Análisis de multimorbilidad en pacientes pluripatológico: base poblacional de salud Andalucía

1 UNIVERSIDAD DE SEVILLA Facultad de Matemáticas ANÁLISIS DE MULTIMORBILIDAD EN PACIENTES PLURIPATOLÓGICOS: BASE POBLACIONAL DE SALUD ANDALUCÍA Grado en Estadística Departamento de Análisis Económico y Economía Política Sevilla, Junio de 2020 Autor: Pablo de la Hera Martínez Tutora: Myriam Luisa González Limón 2020 TRABAJO FIN DE GRADO 2 3 Resumen En este trabajo, realizamos un análisis de multimorbilidad sobre pacientes pluripatológicos para identificar sus características, así como las relaciones entre las patologías que presentan. Nos planteamos dos objetivos principalmente. Por un lado, un análisis descriptivo de las enfermedades crónicas, por grupos de edad y sexo, además de las combinaciones de dichas patologías; por otro lado, un análisis de secuencias a lo largo de la vida de los pacientes, basado en dos estudios. Uno sobre los pacientes que presentan cáncer y otro sobre cinco de las patologías más frecuentes. A fin de alcanzar el objeto de este trabajo, que no es otro que “Obtener un mayor conocimiento de este tipo de pacientes”, el Servicio Andaluz de Salud nos ha proporcionado una muestra de la base de datos poblacional de Andalucía del año 2017, formada mediante la unión de distintos registros médicos electrónicos. Palabras claves: Multimorbilidad, registro médicos electrónicos, atención primaria de salud, enfermedades crónicas, prevalencia. 4 Abstract In this paper, we performed a Multimorbidity analyses from multipathological patients in order to identify their features, as well as the relationship between the pathologies they have. There are two main objectives. On the one hand, a descriptive analyses of chronic diseases, sorted by age and sex groups, in addition to the combination of the pathologies; on the other hand, a sequencing analyses of the patients throughout life, based on two different studies. The first concerning the patients which cancer has been diagnosed and the second upon the five most frequent pathologies. To achieve our goal, which is “getting the most knowledge as possible from this kind of patients”, the “Servicio Andaluz de Salud” has provided us a sample of the population database from the year 2017, created by joining different set of electronic medical records. Key words: Multimorbidity, primary health care, electronic medical records, chronic disease, prevalence. 5 6 Índice: 1 INTRODUCCIÓN ....................................................................................................................... 10 2 SERVICIO ANDALUZ DE SALUD ............................................................................................. 13 2.1 Estructura y funciones ........................................................................................................ 14 2.2 Organización y servicios ..................................................................................................... 14 2.3 Atención primaria ................................................................................................................ 15 2.4 Atención hospitalaria .......................................................................................................... 15 2.5 Organizaciones específicas ................................................................................................ 15 2.6 Recursos ............................................................................................................................ 16 3 SUBDIRECCIÓN TÉCNICA ASESORA DE GESTIÓN DE LA INFORMACIÓN .................... 16 3.1 Organigrama del Servicio Andaluz de Salud. ..................................................................... 18 4 PREGUNTA DE INVESTIGACIÓN Y OBJETIVOS ................................................................... 18 4.1 Objetivo general: ................................................................................................................ 18 4.2 Objetivos específicos: ......................................................................................................... 18 4.3 Hipótesis del estudio .......................................................................................................... 19 4.4 Protección de datos ............................................................................................................ 19 5 MATERIAL Y MÉTODO ............................................................................................................. 19 5.1 Variables del estudio .......................................................................................................... 22 5.2 Aspectos éticos de la investigación .................................................................................... 23 6 RESULTADOS .......................................................................................................................... 23 6.1 Análisis de patologías crónicas en pacientes con multimorbilidad ..................................... 23 Características demográficas del estudio ................................................................... 26 Combinaciones en pacientes con multimorbilidad ...................................................... 30 Características de la actividad sanitaria realizada en atención primaria ..................... 32 Costes por actividad sanitaria en atención primaria .................................................... 34 6.2 Análisis de secuencias ....................................................................................................... 36 Para el Estudio 1: ........................................................................................................ 41 Para el Estudio 2: ........................................................................................................ 44 7 CONCLUSIONES ...................................................................................................................... 50 8 BIBLIOGRAFÍA .......................................................................................................................... 52 9 ANEXO: Dictamen favorable y Estudio en RStudio ................................................................... 56 7 Índice de Tablas Tabla 1. Costes por Grupo ................................................................................................................ 12 Tabla 2. Índice Barthel ...................................................................................................................... 24 Tabla 3. Índice Pfeiffer ...................................................................................................................... 25 Tabla 4. Patologías frecuentes ......................................................................................................... 25 Tabla 5. Grupos de Edad .................................................................................................................. 26 Tabla 6. Análisis descriptivo Edad .................................................................................................... 26 Tabla 7. Media Enfermedades según Grupo de Edad ...................................................................... 27 Tabla 8. Media Enfermedades según Sexo ...................................................................................... 27 Tabla 9. Número de Enfermedades, por Sexo y Grupo de Edad ..................................................... 28 Tabla 10. Usuarios según Grupo de Edad y Sexo ............................................................................ 29 Tabla 11. Combinaciones más frecuentes en pacientes con multimorbilidad .................................. 31 Tabla 12. Consultas Atención Primaria por Grupo de Edad y Sexo ................................................. 32 Tabla 13. Tipo de Actividad en Atención Primaria según Proveedor Sanitario ................................ 33 Tabla 14. Costes por Sexo según tipo de Actividad Sanitaria en Atención Primaria ........................ 35 Tabla 15. Costes por Grupo de Edad según tipo de Actividad Sanitaria en Atención Primaria ....... 35 Tabla 16. Patologías de interés ........................................................................................................ 37 Tabla 17. Patologías de interés y Abreviaturas ................................................................................ 38 Tabla 18. Patologías_m3 con abreviaturas ...................................................................................... 38 Tabla 19. Tipos de Cáncer ................................................................................................................ 39 Tabla 20. Nº de Cánceres por persona ............................................................................................ 39 Tabla 21. Patologías seleccionadas ................................................................................................. 40 Tabla 22. Nº Patologías por persona ................................................................................................ 40 Tabla 23. Alfabeto ............................................................................................................................. 42 Tabla 24. Tiempo (años) en cada estado ......................................................................................... 42 Tabla 25. Media del tiempo (años) dedicada a cada tipo de estado ................................................ 42 Tabla 26. Alfabeto (no completo) ...................................................................................................... 45 Tabla 27. Tiempo (años) medio en cada estado .............................................................................. 45 Tabla 28. Media del tiempo (años) dedicada a cada tipo de evento ................................................ 46 8 Índice de Ilustraciones Ilustración 1. Pirámide Población de Andalucía (2017) .................................................................... 11 Ilustración 2. Agrupación según nº de patologías crónicas ............................................................. 12 Ilustración 3. Distribución según Sexo del paciente ......................................................................... 28 Ilustración 4. Distribución de pacientes según número de Enfermedades ....................................... 29 Ilustración 5. Distribución por Grupo de Edad y Sexo ...................................................................... 30 Ilustración 6. Consultas Atención Primaria por Grupo de Edad y Sexo ............................................ 33 Ilustración 7. Tipo de Actividad en AP según Proveedor Sanitario ................................................... 34 Ilustración 8. Costes según Actividad Sanitaria en Atención Primaria ............................................. 