1 Introducción
Falta de atención médica empeora la calidad de vida de mujeres
Según el informe de la OMS, pese a que las mujeres viven entre seis y ocho años más que los hombres, sus vidas no son necesariamente más saludables o felices ya que se ignoran muchas necesidades médicas cruciales. Además, señala que, aunque las mujeres suelen buscar asistencia médica más que los hombres, muchas veces no reciben el tratamiento adecuado ante problemas como violencia, depresión y aquellos demencia
Madrid, 11 de noviembre 2009 (medicosyapcientes.com)
Las mujeres carecen de la atención médica esencial a lo largo de sus vidas, sobre todo durante la adolescencia y la vejez, según informó la Organización Mundial de la Salud (OMS), tras conocer el informe de Naciones Unidas que analiza la situación de la mujer en el mundo.
Así, según el informe, pese a que viven entre seis y ocho años más que los hombres, a las mujeres de todo el mundo “se les niega la posibilidad de desarrollar su potencial humano completo”, dado que se ignoran muchas necesidades médicas cruciales. “Las mujeres generalmente viven más que los varones, pero sus vidas no son necesariamente más saludables o felices”, advirtió al conocer el informe la directora de la OMS, Margaret Chan.
Además, manifiesta que, aunque las mujeres suelen buscar asistencia médica más que los hombres –particularmente antes, durante y después del embarazo–, muchas veces no reciben el tratamiento adecuado ante problemas como violencia, depresión y aquellos relacionados con el envejecimiento, como la demencia. “Los obstáculos que permanecen en el camino de una mejor salud para las mujeres no son de naturaleza fundamentalmente técnica o médica sino sociales y políticos”, manifestó Chan.
La asistencia del parto puede ser de acceso especialmente complicado para las mujeres solteras y marginadas, las adolescentes y las trabajadoras sexuales, indican de la OMS en su intento por registrar las diferencias entre la salud de los hombres y las mujeres a lo largo de sus vidas. “En muchos países, los servicios de salud sexual y reproductiva suelen focalizarse exclusivamente en las mujeres casadas e ignoran las necesidades de las adolescentes y las solteras”, señala.
Asimismo, el informe muestra que, paradójicamente, los sistemas de salud frecuentemente no responden a las necesidades de las mujeres, pese al hecho de que son las principales contribuidoras al sistema, a través de su rol como cuidadoras primarias en la familia y también como proveedoras de atención médica.
Por otra parte, desde la OMS se recuerda que el 99 por ciento de las 500.000 muertes femeninas anuales durante el parto se producen en los países en desarrollo, “donde escasean los suministros de atención médica y los profesionales calificados”.
El informe también destaca que la depresión y la ansiedad afectan mucho más a las mujeres que a los hombres, y ellas son más propensas a contraer enfermedades de transmisión sexual. Además, suelen ser con mayor frecuencia que los varones víctimas de violencia sexual y sus problemas de salud ligados a la vejez, como la pérdida de visión o audición, la depresión y la demencia, permanecen sin tratar.
El acceso desigual a la educación, el empleo y los salarios también puede presentar obstáculos para la salud femenina, especialmente en mercados donde la cobertura médica está relacionada con el empleo o se requiere el pago de cuotas para acceder a los servicios básicos, reveló el informe de la OMS.
direccion <- switch(2,"C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/","C:/Users/chris/OneDrive/Documentos/archivos_grandes/")
dataset_06 <<- readRDS(paste0(direccion,"casen_2006_c.rds"))
dataset_06 <- mutate_if(dataset_06, is.factor, as.character)
dataset_09 <<- readRDS(paste0(direccion,"casen_2009_c.rds"))
dataset_09 <- mutate_if(dataset_09, is.factor, as.character)
dataset_11 <<- readRDS(paste0(direccion,"casen_2011_c.rds"))
dataset_11 <- mutate_if(dataset_11, is.factor, as.character)
dataset_13 <<- readRDS(paste0(direccion,"casen_2013_c.rds"))
dataset_13 <- mutate_if(dataset_13, is.factor, as.character)
dataset_15 <<- readRDS(paste0(direccion,"casen_2015_c.rds"))
dataset_15 <- mutate_if(dataset_15, is.factor, as.character)
dataset_17 <<- readRDS(paste0(direccion,"casen_2017_c.rds"))
dataset_17 <- mutate_if(dataset_17, is.factor, as.character)
dataset_20 <<- readRDS(paste0(direccion,"casen_2020_e1.rds"))
dataset_20 <- mutate_if(dataset_20, is.factor, as.character)casen_2006 <- dataset_06
casen_2009 <- dataset_09
casen_2011 <- dataset_11
casen_2013 <- dataset_13
casen_2015 <- dataset_15
casen_2017 <- dataset_17
casen_2020 <- dataset_202 Categorías de respuesta
Obtenemos las frecuencias de respuestas ya expandidas a la población, por categoría. , include = FALSE
## # A tibble: 41 x 2
## Variable Homologacion_040
## <chr> <chr>
## 1 Consiguió hora pero no la utilizó Consiguió hora, pero no la utilizó o to~
## 2 Consiguió hora, pero no la utilizó Consiguió hora, pero no la utilizó o to~
## 3 Consiguió hora pero todavía no le t~ Consiguió hora, pero no la utilizó o to~
## 4 Consiguió hora, pero todavía no le ~ Consiguió hora, pero no la utilizó o to~
## 5 Prefirió consultar en una farmacia ~ Consultó en una farmacia por medicament~
## 6 Consultó en una farmacia por medica~ Consultó en una farmacia por medicament~
## 7 Consultó en una farmacia por medica~ Consultó en una farmacia por medicament~
## 8 Prefirió consultar en una farmacia ~ Consultó en una farmacia por medicament~
## 9 Decidió tomar sus medicamentos habi~ Decidió tomar sus medicamentos habitual~
## 10 El especialista o establecimiento d~ El especialista o establecimiento de sa~
## # ... with 31 more rows
La base de datos necesaria
diccionario <- function(df){
#entre 2006 y 2020: 7
variable <- switch(i,"S7","S11","s23","s20","s17","s17","s18")
names(carrera)[1] <- variable
df <- merge(df, carrera, by = variable)
switch(i,
case = casen_2006 <<- df,
case = casen_2009 <<- df,
case = casen_2011 <<- df,
case = casen_2013 <<- df,
case = casen_2015 <<- df,
case = casen_2017 <<- df,
case = casen_2020 <<- df
)
}
for (i in 1:7) {
switch(i,
case = casen <- casen_2006,
case = casen <- casen_2009,
case = casen <- casen_2011,
case = casen <- casen_2013,
case = casen <- casen_2015,
case = casen <- casen_2017,
case = casen <- casen_2020
)
diccionario(casen)
}df_tablas <- data.frame()
funcion1 <- function(n){
xx<-switch(n,"2006","2009","2011","2013" ,"2015","2017","2020")
tanio <<- xx
v1 <- switch(n, "Homologacion_040","Homologacion_040", "Homologacion_040","Homologacion_040", "Homologacion_040","Homologacion_040", "Homologacion_040")
if(xx==2006) {
eliminated <- casen_2006
c <- eliminated[,c(v1)]
anio <- 2006
}
if(xx==2009) {
eliminated <- casen_2009
c <- eliminated[,c(v1)]
anio <- 2009
}
if(xx==2011) {
eliminated <- casen_2011
c <- eliminated[,c(v1)]
anio <- 2011
}
if(xx==2013) {
eliminated <- casen_2013
c <- eliminated[,c(v1)]
anio <- 2013
}
if(xx==2015) {
eliminated <- casen_2015
c <- eliminated[,c(v1)]
anio <- 2015
}
if(xx==2017) {
eliminated <- casen_2017
c <- eliminated[,c(v1)]
anio <- 2017
}
