Estadística
Bayesiana para medir la mortalidad por VIH en la ciudad de Guayaquil-Ecuador
año 2017
Bayesian
statistics to measure HIV mortality in the city of Guayaquil-Ecuador year 2017
Anthony Coello1,
Jazmín Velasco2, Jennifer Mujica3 y Cristopher Borbor4
RESUMEN
El objetivo de este proyecto es determinar las principales causas de
mortalidad entre paciente masculinos y femeninos portadores del virus VIH.
Nuestra problemática recae en la poca información que existe referente a este
tema, para esto se diseñó un estudio, encaminado a describir y analizar las
tendencias y las causas de la mortalidad entre pacientes masculinos y femeninos
con VIH. La muestra ha sido seleccionada por un procedimiento de azar para
aplicar Teorema de Bayes posteriormente. Está formada por 604 pacientes de
distintos hospitales de los cuales el 60% son varones. Las edades se
distribuyen del siguiente modo: un 7,78% tiene menos de 20 años, un 67,39%
entre 20 y 39; un 19,54% entre 40 y 55, y un 5,3% más de 55 años. Se ha
utilizado una base de datos de tasa de mortalidad en hospitales tomada del
Instituto Nacional de Estadística y Censos durante el año 2017.
Palabras clave: Mortalidad,
Salud Pública, Pacientes, Causas, VIH.
ABSTRACT
The objective of this project is to determine the main causes of mortality between male and female patients with HIV. Our problem lies in the little information that exists regarding this issue, for this purpose a study was designed, aimed at describing and analyzing the trends and causes of mortality among male and female patients with HIV. The sample has been selected by a random procedure to apply Bayes Theorem later. It consists of 604 patients from different hospitals of which 60% are male. The ages are distributed as follows: 7.78% are under 20 years old, 67.39% between 20 and 39; 19.54% between 40 and 55, and 5.3% over 55 years. A database of hospital mortality rates taken from the National Institute of Statistics and Censuses has been used during 2017.
Keywords: Mortality, Health Public,
Patients, HIV.
Fecha de recepción: Septiembre 5, 2019.
Fecha de aceptación:
Febrero 14, 2020.
La
enfermedad conocida como VIH es una enfermedad que causa miedo general en la
población, siendo las consecuencias de ser portador de esta enfermedad letales,
este trabajo recopila las principales causas de muerte para este sector de
pacientes, específicamente se toman en cuenta registros de Guayas del año 2017,
para su posterior estudio y enfoque en camino a una solución para mejorar los
factores de riesgo que provocan esta enfermedad y poder ofrecer al paciente una
mejor calidad de vida de estas personas.
En el trabajo descrito por Gerardo (Martínez-Guzmán, 2015) muestra un estudio realizado en la
medición de la mortalidad en la población del estado de Puebla, en la cual se
utiliza
El modelo matemático de Ricard Génova,
para realizar el cálculo de las tablas de vidas se manejan las tablas modelo
propuestas por la ONU desarrolladas por la Naciones Unidas usando los datos del
estado de Puebla, México. Analizando los resultados de las tablas de
mortalidad, donde el cálculo parte de una esperanza de un límite de máximo de
82 años y mínimo de 32 años, se observa que mientras menos edad, menor
probabilidad de muerte. Usando datos de la ciudad de Guayaquil determinamos que
53,81% de los decesos ocurridos a causa del VIH se da en personas de 24 a 40
años, situación que nos da a entender que este virus coarta la esperanza de
vida de las personas que lo padecen.
Existen precedentes referentes a distintos
análisis de mortalidad en diferentes países, citando por ejemplo al modelo de
análisis de Giraldo (Giraldo et al., 2017) en Colombia, el cual define un modelo
usando aproximación de primer orden para realizar una predicción de mortalidad,
el cual está determinado por variables como: Región, Grupo de Edad, Género,
Causa y Tasa de Mortalidad (número de decesos por cada 100000 habitantes), los
datos disponibles se estiman
Usando regresión lineal y el método de
mínimos cuadrados, los cuales nos indicaban que las muertes en menores de edad
alcanzaban el 40% del total de fallecidos del año 1998 – 2012, según los
resultados extraídos en este trabajo la mortalidad de niños con problemas
relacionados al VIH es del 4,8% en el año 2017.