36 Ilustración 9. Análisis de secuencias. Estudio 1 ............................................................................... 43 Ilustración 10. Análisis de secuencias. Estudio 2 ............................................................................. 48 9 16 2.6 Recursos El Servicio Andaluz de Salud cuenta con 100.304 profesionales (media anual) para atender su red asistencial: 25.831 en atención primaria y 74.473 atención hospitalaria. (Año 2018). El presupuesto definitivo para el ejercicio 2018 es de 9.013 millones de euros. 3 SUBDIRECCIÓN TÉCNICA ASESORA DE GESTIÓN DE LA INFORMACIÓN La Subdirección Técnica de Gestión de la Información es el centro de gestión de datos del Servicio Andaluz de Salud. Podríamos decir que dicha Subdirección es el Data Management Center del SAS. Durante los últimos años hemos visto como los volúmenes de datos han sido incrementados en las organizaciones. Hoy en día, todos los movimientos que hacemos son registrados por nuestros teléfonos inteligentes, sensores, logs de páginas web, coordenadas de posicionamiento y hábitos de compra. La competencia entre empresas está empezando a enfocarse más en la experiencia de los usuarios que en los productos en sí. Ante este panorama abrumador de volúmenes de datos, distintas fuentes, velocidad y formas surge el Data Management. Esta nueva disciplina es también conocida como un proceso de negocios de alto nivel. Consiste en diferentes sub-procesos: planificación y ejecución de políticas, prácticas y proyectos que adquieren, controlan, protegen, entregan y refinan el valor de los activos de datos e información. Como bien nos indica Lewer et al. (2019), mejorando la disponibilidad, seguridad y calidad de información es como debemos dar respuesta a las necesidades de información de todos los sectores de la empresa. Los objetivos estratégicos de la función de Data Management son: entender las necesidades de información de la empresa, capturar, almacenar, proteger y asegurar la integridad de los activos de información (Lewer et al., 2019; Rahman Safwan et al., 2016). Además, se debe mejorar la calidad de los datos e información, incluyendo: exactitud, integridad, integración de la información, tiempo de captura, presentación y definición de los datos, asegurar la confidencialidad y maximizar el valor de los activos de datos. A cargo del mismo hay un Chief Data Officer (CDO) y un Chief Analitical Officer (CAO). En la disciplina de datos ven al CDO como una persona que se centra en la gestión de datos tácticos, mientras que 17 el CAO se concentra en el despliegue estratégico de los análisis. El movimiento de un CAO se basa en una función de análisis, no en una función de datos. El papel del CDO está evolucionando progresivamente a CAO. El papel del CAO como estratega de funciones cruzadas, combinado con el aumento de la dependencia de las organizaciones en los datos para impulsar en las empresas la toma de decisiones, apoya la sugerencia de que el título no es “flor de un día”. El CAO es una extensión natural del análisis; es algo que está incrustado en toda la organización; más se necesita una posición de nivel ejecutivo para transmitir el énfasis estratégico. La Subdirección Técnica Asesora de Gestión de la Información posee amplios recursos dentro de su personal de trabajo. Podemos encontrar en el mismo servicio tanto a médicos, como economistas, informáticos, estadísticos y una amplia lista de personal totalmente cualificado para el análisis y la información a nivel sanitario. En este servicio se manejan distintos sistemas de información sanitarias. Estos sistemas son, entre otros, el Conjunto Mínimo Básico de Datos (CMBD), Aplicación para la Gestión de la Demanda (AGD), Aplicación INFHOS que facilita información on-line de Consultas Externas y Pruebas Diagnósticas, Contrato Programa SAS-Centros, Base de datos Poblacional de Salud, etc. En especial, nos vamos a centrar en la Base Poblacional de Salud (BPS) de 2017, dónde extraeremos a los pacientes pluripatológicos que vamos a analizar y de los cuales sacaremos las conclusiones sobre nuestro estudio de multimorbilidad. El SSPA, la historia clínica electrónica y otros sistemas de información, generan datos cuya explotación se realiza en módulos específicos de tratamiento. Esta fragmentación de datos crea duplicidades, propicia su infrautilización y afecta a su calidad y costes de gestión. Esta situación está evolucionando hacia modelos de análisis más globales, gracias a la conexión de registros de los sistemas de información. La integración de datos genera un conocimiento superior al obtenido a partir del análisis aislado e independiente de cada sistema de información. La conexión de registros no es tan habitual como actividad continuada, sistemática e institucional, para el uso secundario de sistemas de datos administrativos. Estas iniciativas institucionales suelen tener como finalidad la evolución de políticas públicas o el desarrollo de infraestructuras para investigación social. El SSPA puso en marcha un proyecto de “Gobernanza de datos”, para superar las dificultades que nos encontramos en la gestión de datos dispersos en los múltiples sistemas de información y contribuir a una mejora de la atención sanitaria, al ayudar a la toma de decisiones en un entorno cada vez más complejo. 18 3.1 Organigrama del Servicio Andaluz de Salud. 4 PREGUNTA DE INVESTIGACIÓN Y OBJETIVOS La pregunta de investigación que nos planteamos en este trabajo fin de grado es la siguiente: PI: ¿Cuáles son los patrones que sigue un paciente que presenta multimorbilidad? 4.1 Objetivo general: El objetivo general de este estudio es identificar los patrones de multimorbilidad que poseen los pacientes en Andalucía. 4.2 Objetivos específicos: a. Describir el número de enfermedades crónicas por grupos de edad y sexo en los pacientes con multimorbilidad. b. Analizar las combinaciones de enfermedades más frecuentes de los pacientes pluripatológicos. c. Representar los patrones de secuencias en pacientes con múltiples patologías en Andalucía. 19 4.3 Hipótesis del estudio Las hipótesis planteadas en este trabajo, son las siguientes: HI1: ¿Son comunes las características de los pacientes con multimorbiolidad? HI2: ¿Qué combinaciones de enfermedades son más frecuentes en los pacientes pluripatológicos? HI3: ¿Qué patrones siguen los pacientes con multimorbilidad? 4.4 Protección de datos El derecho a la protección de datos personales persigue garantizar a la persona el control de sus datos personales, su uso y su destino con el propósito de impedir su tratamiento ilícito y lesivo para sus derechos y libertades personales. En virtud del artículo 12.1, artículo 13 y artículo 14 del Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo de 27 de abril de 2016 relativo a la protección de las personas físicas en lo que respecta al tratamiento de datos personales, regulada en el ámbito nacional por la Ley Orgánica 3/2018 de Protección de Datos Personales, y la libre circulación de estos datos y por el que se deroga la Directiva 95/46/CE (Reglamento General de Protección de Datos), se establece la obligación del responsable (Servicio Andaluz de Salud) de informar al interesado sobre una serie de aspectos en relación al tratamiento de sus datos personales. Además de la información expresada a continuación, con este mismo fin pero con distinto alcance, están disponibles las siguientes fuentes de consulta:  Política de privacidad unificada de los sistemas de información online del SAS  Página web dedicada a la protección de datos personales de la Administración de la Junta de Andalucía. 5 MATERIAL Y MÉTODO Tal como hemos explicado anteriormente la multimorbilidad es la coexistencia de dos o más enfermedades dentro de un individuo. En este sentido, para nuestro estudio vamos a usar una base de datos poblacional y longitudinal. Consiste en estudiar y evaluar a las mismas personas por un período prolongado de tiempo (año 2017). 20 Esta investigación consta de tres pilares relacionados: conexión de registros sanitarios (Base Poblacional de Salud en Andalucía), análisis de datos sobre multimorbilidad y su posterior análisis de secuencias. El primer pilar se basa en la descripción y el desarrollo de un sistema de información que conecta datos procedentes de múltiples registros sanitarios, para su uso con fines asistenciales de administración, gestión, evaluación, investigación y salud pública (Servicio Andaluz de Salud. 2018. Resolución 0068/18 de la Dirección Gerencia del SAS). El identificador de cada persona es el Número Único de Historia de Salud de Andalucía (NUHSA) que figura en la Base de Datos de Usuarios (BDU) del SSPA. Los datos fueron extraídos de sistemas operacionales o de ficheros externos, depositados en un servidor y cargados en la Base de Datos Oracle, tras controles de recepción y detección de inconsistencias. En el proceso de transformación, los datos fueron enriquecidos para facilitar su explotación. Estos fueron cargados en un modelo de datos en estrella, modelo dimensional, y tablas agregadas para favorecer su explotación y rendimiento. Los diagnósticos clínicos fueron codificados por documentalistas clínicos para el CMBD. Se ha utilizado la lista de enfermedades crónicas para su seguimiento, definidas en la Base de Poblacional de Salud. Además, se han establecido los indicadores de prevalencia, expresados como proporciones, utilizando como numerador el número de personas que presentan una condición durante el periodo de estudio y como denominador el total de personas en seguimiento durante el periodo de estudio. Se han definido 82 patologías crónicas para su seguimiento, se ha utilizado un codificador automático del Servicio Producto Sanitario para los diagnósticos clínicos (Goicoechea-Salazar et al., 2013). Conjuntamente, a cada paciente se le ha aplicado los costes unitarios de cada servicio recibido, obtenidos del sistema de contabilidad analítica Contabilidad Analítica de Gestión del Servicio Sanitario Público de Andalucía (COAN) del SSPA. Para recopilar la base de datos proporcionada por el Servicio Andaluz de Salud, tuvimos que realizar en primer lugar, mediante lenguaje SQL, la unión de distintas tablas anidadas entre sí por variables comunes. Las distintas tablas hacían referencia por ejemplo al Número de Historia de cada Paciente (NUHSA), número de patologías de cada paciente, índice barthel, índice pfeiffer, número de consultas de atención primaria de salud, número de consultas de enfermería (en el centro o en el domicilio), número de consultas médicas (en el centro o en el domicilio), número de consultas de pediatría, número de urgencias, número de consultas atención hospitalaria, número de altas 21 hospitalarias, además del coste de cada servicio utilizado. La fusión y depuración de dichas tablas nos proporciona la base de datos con la que hemos trabajado. La población consta de 8,5 millones de habitantes, procedentes de la BDU, historia clínica electrónica y sistemas de información de salud mental, pruebas analíticas, vacunas, pacientes renales y farmacia, conectadas de forma determinística. En total hemos extraído una muestra de 30.000 usuarios de dicha base de datos. El segundo pilar, se realiza un análisis descriptivo de la población de estudio, para conocer las características que presentan según números de enfermedades, edad y sexo, así como las combinaciones más frecuentes de los pacientes con multimorbilidad. Por último, realizaremos un análisis de los patrones de secuencias en pacientes con múltiples patologías, con dos tipos de estudio, un estudio para los pacientes con cáncer y un segundo estudio para las cinco patologías más frecuentes. Para la obtención de los resultados hemos utilizado el lenguaje de programación “R” y hemos detallado los pasos a seguir a medida que íbamos analizando los datos en el script (Ver Anexo). Una vez generadas las tablas en “R” se ha mejorado su formato con el programa “Microsoft Office (Excell)”. Las Ilustraciones del análisis descriptivo se han obtenido para facilitar la lectura de los resultados, dichas Ilustraciones se han realizado en “Excell”. En el análisis de secuencias los clúster han sido creados mediante “R”. Las características de atención primaria y los costes por actividad sanitaria, tanto tablas como Ilustraciones, se han trabajado en “Excell”. En definitiva, las características del estudio se especifican en la siguiente ficha técnica. FICHA TÉCNICA DEL ESTUDIO  Ámbito: o Andalucía (España).  Población objetivo: o Personas en activo durante el año 2017, con al menos un registro en la Base Poblacional de Salud de Andalucía.  Tamaño de la muestra: o n = 30.000 para el estudio en general. o n = 3.000 para el análisis de secuencias. 22  Enfermedades crónicas: o En total, 56 grupos de patologías que hemos seleccionado de las 82 patologías iniciales.  Grupos de pacientes: o Pacientes sin ninguna enfermedad crónica, con una, con dos, con tres, con cuatro y con cinco o más enfermedades crónicas.  Pacientes elegibles: o Todos los pacientes, con sexo y edad conocida.  Inicio de observación del periodo: o Fecha de nacimiento de cada individuo de la muestra.  Fin de observación del periodo: o 31 de diciembre de 2017.  Diseño muestral: o Muestreo aleatorio simple sin reemplazamiento. 5.1 Variables del estudio Las variables que vamos a analizar en nuestro estudio sobre multimorbilidad son las siguientes: o Conjunto de patologías a estudiar o Sexo del paciente o Edad del paciente o Codificación del paciente según NUHSA o Número de enfermedades crónicas del paciente o Tiempo transcurrido en el desarrollo de nuevas enfermedades o Número de consultas en atención primaria (Médico General, Enfermería y Pediatra) o Fechas de inicio y duración de las enfermedades, según el paciente o Costes de los servicios por actividad 23 5.2 Aspectos éticos de la investigación Los datos que se van a analizar son de rigurosa confidencialidad y, por lo tanto, es fundamental la no promulgación de dichos datos fuera del análisis. Para ello, se ha tenido en cuenta el compromiso de confidencialidad y se ha tenido constancia de los artículos en referencia a la confidencialidad en la Ley Orgánica 3/2018 de Protección de Datos Personales y garantía de los derechos digitales (LOPD-GDD) y el Reglamento General de Protección de Datos (RGPD). El protocolo de estudio fue aprobado por el Comité de Ética de la Junta de Andalucía (Ver Anexo). 6 RESULTADOS 6.1 Análisis de patologías crónicas en pacientes con multimorbilidad Vamos a realizar un estudio estadístico sobre multimorbilidad, es decir, pacientes que sufren más de una enfermedad crónica. Así mismo queremos observar la evolución de cada paciente y sus enfermedades a lo largo de su vida, mediante un análisis de secuencias. Para ello, se nos proporciona una base de datos de pacientes de Andalucía que han sido atendidos y registrados por el Servicio Sanitario Andaluz, a través de sus múltiples registros médicos electrónicos puestos en común. En primer lugar, cargamos la base de datos que se nos ha proporcionado. load("C:/Users/Administrador/Desktop/TFG/datosBPS.RData") Nuestra base de datos contiene 4 tablas diferenciadas: barthel_m3, pfeiffer_m3, patologías_m3 y usuarios_m3. Acto seguido cargamos las librerías necesarias para utilizar los paquetes correspondientes en este estudio. library(dplyr) library(TraMineR) library(ggplot2) library (base) 24 Índice de BARTHEL Vamos a trabajar con la tabla barthel_m3, la cual nos indica una muestra de 1.620 pacientes que sufren algún déficit funcional, que les impida ser independientes para realizar las actividades cotidianas, dentro de una escala de rangos, en concreto 5: ## n_orden FECHA_BARTHEL PUNTUACION_BARTHEL RESULTADO_BARTHEL ## 1: 7819158 20150428 100 Independencia ## 2: 1156919 20140805 90 Dependencia moderada ## 3: 3491536 20170426 100 Independencia ## 4: 4475760 20170504 100 Independencia ## 5: 1282445 20170919 10 Dependencia total ## 6: 5204789 20170119 100 Independencia La columna que nos indica el grado de índice BARTHEL de cada paciente, la convertimos en factor. Creamos una tabla de frecuencias con los cinco rangos en orden, de mayor a menor número de pacientes en cada grado, con su respectivo porcentaje respecto al total. Tabla 2. Índice Barthel RESULTADO_BARTHEL N Porcentaje 1 Independencia 493 30,43 2 Dependencia moderada 460 28,40 3 Dependencia severa 345 21,30 4 Dependencia total 198 12,22 5 Dependencia escasa 124 7,65 Total 1.620 100 Fuente: Elaboración propia Se puede observar en esta tabla 2 de resultados Barthel, que el 30% de la muestra (1.620), presenta independencia, frente al 70%, que presenta alguna dependencia y sólo el 12,22%, dependencia total. Índice PFEIFFER Por otro lado, hemos trabajado con la tabla pfeiffer_m3, que nos desprende una muestra de 1.139 pacientes que sufren algún tipo de demencia (deterioro cognitivo), y a su vez, ver el grado de deterioro que presenta cada uno. Pasamos la columna de los resultados del test de pfeiffer a factor para poder trabajar con ella. Creamos una tabla de frecuencias con los cuatro grados del test en orden, de mayor a menor número de pacientes en cada grado, con su respectivo porcentaje respecto al total: 25 Tabla 3. Índice Pfeiffer RESULTADO_PFEIFFER N Porcentaje 1 Compatible con la normalidad 687 60,32 2 Deterioro intelectual moderado 161 14,14 3 Deterioro intelectual leve 152 13,35 4 Deterioro intelectual severo 139 12,20 Total 1.139 100 Fuente: Elaboración propia En la tabla 3 pfeiffer_m3 se observa que el deterioro intelectual severo lo presentan el 12,20% de los pacientes. Prevalencia de patologías A continuación trabajamos con la tabla patologias_m3, creamos una tabla de frecuencias, ordenada de mayor a menor en función del número de pacientes que sufren cada patología, con su respectivo porcentaje y la prevalencia de cada una de ellas. Tabla 4. Patologías frecuentes PATOLOGIA_BPS N Porcentaje Prevalencia 1 Trastorno de ansiedad 6.469 10,69 21,56 2 Hipertensión 6.278 10,37 20,93 3 Dislipemia 6.154 10,17 20,51 4 Artrosis - espondilosis 4.444 7,34 14,81 5 Diabetes 2.843 4,70 9,48 6 Asma 2.719 4,49 9,06 Fuente: Elaboración propia Dónde podemos observar que las patologías más frecuentes en nuestra base de datos son Trastorno de ansiedad (10,69%), Hipertensión (10.37%), Dislipemia (10,17%) y Artrosis (7,34%). Del total de las muestra de nuestro estudio, la prevalencia de las patologías más frecuentes se presentan en Trastorno de ansiedad con 21,56%, seguida de la Hipertensión con una prevalencia de 20,93% y de la Dislipemia con una prevalencia del 20,51%. La Diabetes y el Asma presentan una prevalencia de 9,48% y de 9,06%, respectivamente. Este dato nos indica que tanto el Trastorno de ansiedad, como la Hipertensión y la Dislipemia se refleja en más de un 20% de los pacientes de nuestra muestra. Eliminamos Sexo que no sean Hombre o Mujer, de la tabla usuarios_m3. usuarios_m4 <- usuarios_m3 %>% dplyr::filter(!(SEXO%in% 32 frecuentes son para el grupo de Artrosis, Dislipemia, Hipertensión, Litiasis urinaria y Trastorno de ansiedad. Por último, se puede concluir que estos grupos son combinaciones de las cuatros enfermedades más frecuentes. Características de la actividad sanitaria realizada en atención primaria En usuarios_m4 podemos observar distintas variables de atención primaria, las cuales vamos a analizar a continuación. En la tabla 12 se representa el número de consulta de atención primaria que han realizado por edad y sexo: Tabla 12. Consultas Atención Primaria por Grupo de Edad y Sexo Grupos de Edad Hombre Mujer Total general % 0-15 años 15.374 14.894 30.268 13,04 15-45 años 18.998 36.919 55.917 24,09 45-65 años 25.789 36.044 61.833 26,64 65-75 años 14.642 20.370 35.012 15,09 75-85 años 13.537 19.457 32.994 14,22 85-95 años 6.574 8.962 15.536 6,69 >95 años 135 391 526 0,23 Total general 95.049 137.037 232.086 100 % 40,95 59,05 100 Fuente: Elaboración propia El 59% de las consultas de atención primaria están realizadas por mujeres y el grupo de edad que más demanda es el de 45-65 años, con 26,64%. 33 Fuente: Elaboración propia En todos los grupos de edad se manifiesta que es la mujer la que acude con más frecuencias a las consultas de atención primaria, excepto en la edad pediátrica, que presentan valores muy similares entorno a las 15.000 consultas en ambos sexos. Por otro lado, sí diferenciamos el tipo de consulta que utilizan los usuarios según proveedor sanitario, ya sea consulta de medicina general, consulta de enfermería o consulta de pediatría. Tabla 13. Tipo de Actividad en Atención Primaria según Proveedor Sanitario Fuente: Elaboración propia Grupos de Edad Suma de CONSULTAS_MG_A P Suma de CONSULTAS_ENFE RMERIA_AP Suma de CONSULTAS_PEDIA TRIA_AP % MG % Enferm %Pediatria 0-15 años 3.219 7.700 18.752 2,56 9,52 95,92 15-45 años 37.970 15.263 213 30,20 18,86 1,09 45-65 años 40.341 19.616 402 32,09 24,24 2,06 65-75 años 19.566 14.750 31 15,56 18,23 0,16 75-85 años 16.939 15.452 135 13,47 19,10 0,69 85-95 años 7.452 7.842 17 5,93 9,69 0,09 >95 años 229 293 0 0,18 0,36 0,00 Total general 125.716 80.916 19.550 100 100 100 - 5.000 10.000 15.000 20.000 25.000 30.000 35.000 40.000 0-15 años 15-45 años 45-65 años 65-75 años 75-85 años 85-95 años >95 años Hombre Mujer Ilustración 6. Consultas Atención Primaria por Grupo de Edad y Sexo 34 Fuente: Elaboración propia En el Ilustración 7 se puede observar, como los usuarios con edades comprendidas entre los 15-65 años tienen un mayor consumo de consultas de medicina general (62,29%), entre los 45-65 años las consultas de enfermería presentan una demanda mayor (24,24%). Cabe destacar que las personas entre 75-85 años ocupan casi un 20% de las consultas de enfermería, ya que son más longevos. En contraposición se observa que de 0 a 15 años predominan las consultas de pediatría (95,92%), dado que es la edad pediátrica de la población. Costes por actividad sanitaria en atención primaria Los altos costes que presenta el sistema sanitario han hecho que diferentes disciplinas formen parte de la planificación sanitaria. En este sentido, la OMS, en su 50 aniversario, recogió como una preocupación creciente la complejidad y altos costes de los servicios de salud, reconociendo el reto de perseguir la equidad en el acceso a éstos en un mundo cada vez más rico, pero con un mayor número de pobres, y en el que se cuestiona la financiación pública, a pesar de que es la única que asegura la sostenibilidad social y la disminución de las desigualdades (Martínez Castells, 2014). Con este fin, la economía de la salud es una ciencia que permite el análisis y la toma de decisiones a los gestores sanitarios. Tal como expresa Ortún-Rubio et al. (2001), la economía de la salud en estos últimos 20 años, ha tenido una gran aplicación en la evaluación de las políticas sanitarias, siendo esta una gran herramienta en la planificación y gestión sanitaria. 0 500 1.000 1.500 2.000 2.500 3.000 3.500 4.000 4.500 5.000 0 3 6 9 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 63 66 69 72 75 78 81 84 87 90 93 96 99 102 112 Suma de CONSULTAS_MG_AP Suma de CONSULTAS_ENFERMERIA_AP Suma de CONSULTAS_PEDIATRIA_AP Ilustración 7. Tipo de Actividad en AP según Proveedor Sanitario 35 A continuación vamos a analizar los costes de la actividad sanitaria en atención primaria, como uno de los pilares del gasto de los servicios sanitarios. Se nos ha facilitado los costes finalistas de cada servicio recibido, obtenido del sistema de contabilidad analítica (COAN SSPA. 2017). En nuestra muestra sólo hemos tenido acceso a los costes de atención primaria. Tabla 14. Costes por Sexo según tipo de Actividad Sanitaria en Atención Primaria Fuente: Elaboración propia En atención primaria, de los 10,7 millones de gastos imputados en nuestra muestra, el 51,31% de los costes son debidos a la farmacia; es decir a los fármacos que se prescriben a los usuarios, seguidos del 43,31% que corresponden a las consultas de atención primaria que engloban las consultas de medicina general, de enfermería y consultas de pediatría. Tabla 15. Costes por Grupo de Edad según tipo de Actividad Sanitaria en Atención Primaria Grupos de Edad N Suma de COSTE_TOTAL _CONSULTA_A P Suma de COSTE_TO TAL_URGE NCIA_AP Suma de COSTE_FAR MACIA_AP Suma de COSTE_VAC UNAS_AP Total AP Coste por Persona % Consultas AP % Farmacia % Total AP 0-15 años 4.630 605.965,36 90.049,96 118.901,49 87.659,97 902.576,78 194,94 13,04 2,16 8,41 15-45 años 11.842 1.119.458,34 183.703,52 522.076,84 11.270,56 1.836.509,26 155,08 24,09 9,48 17,12 45-65 años 8.283 1.237.896,66 108.408,30 1.505.095,22 3.659,73 2.855.059,91 344,69 26,64 27,34 26,61 65-75 años 2.644 700.940,24 36.916,88 1.385.433,00 5.054,41 2.128.344,53 804,97 15,09 25,17 19,84 75-85 años 1.760 660.539,88 32.052,02 1.358.464,17 4.174,67 2.055.230,74 1.167,74 14,22 24,68 19,16 85-95 y más años 832 321.561,24 13.273,26 614.836,13 1.806,97 951.477,60 1.143,60 6,92 11,17 8,87 Total 29.991 4.646.361,72 464.403,94 5.504.806,85 113.626,31 10.729.199 357,75 100 100 100 % 43,31 4,33 51,31 1,06 100 Fuente: Elaboración propia Sexo N COSTE_CONS ULTAS_AP COSTE_URGENCI AS_AP COSTE_FARMACIA _AP COSTE_VACUNAS_ AP COSTE_TOTAL_AP Hombre 14.654 1.902.880,98 209.609,40 2.480.701,24 45.812,71 4.639.004,33 Mujer 15.337 2.743.480,74 254.794,54 3.024.105,61 67.813,60 6.090.194,49 Total 29.991 4.646.361,72 464.403,94 5.504.806,85 113.626,31 10.729.198,82 % Coste AP 43,31 4,33 51,31 1,06 100 36 La tabla 15 nos proporciona los datos necesarios para calcular el gasto por persona en atención primaria según grupos de edad. Diviendo el coste total por el número de personas de cada grupo de edad. El coste por persona de 0-15 años y de 15-45 años es de 195€ y 155€ respectivamente. Lo cual es lógico, ya que presentan menos patologías en estas edades. A partir de los 75 años el coste por persona asciende a más de 1.000€, ya que en estas edades las personas presentan más patologías. Fuente: Elaboración propia Como se puede apreciar en el Ilustración 8, el consumo de costes según la actividad realizada en atención primaria es mayor a medida que aumenta la edad del paciente. En este sentido, el coste en Farmacia, es decir los medicamentos dispensados a los pacientes es el más elevado, representando el 51,31% del total del coste de atención primaria. El coste de fármacos de los pacientes menores de 45 años representa sólo el 11,64% de total de gasto en farmacia, frente al 88,36% que consumen los pacientes de más de 45 años. 6.2 Análisis de secuencias En este estudio queremos evaluar las enfermedades que han ido teniendo los distintos usuarios a lo largo de su vida mediante un análisis de secuencias. Para ello tendremos que preparar la base de datos y modificarla de tal manera que las variables sean las edades de cada individuo y podamos comprobar las patologías que iban apareciendo, año a año, en cada uno de ellos. Vamos a realizar dos estudios, separados en 2 fases, el primero (Estudio 1) sobre cánceres y el segundo (Estudio 2) 0 100 200 300 400 500 600 0 50.000 100.000 150.000 200.000 250.000 300.000 0 2 4 6 8 10121416182022242628303234363840424446485052545658606264666870727476788082848688909294 Número de casos € Edad Suma de COSTE_TOTAL_CONSULTAS_AP Suma de COSTE_TOTAL_URGENCIAS_AP Suma de COSTE_FARMACIA_AP_NO_ESPECIAL Suma de COSTE_VACUNAS_AP Nº usuarios Ilustración 8. Costes según Actividad Sanitaria en Atención Primaria 37 sobre 5 patologías de interés. Para realizar el Estudio 2, debemos ejecutar el script desde el principio (ignorando la parte del Estudio 1), para obtener los resultados de manera óptima. Si lo ejecutamos todo de corrido solo obtendríamos los resultados del primer estudio (Estudio 1). Comenzamos creando la variable “Estudio” y añadiéndola a la tabla 4, para posteriormente, poder eliminar las patologías que no van a ser de interés, de la tabla patologias_m3, en nuestra base de datos. Para ello, llamamos a dicha variable “dic_sel” (diccionario de selección) y eliminamos todas las patologías que vengan acompañadas por FALSE de la variable “Estudio”. Véase el ejemplo: Estudio <- c(T,T,T,T,T,T,T,F,T,T,T,T,F,T,T,T,T,T,T,F,F,T,T,F,T,F,F,F,T,T,F,T,F, F,T,T,F,T,F,T,F,F,F,F,T,T,F,F,T,F,T,F,F,F,T,T,F,T,T,T,T,T,F,T,T,F,T,T,T,T,T,T,T, T,T,T,T,T,T,T,T,T) tabla_patologias$Estudio <- Estudio dic_sel <- tabla_patologias$Estudio names(dic_sel) <- tabla_patologias$PATOLOGIA_BPS patologias_m3 <- patologias_m3[dic_sel[patologias_m3$PATOLOGIA_BPS],] En la tabla 16 nos deshacemos de las patologías que no son de nuestro interés, eliminando las patologías que posean FALSE en la variable Estudio. Tabla 16. Patologías de interés PATOLOGIA_BPS N Porcentaje Prevalencia Estudio Trastorno de ansiedad 6.469 10,69 21,56 TRUE Hipertensión 6.278 10,37 20,93 TRUE Dislipemia 6.154 10,17 20,51 TRUE Artrosis, espondilosis 4.444 7,34 14,81 TRUE Diabetes 2.843 4,70 9,48 TRUE Asma 2.719 4,49 9,06 TRUE Fuente: Elaboración propia Añadimos una nueva variable a nuestra tabla 16, llamada “Abreviaturas”, para agrupar las patologías en grupos, que contengan 1 o más de nuestras patologías a estudiar y reducir el nombre con dichas abreviaturas. Cada abreviatura debe corresponder a su patología. 38 Tabla 17. Patologías de interés y Abreviaturas PATOLOGIA_BPS N Porcentaje Prevalencia Estudio Abreviaturas Trastorno de ansiedad 6.469 10,69 21,56 TRUE T Hipertensión 6.278 10,37 20,93 TRUE H Dislipemia 6.154 10,17 20,51 TRUE Dp Artrosis, espondilosis 4.444 7,34 14,81 TRUE Art Diabetes 2.843 4,70 9,48 TRUE D Asma 2.719 4,49 9,06 TRUE As Fuente: Elaboración propia Vamos a incorporar la variable “Abreviaturas” a la tabla patologias_m3, de la misma forma que lo hemos hecho anteriormente, llamando a dicha variable “dic_sel” y que a cada patología se le asocie su abreviatura correspondiente. A su vez, ordenamos la tabla para que la columna de las abreviaturas aparezca a continuación de la de patologías. Tabla 18. Patologías_m3 con abreviaturas n_orden CODIGO_PATOLO GIA_BPS PATOLOGIA_BPS Abreviaturas FECHA_INICIO FECHA_FIN 587 1304 Otra artropatía Art 14/10/2013 31/12/9999 1806600 1002 Asma As 19/03/2012 31/12/9999 441220 1002 Asma As 18/02/2010 31/12/9999 4709259 1002 Asma As 26/02/2013 31/12/9999 3644186 1001 EPOC As 19/11/2008 31/12/9999 3644186 909 Fibrilación auricular Cai 19/11/2008 31/12/9999 Fuente: Elaboración propia A continuación, se pegan las tablas usuarios_m4 y patologias_m3, puesto que ambas poseen en común la variable “n_orden”, creando la tabla Result para el posterior análisis de secuencias. Así mismo vamos a cambiar el formato de la variable “fecha inicio de patología” y “fecha fin de patología” a un número entero, quedándonos solo con el año final para poder hacer la operación correspondiente para obtener la edad inicio de patología y la edad fin de patología. ## [1] "2011-10-10" "2006-08-29" "2004-11-15" "2010-06-14" "2009-10-07" ## [6] "2014-04-07" ## [1] "2011" "2006" "2004" "2010" "2009" "2014" ## [1] 2011 2006 2004 2010 2009 2014 ## [1] "9999-12-31" "9999-12-31" "9999-12-31" "9999-12-31" "9999-12-31" ## [6] "9999-12-31" ## [1] "9999" "9999" "9999" "9999" "9999" "9999" ## [1] 9999 9999 9999 9999 9999 9999 Para la edad del paciente a la que finaliza la patología, vamos a usar un condicionante, para que si el resultado de la edad fin es mayor que la edad actual del paciente, nos proporcione, en ese caso, la edad actual del paciente. Ejemplo: 39 Result$EDAD_FIN <- ifelse(Result$EDAD_FIN>Result$EDAD,Result$EDAD,Result$EDAD_FI N) De esta forma, nos quedamos solo con los tipos de cáncer para reducir el número de patologías lo máximo posible y así poder realizar un estudio sobre cánceres. (Estudio 1). En nuestra muestra nos encontramos con 22 tipos de cánceres diferentes. Tabla 19. Tipos de Cáncer PATOLOGIA_BPS N Porcentaje Prevalencia Estudio Abreviaturas Estudio1 Cáncer de mama 275 0,45 0,92 TRUE C TRUE Cáncer de próstata 189 0,31 0,63 TRUE C TRUE Cáncer colorrectal 152 0,25 0,51 TRUE C TRUE Cáncer de vejiga 117 0,19 0,39 TRUE C TRUE Cáncer de bronquio y pulmón 59 0,10 0,20 TRUE C TRUE Cáncer de cabeza y cuello 56 0,09 0,19 TRUE C TRUE Fuente: Elaboración propia En la tabla 19 podemos observar los seis tipos de cánceres más frecuentes de nuestro estudio. El 3,8% del total de usuarios presenta algún cáncer, es decir 1.139 personas tienen cáncer. Entre las personas con cáncer en nuestro estudio, casi un 25% de pacientes tiene diagnosticado cáncer de mama. Del mismo modo, hemos analizado los individuos que presentan 1 o más cánceres a la vez. Tabla 20. Nº de Cánceres por persona Numero de Cánceres Personas 1 1.029 2 107 3 2 4 1 Total 1.139 Fuente: Elaboración propia En la tabla 20, existe una persona que presenta 4 cánceres diferentes, por el contrario 1.029 personas poseen 1 cáncer. Por otro lado, para comenzar el Estudio 2 se debe ejecutar desde el inicio (ignorando el Estudio 1), como hemos explicado al comienzo del análisis de secuencias. En la primera fase del Estudio 2, se han seleccionado un total de 10 patologías. En una segunda fase, se han agrupado según afinidad de las patologías en 5 grupos. De este modo ha resultado la 40 siguiente agrupación: Asma y EPOC = Asma; Artrosis y Artritis reumatoide = Artrosis; etc. Al objeto de representar los patrones de multimorbilidad de forma más eficiente. Tabla 21. Patologías seleccionadas PATOLOGIA_BPS N Porcentaje Prevalencia Estudio Abreviaturas Estudio2 Trastorno de ansiedad 6.469 10,69 21,56 TRUE T TRUE Hipertensión 6.278 10,37 20,93 TRUE H TRUE Artrosis-espondilosis 4.444 7,34 14,81 TRUE Art TRUE Diabetes 2.843 4,70 9,48 TRUE D TRUE Asma 2.719 4,49 9,06 TRUE As TRUE Fuente: Elaboración propia En esta tabla 21 distinguimos las cinco patologías seleccionadas en nuestro Estudio 2. De este modo, se observa que el 21,56% del total de usuarios presentan Trastornos de ansiedad, al igual que más de un 20% de pacientes muestran Hipertensión. En la tabla 22 hemos analizado el número de patologías por persona. Tabla 22. Nº Patologías por persona Nº Patologías Personas 1 7.296 2 3.717 3 2.026 4 895 5 362 6 100 7 27 8 5 9 1 Total 14.429 Fuente: Elaboración propia Observamos que 7.296 personas muestran al menos una de las patologías objeto de estudio y existe una persona con 9 patologías de nuestro estudio. Se reduce nuestro análisis a un total de 14.429 pacientes. De la siguiente forma vamos a ordenar las abreviaturas en el análisis de secuencias final para cada paciente (orden alfabético): 41 cadena <- c("Art","As","Cai") cadena2 <- c("C") cad <- sort(c(cadena,cadena2)) Creamos un nuevo data.frame, llamado Fin, con las variables “n_orden”, “EDAD” y “Fallecido” de la tabla usuario_m4. A su vez, añadimos las variables “Edad” desde la EDAD000 a la Edad114, que son las edades que pueden tener nuestros pacientes, para el posterior análisis de secuencias. Vamos a crear una nueva tabla, llamada temp_pac (paciente temporal), donde el paciente en la posición 1 de la tabla Fin sea nuestro único dato, pero lo extraemos de la tabla Result con todas las variables que posea en dicha tabla. Nos dedicaremos a analizar un paciente exclusivamente, por ahora. Vamos a crear un bucle “for” para poder realizar el análisis de secuencias con el paquete TRAMINER, en nuestra tabla Fin podemos ver todas las variables EDAD de los pacientes, donde se le va a asignar una “S”, a cada edad del paciente, hasta que aparezca su primera patología y seguirá teniendo una “S” desde que se le cierre dicha patología hasta llegar a la EDAD actual del paciente, que se le asignara una “N” hasta la EDAD máxima. En el caso de que tenga múltiples patologías a la vez, hasta que no finalicen todas las patologías, no le volverá a aparecer una “S”, o bien una “N” si llega a su EDAD actual. Si el paciente ha fallecido, se le asignará una “M”. Dentro del bucle, se genera el método necesario para que, en caso de contar con múltiples patologías, nos indique cada una de ellas, así como la secuencia de patologías que presentará cada paciente pluripatológico. Generamos una muestra aleatoria simple sin reemplazamiento de 3.000 pacientes a partir de la tabla Fin, para poder ejecutar el paquete TRAMINER. muestra.Fin <- Fin[sample(nrow(Fin),size=3000,replace=F),] Para el Estudio 1: Preparamos la matriz para poder ejecutar el paquete TRAMINER: Fin.labels <- c("Presenta Cáncer", "Fallecido", "No vivido", "Sin patología") Fin.alphabet <- c("C", "M", "N", "S") 48 Ilustración 10. Análisis de secuencias. Estudio 2 49 Ilustración Estudio 2: En el primer clúster, n=874 pacientes, se observan pacientes muy jóvenes, en concreto de 0 a 35 años, en los cuales predomina el Asma desde su nacimiento hasta la actualidad. Cabe señalar también una gran parte de pacientes que sufren algún Trastorno (de ansiedad o de estado de ánimo), cuyo apogeo se alcanza de los 15 a los 30 años. En el segundo clúster, n=457 pacientes, se observan pacientes sanos hasta los 30 años aproximadamente. A partir de dicha edad, comienzan a presentar Hipertensión (naranja), aunque es a los 40 años cuando alcanza su mayor frecuencia. Cabe señalar también a partir de dicha edad un gran número de patologías, entre las que destacan Artrosis (blanco), Asma (celeste), Diabetes (kaki), y la anteriormente citada Hipertensión. Aunque la que vemos en un mayor número de pacientes son los Trastornos de ansiedad y de estado de ánimo, que oscilan entre los 40 y 60 años. A partir de los 50 años se encuentra la combinación que más predomina en este clúster, Artrosis e Hipertensión (chocolate), que se le puede unir algún Trastorno. Se observan pacientes hasta los 70 años (año 2017). En el tercer clúster, n=962 pacientes, se observan pacientes de edad media, aproximadamente hasta los 52 años. Los cuales presentan, a partir de los 20 años, el conjunto de patologías y combinaciones de enfermedades con una frecuencia similar, aunque predominan los pacientes con Asma e Hipertensión. Cabe señalar un gran número de pacientes con algún Trastorno entre los 20 y los 50 años. En el cuarto clúster, n=707 pacientes, se observan pacientes que han llegado a la edad de (45-50) años, completamente sanos. A partir de dicha edad hasta los 90 años, se le han diagnosticado patologías, las cuales han sido combinaciones de las enfermedades de nuestro estudio, entre las que predomina la Hipertensión, Hipertensión y Trastorno (rojo), Artrosis, Hipertensión y Trastorno (chocolate4), entre otras. La mayoría de estos pacientes han fallecido a consecuencia de la presencia de varias patologías en cada uno de ellos. También se observa una minoría de pacientes, que presentan algún tipo de Trastorno entre los 60 y 80 años. 50 7 CONCLUSIONES  Se puede observar que los resultados del índice Barthel, el índice Pfeiffer presentan muy baja cumplimentación en los registros clínicos, sólo se notifican en el 5% y 4% cada uno de ellos.  Las patologías más frecuentes en nuestros pacientes son Trastorno de ansiedad (10,69%), Hipertensión (10.37%), Dislipemia (10,17%) y Artrosis (7,34%).  La prevalencia es superior al 20% en Trastornos de ansiedad, Hipertensión y Dislipemia.  Los paciente que se encuentran en el grupos de edad de (65,75) años presentan una media de enfermedades de 4,44, los de (75,85) años presentan una media de 5,75 enfermedades crónicas y por último los del grupo de (85,95) años presentan la media de enfermedades más alta de 5,88 enfermedades crónicas.  Destacamos como las mujeres poseen una media de enfermedades del 2,20, frente a las 1,80 enfermedades en los hombres.  Las combinaciones más frecuentes para los pacientes que presentan dos enfermedades son Dislipemia e Hipertensión.  Cuando padecen tres enfermedades se añade Dislipemia, Hipertensión y Artrosis.  Si los pacientes tienen cuatro y cinco enfermedades se les agrega Trastorno de ansiedad y Litiasis urinaria respectivamente.  En todos los grupos de edad, se manifiesta que la mujer es la que acude con más frecuencia a las consultas de atención primaria de los servicios sanitarios. Excepto en la edad pediátrica (0-15 años), que presentan valores muy similares entorno a las 15.000 consultas en ambos sexos  En atención primaria, de los 10,7 millones de gastos imputados en nuestra muestra, el 51,31% de los costes son debidos a la farmacia; es decir a los fármacos que se prescriben a los usuarios. 51  El consumo de costes según la actividad realizada en atención primaria es mayor a medida que aumenta la edad del paciente.  El análisis de secuencias del Estudio 1 se refiere a los diferentes tipos de cáncer que hay en nuestra muestra. Solo un 3,8% (1.139) de los pacientes presentan algún tipo de cáncer.  Se observa que la mayoría de los cánceres se diagnostican a partir de lo 45-60 años, excepto para una minoría de cánceres juveniles que suelen aparecer en edades tempranas hasta los 20 años.  En el análisis realizado en el Estudio 2, se aprecia que en las edades jóvenes (0-35 años) predominan las patologías de Asma y Trastorno de ansiedad o de estado de ánimo.  A partir de los 50 años la secuencia de enfermedades más frecuente es Artrosis, Hipertensión y algún Trastorno mental.  Por último, se necesita una mejor comprensión de la multimorbilidad, puesto que es uno de los problemas más comunes y complejos de la medicina moderna y requiere un enfoque clínico más eficaz. 52 8 BIBLIOGRAFÍA  Alguacil Herrero, M. D., Álvarez Tello, M., Barón Franco, B., Cabrera León, A., et al. (2012). Plan de Atención a Pacientes Crónicos con necesidades de salud complejas. Estrategia de implantación. Servicio Andaluz de Salud. Consejería de Salud. Junta de Andalucía: D.L.: SE 1291-2012. Disponible en https://www.juntadeandalucia.es/servicioandaluzdesalud/.../Plan- Atención-Pacientes con Enfermedades Crónicas.  Bartke, A., Coschigano, K., Kopchick, J., Chandrashekar, V., Mattison, J., Kinney, B. & Hauck, S. (2001). Genes that prolong life: Relationships of growth hormone and growth to aging and life spa n. J Gerontol Biol Sci. 56A:B340-9. doi: 10.1093/gerona/56.8.B340.  Bohórquez Colombo, P., Nieto Martín, M. D., Pascual de la Pisa, B., García Lozano, M. J., Ortiz Camúñez, M. A. & Wittel, M. B. (2014). Validación de un modelo pronóstico para pacientes pluripatológicos en atención primaria: Estudio PROFUND en atención primaria. Aten Primaria. 46(Supl 3):41-48. doi: 10.1016/S0212-6567(14)70064-2.  Davidson, A. J. (2015). Creating value: unifying silos into public health business intelligence. EGEMS (Wash DC). 2:1172. doi: 10.13063 / 2327-9214.1172.  Denton, F. T. & Spencer, B. G. (2010). Chronic health conditions: changing prevalence in an aging population and some implications for the delivery of health care services. Can J Aging. Mar;29(1):11-21. doi: 10.1017/S0714980809990390.  Goicoechea-Salazar, J. A., Nieto-García, M. A., Laguna-Téllez, A., et al. (2013) Desarrollo de un sistema de codificación automática para recuperar y analizar textos diagnósticos de los registros de servicios de urgencias hospitalarios. Emergencias. 25: 430–436.  Jefatura del Estado. Ley Orgánica 3/2018, de 5 de diciembre, de Protección de Datos Personales y garantía de los derechos digitales. BOE, núm. 294, de 6 de diciembre de 2018.  Junta de Andalucía. Decreto 105/2019, de 12 de febrero, por el que se establece la estructura orgánica de la Consejería de Salud y Familias y del Servicio Andaluz de Salud. Boletín Oficial de la Junta de Andalucía (BOJA), núm. 31, de 14 de febrero de 2019. 53  Kostkova, P. (2015). Grand challenges in digital health. Front Public Health. doi: 10.3389/fpubh.2015.00134.  Lafuente Robles, N., Rodríguez Gómez, S., Casado Mora, M. I., Ayuso Fernández, M., et al. (2015). Estrategia de Cuidados de Andalucía: nuevos retos en el cuidado de la ciudadanía. Consejería de Salud: Servicio Andaluz de Salud. Disponible en: https://www.picuida.es/estrategia-de-cuidados-de-andalucia/.  Lafuente Robles, N. & Rodríguez Gómez, S. (2019). CuidandodeTi. Proyecto para el abordaje de la cronicidad. (Informe interno). Servicio Andaluz de Salud. Consejería de Salud y Familias.  Lewer, D., Bourne, T., George, A., Abi-Aad, G., Taylor, C. & George, J. (2019). Data resource: the Kent Integrated Dataset (KID). Int J Popul Data Sci. 2018:3. (Consultado el 6/3/2019). doi: 10.23889/ijpds.v3i1.427.  Martínez Castells, A. (2014). La economía de la salud y la salud de la economía. El Farmacéutico. num. 500, 15 de febrero de 2014. Disponible en: https://elfarmaceutico.es/index.php/la-revista/item/4361-la-economia-de-la-salud-y-la-salud- de-la-economia.  Muñoyerro-Muñiz, D., Goicoechea-Salazar, J. A., García-León, F. J., Laguna-Téllez, A., Larrocha-Mata, D. & Cardero-Rivas, M. (2019). Conexión de registros sanitarios: base poblacional de salud de Andalucía. Gaceta Sanitaria. doi: 10.1016/j.gaceta.2019.03.003.  Nicholson, K. (2017). Multimorbidity Among Adult Primary Health Care Patients In Canada: Examining Multiple Chronic Diseases Using An Electronic Medical Record Database. Electronic Thesis and Dissertation Repository. 4483. Disponible en https://ir.lib.uwo.ca/etd/4483.  O‘Halloran, J., Miller, G. C. & Britt, H. (2004). Defining chronic conditions for primary care with ICPC-2. Fam Pract. 21:381---6. doi: 10.1093/fampra/cmh407.  Ortún-Rubio, V., Pinto-Prades, J. L. & Puig-Junoy, J. (2001). La economía de la salud y su aplicación a la evaluación. Atención Primaria. Vol. 27. Núm. 1. Enero 2001. Disponible en: https://jaumepuigjunoy.cat/wp-content/uploads/2017/11/abc1.pdf. 54  Rahman Safwan, E., Meredith, R. & Burstein, F. (2016). Evolución del sistema de Business Intelligence (BI): un caso en una institución de salud. Journal of Decision Systems. 25:sup1, 463-475. doi: 10.1080/12460125.2016.1187384.  Sánchez Mollá, M., Candela García, I., Gómez-Romero, F. J., Orozco Beltrán, D. & Ollero Baturone, M. (2017). Concordancia entre sistemas de estratificación e identificación de pacientes crónicos complejos en Atención Primaria. Rev Calid Asist. 32(1):10---16. doi: 10.1016/j.cali.2016.07.006.  Schlegel, D. R. & Ficheur, G. (2017). Secondary use of patient data: review of the literature published in 2016. Yearb Med Inform. 26:68–70. doi: 10.15265/IY-2017-032.  Servicio Andaluz de Salud. (2018). Contabilidad Analítica de Gestión del Servicio Sanitario Público de Andalucía (COAN SSPA). Recuperado 13 de diciembre 2018. https://ws027.juntadeandalucia.es/principal/documentosacc.asp?pagina=pr coan.  Servicio Andaluz de Salud. (2018). Resolución 0068/18 de la Dirección Gerencia del Servicio Andaluz de Salud por la que se crea la Base Poblacional de Salud. Disponible en http://www.sas.junta-andalucia.es/principal/documentosacc.asp?pagina=pr base poblac.  Starfield, B., Lemke, K. W., Bernhardt, T., Foldes, S. S., Forrest, C. B. & Weiner, J. P. (2003). Comorbidity: implications for the importance of primary care in ‘case’ management. Ann Fam Med. 1:8---14. doi: 10.1370.  World Health Organization. (2002). The World Health Report: reducing risk, promoting healthy life. Ginebra: World Health Organization; 2002.ISBN 92 4 156207 2.  World Health Organization. (2008). The World Health Report: The Challenges of changing world. Primary Health Care (Now More Than Ever). 2008, p. 21. Páginas Web:  http://mephisto.unige.ch/pub/TraMineR/doc/TraMineR-Users-Guide.pdf  https://cran.r-project.org/doc/contrib/rdebuts_es.pdf  https://www.juntadeandalucia.es/servicioandaluzdesalud/ 55 56 9 ANEXO: Dictamen favorable y Estudio en RStudio 57 64 Porcentaje=round(n/sum(n)*100,2) ) tabla_GrupoEdad$MediaEnfermedades <- table(Result2$GrupoEdad)[tabla_GrupoEdad$GrupoEdad]/table(usuarios_m4$GrupoEd ad)[tabla_GrupoEdad$GrupoEdad] tabla_GrupoEdad ```` Donde podemos observar que a medida que van cumpliendo años nuestros pacientes, presentan más enfermedades crónicas, salvo los de +95 años por la escasez de casos. También es necesario crear una tabla de frecuencias únicamente respecto al sexo, diferenciando entre masculino y femenino y añadiendo el número medio de enfermedades crónicas por sexo. ````{r echo=F} tabla_sexo <- usuarios_m4 %>% dplyr::group_by(SEXO) %>% dplyr::count() tabla_sexo <- data.frame(tabla_sexo) tabla_sexo <- tabla_sexo %>% dplyr::mutate( Porcentaje=round(n/sum(n)*100,2) ) tabla_sexo$MediaEnfermedades <- table(Result2$SEXO)[tabla_sexo$SEXO]/table(usuarios_m4$SEXO)[tabla_sexo$SEXO] tabla_sexo ```` En la cual podemos apreciar que las mujeres poseen un promedio de más de dos enfermedades crónicas por persona, en cambio los hombres no llegan a dos enfermedades. Vamos a representar una tabla, donde las variables sean el número de Enfermedades que presenta cada paciente según el sexo (Hombre, Mujer), y los 65 grupos de edad. Para ello, creamos una tabla Nº_Enf, a partir de nuestra tabla patologías_m3, agrupando los n_orden, para poder visualizar el número de enfermedades que presenta cada paciente. ````{r echo=F} N_Enf <- patologias_m3 %>% dplyr::group_by(n_orden) %>% dplyr::count() head(N_Enf) ```` Para obtener los pacientes, que no están registrados en la tabla patologías_m3, por lo tanto no presentan ninguna enfermedad, los extraemos de la tabla usuarios_m4 con el siguiente comando: ````{r} Enf0 <- anti_join(usuarios_m4, N_Enf, by="n_orden") ```` Realizamos un filtro de la tabla Nº_Enf, según tengan 1, 2, 3, 4 o 5omás enfermedades. ````{r echo=F} Enf1 <- N_Enf %>% dplyr::filter(n==1) Enf2 <- N_Enf %>% dplyr::filter(n==2) Enf3 <- N_Enf %>% dplyr::filter(n==3) Enf4 <- N_Enf %>% dplyr::filter(n==4) Enf5omas <- N_Enf %>% dplyr::filter(n>=5) ```` Realizamos una primera prueba para ver cómo quedaría nuestro data.frame en cuestión, con las variables que hemos obtenido por ahora. ````{r echo=F} 66 Ntotal_Enf <- data.frame(Variables=c("Número de pacientes","Sexo","Hombres","Mujeres"), Nin_Enf=c(paste0(nrow(Enf0)," (",round(nrow(Enf0)/nrow(usuarios_m4)*100,2),"%)"), NA,NA,NA), Una_Enf=c(paste0(nrow(Enf1)," (",round(nrow(Enf1)/nrow(usuarios_m4)*100,2),"%)"), NA,NA,NA), Dos_Enf=c(paste0(nrow(Enf2)," (",round(nrow(Enf2)/nrow(usuarios_m4)*100,2),"%)"), NA,NA,NA), Tres_Enf=c(paste0(nrow(Enf3)," (",round(nrow(Enf3)/nrow(usuarios_m4)*100,2),"%)"), NA,NA,NA), Cuatro_Enf=c(paste0(nrow(Enf4)," (",round(nrow(Enf4)/nrow(usuarios_m4)*100,2),"%)"), NA,NA,NA), Cincomas_Enf=c(paste0(nrow(Enf5omas)," (",round(nrow(Enf5omas)/nrow(usuarios_m4)*100,2),"%)"), NA,NA,NA)) Ntotal_Enf ```` Es necesario pasar a factor la variable GrupoEdad de la tabla usuarios_m4, para poder crear la tabla con el número total de enfermedades. ````{r echo=F} usuarios_m4$GrupoEdad <- factor(usuarios_m4$GrupoEdad, levels = c("[0,15)","[15,45)","[45,65)","[65,75)","[75,85)","[85,95)","+95")) ```` Realizamos un filtro de la tabla usuarios_m4, donde solo aparezcan los pacientes que presentan una enfermedad. Así mismo, volvemos a filtrar la tabla usuarios_m4, para los pacientes que presentan dos enfermedades, para los pacientes que presentan tres enfermedades, cuatro y 5 o más. Exceptuando la tabla Enf0, ya que los pacientes que no presentan ninguna enfermedad los hemos obtenido de la tabla usuarios_m4. ````{r echo=F} Enf1_completo<-usuarios_m4 %>% dplyr::filter(n_orden %in% c(Enf1$n_orden)) Enf2_completo<-usuarios_m4 %>% 67 dplyr::filter(n_orden %in% c(Enf2$n_orden)) Enf3_completo<-usuarios_m4 %>% dplyr::filter(n_orden %in% c(Enf3$n_orden)) Enf4_completo<-usuarios_m4 %>% dplyr::filter(n_orden %in% c(Enf4$n_orden)) Enf5_completo<-usuarios_m4 %>% dplyr::filter(n_orden %in% c(Enf5omas$n_orden)) ```` También es necesario filtrar según su sexo las tablas que acabamos de obtener. ````{r echo=F} Hombre_G0<-Enf0 %>% dplyr::filter(SEXO=="Hombre") Hombre_G1<-Enf1_completo %>% dplyr::filter(SEXO=="Hombre") Hombre_G2<-Enf2_completo %>% dplyr::filter(SEXO=="Hombre") Hombre_G3<-Enf3_completo %>% dplyr::filter(SEXO=="Hombre") Hombre_G4<-Enf4_completo %>% dplyr::filter(SEXO=="Hombre") Hombre_G5<-Enf5_completo %>% dplyr::filter(SEXO=="Hombre") Mujer_G0<-Enf0 %>% dplyr::filter(SEXO=="Mujer") Mujer_G1<-Enf1_completo %>% dplyr::filter(SEXO=="Mujer") Mujer_G2<-Enf2_completo %>% dplyr::filter(SEXO=="Mujer") Mujer_G3<-Enf3_completo %>% dplyr::filter(SEXO=="Mujer") Mujer_G4<-Enf4_completo %>% dplyr::filter(SEXO=="Mujer") Mujer_G5<-Enf5_completo %>% dplyr::filter(SEXO=="Mujer") ```` Podemos observar cómo quedaría el data.frame de número total de pacientes que presentan 1, 2, 3, 4 y 5 o más enfermedades según su sexo. 68 ````{r echo=F} Ntotal_Enf <- data.frame(Variables=c("Número de pacientes","Sexo","Hombres","Mujeres","Grupos Edad"), Nin_Enf=c(paste0(nrow(Enf0)," (",round(nrow(Enf0)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(nrow(Hombre_G0)," (",round(nrow(Hombre_G0)/nrow(usuarios_m4)*100,2),"%)"), paste0(nrow(Mujer_G0)," (",round(nrow(Mujer_G0)/nrow(usuarios_m4)*100,2),"%)"), NA), Una_Enf=c(paste0(nrow(Enf1)," (",round(nrow(Enf1)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(nrow(Hombre_G1)," (",round(nrow(Hombre_G1)/nrow(usuarios_m4)*100,2),"%)"), paste0(nrow(Mujer_G1)," (",round(nrow(Mujer_G1)/nrow(usuarios_m4)*100,2),"%)"), NA), Dos_Enf=c(paste0(nrow(Enf2)," (",round(nrow(Enf2)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(nrow(Hombre_G2)," (",round(nrow(Hombre_G2)/nrow(usuarios_m4)*100,2),"%)"), paste0(nrow(Mujer_G2)," (",round(nrow(Mujer_G2)/nrow(usuarios_m4)*100,2),"%)"), NA), Tres_Enf=c(paste0(nrow(Enf3)," (",round(nrow(Enf3)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(nrow(Hombre_G3)," (",round(nrow(Hombre_G3)/nrow(usuarios_m4)*100,2),"%)"), paste0(nrow(Mujer_G3)," (",round(nrow(Mujer_G3)/nrow(usuarios_m4)*100,2),"%)"), NA), Cuatro_Enf=c(paste0(nrow(Enf4)," (",round(nrow(Enf4)/nrow(usuarios_m4)*100,2),"%)"), NA, 69 paste0(nrow(Hombre_G4)," (",round(nrow(Hombre_G4)/nrow(usuarios_m4)*100,2),"%)"), paste0(nrow(Mujer_G4)," (",round(nrow(Mujer_G4)/nrow(usuarios_m4)*100,2),"%)"), NA), Cincomas_Enf=c(paste0(nrow(Enf5omas)," (",round(nrow(Enf5omas)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(nrow(Hombre_G5)," (",round(nrow(Hombre_G5)/nrow(usuarios_m4)*100,2),"%)"), paste0(nrow(Mujer_G5)," (",round(nrow(Mujer_G5)/nrow(usuarios_m4)*100,2),"%)"), NA)) Ntotal_Enf ```` Agrupamos las tablas obtenidas de los pacientes con 0, 1, 2, 3, 4 y 5 o más enfermedades según su grupo de edad. ````{r echo=F} Grupo0Enf_Edades<-Enf0 %>% dplyr::group_by(GrupoEdad) %>% dplyr::count() Grupo1Enf_Edades<-Enf1_completo %>% dplyr::group_by(GrupoEdad) %>% dplyr::count() Grupo2Enf_Edades<-Enf2_completo %>% dplyr::group_by(GrupoEdad) %>% dplyr::count() Grupo3Enf_Edades<-Enf3_completo %>% dplyr::group_by(GrupoEdad) %>% dplyr::count() Grupo4Enf_Edades<-Enf4_completo %>% dplyr::group_by(GrupoEdad) %>% dplyr::count() Grupo5Enf_Edades<-Enf5_completo %>% dplyr::group_by(GrupoEdad) %>% dplyr::count() ```` 70 Por último, realizamos el data.frame correspondiente para generar la tabla de número total de pacientes que presentan 0, 1, 2, 3, 4 y 5 o más enfermedades según su sexo y su grupo de edad. ````{r echo=F} Ntotal_Enf <- data.frame(Variables=c("Número de pacientes","Sexo","Hombres","Mujeres","Grupos Edad","[0-15) años","[15-45) años","[45-65) años","[65-75) años","[75-85) años","[85-95) años","+95 años"), Nin_Enf=c(paste0(nrow(Enf0)," (",round(nrow(Enf0)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(nrow(Hombre_G0)," (",round(nrow(Hombre_G0)/nrow(usuarios_m4)*100,2),"%)"), paste0(nrow(Mujer_G0)," (",round(nrow(Mujer_G0)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(Grupo0Enf_Edades[1,2]," (",round(Grupo0Enf_Edades[1,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo0Enf_Edades[2,2]," (",round(Grupo0Enf_Edades[2,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo0Enf_Edades[3,2]," (",round(Grupo3Enf_Edades[3,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo0Enf_Edades[4,2]," (",round(Grupo0Enf_Edades[4,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo0Enf_Edades[5,2]," (",round(Grupo0Enf_Edades[5,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo0Enf_Edades[6,2]," (",round(Grupo0Enf_Edades[6,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo0Enf_Edades[7,2]," (",round(Grupo0Enf_Edades[7,2]/nrow(usuarios_m4)*100,2),"%)")), Una_Enf=c(paste0(nrow(Enf1)," (",round(nrow(Enf1)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(nrow(Hombre_G1)," (",round(nrow(Hombre_G1)/nrow(usuarios_m4)*100,2),"%)"), paste0(nrow(Mujer_G1)," (",round(nrow(Mujer_G1)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(Grupo1Enf_Edades[1,2]," (",round(Grupo1Enf_Edades[1,2]/nrow(usuarios_m4)*100,2),"%)"), 71 paste0(Grupo1Enf_Edades[2,2]," (",round(Grupo1Enf_Edades[2,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo1Enf_Edades[3,2]," (",round(Grupo1Enf_Edades[3,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo1Enf_Edades[4,2]," (",round(Grupo1Enf_Edades[4,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo1Enf_Edades[5,2]," (",round(Grupo1Enf_Edades[5,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo1Enf_Edades[6,2]," (",round(Grupo1Enf_Edades[6,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo1Enf_Edades[7,2]," (",round(Grupo1Enf_Edades[7,2]/nrow(usuarios_m4)*100,2),"%)")), Dos_Enf=c(paste0(nrow(Enf2)," (",round(nrow(Enf2)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(nrow(Hombre_G2)," (",round(nrow(Hombre_G2)/nrow(usuarios_m4)*100,2),"%)"), paste0(nrow(Mujer_G2)," (",round(nrow(Mujer_G2)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(Grupo2Enf_Edades[1,2]," (",round(Grupo2Enf_Edades[1,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo2Enf_Edades[2,2]," (",round(Grupo2Enf_Edades[2,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo2Enf_Edades[3,2]," (",round(Grupo2Enf_Edades[3,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo2Enf_Edades[4,2]," (",round(Grupo2Enf_Edades[4,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo2Enf_Edades[5,2]," (",round(Grupo2Enf_Edades[5,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo2Enf_Edades[6,2]," (",round(Grupo2Enf_Edades[6,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo2Enf_Edades[7,2]," (",round(Grupo2Enf_Edades[7,2]/nrow(usuarios_m4)*100,2),"%)")), Tres_Enf=c(paste0(nrow(Enf3)," (",round(nrow(Enf3)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(nrow(Hombre_G3)," (",round(nrow(Hombre_G3)/nrow(usuarios_m4)*100,2),"%)"), 72 paste0(nrow(Mujer_G3)," (",round(nrow(Mujer_G3)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(Grupo3Enf_Edades[1,2]," (",round(Grupo3Enf_Edades[1,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo3Enf_Edades[2,2]," (",round(Grupo3Enf_Edades[2,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo3Enf_Edades[3,2]," (",round(Grupo3Enf_Edades[3,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo3Enf_Edades[4,2]," (",round(Grupo3Enf_Edades[4,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo3Enf_Edades[5,2]," (",round(Grupo3Enf_Edades[5,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo3Enf_Edades[6,2]," (",round(Grupo3Enf_Edades[6,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo3Enf_Edades[7,2]," (",round(Grupo3Enf_Edades[7,2]/nrow(usuarios_m4)*100,2),"%)")), Cuatro_Enf=c(paste0(nrow(Enf4)," (",round(nrow(Enf4)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(nrow(Hombre_G4)," (",round(nrow(Hombre_G4)/nrow(usuarios_m4)*100,2),"%)"), paste0(nrow(Mujer_G4)," (",round(nrow(Mujer_G4)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(Grupo4Enf_Edades[1,2]," (",round(Grupo4Enf_Edades[1,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo4Enf_Edades[2,2]," (",round(Grupo4Enf_Edades[2,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo4Enf_Edades[3,2]," (",round(Grupo4Enf_Edades[3,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo4Enf_Edades[4,2]," (",round(Grupo4Enf_Edades[4,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo4Enf_Edades[5,2]," (",round(Grupo4Enf_Edades[5,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo4Enf_Edades[6,2]," (",round(Grupo4Enf_Edades[6,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo4Enf_Edades[7,2]," (",round(Grupo4Enf_Edades[7,2]/nrow(usuarios_m4)*100,2),"%)")), 73 Cincomas_Enf=c(paste0(nrow(Enf5omas)," (",round(nrow(Enf5omas)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(nrow(Hombre_G5)," (",round(nrow(Hombre_G5)/nrow(usuarios_m4)*100,2),"%)"), paste0(nrow(Mujer_G5)," (",round(nrow(Mujer_G5)/nrow(usuarios_m4)*100,2),"%)"), NA, paste0(Grupo5Enf_Edades[1,2]," (",round(Grupo5Enf_Edades[1,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo5Enf_Edades[2,2]," (",round(Grupo5Enf_Edades[2,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo5Enf_Edades[3,2]," (",round(Grupo5Enf_Edades[3,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo5Enf_Edades[4,2]," (",round(Grupo5Enf_Edades[4,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo5Enf_Edades[5,2]," (",round(Grupo5Enf_Edades[5,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo5Enf_Edades[6,2]," (",round(Grupo5Enf_Edades[6,2]/nrow(usuarios_m4)*100,2),"%)"), paste0(Grupo5Enf_Edades[7,2]," (",round(Grupo5Enf_Edades[7,2]/nrow(usuarios_m4)*100,2),"%)"))) Ntotal_Enf ```` En esta tabla se aprecia como la mayoría de nuestros pacientes tienen 0 o 1 enfermedad crónica, no obstante más de un 14% presenta 5 enfermedades o más. En cuanto al sexo, hay más hombres que presentan 0 o 1 enfermedad, pero a partir de ahí es en las mujeres donde predomina tener 2, 3, 4 y 5 o más enfermedades crónicas. En los grupos de edad podemos observar que lo normal en niños de 0 a 15 años es no presentar ninguna patología crónica. Entre los pacientes de 15 a 45 años cabe destacar que un alto porcentaje se encuentra con 1 o ninguna enfermedad crónica. De los 45 a los 65 años está muy repartido el número de enfermedades crónicas de cada paciente. A partir de los 65 años, la mayoría de los pacientes registrados en la BPS presentan 5 enfermedades o más. Ilustración de barras según el número de pacientes con 0, 1, 2, 3, 4 y 5 o más enfermedades. 80 sort(c(Personas_4_pato_1$PATOLOGIA_BPS[1],Personas_4_pato_1$PATOLOGIA_BPS[2], Personas_4_pato_1$PATOLOGIA_BPS[3],Personas_4_pato_1$PATOLOGIA_BPS[4]))[2], sort(c(Personas_4_pato_1$PATOLOGIA_BPS[1],Personas_4_pato_1$PATOLOGIA_BPS[2], Personas_4_pato_1$PATOLOGIA_BPS[3],Personas_4_pato_1$PATOLOGIA_BPS[4]))[3],se p=" , "), sort(c(Personas_4_pato_1$PATOLOGIA_BPS[1],Personas_4_pato_1$PATOLOGIA_BPS[2], Personas_4_pato_1$PATOLOGIA_BPS[3],Personas_4_pato_1$PATOLOGIA_BPS[4]))[4],se p=" y ") Personas_4_pato_1<-Personas_4_pato_1 %>% dplyr::select(n_orden,Patologias_Unidas) %>% unique() for(i in 2:nrow(Personas_4)){ Personas_4_pato_prueba2<-Personas_4_pato %>% dplyr::filter(n_orden%in%Personas_4$n_orden[i]) Personas_4_pato_prueba2$Patologias_Unidas<-NA Personas_4_pato_prueba2$Patologias_Unidas<- paste(paste(sort(c(Personas_4_pato_prueba2$PATOLOGIA_BPS[1],Personas_4_pato_p rueba2$PATOLOGIA_BPS[2],Personas_4_pato_prueba2$PATOLOGIA_BPS[3],Personas_4_p ato_prueba2$PATOLOGIA_BPS[4]))[1], sort(c(Personas_4_pato_prueba2$PATOLOGIA_BPS[1],Personas_4_pato_prueba2$PATOL OGIA_BPS[2],Personas_4_pato_prueba2$PATOLOGIA_BPS[3],Personas_4_pato_prueba2$ PATOLOGIA_BPS[4]))[2], sort(c(Personas_4_pato_prueba2$PATOLOGIA_BPS[1],Personas_4_pato_prueba2$PATOL OGIA_BPS[2],Personas_4_pato_prueba2$PATOLOGIA_BPS[3],Personas_4_pato_prueba2$ PATOLOGIA_BPS[4]))[3],sep=" , "), sort(c(Personas_4_pato_prueba2$PATOLOGIA_BPS[1],Personas_4_pato_prueba2$PATOL OGIA_BPS[2],Personas_4_pato_prueba2$PATOLOGIA_BPS[3],Personas_4_pato_prueba2$ PATOLOGIA_BPS[4]))[4],sep=" y ") Personas_4_pato_prueba2<-Personas_4_pato_prueba2 %>% dplyr::select(n_orden,Patologias_Unidas) %>% unique() Personas_4_pato_1<-union_all(Personas_4_pato_1,Personas_4_pato_prueba2) 81 } Personas_4_pato<-Personas_4_pato_1 %>% dplyr::group_by(Patologias_Unidas) %>% dplyr::count() %>% dplyr::arrange(desc(n)) %>% dplyr::mutate(Porcentaje=n/nrow(Personas_4)*100) Personas_4_pato_final<-head(Personas_4_pato,5) Personas_5<-tabla_Aitor %>% dplyr::filter(n==5) Personas_5_pato<-Result2 %>% dplyr::filter(n_orden%in%c(Personas_5$n_orden)) %>% dplyr::select(n_orden,PATOLOGIA_BPS) Personas_5_pato_1<-Personas_5_pato %>% dplyr::filter(n_orden%in%Personas_5$n_orden[1]) Personas_5_pato_1$Patologias_Unidas<-NA Personas_5_pato_1$Patologias_Unidas<- paste(paste(sort(c(Personas_5_pato_1$PATOLOGIA_BPS[1],Personas_5_pato_1$PATOL OGIA_BPS[2],Personas_5_pato_1$PATOLOGIA_BPS[3],Personas_5_pato_1$PATOLOGIA_BP S[4],Personas_5_pato_1$PATOLOGIA_BPS[5]))[1], sort(c(Personas_5_pato_1$PATOLOGIA_BPS[1],Personas_5_pato_1$PATOLOGIA_BPS[2], Personas_5_pato_1$PATOLOGIA_BPS[3],Personas_5_pato_1$PATOLOGIA_BPS[4],Persona s_5_pato_1$PATOLOGIA_BPS[5]))[2], sort(c(Personas_5_pato_1$PATOLOGIA_BPS[1],Personas_5_pato_1$PATOLOGIA_BPS[2], Personas_5_pato_1$PATOLOGIA_BPS[3],Personas_5_pato_1$PATOLOGIA_BPS[4],Persona s_5_pato_1$PATOLOGIA_BPS[5]))[3], sort(c(Personas_5_pato_1$PATOLOGIA_BPS[1],Personas_5_pato_1$PATOLOGIA_BPS[2], Personas_5_pato_1$PATOLOGIA_BPS[3],Personas_5_pato_1$PATOLOGIA_BPS[4],Persona s_5_pato_1$PATOLOGIA_BPS[5]))[4],sep=" , "), sort(c(Personas_5_pato_1$PATOLOGIA_BPS[1],Personas_5_pato_1$PATOLOGIA_BPS[2], Personas_5_pato_1$PATOLOGIA_BPS[3],Personas_5_pato_1$PATOLOGIA_BPS[4],Persona s_5_pato_1$PATOLOGIA_BPS[5]))[5],sep=" y ") Personas_5_pato_1<-Personas_5_pato_1 %>% 82 dplyr::select(n_orden,Patologias_Unidas) %>% unique() for(i in 2:nrow(Personas_5)){ Personas_5_pato_prueba2<-Personas_5_pato %>% dplyr::filter(n_orden%in%Personas_5$n_orden[i]) Personas_5_pato_prueba2$Patologias_Unidas<-NA Personas_5_pato_prueba2$Patologias_Unidas<- paste(paste(sort(c(Personas_5_pato_prueba2$PATOLOGIA_BPS[1],Personas_5_pato_p rueba2$PATOLOGIA_BPS[2],Personas_5_pato_prueba2$PATOLOGIA_BPS[3],Personas_5_p ato_prueba2$PATOLOGIA_BPS[4],Personas_5_pato_prueba2$PATOLOGIA_BPS[5]))[1], sort(c(Personas_5_pato_prueba2$PATOLOGIA_BPS[1],Personas_5_pato_prueba2$PATOL OGIA_BPS[2],Personas_5_pato_prueba2$PATOLOGIA_BPS[3],Personas_5_pato_prueba2$ PATOLOGIA_BPS[4],Personas_5_pato_prueba2$PATOLOGIA_BPS[5]))[2], sort(c(Personas_5_pato_prueba2$PATOLOGIA_BPS[1],Personas_5_pato_prueba2$PATOL OGIA_BPS[2],Personas_5_pato_prueba2$PATOLOGIA_BPS[3],Personas_5_pato_prueba2$ PATOLOGIA_BPS[4],Personas_5_pato_prueba2$PATOLOGIA_BPS[5]))[3], sort(c(Personas_5_pato_prueba2$PATOLOGIA_BPS[1],Personas_5_pato_prueba2$PATOL OGIA_BPS[2],Personas_5_pato_prueba2$PATOLOGIA_BPS[3],Personas_5_pato_prueba2$ PATOLOGIA_BPS[4],Personas_5_pato_prueba2$PATOLOGIA_BPS[5]))[4],sep=" , "), sort(c(Personas_5_pato_prueba2$PATOLOGIA_BPS[1],Personas_5_pato_prueba2$PATOL OGIA_BPS[2],Personas_5_pato_prueba2$PATOLOGIA_BPS[3],Personas_5_pato_prueba2$ PATOLOGIA_BPS[4],Personas_5_pato_prueba2$PATOLOGIA_BPS[5]))[5],sep=" y ") Personas_5_pato_prueba2<-Personas_5_pato_prueba2 %>% dplyr::select(n_orden,Patologias_Unidas) %>% unique() Personas_5_pato_1<-union_all(Personas_5_pato_1,Personas_5_pato_prueba2) } Personas_5_pato<-Personas_5_pato_1 %>% dplyr::group_by(Patologias_Unidas) %>% dplyr::count() %>% dplyr::arrange(desc(n)) %>% dplyr::mutate(Porcentaje=n/nrow(Personas_5)*100) Personas_5_pato_final<-head(Personas_5_pato,5) 83 colnames(Personas_1_pato_final)<-colnames(Personas_5_pato_final) Personas_1_pato_final<-data.frame(Personas_1_pato_final) Personas_2_pato_final<-data.frame(Personas_2_pato_final) Personas_3_pato_final<-data.frame(Personas_3_pato_final) Personas_4_pato_final<-data.frame(Personas_4_pato_final) Personas_5_pato_final<-data.frame(Personas_5_pato_final) Tabla_final<-union_all(Personas_1_pato_final,Personas_2_pato_final) Tabla_final<-union_all(Tabla_final,Personas_3_pato_final) Tabla_final<-union_all(Tabla_final,Personas_4_pato_final) Tabla_final<-union_all(Tabla_final,Personas_5_pato_final) Tabla_final$Patologias<-c(rep(1,5),rep(2,5),rep(3,5),rep(4,5),rep(5,5)) Tabla_final<-Tabla_final %>% dplyr::select(Patologias,Patologias_Unidas,n,Porcentaje) Tabla_final ```` Vamos a analizar las patalogias o la combinacióbn de patologia mas frecuentes según el nº de patologias que tenga una paersona. En nuestra base d datos tenemos 19.406 personas con al menos una patologia. A continuación se muestra una tabla, donde se observa #####ANÁLISIS DE SECUENCIAS##### Primero realizamos un analisis de secuencias únicamente de los pacientes que presentan algún tipo de cáncer (Estudio2), una vez generados los Ilustracións del Estudio2, tendremos que volver a cargar la base de datos para empezar a trabajar con la tabla patologías_m3 inicial, para poder realizar el Estudio3 (las 5 patologías más frecuentes de nuestra base de datos). Comenzamos creando la variable Estudio y añadiéndola a la tabla_patologias, para posteriormente, poder eliminar las patologias que no van a ser de interes, de la tabla patologias_m3 en nuestro estudio. Para ello, llamamos a dicha variable dic_sel y eliminamos todas las patolgias que vengan acompañadas por FALSE de la variable Estudio. Veasé el ejemplo: ````{r} Estudio <- c(T,T,T,T,T,T,T,F,T,T,T,T,F,T,T,T,T,T,T,F,F,T,T,F,T,F,F,F,T,T,F,T,F,F,T,T,F,T 84 ,F,T,F,F,F,F,T,T,F,F,T,F,T,F,F,F,T,T,F,T,T,T,T,T,F,T,T,F,T,T,T,T,T,T,T,T,T,T, T,T,T,T,T,T) tabla_patologias$Estudio <- Estudio dic_sel <- tabla_patologias$Estudio names(dic_sel) <- tabla_patologias$PATOLOGIA_BPS patologias_m3 <- patologias_m3[dic_sel[patologias_m3$PATOLOGIA_BPS],] ```` En la tabla_patologias nos deshacemos de las patologias que no son de nuestro interés, eliminando las patologias que posean FALSE en la variable Estudio. ````{r echo=F} tabla_patologias <- tabla_patologias[Estudio,] head(tabla_patologias) tabla_patologias ```` Añadimos una nueva variable a nuestra tabla_patologia, llamada Abreviaturas, para agrupar las patologias en grupos, que contengan 1 o más de nuestras patologías a estudiar y reducir el nombre con dichas Abreviaturas. Cada abreviatura debe corresponder a su patología. ````{r echo=F} Abreviaturas <- c("T","H","Dp","Art","D","As","Ur","Ht","O","T","As","Est","Cai","Art","Ica", "Cai","Ost","Cai","Cev","Dp","Cai","T","Mue", "Ren","Dm","Cev","C","C","Art","C","Col","C","Cev","Cev","Cev","Hig","Cai","C ","C","C", "C","C","C","C","C","C","C","C","C","C","Cai","C","C","C","C","C") tabla_patologias$Abreviaturas <- Abreviaturas head(tabla_patologias) ```` Vamos a incorporar la variable Abreviaturas a la tabla patologias_m3 y a la tabla Result de la misma forma que lo hemos hecho anteriormente llamando a dicha variable dic_sel, con una columna en comun entre los dos data.frame, y que cada patologia bps se le asocie su abreviatura correspondiente. A su vez, ordenamos la tabla para que la columna de las abreviaturas aparezca a continuacion de la de patologias. ````{r echo=F} 85 dic_sel <- tabla_patologias$Abreviaturas names(dic_sel) <- tabla_patologias$PATOLOGIA_BPS patologias_m3$Abreviaturas <- dic_sel[patologias_m3$PATOLOGIA_BPS] Abreviaturas <- patologias_m3$Abreviaturas patologias_m3 <- data.frame(patologias_m3[,1:3],Abreviaturas,patologias_m3[,4:7]) head(patologias_m3) ```` De nuevo, se pegan las tablas usuarios_m4 y patologias_m3, creando la tabla Result, para el posterior análisis de secuencias. Así mismo vamos a cambiar el formato de la variable fecha inicio de patología y fecha fin de patología a un número entero, quedándonos solo con el año final para poder hacer la operación corresponsdiente para obtener la edad inicio de patologia y la edad fin de patologia. ````{r echo=F} Result <- merge(usuarios_m4, patologias_m3, by="n_orden") head(as.character(Result$FECHA_INICIO_PATOLOGIA_BPS)) head(substr(as.character(Result$FECHA_INICIO_PATOLOGIA_BPS),1,4)) head(as.integer(substr(as.character(Result$FECHA_INICIO_PATOLOGIA_BPS),1,4))) Result$EDAD_INICIO <- Result$EDAD - 2017 + as.integer(substr(as.character(Result$FECHA_INICIO_PATOLOGIA_BPS),1,4)) head(as.character(Result$FECHA_FIN_PATOLOGIA_BPS)) head(substr(as.character(Result$FECHA_FIN_PATOLOGIA_BPS),1,4)) head(as.integer(substr(as.character(Result$FECHA_FIN_PATOLOGIA_BPS),1,4))) Result$EDAD_FIN <- Result$EDAD - 2017 + as.integer(substr(as.character(Result$FECHA_FIN_PATOLOGIA_BPS),1,4)) ```` Para la edad del paciente a la que finaliza la patología, vamos a usar un condicionante, para que si el resultado de la edad fin es mayor que la edad actual del paciente, nos proporcione, en ese caso, la edad actual del paciente. Ejemplo: ````{r} Result$EDAD_FIN <- ifelse(Result$EDAD_FIN>Result$EDAD,Result$EDAD,Result$EDAD_FIN) 86 ```` Vamos a quedarnos solo con los tipos de cancer para reducir el número de patologías lo máximo posible y así poder realizar un estudio sobre cánceres.(Estudio 1) ````{r} Estudio2<- c(F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,T,T,F,T,F,T,F,F,F,F,F,T ,T,T,T,T,T,T,T,T,T,T,T,T,F,T,T,T,T,T) tabla_patologias$Estudio2 <- Estudio2 dic_sel <- tabla_patologias$Estudio2 names(dic_sel) <- tabla_patologias$PATOLOGIA_BPS patologias_m3 <- patologias_m3[dic_sel[patologias_m3$PATOLOGIA_BPS],] Result <- Result[dic_sel[Result$PATOLOGIA_BPS],] tabla_patologias <- tabla_patologias[Estudio2,] ```` Creamos una tabla con el número de cánceres que presenta cada paciente y seguidamente una tabla con el número de personas que presentan 1 cáncer, 2, 3 y hasta 4 cánceres. ````{r} prueba<-Result %>% dplyr::group_by(n_orden) %>% dplyr::count() prueba2<-prueba %>% dplyr::group_by(n) %>% dplyr::count() colnames(prueba2)<-c("NumeroCáncer","Personas") prueba2 ```` Añadimos un nuevo estudio con las 5 patológias más frecuentes entre nuestros pacientes con multimorbilidad. Las 5 patoloías son: Trastorno de ansiedad o depresión, Hipertensión, Artrosis, Diabetes y EPOC o Asma. Este estudio se debe ejecutar una vez terminado el Estudio 1, como hemos explicado al comienzo del análisis de secuencias. ````{r echo=F} 87 Estudio3 <- c(T,T,F,T,T,T,F,F,F,T,T,F,F,T,F,F,F,F,F,F,F,T,F, F,F,F,F,F,T,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F,F, F,F,F,F,F,F,F,F,F,F) tabla_patologias$Estudio3 <- Estudio3 dic_sel <- tabla_patologias$Estudio3 names(dic_sel) <- tabla_patologias$PATOLOGIA_BPS patologias_m3 <- patologias_m3[dic_sel[patologias_m3$PATOLOGIA_BPS],] Result <- Result[dic_sel[Result$PATOLOGIA_BPS],] tabla_patologias <- tabla_patologias[Estudio3,] head(tabla_patologias) ```` Creamos una tabla con el número de patologias de nuestro Estudio 2 que presenta cada paciente y seguidamente una tabla con el número de personas que presentan 1 patología, 2, 3, etc. ````{r} prueba3<-Result %>% dplyr::group_by(n_orden) %>% dplyr::count() prueba4<-prueba3 %>% dplyr::group_by(n) %>% dplyr::count() colnames(prueba4)<-c("Numeropatol","Personas") prueba4 ```` Colocamos la columna abreviatura a continuación de las patologias bps. ````{r echo=F} tabla_patologias <- tabla_patologias[with(tabla_patologias, order(tabla_patologias$Abreviaturas)), c(1,7,2:6)] head(tabla_patologias) ```` 88 De esta forma vamos a ordenar las abreviaturas en el analisis de secuencias final para cada paciente: ````{r echo=F} cadena <- c("Art","As","Cai") cadena2 <- c("C") cad <- sort(c(cadena,cadena2)) ```` Creamos un nuevo data.frame, llamado Fin, con las variables n_orden,EDAD y Fallecido de la tabla usuario_m3. ````{r echo=F} Fin <- data.frame(n_orden=usuarios_m4$n_orden,EDAD=usuarios_m4$EDAD,Fallecido=usuari os_m4$FALLECIDO_EN_EL_PERIODO) ```` A su vez, añadimos las variables Edad desde la EDAD000 a la Edad114, que son las edades que pueden tener nuestros pacientes, para el posterior análisis de secuencias. ````{r echo=F} Fin$E000 <- "-" Fin$E001 <- "-" Fin$E002 <- "-" Fin$E003 <- "-" Fin$E004 <- "-" Fin$E005 <- "-" Fin$E006 <- "-" Fin$E007 <- "-" Fin$E008 <- "-" Fin$E009 <- "-" Fin$E010 <- "-" Fin$E011 <- "-" Fin$E012 <- "-" Fin$E013 <- "-" Fin$E014 <- "-" Fin$E015 <- "-" Fin$E016 <- "-" Fin$E017 <- "-" Fin$E018 <- "-" Fin$E019 <- "-" 89 Fin$E020 <- "-" Fin$E021 <- "-" Fin$E022 <- "-" Fin$E023 <- "-" Fin$E024 <- "-" Fin$E025 <- "-" Fin$E026 <- "-" Fin$E027 <- "-" Fin$E028 <- "-" Fin$E029 <- "-" Fin$E030 <- "-" Fin$E031 <- "-" Fin$E032 <- "-" Fin$E033 <- "-" Fin$E034 <- "-" Fin$E035 <- "-" Fin$E036 <- "-" Fin$E037 <- "-" Fin$E038 <- "-" Fin$E039 <- "-" Fin$E040 <- "-" Fin$E041 <- "-" Fin$E042 <- "-" Fin$E043 <- "-" Fin$E044 <- "-" Fin$E045 <- "-" Fin$E046 <- "-" Fin$E047 <- "-" Fin$E048 <- "-" Fin$E049 <- "-" Fin$E050 <- "-" Fin$E051 <- "-" Fin$E052 <- "-" Fin$E053 <- "-" Fin$E054 <- "-" Fin$E055 <- "-" Fin$E056 <- "-" Fin$E057 <- "-" Fin$E058 <- "-"