if(xx==2020) {
eliminated <- casen_2020
c <- eliminated[,c(v1)]
anio <- 2020
}
################ -- frecuencia
expan<-switch(n, "EXPC","EXPC", "expc_full","expc", "expc_todas","expc", "expc")
tabla_matp <-xtabs(eliminated[,(expan)]~c, data = eliminated)
tabla_matp <- as.data.frame(tabla_matp)
names(tabla_matp)[1] <- "Homologación"
data_df1 <<- tabla_matp
################
}
for (n in 1:7){
funcion1(n)
assign(paste0("tabla_",tanio),data_df1)
}
tabla_f <- merge(tabla_2006, tabla_2009, by= "Homologación", all.x = T, all.y = T)
tabla_f <- merge(tabla_f, tabla_2011, by= "Homologación", all.x = T, all.y = T)
tabla_f <- merge(tabla_f, tabla_2013, by= "Homologación", all.x = T, all.y = T)
tabla_f <- merge(tabla_f, tabla_2015, by= "Homologación", all.x = T, all.y = T)
tabla_f <- merge(tabla_f, tabla_2017, by= "Homologación", all.x = T, all.y = T)
tabla_f <- merge(tabla_f, tabla_2020, by= "Homologación", all.x = T, all.y = T)
tabla_f## Homologación
## 1 Consiguió hora, pero no la utilizó o todavía no le toca
## 2 No lo consideró necesario, así que tomó remedios caseros o no hizo nada
## 3 No sabe o no responde
## 4 Pensó en consultar, pero no tuvo dinero o tiempo
## 5 Pidió hora, pero no la obtuvo
## 6 Consultó en una farmacia por medicamentos para su problema de salud
## 7 Decidió tomar sus medicamentos habituales
## 8 Pensó en consultar, pero le cuesta mucho llegar al lugar
## 9 Prefirió consultar a especialista en medicina alternativa o indígena
## 10 El especialista o establecimiento de salud no estaba atendiendo, la consulta fue cancelada o no contaba con permiso para asistir a la consulta debido a la cuarentena
## 11 Otra razón
## 12 Prefirió no consultar por temor al contagio de COVID-19
## Freq.x Freq.y Freq.x Freq.y Freq.x Freq.y Freq
## 1 13775 18860 7592 6729 4079 4698 7044
## 2 261251 233699 85347 124340 149757 134931 63385
## 3 15776148 16193182 16768386 17035225 17272062 17573166 19275682
## 4 77424 29490 17665 13650 19125 15126 17380
## 5 13821 30199 10232 8282 10970 7951 12845
## 6 NA 14611 4571 7015 6685 5630 911
## 7 NA 61104 20910 31619 43090 21058 7320
## 8 NA 14122 4290 2931 4031 3738 1559
## 9 NA 11784 4755 5506 5775 2868 1565
## 10 NA NA NA NA NA NA 53560
## 11 NA NA NA NA NA NA 14139
## 12 NA NA NA NA NA NA 45072colnames(tabla_f) <- c("variable", "2006","2009","2011","2013","2015","2017","2020")
tabla_f <- mutate_all(tabla_f, ~replace(., is.na(.), 0))
tabla_t <- tabla_f
tabla_t$a2007 <- NA
tabla_t$a2008 <- NA
tabla_t$a2010 <- NA
tabla_t$a2012 <- NA
tabla_t$a2014 <- NA
tabla_t$a2016 <- NA
tabla_t$a2018 <- NA
tabla_t$a2019 <- NA
tabla_t <- tabla_t[,c("variable","2006","a2007","a2008","2009","a2010","2011","a2012","2013","a2014","2015","a2016","2017","a2018","a2019","2020")]
receptaculo <- data.frame()
for (n in 1:nrow(tabla_t)) {
calculado <- na.approx(c(tabla_t[n,c(2:ncol(tabla_t))]))
receptaculo <- rbind(receptaculo,calculado)
}
receptaculo <- cbind(tabla_t$variable,receptaculo)
colnames(receptaculo) <- c("Homologación",paste0(seq(2006,2020,1)))
# receptaculo$categorias<- as.character(receptaculo$categorias)
################is.num <- sapply(receptaculo, is.numeric)
receptaculo [is.num] <- lapply(receptaculo [is.num], round, 2)datatable(receptaculo, extensions = 'Buttons', escape = FALSE, rownames = TRUE,
options = list(dom = 'Bfrtip',
buttons = list('colvis', list(extend = 'collection',
buttons = list(
list(extend='copy'),
list(extend='excel',
filename = 'recibio_atencion'),
list(extend='pdf',
filename= 'recibio_atencion')),
text = 'Download')), scrollX = TRUE))%>%
formatRound(columns=c(paste0(seq(2006,2020,1))) ,mark = "", digits=2)3 Análisis