrectal o programas de refuerzo de atención primaria.

En consonancia con el marco metodológico de la asignatura (Minguillón, 2024, Introducción a la preparación de datos), la preparación del conjunto de datos establece las bases para recorrer la pirámide DIKW (Data, Information, Knowledge, Wisdom):

  1. Dato (Data): Registros numéricos y geográficos brutos publicados en los repositorios abiertos de los CDC (ej. valores porcentuales sin contextualizar como "78,5" o cadenas espaciales WKT).
  2. Información (Information): Prevalencias depuradas, tipadas y contextualizadas por distrito censal (ej. 78,5 % de mujeres de 50 a 74 años con mamografía realizada en los últimos dos años en un distrito concreto).
  3. Conocimiento (Knowledge): Relaciones multivariables y tipologías territoriales emergentes que se desarrollarán y narrarán visualmente en la Parte II: proyecto de visualización (asociación entre exclusión sanitaria y cribado, brecha diferencial entre pruebas preventivas y cuatro perfiles territoriales descubiertos mediante k-means).
  4. Sabiduría (Wisdom): Criterio accionable para orientar recursos preventivos hacia los distritos del clúster de exclusión crítica (C1), maximizando el impacto social del diagnóstico temprano.

2. Relevancia en su contexto, actualidad, perspectiva de género y sesgos

2.1. Actualidad, licencias y acceso Open Data

Ambos conjuntos de datos proceden de organismos federales de referencia internacional en vigilancia epidemiológica y cartografía sociodemográfica:

Siguiendo el modelo de cinco estrellas de Open Data recogido en los materiales docentes (Minguillón, 2024, Introducción a la preparación de datos), ambas fuentes se sitúan en el nivel de 3 estrellas (datos abiertos disponibles en formatos tabulares estructurados y no propietarios CSV), se obtienen mediante acceso estático (snapshots oficiales verificados) y pertenecen al dominio público federal sin restricciones legales ni problemas de privacidad o des-anonimización, al tratarse de estimaciones poblacionales agregadas.

2.2. Impacto social y perspectiva de género

El conjunto de datos posee una marcada connotación social y utilidad profesional en salud pública, economía de la salud y planificación territorial. De forma específica, el diseño del estudio incorpora la perspectiva de género como eje estructural:

  • Sitúa como indicador nuclear la cobertura de mamografía preventiva (MAMMOUSE_CrudePrev), que mide el porcentaje de mujeres de 50 a 74 años con mamografía realizada en los últimos dos años.
  • Contrasta dicho indicador específico de salud femenina frente a dos pruebas preventivas de población adulta general: el cribado de cáncer colorrectal (COLON_SCREEN_CrudePrev) en adultos de 45 a 75 años y las revisiones médicas rutinarias (CHECKUP_CrudePrev) en adultos mayores de 18 años.
  • Esta comparación permitirá evaluar en la fase de visualización si el gradiente de pobreza y falta de cobertura médica penaliza con mayor intensidad los cribados oncológicos específicos frente a la atención primaria general, así como observar las diferencias de adherencia entre el cribado femenino y el cribado poblacional mixto.

2.3. Identificación crítica de sesgos y omisiones metodológicas

Para garantizar el rigor científico y evitar interpretaciones engañosas, se han auditado las principales limitaciones y sesgos documentados tanto en las fichas técnicas y notas metodológicas oficiales de los portales de descarga (CDC PLACES: https://data.cdc.gov/500-Cities-Places/PLACES-Census-Tract-Data-GIS-Friendly-Format-2025-/yjkw-uj5s/data_preview; CDC/ATSDR SVI: https://atsdr.cdc.gov/place-health/php/svi/svi-data-documentation-download.html) como en la inspección empírica directa de los ficheros CSV:

  1. Sesgo de estimación modelada (Small Area Estimation — documentación técnica CDC PLACES): Tal como advierte el portal oficial de PLACES, los valores a nivel de distrito censal no proceden de un censo clínico directo, sino de modelos estadísticos multinivel (Multilevel Regression and Poststratification, MRP) aplicados sobre las encuestas telefónicas BRFSS y proyecciones demográficas de la ACS. En consecuencia, las prevalencias reflejan estimaciones esperadas según la estructura sociodemográfica del distrito y presentan intervalos de confianza del 95 % (_Crude95CI) más amplios en barrios con baja densidad de población.
  2. Sesgo de autorreporte y deseabilidad social (metodología BRFSS / CDC): Según las notas técnicas de la encuesta Behavioral Risk Factor Surveillance System (BRFSS) publicadas en la web de los CDC, las tasas de cribado preventivo (MAMMOUSE_CrudePrev, COLON_SCREEN_CrudePrev) se basan en respuestas autodeclaradas por teléfono y no en historias clínicas hospitalarias, por lo que pueden presentar una ligera sobreestimación por deseabilidad social o sesgo de recuerdo.
  3. Omisiones estructurales en territorios no residenciales (diccionario de datos SVI 2022 y auditoría CSV): Conforme especifica la documentación oficial de CDC/ATSDR SVI 2022, los distritos censales correspondientes a aeropuertos, bases militares, parques nacionales, zonas industriales o áreas sin población residente suficiente carecen de estimación fiable y se codifican en origen con el valor centinela -999. Asimismo, la auditoría directa del CSV de PLACES 2025 revela ausencias sistemáticas por estado en indicadores opcionales (como LACKTRPT_CrudePrev, con 23.103 registros ausentes), lo que reduce la muestra completa para el algoritmo k-means desde los 83.522 distritos iniciales hasta 60.269 distritos con información íntegra en las 7 variables simultáneas.
  4. Prevención de la falacia ecológica (alcance de la unidad de análisis): Dado que la unidad espacial de publicación de los CDC es el distrito censal (Census Tract) y no el individuo, las asociaciones detectadas describen patrones territoriales agregados y no deben extrapolarse como causalidad clínica individual.

3. Complejidad técnica, tipología de datos y auditoría de calidad (GIGO)

El proyecto supera ampliamente los umbrales de volumen y dimensionalidad recomendados para una visualización avanzada (entre 1.000 y 10.000 registros y entre 10 y 100 variables), combinando 83.522 filas y 33 variables depuradas en el dataset maestro.

Tabla 1. Caracterización técnica y estructural de las fuentes de datos integradas.
Dimensión técnica Dataset Principal: CDC PLACES (2025) Dataset Secundario: CDC/ATSDR SVI (2022)
Organismo y repositorio oficial Centers for Disease Control and Prevention (CDC — data.cdc.gov) CDC / Agency for Toxic Substances and Disease Registry (atsdr.cdc.gov)
Edición y marco temporal 2025 Release (basada en BRFSS 2022-2023 y ACS) SVI 2022 (basado en ACS 2018-2022, publicado en 2024)
Volumen en origen 83.522 distritos censales x 88 columnas 84.120 distritos censales x 158 columnas
Granularidad espacial Distrito censal (Census Tract, Censo 2020) Distrito censal (Census Tract, Censo 2020)
Tipología de datos combinada Cuantitativas continuas (tasas %), discretas (población), categóricas nominales, claves FIPS y geometrías WKT Cuantitativas continuas (percentiles 0-1 y tasas %), discretas (estimaciones poblacionales) y claves FIPS

3.1. Combinación de datos estructurados y semiestructurados

Además de integrar variables cuantitativas continuas (prevalencias en porcentaje e índices percentiles), cuantitativas discretas (población residente) y categóricas nominales y ordinales (estados, condados, cuartiles SVI y clústeres), el conjunto combina estructuras tabulares relacionales con datos espaciales semiestructurados: en el fichero original PLACES 2025, la localización geográfica de cada centroide viene encapsulada como una cadena de texto en formato cartográfico estándar Well-Known Text (POINT (-86.1234 32.3567)), que ha sido parseada mediante limpieza de cadenas para extraer las coordenadas decimales Longitud y Latitud sobre el sistema geodésico WGS84.

