¿En qué nivel socioeconómico tuvo mayor impacto la ley de aborto en 3 causales?

1. Contexto

El aborto libre ha sido un tema clásico de debate politico que ha tomado fuerza durante los últimos años. El tema tiene una fuerte confrontación entre distintos sectores políticos, religiones, diferentes ideales y valores, conservadores y liberales. Aún cuando es un tema que se podría argumentar con componente valórico, no debemos solo caer en estos términos para el análisis de su impacto. Considerando, sobre todo, que hay una gran cantidad de variables socioeconómicas y de salud que permiten entender lo que conlleva la interrupción del embarazo, desde una mirada más cercana a las políticas públicas que el clásico debate moral-valórico. Dentro de esta mirada, queremos evaluar los aspectos socioeconómicos de la interrupción del embarazo como también sus consecuencias en la salud para las mujeres de la sociedad chilena, enfocándonos prrincipalmente, en los diferentes niveles socioeconómicos.

En el año 2017, en nuestro país, comenzó a regir la ley de aborto bajo 3 causales. Riesgo vital de la madre, inviabilidad fetal y violación. Aunque esto no necesariamente tenga una correlacion absoluta con respecto al aborto libre, si corresponde a una aproximación interesante respecto a las consecuencias socioeconomicas y de salud que ha tenido en la poblacion. El impacto de esta nueva legislación parece no ser tan debatido en la opinión pública y política, a diferencia del aspecto valórico generalmente centrado en el valor de la vida (“la vida del que está por nacer” ) y la libre determinación sobre nuestros cuerpos (el derecho de elegir sobre nuestras vidas y cuerpos de forma libre ). Es por esto, que nos gustaría analizar con mayor detenimiento los aspectos mas concretos del aborto, sobre todo el impacto que ha tenido la despenalización en 3 causales, para aportar, de manera más informada, al debate a futuro sobre la despenalización del aborto libre. De esta forma es de nuestro principal interés, evaluar el impacto real que ha tenido sobre las mujeres chilenas de distintos segmentos socioeconómicos. Esto toma mayor relevancia cuando analizamos la literatura existente en Estados Unidos y Europa, donde se puede ver una tendencia de la clase socioeconomica más vulnerable al momento de cometer interrupciones del embarazo.

2. Elección de la pregunta

¿En qué nivel socioeconómico tuvo mayor impacto la ley de aborto en 3 causales?

Además, nos gustaría ver si logramos responder la siguiente pregunta

¿Cómo podría impactar esto en una futura desición sobre aborto libre?

3. Elección de la fuente de datos

Para esto, basaremos nuestra investigación en una base de datos extraída desde el ministerio de salud de Chile, donde se muestra data desde el año 2018 hasta el año 2021. Entre sus variables más relevantes se encuentran la edad de la madre, región y comuna de residencia y tipo de previsión médica. Esta última es la que mayor información nos entregará respecto al nivel socioeconómico, ya que se divide en 5 tipos. Isapre y Fonasa en sus 4 tramos.

Tramos de fonasa

Tramo A: Personas carentes de recursos y personas migrantes.

Tramo B: Personas que perciben un ingreso imponible mensual menor o igual a $326.500.-

Tramo C: Personas que perciben un ingreso imponible mensual mayor a $326.500.- y menor o igual a $476.690.-

Tramo D: Personas que perciben un ingreso imponible mensual mayor a $476.690.-

CAUSALES

Causal 1: Peligro para la vida de la mujer

Causal 2: Inviabilidad fetal de carácter letal

Causal 3: Embarazo por violación

Cantidad de mujeres consideradas en el estudio.

data.aborto[,.(total=.N)]
##    total
## 1:  2339

Variables consideradas en el estudio

names(data.aborto)
##  [1] "CAUSAL"                           "MES"                             
##  [3] "AÑO"                              "FECHA_CONCURRENCIA"              
##  [5] "EDAD_MUJER"                       "PAIS_ORIGEN"                     
##  [7] "REGION_RESIDENCIA"                "COMUNA_RESIDENCIA"               
##  [9] "PREVISION_SALUD"                  "TRAMO_FONASA"                    
## [11] "ESTABLECIMIENTO"                  "SEREMIoSERVICIO"                 
## [13] "TIPO_ESTABLECIMIENTO"             "HITO1_EDAD_GESTACIONAL_SEMANAS"  
## [15] "DIAG_PCIPAL"                      "HITO2_DECISION_MUJER_IVE"        
## [17] "HITO3_PROCEDIMIENTO_INTERVENCION" "HITO3_SERV_SALUD_ESTABLECIMIENTO"
## [19] "codigo_region"                    "codigo_comuna"                   
## [21] "DECISION"

Cantidad de Interrupción Voluntaria del Embarazo según tramo de FONASA

totalxtramo=data.aborto [,.(total=.N),by=.(TRAMO_FONASA)]

grafico.tramos= ggplot(totalxtramo,aes(x=TRAMO_FONASA,y=total, fill=TRAMO_FONASA)) +
  geom_bar(stat='identity')+
    geom_text(aes(label=(totalxtramo$total)),
              position=position_stack(vjust=1))+
  labs(title = 'Cantidad de IVE', subtitle = 'Según tramo de fonasa',
       caption = "Fuente:DEIS/MinSal/Datos-IVE",
       x = 'Región',y = 'N° de IVE') + 
  geom_text(aes(label=(totalxtramo$total))) + 
  coord_flip() + scale_fill_discrete(name="Tramo") +
  theme(axis.text.x = element_text(angle=90, vjust=0.5)) + scale_fill_manual(values = c("#BF1363", "#39A6A3", "#77ACF1", "#39A9CB","#FF96AD", "#F6B8B8"))
## Scale for 'fill' is already present. Adding another scale for 'fill', which
## will replace the existing scale.
grafico.tramos

# Cantidad de IVE según causal.

totalxcausal=data.aborto [,.(total=.N),by=.(CAUSAL)]
grafico.cant=ggplot(totalxcausal,aes(x=CAUSAL,y=total,  fill=CAUSAL)) +
  geom_bar(stat='identity') +
  labs(x="Causal", y="N°IVE",title = 'Cantidad de abortos', subtitle = 'Según causal',
       caption = "Fuente:DEIS/MinSal/Datos-IVE", x = 'Causal',y = 'N° de IVE') +
  coord_flip() + scale_fill_discrete(name="Causal") +
   geom_text(aes(label=(totalxcausal$total))) + 
  coord_flip() + scale_fill_discrete(name="Causal") +
  theme(axis.text.x = element_text(angle=90, vjust=0.5)) + scale_fill_manual(values = c("#BF1363", "#39A6A3", "#77ACF1", "#39A9CB","#FF96AD", "#F6B8B8"))
## Coordinate system already present. Adding new coordinate system, which will replace the existing one.
## Scale for 'fill' is already present. Adding another scale for 'fill', which
## will replace the existing scale.
## Scale for 'fill' is already present. Adding another scale for 'fill', which
## will replace the existing scale.
grafico.cant

mapa.ive

Porcentaje de abortos por tipo de fonasa

tabla=table(data.aborto$CAUSAL)
tabla=prop.table(tabla)
grafico=tabla*100
grafico=as.data.table(grafico)

library(scales)
## 
## Attaching package: 'scales'
## The following object is masked from 'package:purrr':
## 
##     discard
## The following object is masked from 'package:readr':
## 
##     col_factor
Grafico.causales = ggplot(grafico,aes(x="Causal",y=N, fill=V1))+
  geom_bar(stat = "identity",
           color="white")+
    geom_text(aes(label=percent(N/100)),
              position=position_stack(vjust=0.5),color="white",size=6)+
  labs(x="Causal", y="N°IVE",title = 'Porcentaje de abortos', subtitle = 'Según causal',
       caption = "Fuente:DEIS/MinSal/Datos-IVE" ) + 
  coord_polar(theta = "y") + scale_fill_manual(values=c("#FFE194", "#B8DFD8", "#4C4C6D"))+
    theme_void()
Grafico.causales

# Tabla con datos estadísticos

Grafico de porcentajes según tramo de fonasa

#Data de tramos
tabla.tramo=table(data.aborto$TRAMO_FONASA)
tabla.tramo=prop.table(tabla.tramo)
data.tramo=tabla.tramo*100
data.tramo=as.data.table(data.tramo)


Grafico.tramos = ggplot(data.tramo,aes(x="Tramo FONASA",y=N, fill=V1))+
  geom_bar(stat = "identity",
           color="white")+
    geom_text(aes(label=percent(N/100)),
              position=position_stack(vjust=0.5),color="white",size=4)+
  labs(x="TRAMO_FONASA", y="N°IVE",title = 'Porcentaje de abortos', subtitle = 'Según tramo de FONASA',
       caption = "Fuente:DEIS/MinSal/Datos-IVE" ) + 
  coord_polar(theta = "y") + scale_fill_manual(values=c("#BF1363", "#39A6A3", "#77ACF1", "#39A9CB","#FF96AD", "#F6B8B8"))+
    theme_void()
Grafico.tramos

#Regresiones

get_regression_table(reg1) %>% kable()
term estimate std_error statistic p_value lower_ci upper_ci
intercept 0.953 0.046 20.922 0.000 0.863 1.042
dummy_FondoA -0.082 0.040 -2.071 0.038 -0.159 -0.004
dummy_FondoB -0.056 0.039 -1.424 0.155 -0.134 0.021
dummy_FondoC -0.107 0.043 -2.508 0.012 -0.191 -0.023
dummy_FondoD -0.045 0.041 -1.085 0.278 -0.126 0.036
dummy_FondoIsapre 0.053 0.043 1.214 0.225 -0.033 0.138
dummy_FondoOtros NA NA NA NA NA NA
EDAD_MUJER -0.002 0.001 -2.285 0.022 -0.004 0.000

Arbol de decision

Árbol de decision de la mujer

rpart.plot(arbol_1, main = "Árbol de Clasificación: Decision de la mujer")

```

Conclusiones finales

Estrategias utilizadas

A conclusión, Gracias a nuestros análisis descriptivos, regresión y árbol de decisión pudimos visualizar el impacto que tuvo esta política en las clases socioeconómicas mas bajas del país. En primer lugar, nuestro árbol de decisión nos muestra que un 83% de la muestra, tiende a elegir abortar en alguna de las 3 causales. Esto implica que la política absorbió una demanda por el aborto de una 83% de las mujeres que llegan en condiciones complejas a el hospital. Por otro lado la regresión nos permitió ver que al pertenecer a un tramo de fonasa más bajo, la decisión de abortar de la mujer disminuía, lo que nos pareció bastante inconsistente con respecto al gráfico de porcentajes que separaba por tramo de FONASA, ya que en este, el mayor porcentaje de personas se encontraban entre el tramo A y B. Finalmente, nuestros análisis descriptivos nos permiten entender bien la composición de las clases socioeconómicas. Particularmente, pudimos notar que el tramo A y B de Fonasa absorben una gran cantidad de los abortos (cercano al 55%). Por lo que podemos concluir que esta política tuvo el mayor impacto en las clases mas vulnerables. Por otro lado si vemos la cantidad de personas ISAPRE que recurre a esta medida, concluimos que no supera a ningún tramo de Fonasa. Otro aspecto interesante de nuestro análisis descriptivo es el mapa de la región metropolitana, donde podemos observar que la mayor dinámica de abortos en 3 causales se encuentra en la zona mas central. Esto podría ser importante en un futuro, sobre todo cuando se trata de hacer esta política publica accesible e inclusiva para la población más marginal de Chile.

Limitaciones de las herramientas

Como se mencionó anteriormente, la regresión entregó resultados que a nustro parecer son bastante inconsistentes. Por otra parte, al ser una política muy nueva, existe poca información oficial y bases de datos en nuestro país. Dado esto, la base que encontramos contenía bastantes variables dummy, lo que nos complicó la realización prolija de la regresión y el arbol de decision. Por último, tuvimos que poner bastantes datos de forma manual para poder realizar el mapa, pero esto no fue una gran complicación.

Recapitulando

Podemos ver, en base a los diferentes métodos, que el nivel socioeconómico que más utiliza la interrupción voluntaria del embarazo son aquellas que pertenecen a los tramos A y B, es decir, personas carentes de recursos, migrantes y con un ingreso mensual máximo de $326.500. Por otra parte, pudimos observar que la Causal bajo la cual se realizan más abortos es la causal número 2. Esta es la de Inviabilidad fetal de caracter letal. Permite que en los casos en que el embrión o feto padezca una alteración estructural congénita o genética de carácter letal, la mujer podrá decidir si interrumpe o no su embarazo. Esta causal no tiene un límite de semanas de gestación para realizar el aborto.

Por último, se observó una mayor concentración de Abortos en la zona más urbana de la región Metropolitana, específicamente en las comunas de Santiago, Puente Alto, La Florida, Maipú y Quilicura. Esto nos hace pensar que esta política pública se podría fortalecer dando un mayopr acceso a la información a quienes vivan en zonas más periféricas.

Bibliografía utilizada

Ministerio de Salud:

  • Información para la ciudadanía.
  • Reporte Trimestral Ley IVE actualizado: enero a marzo de 2020.
  • Ley N°21.030 a 2 años de su entrada en vigencia.
  • NORMA TÉCNICA NACIONAL ACOMPAÑAMIENTO Y ATENCIÓN INTEGRAL A LA MUJER QUE SE ENCUENTRA EN ALGUNA DE LAS TRES CAUSALES QUE REGULA LA LEY 21.030.

Departamento de estadísticas e Información de Salud.

  • Datos Interrupción Voluntaria del Embarazo.