En otros trabajos como el de expuesto por
Doris (Cardona, Agudelo, & Byron, 1994) se analizó las diferencias entre
variables como edad, sexo y las causas (no solo de salud sino también externas)
que incrementan la muerte en personas adultas, este estudio fue realizado
utilizando el método epidemiológico de estandarización que se emplea para
conocer las características de enfermedades y otros daños de salud que afectan
a las colectividades humanas, adjunto a ello para conocer las tasas de vida y
esperanza de vida fue aplicado el método de Arriaga usando el programa Epidat,
dando de resultados que la mortalidad por causas no evitables con el conocimiento
científico actual ronda por el 16,5%. En el estudio a realizar se podrá definir
las probabilidades de defunción de las diferentes causas y si esta afecta más a
la población femenina o masculina aplicando el Teorema de Bayes que permite
calcular la probabilidad “A” condicionado por la información “B” tomando
estadísticas reveladas por el Instituto Nacional de Estadística y Censos (INEC)
en el Registro Estadístico de Egresos Hospitalarios del año 2017.
Este trabajo se basa sobre las causas de
mortalidad de los niños en Colombia realizado por Lurán, López, Pinilla y
Sierra (Lurán, López, Pinilla, Biomédica, & 2009, n.d.), donde este trabajo se analiza las
distintas causas de muertes de los infantes para explicar la situación de estos
sucesos entre 1985 a 2004. Los datos que nos indican dicen que el sector que el
nivel de mortalidad más alto son los hombres mayores de edad (60 – 64 años),
siendo que referente al tema de nuestro estudio el porcentaje de mortalidad en
este rango de edad no llega ni al 5% podemos determinar que esta enfermedad no
es una causa de muerte notable para este sector de pacientes.
En el proyecto mostrado por Luis (Alvis-Guzmán, …, & 2015, n.d.) se demuestra el estudio realizado en el
hospital pediátrico Napoleón Franco Pareja (HINFP) de Cartagena de Indias
(Colombia), donde se muestra la mortalidad intrahospitalaria como insumo para
la planificación de la atención sanitaria en pediatría. En el cual se realiza
un estudio transversal descriptivo utilizando como variables de estudio: mes de
ocurrencia de la muerte, sexo, edad al momento de la muerte, estado
nutricional, patología, causa de muerte, tiempo entre la llegada al hospital y
la muerte. Nos indicaba que el 26% de muertes eran causadas por enfermedades
crónicas donde el VIH forma parte, del porcentaje que nuestro trabajo determina
que la mayor cantidad de decesos que se dieron fueron debido a complicaciones
en el embarazo.
Materiales y Métodos
El
empleo de los métodos bayesianos en el análisis de los resultados del
experimento brinda más información y resulta de mayor utilidad que los métodos
convencionales; además, las conclusiones se expresan en un lenguaje mucho más
intuitivo y las complejidades de sus cálculos pueden ser resueltas por los
programas computacionales modernos, Silva LC (Silva,
Sanitaria, & 2001, n.d.).
En contraste, daremos uso de herramientas tecnológicas propuestos por el autor
en nuestra investigación como lo es la programación en R empleada en el entorno
de desarrollo de R Studio para así ofrecer una mejora en cuanto a los
resultados aplicando teoremas de Bayes.
Evento
Conjunto
de uno o más resultados de un experimento. En la teoría de conjuntos un evento
es un subconjunto del espacio muestral (Cevallos-Torres
& Botto-Tobar, 2019).
Símbolo:
E
n:
cardinalidad del evento.
Probabilidad de un
evento
La probabilidad de un evento es medida por valores comprendidos
entre 0 y 1. Entre mayor sea la probabilidad de que ocurra un evento, su
probabilidad asignada estará más próxima a 1. La probabilidad de certeza es 1.
La probabilidad de una imposibilidad es cero [7].