3.2. Auditoría de calidad GIGO y flujo ETL en R (tidyverse)

Siguiendo el principio GIGO (Garbage In, Garbage Out) y los cinco criterios de control de calidad establecidos en los apuntes de preparación de datos (Minguillón, 2024, Introducción a la preparación de datos), se implementó un flujo reproducible ETL (Extract, Transform, Load) en R (tidyverse):

Tabla 2. Auditoría de calidad GIGO y operaciones de preparación de datos en R (tidyverse).
Criterio GIGO Anomalía detectada en los datos crudos Transformación ETL aplicada en R
1. Uniformidad En PLACES 2025, las tasas porcentuales venían formateadas como cadenas de texto con coma decimal (ej. ‘78,5’) y la población con puntos de millar, generando conflictos con el separador CSV. Lectura inicial forzada como texto (col_types = cols(.default = ‘c’)), sustitución de coma por punto decimal (str_replace) y conversión explícita a tipo numérico (as.numeric).
2. Consistencia Los códigos administrativos TractFIPS (11 dígitos) y CountyFIPS (5 dígitos) perdían los ceros iniciales al importarse como enteros en estados con código < 10 (ej. Alabama ‘01’, California ‘06’). Tratamiento estricto como identificadores textuales (Dimensiones) y relleno por la izquierda con ceros mediante str_pad(…, width = 11 / 5, pad = ‘0’).
3. Validez En SVI 2022, los distritos despoblados o sin estimación válida codifican los valores ausentes mediante el número centinela -999. Recodificación sistemática de -999 a NA real mediante na_if(., -999) antes de calcular cuantiles, medias o distancias euclídeas.
4. Completitud Existencia de valores perdidos parciales en indicadores opcionales de cribado o en distritos no residenciales tras la fusión multi-fuente. Unión a la izquierda (left_join) por FIPS_11 preservando los 83.522 distritos (83.287 con SVI válido) y filtrado de casos completos (n = 60.269) únicamente para el algoritmo k-means.
5. Exactitud Las coordenadas geográficas venían agrupadas en una única columna textual WKT (‘POINT (lon lat)’), incumpliendo la atomicidad de Tidy Data. Descomposición de la cadena WKT en dos columnas numéricas atómicas independientes: Longitud y Latitud (WGS84).

4. Originalidad y enriquecimiento analítico del conjunto de datos

Este proyecto aporta valor mediante una triple estrategia de actualización, integración multi-fuente y creación de nuevas variables analíticas:

  1. Actualización y evolución de cobertura territorial: El conjunto CDC PLACES (2025 Release) constituye la expansión nacional completa del antiguo proyecto 500 Cities (2019), pasando de cubrir únicamente 27.210 distritos urbanos a abarcar los 83.522 distritos censales urbanos y rurales de todo Estados Unidos, e incorporando determinantes sociales clínicos de nueva generación como la falta de transporte médico (LACKTRPT_CrudePrev) y la inseguridad alimentaria (FOODINSECU_CrudePrev).
  2. Fusión multi-fuente (Left Join): Mientras que el portal de PLACES muestra indicadores médicos aislados y el portal de SVI muestra vulnerabilidad sociodemográfica por separado, su integración 1 a 1 mediante la clave censal FIPS_11 permite cuantificar el gradiente social de la prevención clínica en todo el territorio nacional.
  3. Ingeniería de características y minería de datos (k-means): Sobre la tabla integrada se han creado nuevas dimensiones analíticas que no existen en ninguna de las fuentes originales:
    • Estratificación socioeconómica ordinal (Cuartil_SVI): Discretización del índice global RPL_THEMES en cuatro cuartiles (Q1: Baja Vulnerabilidad a Q4: Alta Vulnerabilidad).
    • Segmentación territorial no supervisada (Cluster_Perfil): Aplicación del algoritmo k-means (k = 4) sobre 7 variables estandarizadas (Z-score: mamografía, cribado colorrectal, falta de seguro médico, pobreza <150%, falta de educación secundaria, falta de transporte y obesidad), descubriendo cuatro tipologías estructurales de barrios ordenadas de menor a mayor cobertura preventiva.
Tabla 3. Validación estadística de la dimensión derivada Cluster_Perfil: perfil medio (%) de cada grupo (n = 60.269 distritos completos).
Clúster Territorial (K-Means) Distritos % Mamografía Cribado Colon Sin Seguro Pobreza <150% Sin Secund. Falta Transp. Obesidad
C1: Exclusión Crítica y Bajo Cribado 4942 8.2 69.19 49.89 22.90 47.45 32.40 20.39 40.96
C2: Vulnerabilidad Moderada-Alta 12669 21.0 73.09 59.30 13.90 35.51 17.37 13.77 39.10
C3: Riesgo Metabólico Intermedio 21789 36.2 75.64 65.37 9.13 19.56 9.44 8.30 35.32
C4: Alta Cobertura y Baja Vulnerabilidad 20869 34.6 79.95 69.74 5.68 9.62 4.50 5.55 27.99

5. Objetivos, preguntas de investigación y diccionario de variables

5.1. Audiencia destinataria, hipótesis y alcance del proyecto

Siguiendo la metodología de diseño centrada en el usuario y en la pregunta analítica (el qué antes que el cómo del recurso La importancia del qué y el cómo en visualización de datos; UOC, 2025), la visualización interactiva que se desarrollará en la Parte II: proyecto de visualización se orientará a dos perfiles de audiencia complementarios:

  • Audiencia técnica e institucional: Epidemiólogos, analistas de datos sanitarios y responsables de planificación en salud pública interesados en detectar desequilibrios territoriales y priorizar recursos preventivos.
  • Audiencia divulgativa y ciudadanía: Periodistas de datos y público general interesado en comprender cómo el código postal y las condiciones socioeconómicas condicionan el acceso efectivo a la prevención del cáncer.

Con este propósito, se formulan cuatro preguntas de investigación fundamentadas en hipótesis explícitas sobre relaciones multivariables:

  1. Hipótesis 1 — Barrera financiera y cribado femenino (Relación bivariable y por clúster): ¿En qué medida la carencia de cobertura sanitaria (ACCESS2_CrudePrev) desploma la realización de mamografías (MAMMOUSE_CrudePrev) y cómo se estratifican los distritos según su perfil de vulnerabilidad?
    • Hipótesis: Se espera una correlación negativa moderada-alta en la que los distritos con mayor proporción de población sin seguro médico caen significativamente en cobertura mamográfica.
  2. Hipótesis 2 — Gradiente socioeconómico y brecha comparada entre pruebas (Perspectiva de género): ¿Cómo evoluciona la cobertura preventiva a medida que aumenta la vulnerabilidad social del barrio (Cuartil_SVI: de Q1 a Q4) y qué prueba sufre mayor penalización al comparar el cribado femenino (MAMMOUSE_CrudePrev), el cribado colorrectal (COLON_SCREEN_CrudePrev) y el chequeo médico anual (CHECKUP_CrudePrev)?
    • Hipótesis: Se espera que todas las pruebas desciendan progresivamente de Q1 a Q4, pero que los cribados oncológicos específicos sufran una caída más pronunciada que la consulta médica rutinaria debido a sus mayores barreras logísticas y económicas.
  3. Hipótesis 3 — Anatomía multidimensional de la desigualdad territorial (Clustering k-means): ¿Qué combinaciones latentes de pobreza (EP_POV150), nivel educativo (EP_NOHSDP), falta de transporte (LACKTRPT_CrudePrev) y obesidad (OBESITY_CrudePrev) configuran las cuatro tipologías de distritos descubiertas por k-means?
    • Hipótesis: Se espera que emerjan perfiles estructuralmente diferenciados donde la exclusión sanitaria crítica (C1) acumule altas desviaciones estándar positivas en pobreza, falta de seguro y falta de transporte.
  4. Hipótesis 4 — Patrón geográfico de la exclusión preventiva (Análisis espacial): ¿Dónde se concentran geográficamente los distritos del clúster de exclusión crítica (C1) frente a los distritos de alta cobertura (C4) en Estados Unidos?
    • Hipótesis: Se espera una marcada polarización espacial entre el cinturón sur-suroeste (Texas, sur de California, valle del Misisipi y corredor sureste) y los corredores urbanos de mayor renta del noreste y medio oeste.

