Tutorial epiCo

Última actualización: 2024-03-19 | Mejora esta página

Hoja de ruta

Preguntas

  • ¿Cómo simular una sala de análisis de riesgo?

Objetivos

Al final de este taller usted podrá:

  1. Navegar por la codificación de la División Política Administrativa de Colombia (DIVIPOLA).
  2. Consultar, visualizar e interpretar pirámides poblacionales a distintas escalas administrativas.
  3. Familiarizarse con la información epidemiológica proporcionada por el SIVIGILA.
  4. Describir las características demográficas de la información epidemiológica.
  5. Estimar tasas de incidencia acumulada a distintas escalas espaciales y temporales.
  6. Realizar una evaluación del riesgo etario integrando información epidemiológica con información sobre la estructura poblacional de una región.

epiCo

epiCo ofrece herramientas estadísticas y de visualización para el análisis de indicadores demográficos, comportamiento espaciotemporal como mapas de riesgo, y caracterización de los brotes a través de canales endémicos de las ETVs en Colombia.

Instalación

Puede descargar la última versión estable de epiCo a través del repositorio en GitHub con los siguientes comandos:

R 

# if(!require("remotes")) install.packages("remotes")
# if(!require("epico")) remotes::install_github("epiverse-trace/epiCo")

Motivación

  • Incluir evaluaciones de riesgos espaciales y demográficos en informes epidemiológicos rutinarios para mejorar la identificación de grupos vulnerables.
  • Facilitar la comprensión de los diferentes perfiles epidemiológicos dentro de una región de Colombia en cuanto al inicio, duración, magnitud y frecuencia de los brotes.
  • Reforzar la transparencia de los métodos utilizados para el análisis de brotes.

Indicadores demográficos en epiCo

El módulo demográfico de epiCo es una herramienta de análisis descriptivo y evaluación del riesgo basado en las variables reportadas por el Sistema de Vigilancia en Salud Pública en Colombia (SIVIGILA) y en datos del Departamento Administrativo Nacional de Estadística (DANE).

El sistema DIVIPOLA es una nomenclatura estándar diseñada por el DANE para la identificación de entidades territoriales (departamentos, distritos y municipios), áreas no municipalizadas, y centros poblados a través de un código numérico único.

Colombia posee:

  • 32 departamentos (División administrativa nivel 1)
  • 1102 municipios (División administrativa nivel 2)
  • 1 isla
  • 18 áreas no municipalizadas
  • 6678 centros poblados

Dos dígitos son usados para codificar los departamentos, y tres dígitos adicionales son usados para codificar los municipios. epiCo proporciona la lista completa de códigos a través de un dataset interno llamado divipola_table.

R 

# Se cargan las librerías necesarias.
library(epiCo)
library(incidence)

# Listado de códigos para cada uno de los municipios.
data("divipola_table")
head(divipola_table)

SALIDA 

  COD_DPTO  NOM_DPTO COD_REG          NOM_REG COD_MPIO   NOM_MPIO  LATITUD
1        5 ANTIOQUIA       3 CENTRO_OCCIDENTE     5001   MEDELLIN 6.257590
2        5 ANTIOQUIA       3 CENTRO_OCCIDENTE     5002  ABEJORRAL 5.803728
3        5 ANTIOQUIA       3 CENTRO_OCCIDENTE     5004   ABRIAQUI 6.627569
4        5 ANTIOQUIA       3 CENTRO_OCCIDENTE     5021 ALEJANDRIA 6.365534
5        5 ANTIOQUIA       3 CENTRO_OCCIDENTE     5030      AMAGA 6.032922
6        5 ANTIOQUIA       3 CENTRO_OCCIDENTE     5031     AMALFI 6.977789
   LONGITUD
1 -75.61103
2 -75.43847
3 -76.08598
4 -75.09060
5 -75.70800
6 -74.98124

2. Pirámides poblacionales

epiCo cuenta con datos internos sobre las proyecciones poblaciones de Colombia a nivel nacional, departamental y municipal (información proveniente del DANE).

Los usuarios pueden realizar consultas a epiCo utilizando la función population_pyramid, la cual requiere el codigo DIVIPOLA de la entidad de interés y el año que se desea consultar.

R 

tolima_codigo <- 73 # Código DIVIPOLA para el departamento del Tolima.
año <- 2021 # Año a consultar.
tolima_piramide_2021 <- population_pyramid(tolima_codigo, año) # Pirámide 
# poblacional del departamento del tolima para el año 2021.
head(tolima_piramide_2021)

SALIDA 

  age population gender
1   0      44294      F
2   5      47340      F
3  10      50403      F
4  15      53037      F
5  20      52006      F
6  25      48723      F

epiCo presenta los datos agrupados en intervalos de 5 años de forma predeterminada; sin embargo, puede modificar parámetros para tener rangos distintos, separar la pirámide por género binario, obtener los datos como conteos totales o proporciones y/o desplegar una gráfica de la pirámide.

R 

tolima_codigo <- 73 # Código DIVIPOLA para el departamento del Tolima.
año <- 2021 # Año a consultar.
rango_edad <- 10 #Rango de edades o ventana.
# Pirámide poblacional del departamento del tolima para el año 2021.
tolima_piramide_2021 <- population_pyramid(divipola_code = tolima_codigo,
                                           year = año,
                                           range = rango_edad,
                                           gender = TRUE, total = TRUE,
                                           plot = TRUE)

3. Datos epidemiológicos

epiCo es una herramienta que produce análisis basados en datos epidemiológicos como los que provee el SIVIGILA. El paquete cuenta con un data set llamado epi_data, que cuenta con la información y estructura que requiere la librería para sus funciones y que utiliza los casos de dengue reportados en el departamento del Tolima del 2012 al 2021 a manera de ejemplo.

R 

# Datos epimdeiológicos.
data("epi_data")
head(epi_data)

SALIDA 

# A tibble: 6 × 16
  fec_not    cod_pais_o cod_dpto_o cod_mun_o cod_pais_r cod_dpto_r cod_mun_r
  <chr>           <dbl>      <dbl>     <dbl>      <dbl>      <dbl>     <dbl>
1 2012-02-04        170         73     73671        170         73     73671
2 2012-11-18        170         73     73268        170         73     73268
3 2012-07-12        170         73     73001        170         11     11001
4 2012-11-24        170         73     73275        170         73     73275
5 2012-03-29        170         73     73268        170         73     73268
6 2012-02-19        170         73     73001        170         73     73001
# ℹ 9 more variables: cod_dpto_n <dbl>, cod_mun_n <dbl>, edad <dbl>,
#   sexo <chr>, per_etn <dbl>, ocupacion <chr>, estrato <chr>, ini_sin <chr>,
#   cod_eve <dbl>

4. Variables demográficas

epiCo proporciona un diccionario para consultar las categorías étnicas usadas por el sistema SIVIGILA a través de la función describe_ethnicity.

R 

# Descripción de las etnicidades reportadas en la base de datos.
describe_ethnicity(unique(epi_data$per_etn))

SALIDA 

[1] "Son comunidades que tienen una identidad etnica y cultural propia;\n  se caracterizan por una tradicion nomada, y tienen su propio idioma\n  que es el romanes"                                                                                                         
[2] NA                                                                                                                                                                                                                                                                       
[3] "Poblacion ubicada en el municipio de San Basilio de\n  Palenque, departamento de Bolivar, donde se habla el palenquero,\n  lenguaje criollo"                                                                                                                            
[4] "Persona de ascendencia afrocolombiana que poseen una cultura\n  propia, y tienen sus propias tradiciones y costumbre dentro de la relacion\n  campo-poblado"                                                                                                            
[5] "Poblacion ubicada en el Archipielago de San Andres, Providencia\n  y Santa Catalina, con raices culturales afroanglo-antillanas,\n  cuyos integrantes tienen rasgos socioculturales y linguisticos\n  claramente diferenciados del resto de la poblacion afrocolombiana"
[6] "Persona de ascendencia amerindia que comparten sentimientos\n  de identificacion con su pasado aborigen, manteniendo rasgos y valores\n  propios de su cultura tradicional, asi como formas de organizacion\n  y control social propios"

Para calcular la distribución de las ocupaciones en estos años, epiCo usa la columna que nos indica la ocupación de cada uno de los casos presentados en estos años. Esta ocupación está codificada por el sistema ISCO-88 como se puede observar en la tabla isco88_table, y epiCo cuenta con la función occupation_plot para visualizar de forma proporcional el número de casos pertenecientes a una labor.

R 

# Tabla de ocupaciones del sistema ISCO-88.
data("isco88_table")
head(isco88_table)

SALIDA 

  major                                 major_label sub_major
1     1 Legislators, Senior Officials and Managers         11
2     1 Legislators, Senior Officials and Managers         11
3     1 Legislators, Senior Officials and Managers         11
4     1 Legislators, Senior Officials and Managers         11
5     1 Legislators, Senior Officials and Managers         11
6     1 Legislators, Senior Officials and Managers         11
                    sub_major_label minor
1 Legislators and Senior Officials    111
2 Legislators and Senior Officials    112
3 Legislators and Senior Officials    113
4 Legislators and Senior Officials    114
5 Legislators and Senior Officials    114
6 Legislators and Senior Officials    114
                                          minor_label unit
1                                        Legislators  1110
2                        Senior Government Officials  1120
3           Traditional Chiefs and Heads of Villages  1130
4 Senior Officials of Special-Interest Organisations  1141
5 Senior Officials of Special-Interest Organisations  1142
6 Senior Officials of Special-Interest Organisations  1143
                                                                           unit_label
1                                                                        Legislators 
2                                                        Senior government officials 
3                                           Traditional chiefs and heads of villages 
4                                  Senior officials of political-party organisations 
5 Senior officials of employers', workers' and other economic-interest organisations 
6          Senior officials of humanitarian and other special-interest organisations

R 

# Se calcula la distribución de ocupaciones.
occupation_plot(isco_codes = as.integer(epi_data$ocupacion), gender = epi_data$sexo)

ADVERTENCIA 

Warning in stopifnot(`\`isco_codes\` must be a numeric vector` =
is.numeric(isco_codes)): NAs introduced by coercion

5. Estimación de las tasas de incidencia

La función incidence_rate de epiCo requiere del paquete incidence para producir un objeto incidence modificado. En lugar de un vector (o matriz) de conteos, transforma el objeto para proporcionar un elemento de tasa que representa el número de casos en el periodo dividido por el número total de habitantes en la región en las fechas específicas.

epiCo usa como denominadores las proyecciones poblacionales del DANE; por lo que es necesario proporcionar el nivel de administración en el que se calculan las incidencias.

R 

# Se crea el objeto incidence a partir de las fechas y municiíos presentadas en
# epi_data.
incidence_objecto <- incidence(
  dates = epi_data$fec_not,
  groups = epi_data$cod_mun_o,
  interval = "1 epiweek"
)
# Calcular la tasa de incidencia para cada uno de los municipios del Tolima.
incidence_tasa_objecto <- incidence_rate(incidence_objecto, level = 2)
head(incidence_tasa_objecto$counts)

SALIDA 

     73001 73024 73026 73030 73043 73055 73067 73124 73148 73152 73168 73200
[1,]     7     0     0     0     0     0     0     0     0     0     2     0
[2,]    20     0     0     0     0     0     0     1     2     0     2     3
[3,]    17     0     1     1     0     0     0     0     2     0     3     0
[4,]    15     0     0     0     0     0     1     0     2     0     3     0
[5,]    18     0     0     0     0     0     0     0     4     0     8     0
[6,]    25     0     0     0     0     1     1     0     2     0     5     0
     73217 73226 73236 73268 73270 73275 73283 73319 73347 73349 73352 73408
[1,]     0     0     0     5     0     0     0     5     0     0     0     0
[2,]     1     0     0    10     0     2     2     6     0     1     0     1
[3,]     1     1     0    20     0     3     0     3     0     5     0     5
[4,]     0     0     0    16     0     4     0     2     0     1     0     3
[5,]     0     1     0    18     0     4     0     3     0     0     0     2
[6,]     0     0     0    12     0     1     0     4     0     2     0     5
     73411 73443 73449 73461 73483 73504 73520 73547 73555 73563 73585 73616
[1,]     0     1     1     0     0     1     0     0     0     0     0     0
[2,]     0     1     2     0     0     0     0     1     0     0     0     0
[3,]     0     1     1     0     1     0     0     0     0     0     0     0
[4,]     1     1     3     0     0     0     0     9     0     2     0     0
[5,]     0     1     2     0     2     2     0     0     0     0     0     0
[6,]     1     1     1     0     0     0     0     0     0     0     0     1
     73622 73624 73671 73675 73678 73686 73770 73854 73861 73870 73873
[1,]     0     0     0     0     0     0     0     0     0     0     0
[2,]     0     2     0     0     0     0     1     1     0     0     0
[3,]     0     1     0     1     0     0     0     0     4     0     0
[4,]     0     0     0     1     0     0     0     0     6     0     0
[5,]     0     0     2     0     0     0     0     0     1     0     0
[6,]     0     0     1     0     0     0     0     0     1     0     0

6. Estimación del riesgo etario

La normalización de los datos es un aspecto clave de la epidemiología. epiCo utiliza la distribución por edades de los casos y normaliza los datos epidemiológicos con la estructura de edades de una población a tarvés de la función age_risk. Esta normalización nos permite estimar el riesgo por edad de sufrir una enfermedad según la estructura de edad de la población general de un municipio, departamento o país en un año determinado.

R 

# Se filtran los datos del SIVIGILA para el año 2021.
data_tolima_2021 <-  epi_data[lubridate::year(epi_data$fec_not) == 2021, ]

# Se calcula las tasas por edades para el año 2021.
incidence_rate_2019 <- age_risk(age = as.integer(data_tolima_2021$edad),
                                population_pyramid = tolima_piramide_2021,
                                gender = data_tolima_2021$sexo,
                                plot = TRUE)

Construir un canal endémico con epiCo

El módulo de canal endémico de epiCo es una herramienta que permite estimar una línea de tendencia central y los límites superior e inferior del número esperado de casos de una enfermedad a partir de los datos históricos proporcionados por el usuario y un conjunto de parámetros personalizados.

En el siguiente tutorial, los usuarios aprenderán:

  1. Qué es un canal endémico y cuáles son sus ventajas, inconvenientes y precauciones.
  2. Un ejemplo de los datos históricos necesarios para construir un canal endémico.
  3. Cómo utilizar la función endemic_channel.

1. ¿Qué es un canal endémico?

El uso de un canal endémico es una estrategia visual para representar el comportamiento histórico de una enfermedad en una región específica en una curva epidémica que define la tendencia central de los casos durante un año y los límites superior e inferior donde se espera que varíen los casos. Este gráfico proporciona tres zonas denominadas “\(\color{green}{\text{Safety - Seguridad}}\)”, “\(\color{yellow}{\text{Warning - Alerta}}\)” y “\(\color{red}{\text{Epidemic - Epidemia}}\)”, que posteriormente se utilizan para definir la situación epidemiológica de la región en función de los casos actuales.

La definición más amplia y la metodología para el canal endémico fueron proporcionadas por Bormant (1999).

Los datos necesarios para construir un canal endémico son la incidencia semanal o mensual de la enfermedad durante los años anteriores en la región de interés. epiCo pide al menos un año de datos, pero los canales endémicos suelen tener entre 5 y 7 años de información. Es natural suponer que más años proporcionan mejores estimaciones ya que los análisis estadísticos serán más robustos, pero es importante disponer de información contextual para asegurar que las condiciones de transmisión, vigilancia o demográficas (entre otros factores) no han cambiado durante este periodo de tiempo. En cuanto a la frecuencia de los datos, la incidencia semanal puede proporcionar información más útil sobre el comportamiento de la enfermedad y el momento en que se debe plantear una alerta epidemiológica; sin embargo, depende de la experiencia de los usuarios y de su contexto que se pueda lograr esta resolución de los datos. Otra decisión común mientras se construye un canal endémico es ignorar los años epidémicos anteriores para evitar tergiversar la dinámica de transmisión tradicional. epiCo no sugiere años epidémicos automáticamente, pero su función endemic_channel ofrece la opción de anotar los años atípicos y decidir si incluirlos, ignorarlos o ajustarlos. Más adelante en esta viñeta se ofrecen más consejos y fuentes para la recopilación de datos.

2. Datos históricos necesarios para construir un canal endémico

En esta sección se presentan algunas estrategias para obtener, manejar y recopilar los datos históricos necesarios para construir un canal endémico. Se asume que el usuario cuenta con los datos de incidencia de la enfermedad de interés o tiene la posibilidad de consultar datos históricos del SIVIGILA.

Independientemente del caso del usuario, el objetivo de esta sección es crear un objeto incidence con datos históricos de la enfermedad. Este objeto debe dar cuenta de la incidencia de una sola región (no se permiten grupos en la función endemic_channel), debe tener un intervalo semanal o mensual (también se permiten semanas epidemiológicas) y debe representar al menos un año de información.

Para comprender mejor el paquete de incidence, consulte sus viñetas.

Incidencia histórica a partir de los datos propios o de los datos SIVIGILA

El canal endémico es más útil cuando se dispone de datos hasta el año inmediatamente anterior; sin embargo, esto no siempre es posible para los usuarios ajenos a las instituciones de vigilancia. Como opción, los usuarios pueden acceder a los datos del SIVIGILA que normalmente se hacen públicos hasta el segundo semestre del año (es decir, los datos de 2022 se publicaron en el segundo semestre de 2023). Para este ejemplo se utilizarán los datos suministrados en la carpeta de datos del paquete. Estos datos presentan los casos de dengue para todos los municipios del Tolima para los años 2012 a 2021. En este caso, utilizaremos los casos del municipio de Espinal para calcular el respectivo canal endémico.

R 

# Se cargan las librerías necesarias.
library(epiCo)
library(incidence)

#Se cargan los datos epidemiológicos del paquete.
data("epi_data")

data_espinal <- epi_data[epi_data$cod_mun_o == 73268, ]

# Se construyen el objeto incidence para el municipio del Espinal.
incidencia_espinal <- incidence(data_espinal$fec_not,
  interval = "1 epiweek"
)

# Se filtra el objeto incidence para obtener el historico de los 7 años 
# anteriores al año de interes. En este caso el 2021.
incidencia_historica <- incidencia_espinal[
  incidencia_espinal$date <= as.Date("2020-12-31") &
    incidencia_espinal$date >= as.Date("2014-01-01"), ]

print(incidencia_historica)

SALIDA 

<incidence object>
[4808 cases from days 2014-01-05 to 2020-12-27]
[4808 cases from MMWR weeks 2014-W02 to 2020-W53]

$counts: matrix with 365 rows and 1 columns
$n: 4808 cases in total
$dates: 365 dates marking the left-side of bins
$interval: 1 week
$timespan: 2549 days
$cumulative: FALSE

Cuando los usuarios tienen sus propios datos, el objetivo es el mismo: limpiar y manejar los datos para construir el objeto incidence (llamado incidencia_histórica en el ejemplo anterior). El mensaje clave es que se necesita una lista de fechas que den cuenta del evento de interés para luego utilizarla en el paquete incidence.

3. Uso de la función canal_endémico de epico

Tras recopilar los datos de incidencia, los usuarios están listos para pedir a epiCo que construya un canal endémico.

La función endemic_channel tiene los siguientes parámetros:

  • incidence_historic: Un objeto de incidencia con los recuentos de casos de los años anteriores.

  • observations: Un vector numérico con las observaciones actuales (por defecto = NULL).

  • method: Una cadena con el método de cálculo de la media de preferencia (“median”, “mean” o “geometric”) o método “unusual_behavior” (Prueba de distribución de Poisson) (por defecto = “geométrica”).

  • geom_method: Una cadena con el método seleccionado para el cálculo de la media geométrica (véase la función geom_mean de epiCo) (por defecto = “shifted”).

  • outlier_years: Un vector numérico con los años atípicos (epidémicos) (por defecto = NULL).

  • outliers_handling: Una cadena con la decisión de tratamiento de los años atípicos:

    • ignored = los datos de los años atípicos no se tendrán en cuenta (por defecto).
    • included = se tendrán en cuenta los datos de los años atípicos.
    • replaced_by_median = los datos de los años atípicos se sustituirán por la mediana y se tendrán en cuenta.
    • replaced_by_mean = los datos de los años atípicos se sustituirán por la media y se tendrán en cuenta.
    • replaced_by_geom_mean = los datos de los años atípicos se sustituirán por la media geométrica y se tendrán en cuenta.

  • ci: Un valor numérico para especificar el intervalo de confianza a utilizar con el método geométrico (por defecto = 0.95).

  • plot: Un booleano para mostrar un gráfico (por defecto = FALSE).

La salida de la función endemic_channel de epiCo es una tabla de datos con las observaciones, la media histórica y los intervalos de confianza, y un gráfico que muestra las tres bandas epidemiológicas, las observaciones actuales (si se proporcionan) y los métodos y el manejo de valores atípicos establecidos por el usuario.

Ejemplo

El siguiente ejemplo utiliza la incidencia histórica a la que se ha accedido previamente desde la fuente de datos SIVIGILA para construir el canal endémico 2021 para el municipio del Espinal.

R 

# Se toman el conteo de casos del 2020 como las observaciones.
observaciones <- incidencia_espinal[
  incidencia_espinal$date >= as.Date("2021-01-01") &
    incidencia_espinal$date <= as.Date("2021-12-31"), ]$counts

# Se especifican los años hiper endemicos que deben ser ignorados en la 
# constucción del canal endémico.
años_atipicos <- c(2016, 2019)

# Se construye el canal endémico y se plotea el resultado.
espinal_endemic_chanel <- endemic_channel(
  incidence_historic = incidencia_historica,
  observations = observaciones,
  outlier_years = años_atipicos,
  plot = TRUE
)

ADVERTENCIA 

Warning in endemic_channel(incidence_historic = incidencia_historica,
observations = observaciones, : Data prior to 2015-01-04 were not used for the
endemic channel calculation.

Análisis espaciotemporales con epico

El módulo espaciotemporal de epico es una herramienta que permite analizar la correlación espacial de los casos a partir de sus coordenadas de notificación y los tiempos reales de desplazamiento dentro del territorio colombiano.

En el siguiente tutorial aprenderás:

  1. A utilizar la función morans_index de epico.
  2. Cómo interpretar y comunicar los resultados.

1. La función morans_index de epico

epiCo proporciona una función para realizar un análisis del índice de Moran Local a partir de un objeto incidence con observaciones únicas para un conjunto de municipios colombianos.

Internamente, la función lee los grupos del objeto incidence como los códigos DIVIPOLA para:

  1. Estimar las tasas de incidencia utilizando la función incidence_rate de epico.
  2. Evaluarlas en la función neighborhoods de epico.

Es necesario que el usuario proporcione el nivel administrativo al que corresponden los grupos (0: nivel nacional, 1: nivel departamental, 2: nivel municipal), la escala a la que se deben estimar las tasas de incidencia (casos por número de habitantes) y el umbral de tiempo de viaje para la definición del barrio. En el siguiente ejemplo se utilizan los casos de los municipios del Tolima para el año 2021.

R 

# Se cargan las librerías necesarias.
library(epiCo)
library(incidence)

data("epi_data")

# Se filtran los datos epidemiológicos para el año de interés.
data_tolima <- epi_data[lubridate::year(epi_data$fec_not) == 2021, ]

# Se crea el objeto incidence para los datos del tolima en el 2021.
incidence_object <- incidence(
  dates = data_tolima$fec_not,
  groups = data_tolima$cod_mun_o,
  interval = "12 months"
)

# Se realiza el analisis espaciotemporal, especificando la escala de nivel 
# municipal
monrans_tolima <- morans_index(incidence_object = incidence_object, level = 2)

SALIDA 

The legacy packages maptools, rgdal, and rgeos, underpinning the sp package,
which was just loaded, will retire in October 2023.
Please refer to R-spatial evolution reports for details, especially
https://r-spatial.org/r/2023/05/15/evolution4.html.
It may be desirable to make the sf package available;
package maintainers should consider adding sf to Suggests:.
The sp package is now running under evolution status 2
     (status 2 uses the sf package in place of rgdal)

ADVERTENCIA 

Warning in spdep::mat2listw(adjacency_matrix): style is M (missing); style
should be set to a valid value

SALIDA 

Influential municipalities are: 
73043 with low incidence and low spatial correlation 
73124 with low incidence and low spatial correlation 
73449 with high incidence and high spatial correlation

R 

monrans_tolima$leaflet_map

2. Interpretación de los resultados del mapa

El metodo del indice de moran local divide los datos espaciales en 4 cuadrantes:

  • High-High: donde se ubican los municipios cuya incidencia está sobre la media de la región, y se encuentran rodeados de municipios que también se encuentran sobre la media de la región.
  • Low-High: municipios cuya incidencia está debajo de la media de la región, y se encuentran rodeados de municipios que se encuentran sobre la media de la región. Este cuadrante marca municipios candidatos a ser casos atípicos espaciales.
  • Low-Low: municipios cuya incidencia está debajo de la media de la región, y se encuentran rodeados de municipios que se encuentran debajo de la media media de la región.
  • High-Low, municipios cuya incidencia está sobre la media de la región, y se encuentran rodeados de municipios que se encuentran debajo de la media de la región. Este cuadrante marca municipios candidatos a ser casos atípicos espaciales.

Reto

Reto ***

Puntos Clave

Revise si al final de esta lección adquirió estas competencias:

  1. Navegar por la codificación de la División Política Administrativa de Colombia (DIVIPOLA).
  2. Consultar, visualizar e interpretar pirámides poblacionales a distintas escalas administrativas.
  3. Familiarizarse con la información epidemiológica proporcionada por el SIVIGILA.
  4. Describir las características demográficas de la información epidemiológica.
  5. Estimar tasas de incidencia acumulada a distintas escalas espaciales y temporales.
  6. Realizar una evaluación del riesgo etario integrando información epidemiológica con información sobre la estructura poblacional de una región.

Sobre este documento

Este documento ha sido diseñado por Juan Daniel Umaña Caro y Juan Montenegro-Torres para el Curso Internacional: Análisis de Brotes y Modelamiento en Salud Pública, Bogotá 2023. TRACE-LAC/Javeriana.

Contribuciones