Representación de la formula clásica de probabilidad:
Donde:
n(E): cardinalidad del evento.
n(Ω): cardinalidad del espacio muestral.
Tabla de frecuencia
Este constituye en un método útil y eficiente para tabular datos
cualitativos y cuantitativos, y nos permite ordenar. Clasificar y explicar con
detalle la información anteriormente recolectada de la muestra (TORRES, MARTINEZ, & AMERICA, 2017).
Clase
Si tenemos datos agrupados son intervalos de igual longitud que son exhaustivos y mutuamente excluyentes [8].
Frecuencia absoluta
Número de observaciones que se pueden clasificar en la clase. [8].
Frecuencia relativa
Se la obtiene dividiendo que la frecuencia de la clase [8].
Frecuencia acumulada
Resultado de sumar la frecuencia acumulada de la clase (i – 1) con la frecuencia relativa i [8].
Frecuencia relativa acumulada
Se obtiene dividiendo la frecuencia acumulada de la clase i para el total de iteraciones [8].
Teoría de Bayes
Este
teorema fue planteado por el matemático inglés Thomas Bayes (1702-1761) y
postulada en el año 1763, que expresa la probabilidad condicional de un evento
aleatorio A dado el evento B en términos de distribución de
probabilidad condicional del evento B
dado A y la distribución de probabilidad marginal de solo A.
Sea
{A1,
A2, …A2…An} un conjunto de sucesos
mutuamente excluyentes y cuya unión es el total, o sea 1y tales que la
probabilidad de cada uno de ellos es distinta de cero. Sea B un suceso cualquiera
del que se conocen las probabilidades condicionales P (B/Ai).
Entonces la probabilidad P (Ai/B) viene dada por
la expresión (investigaciones
& 2009, n.d.):
Donde:
P(Ai)
son las probabilidades a priori.
P(B / Ai) es la probabilidad de B en la hipótesis Ai.
P (Ai / B) son las probabilidades a posteriori.
Código R
#Probabilidades primarias
probMujeres<-c(0.4);
probHombre<-c(0.6);
ProbEdad1a17<-c(7.78);
ProbEdad17a32<-c(40.07);
ProbEdad32a48<-c(40.73);
ProbEdad48a63<-c(9.44);
ProbEdad63a70<-c(1.99);
#Probabilidades secundarias
probVIHEmb<-c(20.36);
probVIHMicrobacterias<-c(18.89);
#Probabilidad de defunciones causadas
por microbacterias
#femenino
Probabilidad1<-probVIHMicrobacterias*probMujeres/sum(probVIHMicrobacterias*probMujeres,
probVIHMicrobacterias*probHombre);
#masculino
Probabilidad2<-probVIHMicrobacterias*probHombre/sum(probVIHMicrobacterias*probMujeres,
probVIHMicrobacterias*probHombre);
#Probabilidad de género femenino por
complicaciones
#en el embarazo, parto y purito por
edades
#Entre 1 a 17 años
Probabilidad3<-probVIHEmb*ProbEdad1a17/sum(probVIHEmb*ProbEdad1a17,
probVIHEmb*ProbEdad17a32,probVIHEmb*ProbEdad32a48,probVIHEmb*ProbEdad48a63,probVIHEmb*ProbEdad63a70);
#entre 17 a 32
Probabilidad4<-probVIHEmb*ProbEdad17a32/sum(probVIHEmb*ProbEdad1a17,
probVIHEmb*ProbEdad17a32,probVIHEmb*ProbEdad32a48,probVIHEmb*ProbEdad48a63,probVIHEmb*ProbEdad63a70);
#entre 32 a 48
Probabilidad5<-probVIHEmb*ProbEdad32a48/sum(probVIHEmb*ProbEdad1a17,
probVIHEmb*ProbEdad17a32,probVIHEmb*ProbEdad32a48,probVIHEmb*ProbEdad48a63,probVIHEmb*ProbEdad63a70);
#entre 48 a 63
Probabilidad6<-probVIHEmb*ProbEdad48a63/sum(probVIHEmb*ProbEdad1a17,
probVIHEmb*ProbEdad17a32,probVIHEmb*ProbEdad32a48,probVIHEmb*ProbEdad48a63,probVIHEmb*ProbEdad63a70);
#entre 63 a 70
Probabilidad7<-probVIHEmb*ProbEdad63a70/sum(probVIHEmb*ProbEdad1a17,
probVIHEmb*ProbEdad17a32,probVIHEmb*ProbEdad32a48,probVIHEmb*ProbEdad48a63,probVIHEmb*ProbEdad63a70);
A<-rbind(Probabilidad1,Probabilidad2,Probabilidad3,Probabilidad4,Probabilidad5,Probabilidad6,Probabilidad7);
print(A);
Caso de Estudio
Para el eficaz desarrollo del proyecto se eligió modelo para el caso de estudio el tema "Cálculo de la mortalidad en la población del estado de Puebla, usando las Tablas modelo de la ONU y el método de Ricard Genova" ya que demuestra con sus tablas de mortalidad, obtenidas con el modelo matemático de Ricard Genova, una clara idea de la esperanza de vida que tienen en ese lugar, gracias a ello se puede utilizar dicha cantidad y estimarlo para el desarrollo de nuestro proyecto, utilizando nuevas variables como lo son: Sexo, Provincia de residencia del Paciente, Causa de muerte, Días de estadía, Edad del Paciente y Fecha de Ingreso, ya con datos más recientes enfocados en nuestro país y aplicando el teorema de Bayes para una obtención más precisa en los resultados como la mortalidad causada por el VIH de acuerdo a su género o sexo, estimación por edad y sus diferentes orígenes patológicos.
Resultados y Discusión
Mortalidad causada por el VIH de acuerdo con su
género o sexo
La tabla 1 proporciona una visión general de las defunciones estimadas por el sexo, donde las mujeres y hombres presentan leves diferencias en cuanto se examina dicha causa de muerte, siendo más evidente que el sexo masculino excede en un 10% al género femenino. El porcentaje de fallecimiento causados por VIH en hombres es del 60% y de las mujeres del 40%, datos tomados de 604 registros de la base de Datos de Egresos Hospitalarios del censo 2017.
Tabla 1. Distribución Porcentual de las defunciones causadas por VIH esti-madas por tipo de sexo. INEC, Egresos Hospitalarios 2017.
Sexo |
Frecuencia Absoluta |
Frecuencia Relativa |
Frecuencia Relativa Porcentual % |
|
Hombre |
359 |
0.599 |
60 |
|
Mujer |
245 |
0.400 |
40 |
Tabla 2 ilustra los egresos de acuerdo con rangos de edades que van de 1 a
79 años obtenidos por medio de la Regla de Struges. Claramente se observa que
el porcentaje más elevado pertenecen al grupo de 32 a 40 años pudiendo inferir
que esta enfermedad es más propensa en la edad adulta con un valor del 27,32%.
Tabla 2. Distribución Porcentual de las defunciones causadas por VIH estima-das por edades. INEC, Egresos Hospitalarios 2017.
Edad |
Frecuencia |
Frecuencia
Relativa |
Frecuencia
Relativa Porcentual % |
(1-9] |
29 |
0,0480 |
4,80 |
(9-17] |
18 |
0,0298 |
2,98 |
(17-24] |
82 |
0,1358 |
13,58 |
(24-32] |
160 |
0,2649 |
26,49 |
(32-40] |
165 |
0,2732 |
27,32 |
(40-48] |
81 |
0,1341 |
13,41 |
(48-56] |
37 |
0,0613 |
6,13 |
(56-63] |
20 |
0,0331 |
3,31 |
(63-71] |
10 |
0,0166 |
1,66 |
(71-79] |
2 |
0,0033 |
0,33 |
Respecto a los egresos en el año 2017 las muertes causadas por VIH varían de acuerdo con sus diferentes patologías, en la Tabla 3 difieren mucho los porcentajes de las muchas clasificaciones ocasionas por esta enfermedad mortal donde la estadística revela que la enfermedad por virus de la inmunodeficiencia humana [VIH] que complica el embarazo el parto y el puerperio está por encima de los diferentes casos, obteniendo una estimación del 20,36% de defunciones para esta causante.
Análisis de Bayes
El teorema de Bayes parte de la situación que en la que es posible conocer las probabilidades de que ocurran una serie de sucesos “A”. A esta se añade un suceso B cuya ocurrencia proporciona cierta información, porque las probabilidades de ocurrencia de “B” son distintas según el suceso “A” que haya ocurrido.
En este proyecto analizamos las probabilidades de que una persona muera con el virus del VIH siendo que primero tiene determinado género, edad, complicación en su estado de salud. Analizando las diferentes variantes causadas por el VIH y su impacto en el género masculino y femenino, tenemos que:
Como primer dato se analizará el porcentaje de muere de acuerdo con el género y que probabilidad tendrá este con
Tabla 3. Distribución Porcentual de las defunciones causadas por VIH y sus diferentes orígenes patológicos. INEC, Egresos Hospitalarios 2017
Causas de
defunción relacionados con el VIH (Virus de Inmunodeficiencia Humana) |
Frecuencia
Absoluta |
Frecuencia
Relativa |
Frecuencia
Relativa Porcentual % |
Enfermedad por VIH, resultante en anormalidades
inmunológicas y
hematológicas, no clasificadas en otra parte |
1 |
0,0017 |
0,17 |
Enfermedad por VIH, resultante en candidiasis |
9 |
0,0149 |
1,49 |
Enfermedad por VIH, resultante en encefalopatía |
4 |
0,0066 |
0,66 |
Enfermedad por VIH, resultante en enfermedad
infecciosa o parasitaria no especificada |
60 |
0,0993 |
9,93 |
Enfermedad por VIH, resultante en enfermedad por
citomegalovirus |
1 |
0,0017 |
0,17 |
Enfermedad por VIH, resultante en enfermedades múltiples clasificadas en otra parte |
79 |
0,1308 |
13,08 |
Enfermedad por VIH, resultante en infección por micobacterias |
102 |
0,1689 |
16,89 |
Enfermedad por VIH, resultante en infecciones múltiples |
27 |
0,0447 |
4,47 |
Enfermedad por VIH, resultante en linfadenopatía generalizada
(persistente) |
2 |
0,0033 |
0,33 |
Enfermedad por VIH, resultante en neumonía por
Pneumocystis carinii |
16 |
0,0265 |
2,65 |
Enfermedad por VIH, resultante en otras afecciones especificadas |
9 |
0,0149 |
1,49 |
Enfermedad por VIH, resultante en otras enfermedades
infecciosas o parasitarias |
24 |
0,0397 |
3,97 |
Enfermedad por VIH, resultante en otras infecciones bacterianas |
15 |
0,0248 |
2,48 |
Enfermedad por VIH, resultante en otras infecciones virales |
2 |
0,0033 |
0,33 |
Enfermedad por VIH, resultante en otras micosis |
33 |
0,0546 |
5,46 |
Enfermedad por VIH, resultante en otros tipos de
linfoma no Hodgkin |
1 |
0,0017 |
0,17 |
Enfermedad por VIH, resultante en otros tumores malignos |
1 |
0,0017 |
0,17 |
Enfermedad por VIH, resultante en otros tumores malignos
del tejido linfoide, hematopoyético y tejidos relacionados |
1 |
0,0017 |
0,17 |
Enfermedad por VIH, resultante en sarcoma de Kaposi |
2 |
0,0033 |
0,33 |
Enfermedad por VIH, resultante en síndrome caquéctico |
3 |
0,0050 |
0,50 |
123 |
0,2036 |
20,36 |
|
Enfermedad por virus de la inmunodeficiencia humana [VIH],
sin otra especificación |
88 |
0,1457 |
14,57 |
Evidencias de laboratorio del virus de la inmunodeficiencia humana [VIH] |
1 |
0,0017 |
0,17 |
respecto a la Enfermedad por VIH, resultante en infección por microbacterias.