5.2. Avance exploratorio de viabilidad (comprobación del cruce relacional)

A modo de avance exploratorio preliminar —con el único objetivo de comprobar que los datos cargan con integridad y verificar que es posible construir las visualizaciones planteadas en la Parte II: proyecto de visualización—, se presenta en la Figura 1 una vista de validación generada en R (ggplot2):

Figura 1. Avance exploratorio de viabilidad: comprobación del enlace Left Join entre SVI 2022 (eje horizontal) y PLACES 2025 (series verticales).

Figura 1. Avance exploratorio de viabilidad: comprobación del enlace Left Join entre SVI 2022 (eje horizontal) y PLACES 2025 (series verticales).

Esta prueba diagnóstica demuestra la unión exitosa de las dos fuentes en una sola vista: el eje horizontal (Cuartil_SVI: de Q1: Baja Vulnerabilidad a Q4: Alta Vulnerabilidad) proviene del dataset SVI 2022, mientras que las tres series del eje vertical (MAMMOUSE_CrudePrev, CHECKUP_CrudePrev y COLON_SCREEN_CrudePrev) provienen de PLACES 2025. De un solo vistazo confirma que el Left Join por FIPS_11 y la variable derivada Cuartil_SVI funcionan sin errores y capturan un gradiente analítico consistente, dejando el desarrollo visual e interactivo completo para la Parte II: proyecto de visualización.

5.3. Diccionario formal de variables: Hechos y Dimensiones

Siguiendo los criterios de clasificación de variables de los materiales de la asignatura (Pascual Cid, 2017, Introducción a Tableau y Minguillón, 2024, Introducción a la preparación de datos), se establece una separación estricta entre:

  • Dimensiones (Dimensions): Atributos categóricos, identificadores textuales, coordenadas geográficas y clasificaciones derivadas que organizan, filtran y segmentan los datos sin ser objeto de suma o promedio.
  • Hechos (Measures): Observaciones cuantitativas en bruto y métricas derivadas que miden la magnitud del fenómeno analizado y sobre las cuales se aplican funciones de agregación estadísticamente válidas (medias ponderadas por población, correlaciones o estandarización Z-score).
Tabla 4. Diccionario formal de variables del dataset maestro (distinción entre Dimensiones y Hechos).
Variable Fuente Rol analítico Tipología Significado y unidad de medida
FIPS_11 PLACES / SVI Dimensión (Clave) Categórica nominal (Texto 11 díg.) Código censal único de 11 dígitos del distrito (Census Tract) empleado como clave relacional.
StateAbbr / StateDesc PLACES 2025 Dimensión Categórica nominal (51 estados) Abreviatura oficial y nombre completo del estado o distrito federal de EE. UU.
CountyName / County_05 PLACES 2025 Dimensión Categórica nominal (3.143 condados) Nombre administrativo y código FIPS textual de 5 dígitos del condado.
Longitud / Latitud Derivada (WKT) Dimensión (Espacial) Geoespacial continua (WGS84) Coordenadas decimales del centroide del distrito extraídas de la geometría WKT POINT.
Cuartil_SVI Derivada (SVI) Dimensión (Derivada) Categórica ordinal (Q1 a Q4) Estrato socioeconómico ordinal obtenido al dividir el índice global RPL_THEMES en cuatro cuartiles.
Cluster_Perfil Derivada (K-Means) Dimensión (Derivada) Categórica nominal (C1 a C4) Tipología territorial asignada mediante clustering no supervisado K-Means (k = 4).
TotalPopulation PLACES 2025 Hecho (Ponderador) Cuantitativa discreta (habitantes) Población total residente en el distrito censal; se utiliza como peso en agregaciones por condado.
MAMMOUSE_CrudePrev PLACES 2025 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje estimado de mujeres de 50 a 74 años que se han realizado una mamografía en los últimos 2 años.
COLON_SCREEN_CrudePrev PLACES 2025 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje estimado de adultos de 45 a 75 años que cumplen las pautas de cribado de cáncer colorrectal.
CHECKUP_CrudePrev PLACES 2025 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje estimado de adultos (>= 18 años) que acudieron a una revisión médica rutinaria en el último año.
ACCESS2_CrudePrev PLACES 2025 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje estimado de adultos de 18 a 64 años que carecen de seguro médico (barrera de acceso).
LACKTRPT_CrudePrev PLACES 2025 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje estimado de adultos que sufrieron falta de transporte fiable para acudir a citas médicas o actividades.
FOODINSECU_CrudePrev PLACES 2025 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje estimado de adultos que experimentan inseguridad alimentaria en el hogar.
HOUSINSECU_CrudePrev PLACES 2025 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje estimado de adultos con inseguridad o sobrecarga en los costes de vivienda.
OBESITY_CrudePrev PLACES 2025 Hecho (Primario) Cuantitativa continua (0-100%) Prevalencia estimada de obesidad (IMC >= 30 kg/m2) en población adulta.
CSMOKING_CrudePrev PLACES 2025 Hecho (Primario) Cuantitativa continua (0-100%) Prevalencia estimada de tabaquismo activo en población adulta.
CANCER_CrudePrev PLACES 2025 Hecho (Primario) Cuantitativa continua (0-100%) Prevalencia estimada de cáncer diagnosticado (excluyendo cáncer de piel no melanoma).
RPL_THEMES SVI 2022 Hecho (Índice) Cuantitativa continua (percentil 0-1) Índice global de vulnerabilidad social CDC/ATSDR (percentil nacional de 0 = mínima a 1 = máxima).
RPL_THEME1..4 SVI 2022 Hecho (Índice) Cuantitativa continua (percentil 0-1) Percentiles específicos de los 4 subtemas SVI: Socioeconómico (1), Hogar/Discapacidad (2), Minorías (3) y Vivienda/Transporte (4).
EP_POV150 SVI 2022 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje de población con ingresos inferiores al 150% del umbral federal de pobreza.
EP_NOHSDP SVI 2022 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje de población de 25 años o más sin título de educación secundaria completa.
EP_UNEMP SVI 2022 Hecho (Primario) Cuantitativa continua (0-100%) Tasa de desempleo en población civil activa (>= 16 años) (%).
EP_HBURD SVI 2022 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje de hogares con sobrecarga del coste de la vivienda (> 30% de ingresos).
EP_UNINSUR SVI 2022 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje de población civil no institucionalizada sin seguro médico (estimación ACS).
EP_NOVEH SVI 2022 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje de hogares que no disponen de vehículo privado propio.
EP_MINRTY SVI 2022 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje de población perteneciente a minorías raciales o étnicas.
EP_AGE65 SVI 2022 Hecho (Primario) Cuantitativa continua (0-100%) Porcentaje de población de 65 años o más residente en el distrito.

6. Referencias bibliográficas

  1. Asociación Española Contra el Cáncer (AECC). Campañas de sensibilización sobre equidad y prevención frente al cáncer. Portal institucional de la Asociación Española Contra el Cáncer (https://www.contraelcancer.es/es).
  2. Centers for Disease Control and Prevention (CDC). (2025). PLACES: Local Data for Better Health, Census Tract Data (GIS Friendly Format), 2025 Release. U.S. Department of Health and Human Services. Disponible en: https://data.cdc.gov/500-Cities-Places/PLACES-Census-Tract-Data-GIS-Friendly-Format-2025-/yjkw-uj5s/data_preview.
  3. Centers for Disease Control and Prevention / Agency for Toxic Substances and Disease Registry (CDC/ATSDR). (2024). CDC/ATSDR Social Vulnerability Index (SVI) 2022 Database United States Census Tracts. Geospatial Research, Analysis, and Services Program (GRASP). Disponible en: https://atsdr.cdc.gov/place-health/php/svi/svi-data-documentation-download.html.
  4. Giménez, X., & Minguillón, J. (2024). Aspectos a tener en cuenta para la Práctica de visualización de datos. Universitat Oberta de Catalunya (UOC).
  5. Google. (2026). Gemini. Disponible en: https://gemini.google.com/.
  6. Minguillón, J. (2024). Introducción a la preparación de datos. Universitat Oberta de Catalunya (UOC).
  7. Pascual Cid, V. (2017). Introducción a Tableau. Universitat Oberta de Catalunya (UOC).
  8. Universitat Oberta de Catalunya (UOC). (2025). La importancia del qué y el cómo en visualización de datos. Materiales docentes del Máster Universitario en Ciencia de Datos.

Apéndice A: Código R reproducible (ETL, auditoría GIGO y generación de variables derivadas)

# ==============================================================================
# PRÁCTICA (PARTE I): EXTRACCIÓN, AUDITORÍA GIGO, CRUCE Y PREPARACIÓN EN R
# Autora: Begoña Escrig Andrés (bescrig@uoc.edu)
# Visualización de datos — Máster Universitario en Ciencia de Datos (UOC)
# ==============================================================================

library(tidyverse)
library(stringr)

# Rutas de los conjuntos de datos originales
ruta_places <- "PLACES__Census_Tract_Data_(GIS_Friendly_Format),_2025_release_20261114.csv"
ruta_svi    <- "SVI_2022_US.csv"

# 1. Lectura directa en modo texto
df_places <- read_csv(ruta_places, col_types = cols(.default = "c"), show_col_types = FALSE)
df_svi    <- read_csv(ruta_svi, show_col_types = FALSE)

# 2. Limpieza ETL y auditoría GIGO de PLACES 2025
vars_places <- c(
  "MAMMOUSE_CrudePrev", "COLON_SCREEN_CrudePrev", "CHECKUP_CrudePrev",
  "ACCESS2_CrudePrev", "CANCER_CrudePrev", "OBESITY_CrudePrev",
  "CSMOKING_CrudePrev", "LACKTRPT_CrudePrev", "FOODINSECU_CrudePrev",
  "HOUSINSECU_CrudePrev"
)

places_clean <- df_places %>%
  select(
    StateAbbr, StateDesc, CountyName, CountyFIPS, TractFIPS,
    TotalPopulation, Geolocation, all_of(vars_places)
  ) %>%
  mutate(
    FIPS_11         = str_pad(str_trim(TractFIPS), width = 11, side = "left", pad = "0"),
    County_05       = str_pad(str_trim(CountyFIPS), width = 5, side = "left", pad = "0"),
    TotalPopulation = as.numeric(str_replace_all(TotalPopulation, "\\.", "")),
    across(all_of(vars_places), ~ as.numeric(str_replace(str_trim(.), ",", "."))),
    coords_clean    = Geolocation %>% str_remove(fixed("POINT (")) %>% str_remove(fixed(")")),
    Longitud        = as.numeric(word(coords_clean, 1)),
    Latitud         = as.numeric(word(coords_clean, 2))
  ) %>%
  select(-TractFIPS, -CountyFIPS, -Geolocation, -coords_clean)