P(DF) = defunciones femeninas
P(DM)= defunciones masculinas
P(DF)= 40%
P(DM)= 60%
P (VIH Microbacterias) = Enfermedad por VIH, resultante en infección por microbacterias
P (VIH Microbacterias) = 18,89%
Conclusiones
El VIH siempre ha sido una de las enfermedades más letales que existen, desde 1990 hasta la actualidad ha dado millones de muertes en su haber por múltiples causas. Entender cuáles son las que afectan a mayor parte de este grupo de pacientes es de suma importancia, ya que la desinformación respecto a este tema causa que no haya cuidado o medidas preventivas para los mismos.
Los resultados nos indican que los mayores riesgos son para las mujeres en estado de gestación, muerte por micro bacterias y los no especificados. Para el primer caso se debe determinar cómo mejorar la probabilidad de que mujeres embarazadas con el virus del VIH sigan con vida después de la labor de parto, para el segundo caso establecer normas de aseo más rigurosas, siendo el tercero un dato que desconocemos no podemos establecer una solución a este.
Referencias
Bibliográficas
Alvis-Guzmán,
N., … L. O.-I.-S., & 2015,
undefined. (n.d.). Mortalidad en un hospital pediátrico de referencia
regional de Colombia. Search.Proquest.Com.
Cardona, C., Agudelo, D. ;, & Byron, H. (1994).
Tendencias de mortalidad en población adulta, Medellín, 1994-2003. Redalyc.Org, 27, 352–363.
Cevallos-Torres, L., &
Botto-Tobar, M. (2019). Case study: Probabilistic estimates in the application
of inventory models for perishable products in SMEs. In Problem-Based
Learning: A Didactic Strategy in the Teaching of System Simulation (pp.
123–132). Springer.
Giraldo, D., Atehortúa, A., García-Arteaga, J. D.,
Díaz-Jiménez, D. P., Romero Jesús Rodríguez, E., & Eléctrica, I. (2017).
Modelo para el análisis de la mortalidad en Colombia 2000-2012 1 A model for
mortality analysis in Colombia. 2000-2012. Rev. Salud Pública, 19(2),
241–249. https://doi.org/10.15446/rsap.v19n2.66239
investigaciones, R. F. R.-R. cubana de, & 2009, undefined. (n.d.). El teorema de Bayes y su
utilización en la interpretación de las pruebas diagnósticas en el laboratorio
clínico. Scielo.Sld.Cu.
Lurán, A., López, E., Pinilla, C., Biomédica, P. S.-,
& 2009, undefined. (n.d.). Situación
de la mortalidad por causas reducibles en menores de cinco años, Colombia,
1985-2004. Redalyc.Org.
Martínez-Guzmán, G. (2015). Cálculo de la mortalidad en la
población del estado de Puebla, usando las Tablas modelo de la ONU y el método
de Ricard Genova. Scielo.Org.Mx.
Silva, L., Sanitaria, A. B.-G., & 2001, undefined. (n.d.). El enfoque bayesiano: otra
manera de inferir. Elsevier.
TORRES, L. C., MARTINEZ, V., & AMERICA, N. (2017). Análisis
Estadístico Univariado.
[1] Estudiante de Ingeniería en Sistemas Computacionales. Universidad de
Guayaquil, Ecuador. E-mail:
[email protected]
[2] Estudiante de Ingeniería en Sistemas
Computacionales. Universidad de Guayaquil, Ecuador. E-mail: [email protected]
3 Estudiante de Ingeniería en Sistemas
Computacionales. Universidad de Guayaquil, Ecuador. E-mail: [email protected]
4 Estudiante de Ingeniería en Sistemas
Computacionales. Universidad de Guayaquil, Ecuador. E-mail: [email protected]
Como citar: Coello, A., Velasco, J., Mujica, J., & Borbor, C. (2020). Estadística Bayesiana para medir la mortalidad por VIH en la ciudad de Guayaquil-Ecuador año 2017. Ecuadorian Science Journal. 4(1), 21-25.
DOI: https://doi.org/10.46480/esj.4.1.48