# 3. Limpieza de SVI 2022 y recodificación de centinelas (-999 -> NA)
vars_svi <- c(
  "EP_POV150", "EP_UNEMP", "EP_HBURD", "EP_NOHSDP",
  "EP_UNINSUR", "EP_NOVEH", "EP_MINRTY", "EP_AGE65",
  "RPL_THEME1", "RPL_THEME2", "RPL_THEME3", "RPL_THEME4", "RPL_THEMES"
)

svi_clean <- df_svi %>%
  select(FIPS, all_of(vars_svi)) %>%
  mutate(
    FIPS_11 = str_pad(str_trim(as.character(FIPS)), width = 11, side = "left", pad = "0"),
    across(all_of(vars_svi), as.numeric),
    across(all_of(vars_svi), ~ na_if(., -999))
  ) %>%
  select(-FIPS)

# 4. Left Join por código censal FIPS_11 y discretización en cuartiles SVI
df_merged <- places_clean %>%
  left_join(svi_clean, by = "FIPS_11") %>%
  mutate(
    Cuartil_SVI = case_when(
      is.na(RPL_THEMES) ~ NA_character_,
      RPL_THEMES <= quantile(RPL_THEMES, 0.25, na.rm = TRUE) ~ "Q1: Baja Vulnerabilidad",
      RPL_THEMES <= quantile(RPL_THEMES, 0.50, na.rm = TRUE) ~ "Q2: Vulnerabilidad Media-Baja",
      RPL_THEMES <= quantile(RPL_THEMES, 0.75, na.rm = TRUE) ~ "Q3: Vulnerabilidad Media-Alta",
      TRUE ~ "Q4: Alta Vulnerabilidad"
    )
  )

# 5. Segmentación no supervisada K-Means (k = 4) para crear Cluster_Perfil
vars_kmeans <- c(
  "MAMMOUSE_CrudePrev", "COLON_SCREEN_CrudePrev", "ACCESS2_CrudePrev",
  "EP_POV150", "EP_NOHSDP", "LACKTRPT_CrudePrev", "OBESITY_CrudePrev"
)

df_km_valid <- df_merged %>%
  filter(if_all(all_of(vars_kmeans), ~ !is.na(.)))

X_scaled <- scale(df_km_valid %>% select(all_of(vars_kmeans)))

set.seed(42)
modelo_km <- kmeans(X_scaled, centers = 4, nstart = 25, iter.max = 100)
df_km_valid$Cluster_Raw <- modelo_km$cluster

orden_clusters <- df_km_valid %>%
  group_by(Cluster_Raw) %>%
  summarise(Media_Mamografia = mean(MAMMOUSE_CrudePrev)) %>%
  arrange(Media_Mamografia) %>%
  mutate(
    Cluster_Perfil = c(
      "C1: Exclusión Crítica y Bajo Cribado",
      "C2: Vulnerabilidad Moderada-Alta",
      "C3: Riesgo Metabólico Intermedio",
      "C4: Alta Cobertura y Baja Vulnerabilidad"
    )
  )

df_km_valid <- df_km_valid %>%
  left_join(orden_clusters %>% select(Cluster_Raw, Cluster_Perfil), by = "Cluster_Raw") %>%
  select(-Cluster_Raw)

df_final <- df_merged %>%
  left_join(df_km_valid %>% select(FIPS_11, Cluster_Perfil), by = "FIPS_11")

# 6. Exportación del dataset maestro enriquecido para la Parte II
write_csv(df_final, "dataset_enriquecido_distritos_EEUU.csv", na = "")

Apéndice B: Declaración de uso de herramientas de Inteligencia Artificial

En cumplimiento de la normativa de integridad académica de la Universitat Oberta de Catalunya (UOC), detallo a continuación el uso limitado y supervisado que he realizado de herramientas de inteligencia artificial generativa como apoyo técnico y editorial durante la elaboración de esta memoria: