diff --git a/R/cs_upsetplot.R b/R/cs_upsetplot.R index 653e8f3..306e784 100644 --- a/R/cs_upsetplot.R +++ b/R/cs_upsetplot.R @@ -49,9 +49,11 @@ cs_upsetplot <- function(data.EIR, data.schedule, birth_cohort, denominator = NU # Step 2: Create empty columns and fill them if the child has the vaccine # in dose_list line_list[doses_in_schedule] <- FALSE + # pad the whole list with commas so we can search for the ",dose," string + # explicitly + padded_dose_list <- paste0(",", line_list$dose_list, ",") for (dose in doses_in_schedule) { - # NOTE: Use \\b to detect word boundaries - line_list[[dose]] <- str_detect(line_list$dose_list, paste0("\\b", dose, "\\b")) + line_list[[dose]] <- str_detect(padded_dose_list, fixed(paste0(",", dose, ","))) } # check if anyone has a complete schedule to know if we have to highlight diff --git a/README.es.md b/README.es.md new file mode 100644 index 0000000..aaf4444 --- /dev/null +++ b/README.es.md @@ -0,0 +1,42 @@ +# PAHOabc + +> 🌐 [**Read this in English**](https://im-data-paho.github.io/pahoabc/index.html) + +PAHOabc es un paquete de R orientado a análisis de inmunización más allá de la cobertura (*(A)nalysis (B)eyond (C)overage*). + +PAHOabc busca apoyar la misión de la Unidad de Inmunización Integral (CIM) de la Organización Panamericana de la Salud (OPS) con herramientas de análisis de datos para los programas de inmunización en las Américas. En concreto, facilita el cálculo de indicadores más allá de la cobertura básica, apoya la toma de decisiones basada en evidencia mediante la exploración y visualización de datos, y contribuye a fortalecer las capacidades de los programas de inmunización para aprovechar mejor sus datos. + +Para la documentación y las viñetas, consulte: [https://im-data-paho.github.io/pahoabc](https://im-data-paho.github.io/pahoabc). + +## Instalación + +```r +# Instalar desde GitHub +devtools::install_github("IM-Data-PAHO/pahoabc") +``` + +## Uso + +Actualmente, PAHOabc contiene cuatro módulos principales. Siga los enlaces a continuación para explorar viñetas detalladas con ejemplos prácticos y orientación sobre cómo usar cada módulo: + +1. [**Tasa de abandono nominal**](https://im-data-paho.github.io/pahoabc/articles/es/nominal_dropout_es.html) + Calcula las tasas de abandono entre cualquier par de dosis de vacunas utilizando datos nominales. Este módulo permite dar seguimiento a la continuidad de las personas dentro de un esquema de vacunación. + +2. [**Análisis de residencia vs. lugar de vacunación**](https://im-data-paho.github.io/pahoabc/articles/es/residence_occurrence_es.html) + Funciones para comparar la cobertura de vacunación y la distribución de dosis según el lugar donde viven las personas y el lugar donde fueron vacunadas. Este módulo ayuda a identificar flujos poblacionales y posibles brechas en la cobertura de los servicios entre áreas geográficas. + +3. [**Cobertura de esquema completo**](https://im-data-paho.github.io/pahoabc/articles/es/complete_schedule_es.html) + Evalúa si las personas han recibido todas las dosis requeridas en un esquema nacional de vacunación, para una cohorte específica hasta una edad determinada. Este módulo se diferencia del cálculo de cobertura estándar porque evalúa el cumplimiento del esquema persona por persona. + +4. [**Cobertura por cohorte de nacimiento**](https://im-data-paho.github.io/pahoabc/articles/es/birth_cohort_coverage_es.html) + Permite dar seguimiento y visualizar el estado de vacunación de una cohorte específica de recién nacidos. Ayuda a evaluar la protección de la población frente a las enfermedades prevenibles por vacunación. + +Cada módulo funciona con los conjuntos de datos de ejemplo incluidos en el paquete. Estos datos facilitan probar las funciones y sirven de referencia al preparar sus propios datos. Conozca más sobre estos conjuntos de datos de ejemplo [en esta viñeta](https://im-data-paho.github.io/pahoabc/articles/es/example_datasets_es.html). + +> **Nota** +> +> Puede explorar todas las viñetas disponibles haciendo clic en el botón **Guides** (Guías) de la barra de navegación. + +## Contribuir + +Agradecemos sugerencias, reportes de errores y solicitudes de nuevas funciones a través de la página de [incidencias de GitHub](https://github.com/IM-Data-PAHO/pahoabc/issues). Si desea contribuir con código o correcciones, puede abrir una [solicitud de incorporación de cambios](https://github.com/IM-Data-PAHO/pahoabc/pulls). diff --git a/README.md b/README.md index 246f3d9..d342c6f 100644 --- a/README.md +++ b/README.md @@ -1,5 +1,7 @@ # PAHOabc +> 🌐 [**Lea esto en español**](https://im-data-paho.github.io/pahoabc/README.es.html) + PAHOabc is an R package aimed at immunization (A)nalyses (B)eyond (C)overage. PAHOabc aims to support the Pan American Health Organization's (PAHO) Comprehensive Immunization Unit (CIM) mission by providing advanced data analysis tools for immunization programs in the Americas. Specifically, it facilitates the calculation of innovative indicators beyond basic coverage, supports evidence-based decision-making through in-depth data exploration and visualization, and contributes to strengthening data capabilities within immunization programs by empowering human resources to effectively leverage their data. @@ -15,21 +17,21 @@ devtools::install_github("IM-Data-PAHO/pahoabc") ## Usage -Currently, PAHOabc contains three main modules. Follow the links below to explore detailed vignettes with practical examples and guidance on how to use each module: +Currently, PAHOabc contains four main modules. Follow the links below to explore detailed vignettes with practical examples and guidance on how to use each module: -1. [**Nominal Dropout Rate**](https://im-data-paho.github.io/pahoabc/articles/nominal_dropout_en.html) +1. [**Nominal Dropout Rate**](https://im-data-paho.github.io/pahoabc/articles/en/nominal_dropout_en.html) Calculates dropout rates between any two vaccine doses using nominal data. This module ensures accurate follow-up tracking across a vaccination schedule. -2. [**Residence vs. Occurrence Analyses**](https://im-data-paho.github.io/pahoabc/articles/residence_occurrence_en.html) +2. [**Residence vs. Occurrence Analyses**](https://im-data-paho.github.io/pahoabc/articles/en/residence_occurrence_en.html) Functions for comparing vaccination coverage and dose distribution based on where people live versus where they were vaccinated. This module helps identify population movement and service coverage gaps across geographic areas. -3. [**Complete Schedule Coverage**](https://im-data-paho.github.io/pahoabc/articles/complete_schedule_en.html) +3. [**Complete Schedule Coverage**](https://im-data-paho.github.io/pahoabc/articles/en/complete_schedule_en.html) Evaluates whether individuals have received all required doses in a national immunization schedule (for a specific cohort up to a specified age). This module differs from standard coverage calculation as it evaluates each individual's compliance of the national immunization schedule. -4. [**Birth Cohort Coverage**](https://im-data-paho.github.io/pahoabc/articles/birth_cohort_coverage_en.html) +4. [**Birth Cohort Coverage**](https://im-data-paho.github.io/pahoabc/articles/en/birth_cohort_coverage_en.html) Lets users track and visualize vaccination status among a specific cohort of newborns. Helps evaluate population-level protection against vaccine-preventable diseases. -Each module works seamlessly with the example datasets provided in the package. These examples make it easy to test out the functionality and serve as a reference when preparing your own data. Learn more about these example datasets [in this vignette](https://im-data-paho.github.io/pahoabc/articles/example_datasets_en.html). +Each module works seamlessly with the example datasets provided in the package. These examples make it easy to test out the functionality and serve as a reference when preparing your own data. Learn more about these example datasets [in this vignette](https://im-data-paho.github.io/pahoabc/articles/en/example_datasets_en.html). > **Note** > diff --git a/_pkgdown.yml b/_pkgdown.yml index e829948..0fcad69 100644 --- a/_pkgdown.yml +++ b/_pkgdown.yml @@ -15,19 +15,19 @@ navbar: menu: - text: Modules - text: Nominal Dropout Rate - href: articles/nominal_dropout_en.html + href: articles/en/nominal_dropout_en.html - text: Residence vs. Occurrence Analyses - href: articles/residence_occurrence_en.html + href: articles/en/residence_occurrence_en.html - text: Complete Schedule Coverage - href: articles/complete_schedule_en.html + href: articles/en/complete_schedule_en.html - text: Birth Cohort Coverage - href: articles/birth_cohort_coverage_en.html + href: articles/en/birth_cohort_coverage_en.html - text: Date Consistency Comparison href: articles/date_consistency_comparison_en.html - text: ------- - text: Other guides - text: Using our Example Datasets - href: articles/example_datasets_en.html + href: articles/en/example_datasets_en.html authors: Pan American Health Organization: diff --git a/vignettes/ADM_explanation.svg b/vignettes/articles/en/ADM_explanation.svg similarity index 100% rename from vignettes/ADM_explanation.svg rename to vignettes/articles/en/ADM_explanation.svg diff --git a/vignettes/bc_workflow.svg b/vignettes/articles/en/bc_workflow.svg similarity index 100% rename from vignettes/bc_workflow.svg rename to vignettes/articles/en/bc_workflow.svg diff --git a/vignettes/birth_cohort_coverage_en.Rmd b/vignettes/articles/en/birth_cohort_coverage_en.Rmd similarity index 89% rename from vignettes/birth_cohort_coverage_en.Rmd rename to vignettes/articles/en/birth_cohort_coverage_en.Rmd index 2774183..4f2965c 100644 --- a/vignettes/birth_cohort_coverage_en.Rmd +++ b/vignettes/articles/en/birth_cohort_coverage_en.Rmd @@ -13,6 +13,8 @@ output: toc_depth: 2 --- +🌐 Lea esto en español + ```{r setup, include = FALSE, message = FALSE, warning = FALSE} library(pahoabc) library(dplyr) @@ -23,16 +25,16 @@ library(knitr) The objective of this indicator is to monitor a specific birth cohort of newborns to determine their vaccination status and estimate the level of population protection against vaccine-preventable diseases. This analysis is essential for preventing the accumulation of susceptible individuals, maximizing herd immunity, and developing targeted vaccination strategies for those who have not received the necessary doses. -Vaccination coverage by birth cohort is calculates using the following formula: +Vaccination coverage by birth cohort is calculated using the following formula: $$ \text{Coverage by birth cohort (\%)} = -\frac{\text{# of vaccines administered to people in a specific birth cohort}}{\text{Total people in the specific birth cohort}} \times 100 +\frac{\text{# of people vaccinated in a specific birth cohort}}{\text{Total people in the specific birth cohort}} \times 100 $$ > **Note** > -> All functions used for complete schedule coverage analyses within PAHOabc begin with the `bc_` prefix. +> All functions used for birth cohort coverage analyses within PAHOabc begin with the `bc_` prefix. # Glossary @@ -92,7 +94,7 @@ pahoabc.schedule %>% kable(caption = "Example Immunization Schedule") ### Population Denominators -While not mandatory, this module will lets you provide a population table to use as denominator for the coverage calculation. The geographic level of this table will be directly dependent on the geographic level of your analysis. For example, if you were to perform an analysis at ADM1 level, the required population denominator table must contain the following. +While not mandatory, this module lets you provide a population table to use as denominator for the coverage calculation. The geographic level of this table will be directly dependent on the geographic level of your analysis. For example, if you were to perform an analysis at ADM1 level, the required population denominator table must contain the following. ```{r pahoabc-pop-ADM1, message=FALSE} pahoabc.pop.ADM1 %>% head() %>% kable(caption = "Example Population at ADM1") @@ -140,7 +142,7 @@ We can visually observe these results by calling the `bc_barplot()` function as ```{r cov-viz-example, message=FALSE, fig.width=12, fig.height=6} -# visualize output from cs_coverage() +# visualize output from bc_coverage() coverage_plot <- bc_barplot(data = coverage_df, vaccine = "SRP1") # show diff --git a/vignettes/complete_schedule_en.Rmd b/vignettes/articles/en/complete_schedule_en.Rmd similarity index 98% rename from vignettes/complete_schedule_en.Rmd rename to vignettes/articles/en/complete_schedule_en.Rmd index 6e3d3f9..6dce688 100644 --- a/vignettes/complete_schedule_en.Rmd +++ b/vignettes/articles/en/complete_schedule_en.Rmd @@ -13,6 +13,8 @@ output: toc_depth: 2 --- +🌐 Lea esto en español + ```{r setup, include = FALSE, message = FALSE, warning = FALSE} library(pahoabc) library(dplyr) diff --git a/vignettes/cs_workflow.svg b/vignettes/articles/en/cs_workflow.svg similarity index 100% rename from vignettes/cs_workflow.svg rename to vignettes/articles/en/cs_workflow.svg diff --git a/vignettes/example_datasets_en.Rmd b/vignettes/articles/en/example_datasets_en.Rmd similarity index 97% rename from vignettes/example_datasets_en.Rmd rename to vignettes/articles/en/example_datasets_en.Rmd index b0b028e..798f926 100644 --- a/vignettes/example_datasets_en.Rmd +++ b/vignettes/articles/en/example_datasets_en.Rmd @@ -13,6 +13,8 @@ output: toc_depth: 2 --- +🌐 Lea esto en español + ```{r setup, include = FALSE, message = FALSE, warning = FALSE} library(pahoabc) library(dplyr) @@ -41,7 +43,7 @@ Namely, PAHOabc can distinguish three administrative levels, which listed from t Our example datasets use a specific naming convention for the vaccine doses. This might not match your own naming schemes, but it will not affect the usage of the package as long as you make sure to be consistent when naming vaccine doses. -For example, the vaccine names used in the PAHOabc package are: +For example, the vaccine names used in the PAHOabc example datasets are: | Abbreviation | Full Name | |--------------|------------------------------------------------------------------| diff --git a/vignettes/nod_rationale.png b/vignettes/articles/en/nod_rationale.png similarity index 100% rename from vignettes/nod_rationale.png rename to vignettes/articles/en/nod_rationale.png diff --git a/vignettes/nod_workflow.svg b/vignettes/articles/en/nod_workflow.svg similarity index 100% rename from vignettes/nod_workflow.svg rename to vignettes/articles/en/nod_workflow.svg diff --git a/vignettes/nominal_dropout_en.Rmd b/vignettes/articles/en/nominal_dropout_en.Rmd similarity index 87% rename from vignettes/nominal_dropout_en.Rmd rename to vignettes/articles/en/nominal_dropout_en.Rmd index ef57b11..245a83e 100644 --- a/vignettes/nominal_dropout_en.Rmd +++ b/vignettes/articles/en/nominal_dropout_en.Rmd @@ -13,6 +13,8 @@ output: toc_depth: 2 --- +🌐 Lea esto en español + ```{r setup, include=FALSE} knitr::opts_chunk$set(echo = TRUE) library(pahoabc) @@ -23,9 +25,14 @@ library(knitr) # Rationale -The dropout rate is an indicator used to evaluate the loss of follow-up in vaccination schedules. It reflects the percentage of individuals who did not receive a final dose (i.e, DTP3) among those who received an initial dose (i.e, DTP1). In aggregated systems, it is estimated using the following formula: +The dropout rate is an indicator used to evaluate the loss of follow-up in vaccination schedules. It reflects the percentage of individuals who did not receive a final dose (i.e., DTP3) among those who received an initial dose (i.e., DTP1). In aggregated systems, it is estimated using the following formula: + +$$ +\text{Dropout rate (\%)} = +\frac{\text{DTP1 doses administered} - \text{DTP3 doses administered}}{\text{DTP1 doses administered}} \times 100 +$$ -Performing the analysis with aggregated data does not guarantee that the individuals who received both doses are the same, as shown in Figure 1a. Electronic nominal vaccination records enable a person-to-person analysis, ensuring that the individuals who received both doses are indeed the same, as illustrated in Figure 1b. +Performing the analysis with aggregated data does not guarantee that the individuals who received both doses are the same, as shown in Figure 1A. Electronic nominal vaccination records enable a person-to-person analysis, ensuring that the individuals who received both doses are indeed the same, as illustrated in Figure 1B. ![Figure 1. Visual representation of a nominal dropout analysis.](nod_rationale.png) @@ -97,7 +104,7 @@ pahoabc.EIR %>% head() %>% kable(caption = "Example Electronic Immunization Regi ## Nominal Dropout Analysis -PAHOabc includes the functionality to estimate the nominal dropout rate, on a per-person basis. This allows for the analysis of any pair of doses by specifying an initial dose and a final dose. For correct interpretation, the initial dose must precede the final dose in the vaccination schedule, for example: DTP1 – DTP3 or DTP1 – MCV. Additionally, it allows users to select the level of aggregation for the results, which can be at the national level or subnational levels (ADM1 or ADM2). +PAHOabc includes the functionality to estimate the nominal dropout rate, on a per-person basis. This allows for the analysis of any pair of doses by specifying an initial dose and a final dose. For correct interpretation, the initial dose must precede the final dose in the vaccination schedule, for example: DTP1 – DTP3 or DTP1 – MCV1. Additionally, it allows users to select the level of aggregation for the results, which can be at the national level or subnational levels (ADM1 or ADM2). ### Expected workflow @@ -127,13 +134,13 @@ example_dropout %>% #### Parameters accepted -- `data`: R Structured dataframe with the variables listed above.\ +- `data.EIR`: R Structured dataframe with the variables listed above.\ - `vaccine_init`: The name (string) of the vaccine to use as the start point of the analysis as stored in the **dose** column of the dataframe.\ - `vaccine_end`: The name (string) of the vaccine to use as the end point of the analysis as stored in the **dose** column of the dataframe.\ - `geo_level`: Administrative level to use, this is an optional parameter. Can be "ADM0", "ADM1" or "ADM2" as strings. Defaults to "ADM0" if ignored. -- `birth_cohorts` (years): Parameter to segment the analysis based on the year of birth of the persons in the dataframe. This function uses the `date_birth` column in the dataframe and can be a single year or a vector of years. +- `birth_cohorts`: Parameter to segment the analysis based on the year of birth of the persons in the dataframe. It is based on the `date_birth` column in the dataframe and can be a single year or a vector of years. -The `data`, `vaccine_init`, `vaccine_end` parameters are mandatory. `geo_level` and `birth_cohorts` are optional and help to segment the data for more precise analyses. +The `data.EIR`, `vaccine_init`, `vaccine_end` parameters are mandatory. `geo_level` and `birth_cohorts` are optional and help to segment the data for more precise analyses. Check the documentation of the function using `?nod_dropout()` in R for additional information. @@ -152,9 +159,9 @@ example_dropout_plot The function `nod_barplot()` accepts the following parameters: -- `data`: Dataframe` formatted from the result of the `nod_dropout()` function. +- `data`: Dataframe formatted from the result of the `nod_dropout()` function. - `order`: Organizes the bars based on three options: "alpha", "desc" or "asc", default is "alpha". -- `within_ADM1` Allows to filter within an ADM1 to filter and display only the ADM2 data corresponding to the specified ADM1. +- `within_ADM1`: Allows to filter within an ADM1 and display only the ADM2 data corresponding to the specified ADM1. #### Interpretation diff --git a/vignettes/residence_occurrence_en.Rmd b/vignettes/articles/en/residence_occurrence_en.Rmd similarity index 97% rename from vignettes/residence_occurrence_en.Rmd rename to vignettes/articles/en/residence_occurrence_en.Rmd index 75facb4..e6bad17 100644 --- a/vignettes/residence_occurrence_en.Rmd +++ b/vignettes/articles/en/residence_occurrence_en.Rmd @@ -13,6 +13,8 @@ output: toc_depth: 2 --- +🌐 Lea esto en español + ```{r setup, include = FALSE, message = FALSE, warning = FALSE} library(pahoabc) library(dplyr) @@ -299,12 +301,12 @@ As an example, it is notable that among all individuals residing in ADM2_3_10 wh Looking at the heatmap horizontally, we can see that ADM2_3_20 provides vaccinations to a large number of people coming from other areas: 35% of those from ADM2_3_7, 18% from ADM2_3_15, 17% from ADM2_3_12, 14% from ADM2_3_17, etc. -The top row is also interesting, since it indicates people getting vaccinated outside of ADM1_3 entirely. For example, in column 4, 85% of the residents of ADM3_3_13 get vaccinated outside of ADM1_3, suggesting a strong population flow. +The top row is also interesting, since it indicates people getting vaccinated outside of ADM1_3 entirely. For example, in column 4, 85% of the residents of ADM2_3_13 get vaccinated outside of ADM1_3, suggesting a strong population flow. # Summary This vignette showed how you can use the PAHOabc package to compare vaccination coverage by place of residence and place of occurrence, and to explore how people move between areas to get vaccinated. -We saw that coverage can vary a lot depending on which location you use, and in some cases, coverage by occurrence can go over 100% — a sign that people are coming from elsewhere to get vaccinated. The distribution and heatmap functions help visualize these patterns and can reveal which areas act as service hubs or where people are going for vaccines. +We saw that coverage can vary a lot depending on which location you use, and in some cases, coverage by occurrence can go over 100% — a sign that people may be coming from elsewhere to get vaccinated. The distribution and heatmap functions help visualize these patterns and can reveal which areas act as service hubs or where people are going for vaccines. Overall, this kind of analysis helps make sense of population flows and supports better planning for immunization programs. diff --git a/vignettes/roc_workflow_1.svg b/vignettes/articles/en/roc_workflow_1.svg similarity index 100% rename from vignettes/roc_workflow_1.svg rename to vignettes/articles/en/roc_workflow_1.svg diff --git a/vignettes/roc_workflow_2.svg b/vignettes/articles/en/roc_workflow_2.svg similarity index 100% rename from vignettes/roc_workflow_2.svg rename to vignettes/articles/en/roc_workflow_2.svg diff --git a/vignettes/articles/es/ADM_explanation.svg b/vignettes/articles/es/ADM_explanation.svg new file mode 100644 index 0000000..955c935 --- /dev/null +++ b/vignettes/articles/es/ADM_explanation.svg @@ -0,0 +1,4 @@ + + + +
ADM0
ADM1
ADM2
Country
First Administrative Level
Second Administrative Level
\ No newline at end of file diff --git a/vignettes/articles/es/bc_workflow.svg b/vignettes/articles/es/bc_workflow.svg new file mode 100644 index 0000000..7ebbb81 --- /dev/null +++ b/vignettes/articles/es/bc_workflow.svg @@ -0,0 +1,4 @@ + + + +
Table
Table
Plot
Plot
bc_coverage()
bc_coverage()
EIR
EIR
schedule
schedule
bc_barplot()
bc_barplot()
Analyze
Analyze
Analyze
Analyze
\ No newline at end of file diff --git a/vignettes/articles/es/birth_cohort_coverage_es.Rmd b/vignettes/articles/es/birth_cohort_coverage_es.Rmd new file mode 100644 index 0000000..c356b3a --- /dev/null +++ b/vignettes/articles/es/birth_cohort_coverage_es.Rmd @@ -0,0 +1,156 @@ +--- +title: "Cobertura por cohorte de nacimiento" +author: "OPS/CIM" +date: "12 de febrero de 2026" +output: + html_document: + self_contained: true + theme: cosmo + highlight: tango + code_folding: show + code_download: true + toc: true + toc_depth: 2 +--- + +🌐 Read this in English + +```{r setup, include = FALSE, message = FALSE, warning = FALSE} +library(pahoabc) +library(dplyr) +library(knitr) +``` + +# Fundamento + +El objetivo de este indicador es dar seguimiento a una cohorte específica de recién nacidos para conocer su estado de vacunación y estimar el nivel de protección de la población frente a las enfermedades prevenibles por vacunación. Este análisis ayuda a prevenir la acumulación de personas susceptibles, fortalecer la inmunidad colectiva y orientar estrategias de vacunación para quienes no han recibido las dosis necesarias. + +La cobertura de vacunación por cohorte de nacimiento se calcula mediante la siguiente fórmula: + +$$ +\text{Cobertura por cohorte de nacimiento (\%)} = +\frac{\text{# de personas vacunadas en una cohorte de nacimiento específica}}{\text{Total de personas en esa cohorte de nacimiento}} \times 100 +$$ + +> **Nota** +> +> Todas las funciones utilizadas para los análisis de cobertura por cohorte de nacimiento dentro de PAHOabc comienzan con el prefijo `bc_`. + +# Glosario + +# Uso + +## Instalar el paquete + +El primer paso para ejecutar los análisis de cobertura por cohorte de nacimiento es instalar el paquete PAHOabc disponible en GitHub. + +```{r, install_package, eval=FALSE} +devtools::install_github("IM-Data-PAHO/pahoabc") +``` + +## Cargar los datos + +Las funciones de este módulo requieren tres conjuntos de datos en un formato específico. + +1. Su RNVe. +2. El esquema de vacunación relacionado con este RNVe. +3. Opcionalmente, una tabla con denominadores poblacionales al mismo nivel geográfico de desagregación que su análisis. + +Para facilitar la prueba de PAHOabc y la comprensión de la estructura requerida, a continuación se presentan los conjuntos de datos de ejemplo que utiliza este módulo. + +### RNVe + +El conjunto de datos `pahoabc::pahoabc.EIR` proporciona un ejemplo de Registro Nominal de Vacunación electrónico (RNVe). Es una tabla nominal simulada con eventos individuales de vacunación. Cada fila corresponde a una vacunación e incluye información sobre la residencia de la persona, el lugar donde fue vacunada (ocurrencia), su fecha de nacimiento y la dosis recibida. + +```{r pahoabc-EIR, message=FALSE} +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Nominal de Vacunación electrónico") +``` + +- `ID`: Número único de identificación de la persona. +- Fecha de nacimiento (`date_birth`): Fecha de nacimiento de la persona. +- Fecha de vacunación (`date_vax`): Fecha del evento de vacunación. +- ADM1: Primer nivel administrativo geográfico del país. +- ADM2: Segundo nivel administrativo geográfico del país. +- Lugar de residencia (`Residence`): Lugar donde vive la persona. +- Lugar de vacunación (`Occurrence`): Lugar donde ocurrió la vacunación. +- Dosis (`dose`): Variable combinada que representa el tipo de vacuna y su número de dosis correspondiente. Por ejemplo, DTP1 se refiere a la primera dosis de una vacuna que contiene componentes de difteria, tétanos y tos ferina. + +### Esquema de vacunación + +El conjunto de datos `pahoabc::pahoabc.schedule` define el esquema nacional de vacunación, con cada dosis y su edad recomendada de administración (en días). Esta tabla permite determinar si una persona tiene las vacunas que le corresponden según el esquema. + +```{r pahoabc-schedule, message=FALSE} +pahoabc.schedule %>% kable(caption = "Ejemplo de esquema de vacunación") +``` + +- Dosis (`dose`): Variable combinada que representa el tipo de vacuna y su número de dosis correspondiente. Por ejemplo, DTP1 se refiere a la primera dosis de una vacuna que contiene componentes de difteria, tétanos y tos ferina. +- Edad programada (`age_schedule`): Edad recomendada de administración de la dosis, en días. +- Límite inferior de edad (`age_schedule_low`): Límite inferior de la edad objetivo, en días. +- Límite superior de edad (`age_schedule_high`): Límite superior de la edad objetivo, en días. + +> **Nota** +> +> Los nombres de las dosis en la columna `dose` deben coincidir exactamente con los del conjunto de datos `pahoabc.EIR`. + +### Denominadores poblacionales + +Aunque no es obligatorio, este módulo permite usar una tabla de población como denominador para calcular la cobertura. El nivel geográfico de esta tabla debe coincidir con el nivel geográfico del análisis. Por ejemplo, para un análisis a nivel ADM1, la tabla de denominadores poblacionales debe tener la siguiente estructura. + +```{r pahoabc-pop-ADM1, message=FALSE} +pahoabc.pop.ADM1 %>% head() %>% kable(caption = "Ejemplo de población a nivel ADM1") +``` + +Esta tabla está en formato largo y contiene la población (`population`) de niños de una edad (`age`) específica durante un año (`year`) determinado para un nivel `ADM1`. + +> **Nota** +> +> Como este análisis se realiza con cohortes de nacimiento, solo se usan las filas donde la edad (`age`) es igual a 0 en la tabla de población. Estas filas representan el número de niños que pertenecen a esa cohorte de nacimiento. + +## Análisis de cobertura por cohorte de nacimiento + +Este módulo permite estimar la cobertura de vacunación por cohorte de nacimiento para cualquier vacuna. Para interpretar correctamente los resultados, tenga en cuenta que el indicador representa el porcentaje de personas vacunadas dentro de un año de nacimiento específico, independientemente del año en que fueron vacunadas. Por eso puede diferir de la cobertura administrativa de un año determinado. El usuario también puede seleccionar el nivel de agregación de los resultados: nacional, ADM1 o ADM2. + +### Flujo de trabajo esperado + +Las funciones `bc_coverage()` y `bc_barplot()` permiten analizar y visualizar la cobertura por cohorte de nacimiento. Su relación se muestra en la Figura 1. + +![Figura 1. Flujo de trabajo esperado para el análisis de cobertura por cohorte de nacimiento.](bc_workflow.svg) + +
+ +### Ejemplo + +A continuación se muestra un caso de uso sencillo de `bc_coverage()` en el que se calcula la cobertura de vacunación de la primera dosis de la vacuna que contiene sarampión para la cohorte de nacimiento de 2022. + +```{r cov-analysis-example, message=FALSE} + +# calcular la cobertura +coverage_df <- bc_coverage( + data.EIR = pahoabc.EIR, + data.schedule = pahoabc.schedule, + geo_level = "ADM1", + vaccines = "SRP1", # esto puede ser un vector de vacunas + birth_cohorts = 2022 # esto puede ser un vector de años +) + +# mostrar los resultados en una tabla +coverage_df %>% + kable(digits = 2, caption = "Cobertura por cohorte de nacimiento a nivel ADM1") +``` + +Estos resultados se pueden visualizar con la función `bc_barplot()`, como se muestra a continuación. + +```{r cov-viz-example, message=FALSE, fig.width=12, fig.height=6} + +# visualizar el resultado de bc_coverage() +coverage_plot <- bc_barplot(data = coverage_df, vaccine = "SRP1") + +# mostrar +coverage_plot +``` + +La revisión de los niveles subnacionales muestra una diferencia importante: `ADM1_4` presenta el mejor resultado de vacunación (~47 %), mientras que `ADM1_2` presenta el resultado más bajo (~25 %). + +# Resumen + +Al incorporar la cobertura de vacunación por cohorte de nacimiento, PAHOabc ayuda a las autoridades de salud a evaluar el nivel de protección de grupos poblacionales específicos dentro de un territorio. Esta información es útil para la planificación estratégica, incluidas las campañas de seguimiento contra el sarampión y la rubéola, y las estrategias de vacunación de puesta al día contra el VPH. diff --git a/vignettes/articles/es/complete_schedule_es.Rmd b/vignettes/articles/es/complete_schedule_es.Rmd new file mode 100644 index 0000000..6dbd976 --- /dev/null +++ b/vignettes/articles/es/complete_schedule_es.Rmd @@ -0,0 +1,196 @@ +--- +title: "Cobertura de esquema completo" +author: "OPS/CIM" +date: "11 de abril de 2025" +output: + html_document: + self_contained: true + theme: cosmo + highlight: tango + code_folding: show + code_download: true + toc: true + toc_depth: 2 +--- + +🌐 Read this in English + +```{r setup, include = FALSE, message = FALSE, warning = FALSE} +library(pahoabc) +library(dplyr) +library(knitr) +``` + +# Fundamento + +El propósito de este análisis es evaluar si la población objetivo recibió todas las vacunas que le corresponden según el esquema de vacunación definido por el país para una ubicación, cohorte y edad específicas. + +Imagine la República de "ImmunoNation". En ese país, el esquema completo de vacunación para un niño podría incluir lo siguiente: + +- *Al nacer*: 1 dosis de la vacuna BCG (que protege contra la tuberculosis). +- *Durante los primeros 11 meses*: 3 dosis de una vacuna que contiene DTP (esta vacuna combinada protege contra difteria, tétanos y tos ferina). +- *A los 12 meses*: 1 dosis de la vacuna SRP (que protege contra sarampión, rubéola y paperas). +- *En algún momento de la infancia*: 1 dosis de la vacuna contra la fiebre amarilla. + +Este es solo un ejemplo de cómo podría ser un esquema completo de vacunación. Cada país define las vacunas y el número de dosis necesarias para proteger a su población frente a distintas enfermedades. + +Para construir este indicador, se evalúa si cada persona recibió todas las dosis incluidas en el esquema. + +> **Nota** +> +> Todas las funciones utilizadas para los análisis de cobertura de esquema completo dentro de PAHOabc comienzan con el prefijo `cs_`. + +# Glosario + +## Divisiones político-geográficas + +A lo largo de esta viñeta se hace referencia a distintos niveles de división político-geográfica. Estos niveles son definidos por cada país o territorio y pueden recibir nombres diferentes. PAHOabc no depende de esos nombres locales; por eso, el usuario debe recodificar sus variables para ajustarlas a la estructura que utiliza el paquete. + +En concreto, PAHOabc puede distinguir tres niveles administrativos que, listados del nivel superior al inferior, son: ADM0, ADM1 y ADM2. + +1. ADM0: El país. Este es el nivel administrativo más alto. +2. ADM1: La primera subdivisión geográfica del país. ADM0 contiene varias subdivisiones ADM1. +3. ADM2: La segunda subdivisión geográfica del país. Cada ADM1 contiene varias subdivisiones ADM2. + +## Nombres de vacunas + +Los conjuntos de datos de ejemplo utilizan una convención específica para nombrar las dosis de vacunas. Es posible que esta convención no coincida con la que usa su país o institución, pero esto no afecta el uso del paquete si los nombres se aplican de manera consistente. + +Por ejemplo, los nombres de las vacunas utilizados en el paquete PAHOabc son: + +| Abreviatura | Nombre completo | +|--------------|------------------------------------------------------------------| +| SRP1 | Vacuna contra sarampión, rubéola y paperas (1.ª dosis) | +| DTP1 | Vacuna contra difteria, tétanos y tos ferina (1.ª dosis) | +| DTP2 | Vacuna contra difteria, tétanos y tos ferina (2.ª dosis) | +| DTP3 | Vacuna contra difteria, tétanos y tos ferina (3.ª dosis) | +| BCG RN | Vacuna Bacillus Calmette–Guérin (al nacer) | +| YFV1 | Vacuna contra la fiebre amarilla (1.ª dosis) | + +# Uso + +## Instalar el paquete + +El primer paso para ejecutar los análisis de cobertura de esquema completo es instalar el paquete PAHOabc disponible en GitHub. + +```{r, install_package, eval=FALSE} +devtools::install_github("IM-Data-PAHO/pahoabc") +``` + +## Cargar los datos + +Las funciones de este módulo requieren tres conjuntos de datos en un formato específico. + +1. Su RNVe. +2. El esquema de vacunación relacionado con este RNVe. +3. Una tabla con denominadores poblacionales según el nivel geográfico de su análisis. + 1. Esto es opcional para la función `cs_coverage()` (pero no se muestra en esta viñeta). + +Para facilitar la prueba de PAHOabc y la comprensión de la estructura requerida, a continuación se presentan los conjuntos de datos de ejemplo que utiliza este módulo. + +### RNVe + +El conjunto de datos `pahoabc::pahoabc.EIR` proporciona un ejemplo de Registro Nominal de Vacunación electrónico (RNVe). Es una tabla nominal simulada con eventos individuales de vacunación. Cada fila corresponde a una vacunación e incluye información sobre la residencia de la persona, el lugar donde fue vacunada (ocurrencia), su fecha de nacimiento y la dosis recibida. + +```{r pahoabc-EIR, message=FALSE} +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Nominal de Vacunación electrónico") +``` + +- `ID`: Número único de identificación de la persona. +- Fecha de nacimiento (`date_birth`): Fecha de nacimiento de la persona. +- Fecha de vacunación (`date_vax`): Fecha del evento de vacunación. +- ADM1: Primer nivel administrativo geográfico del país. +- ADM2: Segundo nivel administrativo geográfico del país. +- Lugar de residencia (`Residence`): Lugar donde vive la persona. +- Lugar de vacunación (`Occurrence`): Lugar donde ocurrió la vacunación. +- Dosis (`dose`): Variable combinada que representa el tipo de vacuna y su número de dosis correspondiente. Por ejemplo, DTP1 se refiere a la primera dosis de una vacuna que contiene componentes de difteria, tétanos y tos ferina. + +### Esquema de vacunación + +El conjunto de datos `pahoabc::pahoabc.schedule` define el esquema nacional de vacunación, con cada dosis y su edad recomendada de administración (en días). Esta tabla permite determinar si una persona tiene las vacunas que le corresponden según el esquema. + +```{r pahoabc-schedule, message=FALSE} +pahoabc.schedule %>% kable(caption = "Ejemplo de esquema de vacunación") +``` + +- Dosis (`dose`): Variable combinada que representa el tipo de vacuna y su número de dosis correspondiente. Por ejemplo, DTP1 se refiere a la primera dosis de una vacuna que contiene componentes de difteria, tétanos y tos ferina. +- Edad programada (`age_schedule`): Edad recomendada de administración de la dosis, en días. +- Límite inferior de edad (`age_schedule_low`): Límite inferior de la edad objetivo, en días. +- Límite superior de edad (`age_schedule_high`): Límite superior de la edad objetivo, en días. + +> **Nota** +> +> Los nombres de las dosis en la columna `dose` deben coincidir exactamente con los del conjunto de datos `pahoabc.EIR`. + +### Denominadores poblacionales + +Este módulo requiere una tabla con denominadores poblacionales. El nivel geográfico de esta tabla debe coincidir con el nivel geográfico del análisis. Por ejemplo, para un análisis a nivel ADM1, la tabla de denominadores poblacionales debe tener la siguiente estructura. + +```{r pahoabc-pop-ADM1, message=FALSE} +pahoabc.pop.ADM1 %>% head() %>% kable(caption = "Ejemplo de población a nivel ADM1") +``` + +Esta tabla está en formato largo y contiene la población (`population`) de niños de una edad (`age`) específica durante un año (`year`) determinado para un nivel `ADM1`. + +## Análisis de cobertura de esquema completo + +### Flujo de trabajo esperado + +Las funciones `cs_coverage()`, `cs_barplot()` y `cs_upsetplot()` permiten analizar y visualizar la cobertura de esquema completo. Su relación se muestra en la Figura 1. + +![Figura 1. Flujo de trabajo esperado para el análisis de cobertura de esquema completo.](cs_workflow.svg) + +
+ +### Ejemplo + +A continuación se presenta un ejemplo simplificado para calcular la cobertura de esquema completo en el primer nivel administrativo subnacional, usando la cohorte de nacimiento de 2022. + +```{r cov-analysis-example, message=FALSE} + +# calcular la cobertura +coverage_df <- cs_coverage( + data.EIR = pahoabc.EIR, + data.schedule = pahoabc.schedule, + geo_level = "ADM1", + birth_cohorts = 2022 # esto puede ser un vector de años +) + +# mostrar los resultados en una tabla +coverage_df %>% + kable(digits = 2, caption = "Cobertura de esquema completo a nivel ADM1") +``` + +### Gráfico de barras + +Es posible mostrar los resultados obtenidos previamente en un gráfico de barras con `cs_barplot()`. + +```{r cov-viz-example, message=FALSE, fig.width=12, fig.height=6} + +# visualizar el resultado de cs_coverage() +coverage_plot <- cs_barplot(data = coverage_df) + +# mostrar +coverage_plot +``` + +### Gráfico UpSet + +La función `cs_upsetplot()` genera un gráfico UpSet para evaluar el porcentaje de personas incluidas en el RNVe que recibieron las distintas combinaciones posibles de vacunas. La barra naranja representa la proporción de personas que recibieron todas las vacunas evaluadas; por lo tanto, muestra la cobertura de esquema completo. Las barras horizontales muestran la proporción de personas que recibió cada vacuna específica, es decir, la cobertura de esa vacuna. + +```{r cov-upset-example, message=FALSE, fig.width=12, fig.height=6} + +# producir el gráfico UpSet +coverage_upset <- cs_upsetplot( + data.EIR = pahoabc.EIR, + data.schedule = pahoabc.schedule, + birth_cohort = 2022 +) + +# mostrar +coverage_upset +``` + +En el ejemplo, la cobertura de esquema completo alcanzó el 13,7 % y está representada por la barra naranja. + +También se observa que el 24,1 % de las personas en el RNVe recibió únicamente la vacuna BCG, y que la tercera combinación más frecuente (9,1 %) corresponde a personas que recibieron todas las demás vacunas excepto BCG. Esto podría indicar errores en el registro de la BCG al nacer, por ejemplo cuando se usan números de identificación temporales. diff --git a/vignettes/articles/es/cs_workflow.svg b/vignettes/articles/es/cs_workflow.svg new file mode 100644 index 0000000..5864d27 --- /dev/null +++ b/vignettes/articles/es/cs_workflow.svg @@ -0,0 +1,4 @@ + + + +
Table
Plot
cs_coverage()
cs_upsetplot()
Plot
EIR
schedule
cs_barplot()
Analyze
Analyze
Analyze
\ No newline at end of file diff --git a/vignettes/articles/es/example_datasets_es.Rmd b/vignettes/articles/es/example_datasets_es.Rmd new file mode 100644 index 0000000..474fce5 --- /dev/null +++ b/vignettes/articles/es/example_datasets_es.Rmd @@ -0,0 +1,139 @@ +--- +title: "Uso de los datos de ejemplo" +author: "OPS/CIM" +date: "14 de abril de 2025" +output: + html_document: + self_contained: true + theme: cosmo + highlight: tango + code_folding: show + code_download: true + toc: true + toc_depth: 2 +--- + +🌐 Read this in English + +```{r setup, include = FALSE, message = FALSE, warning = FALSE} +library(pahoabc) +library(dplyr) +library(knitr) +``` + +# Fundamento + +El paquete PAHOabc incluye conjuntos de datos de ejemplo para ayudar a los usuarios a entender cómo funcionan sus herramientas. Estos datos simulan el sistema de información de inmunización de un país ficticio y están estructurados para funcionar con las funciones del paquete. Esta viñeta presenta cada conjunto de datos y explica cómo se usan en los distintos módulos. + +# Glosario + +## Divisiones político-geográficas + +A lo largo de esta viñeta se hace referencia a distintos niveles de división político-geográfica. Estos niveles son definidos por cada país o territorio y pueden recibir nombres diferentes. PAHOabc no depende de esos nombres locales; por eso, el usuario debe recodificar sus variables para ajustarlas a la estructura que utiliza el paquete. + +En concreto, PAHOabc puede distinguir tres niveles administrativos que, listados del nivel superior al inferior, son: ADM0, ADM1 y ADM2. + +1. ADM0: El país. Este es el nivel administrativo más alto. +2. ADM1: La primera subdivisión geográfica del país. ADM0 contiene varias subdivisiones ADM1. +3. ADM2: La segunda subdivisión geográfica del país. Cada ADM1 contiene varias subdivisiones ADM2. + +![](ADM_explanation.svg) + +## Nombres de vacunas + +Los conjuntos de datos de ejemplo utilizan una convención específica para nombrar las dosis de vacunas. Es posible que esta convención no coincida con la que usa su país o institución, pero esto no afecta el uso del paquete si los nombres se aplican de manera consistente. + +Por ejemplo, los nombres de las vacunas utilizados en el paquete PAHOabc son: + +| Abreviatura | Nombre completo | +|--------------|------------------------------------------------------------------| +| SRP1 | Vacuna contra sarampión, rubéola y paperas (1.ª dosis) | +| DTP1 | Vacuna contra difteria, tétanos y tos ferina (1.ª dosis) | +| DTP2 | Vacuna contra difteria, tétanos y tos ferina (2.ª dosis) | +| DTP3 | Vacuna contra difteria, tétanos y tos ferina (3.ª dosis) | +| BCG RN | Vacuna Bacillus Calmette–Guérin (al nacer) | +| YFV1 | Vacuna contra la fiebre amarilla (1.ª dosis) | + +# Lista de conjuntos de datos de ejemplo + +## pahoabc.EIR + +El conjunto de datos `pahoabc::pahoabc.EIR` es el más importante del paquete. Proporciona un ejemplo de Registro Nominal de Vacunación electrónico (RNVe). Es una tabla nominal simulada con eventos individuales de vacunación. Cada fila corresponde a una vacunación e incluye información sobre la residencia de la persona, el lugar donde fue vacunada, su fecha de nacimiento y la dosis recibida. + +```{r pahoabc-EIR, message=FALSE} +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Nominal de Vacunación electrónico") +``` + +- `ID`: Número único de identificación de la persona. +- Fecha de nacimiento (`date_birth`): Fecha de nacimiento de la persona. +- Fecha de vacunación (`date_vax`): Fecha del evento de vacunación. +- ADM1: Primer nivel administrativo geográfico del país. +- ADM2: Segundo nivel administrativo geográfico del país. +- Lugar de residencia (`Residence`): Lugar donde vive la persona. +- Lugar de vacunación (`Occurrence`): Lugar donde ocurrió la vacunación. +- Dosis (`dose`): Variable combinada que representa el tipo de vacuna y su número de dosis correspondiente. Por ejemplo, DTP1 se refiere a la primera dosis de una vacuna que contiene componentes de difteria, tétanos y tos ferina. + +## pahoabc.schedule + +El conjunto de datos `pahoabc::pahoabc.schedule` define el esquema nacional de vacunación, con cada dosis y su edad recomendada de administración (en días). Esta tabla permite determinar si una persona tiene las vacunas que le corresponden según el esquema. + +```{r pahoabc-schedule, message=FALSE} +pahoabc.schedule %>% kable(caption = "Ejemplo de esquema de vacunación") +``` + +- Dosis (`dose`): Variable combinada que representa el tipo de vacuna y su número de dosis correspondiente. Por ejemplo, DTP1 se refiere a la primera dosis de una vacuna que contiene componentes de difteria, tétanos y tos ferina. +- Edad programada (`age_schedule`): Edad recomendada de administración de la dosis, en días. +- Límite inferior de edad (`age_schedule_low`): Límite inferior de la edad objetivo, en días. +- Límite superior de edad (`age_schedule_high`): Límite superior de la edad objetivo, en días. + +> **Nota** +> +> Los nombres de las dosis en la columna `dose` deben coincidir exactamente con los del conjunto de datos `pahoabc.EIR`. + +## Conjuntos de datos de población + +Los conjuntos de datos de población proporcionan estimaciones poblacionales en distintos niveles geográficos, para varios años y para niños de diferentes edades. Según el nivel geográfico del análisis, PAHOabc puede requerir la población correspondiente para usarla como denominador, principalmente en los análisis de cobertura. + +### pahoabc.pop.ADM0 + +El conjunto de datos `pahoabc::pahoabc.pop.ADM0` proporciona estimaciones poblacionales agregadas a nivel nacional (ADM0). + +```{r pahoabc-pop-ADM0, message=FALSE} +pahoabc.pop.ADM0 %>% kable(caption = "Ejemplo de población a nivel ADM0") +``` + +Esta tabla está en formato largo y contiene la población (`population`) de niños de una edad (`age`) específica durante un año (`year`) determinado. + +### pahoabc.pop.ADM1 + +El conjunto de datos `pahoabc::pahoabc.pop.ADM1` proporciona datos poblacionales agregados al primer nivel administrativo subnacional (ADM1), que suele corresponder a regiones, provincias o estados. + +```{r pahoabc-pop-ADM1, message=FALSE} +pahoabc.pop.ADM1 %>% head() %>% kable(caption = "Ejemplo de población a nivel ADM1") +``` + +Esta tabla está en formato largo y contiene la población (`population`) de niños de una edad (`age`) específica durante un año (`year`) determinado a nivel `ADM1`. + +### pahoabc.pop.ADM2 + +El conjunto de datos `pahoabc::pahoabc.pop.ADM2` proporciona datos poblacionales más detallados por niveles ADM1 y ADM2, lo que permite análisis con mayor desagregación geográfica. + +```{r pahoabc-pop-ADM2, message=FALSE} +pahoabc.pop.ADM2 %>% head() %>% kable(caption = "Ejemplo de población a nivel ADM2") +``` + +Esta tabla está en formato largo y contiene la población (`population`) de niños de una edad (`age`) específica durante un año (`year`) determinado a nivel `ADM2`. + +# Resumen + +Todos los conjuntos de datos de ejemplo se cargan automáticamente con el paquete. Puede explorar su estructura con `glimpse()` o `View()`. Están diseñados para funcionar con los argumentos predeterminados de las funciones, lo que permite probar y comprender cada módulo con una configuración mínima. + +A continuación se presenta un resumen de los conjuntos de datos disponibles para su referencia. + +| Conjunto de datos | Descripción | +|---------------------|---------------------------------------------------------------| +| `pahoabc.EIR` | Registro Nominal de Vacunación electrónico (RNVe) | +| `pahoabc.schedule` | Esquema de vacunación con nombres de dosis y edades | +| `pahoabc.pop.ADM0` | Estimaciones poblacionales agregadas a nivel nacional | +| `pahoabc.pop.ADM1` | Estimaciones poblacionales a nivel ADM1 | +| `pahoabc.pop.ADM2` | Estimaciones poblacionales a nivel ADM2 | diff --git a/vignettes/articles/es/nod_rationale.png b/vignettes/articles/es/nod_rationale.png new file mode 100644 index 0000000..7df772f Binary files /dev/null and b/vignettes/articles/es/nod_rationale.png differ diff --git a/vignettes/articles/es/nod_workflow.svg b/vignettes/articles/es/nod_workflow.svg new file mode 100644 index 0000000..3a139d3 --- /dev/null +++ b/vignettes/articles/es/nod_workflow.svg @@ -0,0 +1,4 @@ + + + +
Table
Plot
nod_dropout()
EIR
nod_barplot()
Analyze
Analyze
\ No newline at end of file diff --git a/vignettes/articles/es/nominal_dropout_es.Rmd b/vignettes/articles/es/nominal_dropout_es.Rmd new file mode 100644 index 0000000..5a6aac8 --- /dev/null +++ b/vignettes/articles/es/nominal_dropout_es.Rmd @@ -0,0 +1,178 @@ +--- +title: "Tasa de abandono nominal" +author: "OPS/CIM" +date: "22 de abril de 2025" +output: + html_document: + self_contained: true + theme: cosmo + highlight: tango + code_folding: show + code_download: true + toc: true + toc_depth: 2 +--- + +🌐 Read this in English + +```{r setup, include=FALSE} +knitr::opts_chunk$set(echo = TRUE) +library(pahoabc) +library(dplyr) +library(ggplot2) +library(knitr) +``` + +# Fundamento + +La tasa de abandono es un indicador que se utiliza para evaluar la pérdida de seguimiento en los esquemas de vacunación. Muestra el porcentaje de personas que recibieron una dosis inicial (por ejemplo, DTP1), pero no recibieron una dosis posterior o final (por ejemplo, DTP3). En los sistemas agregados, se estima mediante la siguiente fórmula: + +$$ +\text{Tasa de abandono (\%)} = +\frac{\text{dosis de DTP1 administradas} - \text{dosis de DTP3 administradas}}{\text{dosis de DTP1 administradas}} \times 100 +$$ + +El análisis con datos agregados no permite confirmar que las personas que recibieron ambas dosis sean las mismas, como se muestra en la Figura 1A. Los registros nominales electrónicos de vacunación permiten hacer el análisis persona por persona y confirmar si quienes recibieron la primera dosis también recibieron la dosis de seguimiento, como se ilustra en la Figura 1B. + +![Figura 1. Representación visual de un análisis de abandono nominal.](nod_rationale.png) + +
+ +> **Nota** +> +> Todas las funciones utilizadas para los análisis de abandono nominal dentro de PAHOabc comienzan con el prefijo `nod_`. + +# Glosario + +## Divisiones político-geográficas + +A lo largo de esta viñeta se hace referencia a distintos niveles de división político-geográfica. Estos niveles son definidos por cada país o territorio y pueden recibir nombres diferentes. PAHOabc no depende de esos nombres locales; por eso, el usuario debe recodificar sus variables para ajustarlas a la estructura que utiliza el paquete. + +En concreto, PAHOabc puede distinguir tres niveles administrativos que, listados del nivel superior al inferior, son: ADM0, ADM1 y ADM2. + +1. ADM0: El país. Este es el nivel administrativo más alto. +2. ADM1: La primera subdivisión geográfica del país. ADM0 contiene varias subdivisiones ADM1. +3. ADM2: La segunda subdivisión geográfica del país. Cada ADM1 contiene varias subdivisiones ADM2. + +## Nombres de vacunas + +Los conjuntos de datos de ejemplo utilizan una convención específica para nombrar las dosis de vacunas. Es posible que esta convención no coincida con la que usa su país o institución, pero esto no afecta el uso del paquete si los nombres se aplican de manera consistente. + +Por ejemplo, los nombres de las vacunas utilizados en el paquete PAHOabc son: + +| Abreviatura | Nombre completo | +|--------------|------------------------------------------------------------------| +| SRP1 | Vacuna contra sarampión, rubéola y paperas (1.ª dosis) | +| DTP1 | Vacuna contra difteria, tétanos y tos ferina (1.ª dosis) | +| DTP2 | Vacuna contra difteria, tétanos y tos ferina (2.ª dosis) | +| DTP3 | Vacuna contra difteria, tétanos y tos ferina (3.ª dosis) | +| BCG RN | Vacuna Bacillus Calmette–Guérin (al nacer) | +| YFV1 | Vacuna contra la fiebre amarilla (1.ª dosis) | + +# Uso + +## Instalar el paquete + +El primer paso para ejecutar el análisis de tasa de abandono nominal es instalar el paquete PAHOabc, disponible en GitHub. + +```{r, install_package, eval=FALSE} +devtools::install_github("IM-Data-PAHO/pahoabc") +``` + +## Cargar los datos + +Las funciones de este módulo requieren que proporcione su **RNVe** en un formato específico. + +Para facilitar la prueba de PAHOabc y la comprensión de la estructura requerida, a continuación se presenta el conjunto de datos de ejemplo que utiliza este módulo. + +### RNVe + +El conjunto de datos `pahoabc::pahoabc.EIR` proporciona un ejemplo de Registro Nominal de Vacunación electrónico (RNVe). Es una tabla nominal simulada con eventos individuales de vacunación. Cada fila corresponde a una vacunación e incluye información sobre la residencia de la persona, el lugar donde fue vacunada (ocurrencia), su fecha de nacimiento y la dosis recibida. + +```{r pahoabc-EIR, message=FALSE} +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Nominal de Vacunación electrónico") +``` + +- `ID`: Número único de identificación de la persona. +- Fecha de nacimiento (`date_birth`): Fecha de nacimiento de la persona. +- Fecha de vacunación (`date_vax`): Fecha del evento de vacunación. +- ADM1: Primer nivel administrativo geográfico del país. +- ADM2: Segundo nivel administrativo geográfico del país. +- Lugar de residencia (`Residence`): Lugar donde vive la persona. +- Lugar de vacunación (`Occurrence`): Lugar donde ocurrió la vacunación. +- Dosis (`dose`): Variable combinada que representa el tipo de vacuna y su número de dosis correspondiente. Por ejemplo, DTP1 se refiere a la primera dosis de una vacuna que contiene componentes de difteria, tétanos y tos ferina. + +## Análisis de abandono nominal + +PAHOabc permite estimar la tasa de abandono nominal persona por persona. El análisis puede aplicarse a cualquier par de dosis, siempre que se indique una dosis inicial y una dosis final. Para interpretar correctamente los resultados, la dosis inicial debe preceder a la dosis final en el esquema de vacunación; por ejemplo, DTP1-DTP3 o DTP1-MCV1. Además, el usuario puede seleccionar el nivel de agregación de los resultados: nacional, ADM1 o ADM2. + +### Flujo de trabajo esperado + +Las funciones `nod_dropout()` y `nod_barplot()` trabajan en conjunto para analizar y visualizar el abandono nominal. La función `nod_dropout()` calcula el abandono nominal y los casos completos por residencia, según los niveles administrativos, cohortes de nacimiento y vacunas seleccionados. Su resultado es una tabla compatible con `nod_barplot()`, que genera la visualización correspondiente. + +![Figura 2. Flujo de trabajo esperado para el análisis de tasa de abandono nominal.](nod_workflow.svg) + +
+ +### Ejemplo + +A continuación se muestra un caso de uso sencillo de `nod_dropout()`, en el que se calcula el abandono nominal entre DTP1 y DTP3 a nivel ADM1 usando el conjunto de datos de ejemplo. + +```{r, nom-dropout-analysis, warning=FALSE, message=FALSE} +# Ejecuta la función de abandono nominal +example_dropout <- nod_dropout(data.EIR = pahoabc.EIR, + vaccine_init = "DTP1", #Vacuna inicial según su conjunto de datos + vaccine_end= "DTP3", #Vacuna final según su conjunto de datos + geo_level = "ADM1", #Puede ser ADM0, ADM1 o ADM2 + birth_cohorts = NULL #Puede ser un vector de años o un año + ) + +# mostrar los resultados en una tabla +example_dropout %>% + kable(digits = 3, caption = "Tasa de abandono nominal entre DTP1 y DTP3 a nivel ADM1") +``` + +#### Parámetros aceptados + +- `data.EIR`: Tabla del RNVe estructurada con las variables listadas anteriormente.\ +- `vaccine_init`: Nombre de la vacuna que se usará como punto de inicio del análisis, tal como aparece en la columna de dosis (**dose**).\ +- `vaccine_end`: Nombre de la vacuna que se usará como punto final del análisis, tal como aparece en la columna de dosis (**dose**).\ +- `geo_level`: Nivel administrativo que se usará en el análisis. Es un parámetro opcional y puede tomar los valores "ADM0", "ADM1" o "ADM2". Si se omite, el valor predeterminado es "ADM0". +- `birth_cohorts`: Parámetro para segmentar el análisis según el año de nacimiento de las personas. Se basa en la columna de fecha de nacimiento (`date_birth`) y puede recibir un año o un vector de años. + +Los parámetros `data.EIR`, `vaccine_init` y `vaccine_end` son obligatorios. `geo_level` y `birth_cohorts` son opcionales y permiten segmentar los datos para análisis más precisos. + +Consulte la documentación de la función con `?nod_dropout()` en R para obtener más información. + +Esta salida puede pasarse directamente a la función `nod_barplot()` como se muestra a continuación. + +```{r, nominal_dropout_plot, message=FALSE} +# Ejecuta la función nod_barplot +example_dropout_plot <- nod_barplot(data=example_dropout, order="alpha") + +#mostrar el gráfico +example_dropout_plot + +``` + +#### Parámetros aceptados + +La función `nod_barplot()` acepta los siguientes parámetros: + +- `data`: Tabla generada a partir del resultado de la función `nod_dropout()`. +- `order`: Organiza las barras según tres opciones: alfabético ("alpha"), descendente ("desc") o ascendente ("asc"); el valor predeterminado es "alpha". +- `within_ADM1`: Permite filtrar dentro de un ADM1 y mostrar únicamente los datos ADM2 correspondientes al ADM1 especificado. + +#### Interpretación + +Este gráfico muestra el abandono nominal por nivel administrativo 1 e incluye una línea de 5 % como umbral de referencia. Una tasa de abandono alta significa que una proporción importante de las personas analizadas no recibió la dosis de seguimiento de su esquema. En un esquema de múltiples dosis, lo esperado es que toda persona que recibe una dosis inicial regrese para recibir la dosis siguiente. En este ejemplo, **ADM1_1** presenta el peor resultado, mientras que **ADM1_4** presenta el mejor. + +Todas las unidades administrativas tienen una tasa de abandono nominal superior al **25 %**. Esto significa que al menos el 25 % de las personas de ese grupo objetivo **no regresó para recibir la dosis de seguimiento**. + +# Resumen + +Monitorear la continuidad en los esquemas de vacunación de múltiples dosis es fundamental para los programas de inmunización. La *tasa de abandono nominal* es la proporción de personas que inician una serie (por ejemplo, DTP1), pero no reciben la dosis final o de seguimiento (por ejemplo, DTP3). Este indicador ofrece una mirada persona por persona del desempeño del programa, algo que los conteos agregados no permiten observar. + +Esta viñeta presenta un flujo de trabajo reproducible: instalar el paquete, explorar el RNVe de ejemplo, calcular el abandono con `nod_dropout()` y visualizar los resultados con `nod_barplot()`. El ejemplo estima el abandono entre DTP1 y DTP3 a nivel ADM1 y muestra que todas las subdivisiones superan el umbral de 25 %; ADM1_1 presenta el peor resultado y ADM1_4 el mejor, en relación con una línea de referencia de 5 %. + +Al combinar datos nominales del RNVe con un flujo de análisis claro, PAHOabc ayuda a identificar pérdidas de seguimiento con desagregación geográfica y apoya a las autoridades de salud en la focalización de intervenciones. diff --git a/vignettes/articles/es/residence_occurrence_es.Rmd b/vignettes/articles/es/residence_occurrence_es.Rmd new file mode 100644 index 0000000..72a7327 --- /dev/null +++ b/vignettes/articles/es/residence_occurrence_es.Rmd @@ -0,0 +1,312 @@ +--- +title: "Análisis de residencia vs. lugar de vacunación" +author: "OPS/CIM" +date: "9 de abril de 2025" +output: + html_document: + self_contained: true + theme: cosmo + highlight: tango + code_folding: show + code_download: true + toc: true + toc_depth: 2 +--- + +🌐 Read this in English + +```{r setup, include = FALSE, message = FALSE, warning = FALSE} +library(pahoabc) +library(dplyr) +library(ggplot2) +library(knitr) +``` + +# Fundamento + +Es común que los Registros Nominales de Vacunación electrónicos (RNVe) incluyan tanto el lugar de residencia como el lugar donde ocurrió la vacunación. La cobertura de vacunación puede estimarse agrupando los eventos por cualquiera de estas dos ubicaciones. Sin embargo, los denominadores generalmente se estiman con base en el lugar de residencia. + +Usar el lugar de residencia o el lugar de vacunación como numerador puede llevar a subestimar o sobreestimar la cobertura. En ocasiones, la cobertura puede superar el 100 %, especialmente en áreas donde los servicios de vacunación están más disponibles o reciben personas de otras zonas. + +El módulo de residencia y lugar de vacunación de PAHOabc proporciona funciones para explorar y analizar este fenómeno. + +> **Nota** +> +> Todas las funciones utilizadas para los análisis de residencia y lugar de vacunación dentro de PAHOabc comienzan con el prefijo `roc_`. + +# Glosario + +## Divisiones político-geográficas + +A lo largo de esta viñeta se hace referencia a distintos niveles de división político-geográfica. Estos niveles son definidos por cada país o territorio y pueden recibir nombres diferentes. PAHOabc no depende de esos nombres locales; por eso, el usuario debe recodificar sus variables para ajustarlas a la estructura que utiliza el paquete. + +En concreto, PAHOabc puede distinguir tres niveles administrativos que, listados del nivel superior al inferior, son: ADM0, ADM1 y ADM2. + +1. ADM0: El país. Este es el nivel administrativo más alto. +2. ADM1: La primera subdivisión geográfica del país. ADM0 contiene varias subdivisiones ADM1. +3. ADM2: La segunda subdivisión geográfica del país. Cada ADM1 contiene varias subdivisiones ADM2. + +## Nombres de vacunas + +Los conjuntos de datos de ejemplo utilizan una convención específica para nombrar las dosis de vacunas. Es posible que esta convención no coincida con la que usa su país o institución, pero esto no afecta el uso del paquete si los nombres se aplican de manera consistente. + +Por ejemplo, los nombres de las vacunas utilizados en el paquete PAHOabc son: + +| Abreviatura | Nombre completo | +|--------------|------------------------------------------------------------------| +| SRP1 | Vacuna contra sarampión, rubéola y paperas (1.ª dosis) | +| DTP1 | Vacuna contra difteria, tétanos y tos ferina (1.ª dosis) | +| DTP2 | Vacuna contra difteria, tétanos y tos ferina (2.ª dosis) | +| DTP3 | Vacuna contra difteria, tétanos y tos ferina (3.ª dosis) | +| BCG RN | Vacuna Bacillus Calmette–Guérin (al nacer) | +| YFV1 | Vacuna contra la fiebre amarilla (1.ª dosis) | + +# Uso + +## Instalar el paquete + +El primer paso para ejecutar los análisis de residencia y lugar de vacunación es instalar el paquete PAHOabc, disponible en GitHub. + +```{r, install_package, eval=FALSE} +devtools::install_github("IM-Data-PAHO/pahoabc") +``` + +## Cargar los datos + +Las funciones de este módulo requieren tres conjuntos de datos en un formato específico. + +1. Su RNVe. +2. El esquema de vacunación relacionado con este RNVe. +3. Una tabla con denominadores poblacionales según el nivel geográfico de su análisis. + +Para facilitar la prueba de PAHOabc y la comprensión de la estructura requerida, a continuación se presentan los conjuntos de datos de ejemplo que utiliza este módulo. + +### RNVe + +El conjunto de datos `pahoabc::pahoabc.EIR` proporciona un ejemplo de Registro Nominal de Vacunación electrónico (RNVe). Es una tabla nominal simulada con eventos individuales de vacunación. Cada fila corresponde a una vacunación e incluye información sobre la residencia de la persona, el lugar donde fue vacunada (ocurrencia), su fecha de nacimiento y la dosis recibida. + +```{r pahoabc-EIR, message=FALSE} +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Nominal de Vacunación electrónico") +``` + +- `ID`: Número único de identificación de la persona. +- Fecha de nacimiento (`date_birth`): Fecha de nacimiento de la persona. +- Fecha de vacunación (`date_vax`): Fecha del evento de vacunación. +- ADM1: Primer nivel administrativo geográfico del país. +- ADM2: Segundo nivel administrativo geográfico del país. +- Lugar de residencia (`Residence`): Lugar donde vive la persona. +- Lugar de vacunación (`Occurrence`): Lugar donde ocurrió la vacunación. +- Dosis (`dose`): Variable combinada que representa el tipo de vacuna y su número de dosis correspondiente. Por ejemplo, DTP1 se refiere a la primera dosis de una vacuna que contiene componentes de difteria, tétanos y tos ferina. + +### Esquema de vacunación + +El conjunto de datos `pahoabc::pahoabc.schedule` define el esquema nacional de vacunación, con cada dosis y su edad recomendada de administración (en días). Esta tabla permite determinar si una persona tiene las vacunas que le corresponden según el esquema. + +```{r pahoabc-schedule, message=FALSE} +pahoabc.schedule %>% kable(caption = "Ejemplo de esquema de vacunación") +``` + +- Dosis (`dose`): Variable combinada que representa el tipo de vacuna y su número de dosis correspondiente. Por ejemplo, DTP1 se refiere a la primera dosis de una vacuna que contiene componentes de difteria, tétanos y tos ferina. +- Edad programada (`age_schedule`): Edad recomendada de administración de la dosis, en días. +- Límite inferior de edad (`age_schedule_low`): Límite inferior de la edad objetivo, en días. +- Límite superior de edad (`age_schedule_high`): Límite superior de la edad objetivo, en días. + +> **Nota** +> +> Los nombres de las dosis en la columna `dose` deben coincidir exactamente con los del conjunto de datos `pahoabc.EIR`. + +### Denominadores poblacionales + +Este módulo requiere una tabla con denominadores poblacionales. El nivel geográfico de esta tabla debe coincidir con el nivel geográfico del análisis. Por ejemplo, para un análisis a nivel ADM1, la tabla de denominadores poblacionales debe tener la siguiente estructura. + +```{r pahoabc-pop-ADM1, message=FALSE} +pahoabc.pop.ADM1 %>% head() %>% kable(caption = "Ejemplo de población a nivel ADM1") +``` + +Esta tabla está en formato largo y contiene la población (`population`) de niños de una edad (`age`) específica durante un año (`year`) determinado para un nivel `ADM1`. + +> **Nota** +> +> Si su análisis es a un nivel político-geográfico diferente, consulte `pahoabc::pahoabc.pop.ADM0` y `pahoabc::pahoabc.pop.ADM2` para conocer el formato y las columnas requeridas. + +## Análisis de cobertura + +La primera parte de este módulo permite analizar la cobertura tanto por lugar de residencia como por lugar de vacunación (ocurrencia). + +### Flujo de trabajo esperado + +Las funciones `roc_coverage()` y `roc_barplot()` trabajan en conjunto para analizar y visualizar la cobertura. La función `roc_coverage()` calcula la cobertura de vacunación por residencia y por lugar de vacunación, según los niveles administrativos, años y vacunas seleccionados. Su resultado es una tabla compatible con `roc_barplot()`, que genera una visualización para un año y una vacuna específicos. + +La función `roc_coverage_by()` está disponible cuando se desea calcular la cobertura solo por residencia o solo por lugar de vacunación. Aunque produce una tabla similar, su resultado no es compatible con `roc_barplot()`. + +![Figura 1. Flujo de trabajo esperado para los análisis de cobertura.](roc_workflow_1.svg) + +
+ +### Ejemplo + +A continuación se muestra un caso de uso sencillo de `roc_coverage()`, en el que se calcula la cobertura por ambas métricas para la vacuna DTP1 en 2023 usando los datos de ejemplo. + +```{r cov-analysis-example, message=FALSE} + +# calcular la cobertura +coverage_df <- roc_coverage( + data.EIR = pahoabc.EIR, + data.schedule = pahoabc.schedule, + data.pop = pahoabc.pop.ADM1, + geo_level = "ADM1", + years = 2023, # esto puede ser un vector de años + vaccines = "DTP1" # esto puede ser un vector de vacunas +) + +# mostrar los resultados en una tabla +coverage_df %>% + kable(digits = 3, caption = "Cobertura de vacunación a nivel ADM1") +``` + +Esta salida puede pasarse directamente a la función `roc_barplot()` como se muestra a continuación. + +```{r cov-viz-example, message=FALSE, fig.width=12, fig.height=6} + +# visualizar el resultado de roc_coverage() +coverage_plot <- roc_barplot( + data = coverage_df, + year = 2023, + vaccine = "DTP1" +) + +# mostrar +coverage_plot +``` + +Este gráfico muestra la cobertura de vacunación alcanzada por cada nivel administrativo subnacional, considerando tanto el lugar de vacunación como el lugar de residencia. Las barras amarillas representan la cobertura por lugar de vacunación; es decir, el numerador incluye todas las dosis administradas en esa ubicación. Los diamantes naranjas representan la cobertura por lugar de residencia; es decir, el numerador incluye a las personas que viven en esa ubicación, independientemente del lugar donde recibieron la vacuna. + +La cobertura por **residencia y lugar de vacunación** es similar en ADM1_1, ADM1_4 y ADM1_5. Sin embargo, en ADM1_2 y ADM1_3 se observan diferencias entre los dos tipos de cobertura. + +En ADM1_2, la cobertura por lugar de vacunación alcanza el 141 %, mientras que la cobertura por residencia es del 95 %, con una diferencia de 46 puntos porcentuales. En ADM1_3, la cobertura por lugar de vacunación es del 80 %, mientras que la cobertura por residencia es del 90 %, con una diferencia de 10 puntos porcentuales a favor de la cobertura por residencia. + +Estos patrones sugieren flujos poblacionales importantes entre áreas administrativas. En ADM1_2, la cobertura alta por lugar de vacunación y la cobertura menor por residencia indican que muchas personas vacunadas en esta área viven en otro lugar. En cambio, ADM1_3 muestra una cobertura por residencia mayor que por lugar de vacunación, lo que sugiere que una parte de sus residentes se desplaza a otras áreas para vacunarse. + +## Análisis de distribución de dosis + +Las funciones de distribución ayudan a analizar dónde se vacunan las personas según su lugar de residencia. + +### Flujo de trabajo esperado + +Las funciones `roc_distribution()` y `roc_heatmap()` permiten analizar los flujos poblacionales entre áreas administrativas. Por ejemplo, se puede observar dónde se vacunan las personas que viven en una región: si se vacunan dentro de su propia región o si se desplazan a otras. + +La figura a continuación muestra el flujo de trabajo esperado para estas funciones. + +![Figura 2. Flujo de trabajo esperado para los análisis de distribución de dosis.](roc_workflow_2.svg) + +
+ +### Ejemplo a nivel del primer nivel administrativo + +Este análisis solo requiere el RNVe y algunos parámetros sencillos. Por ejemplo, se puede calcular cómo se distribuye la vacunación en el primer nivel administrativo para la vacuna DTP1 en 2023. + +```{r dist-analysis-example, message=FALSE} + +# calcular la distribución de dosis para cada lugar de residencia +distribution_df <- roc_distribution( + data.EIR = pahoabc.EIR, + vaccine = "DTP1", + geo_level = "ADM1", + birth_cohort = 2023, + include_self_matches = TRUE +) + +# mostrar los resultados en una tabla (ver solo un par de regiones por simplicidad) +distribution_df %>% + filter(ADM1_residence %in% c("ADM1_1", "ADM1_3")) %>% + kable(digits = 3, caption = "Distribución de vacunación para cada lugar de residencia por lugar de vacunación") +``` + +Por ejemplo, el 87 % de las personas que viven en ADM1_3 también se vacunó allí contra DTP1. Otro 13 % recibió su vacuna DTP1 en otro lugar, específicamente en ADM1_2. Para analizar solo a las personas que se vacunaron fuera de su lugar de residencia, use el parámetro `include_self_matches = FALSE`. + +```{r dist-analysis-example-2, message=FALSE} + +# calcular la distribución de dosis para cada lugar de residencia +distribution_df2 <- roc_distribution( + data.EIR = pahoabc.EIR, + vaccine = "DTP1", + geo_level = "ADM1", + birth_cohort = 2023, + # establecer en FALSE para excluir los casos en que las personas se vacunan en su lugar de residencia + include_self_matches = FALSE +) + +# mostrar los resultados en una tabla (centrarse solo en ADM1_3 para este ejemplo) +distribution_df2 %>% + filter(ADM1_residence == "ADM1_3") %>% + kable(digits = 3, caption = "¿Dónde se vacunan los residentes de ADM1_3?") +``` + +Esto muestra que el 96 % de las personas de ADM1_3 **que no se vacunan en su lugar de residencia** lo hacen en ADM1_2. + +La función `roc_heatmap()` muestra este patrón con mayor claridad. + +```{r dist-viz-example, message=FALSE, fig.width=12, fig.height=6} +library(patchwork) # para mostrar los gráficos lado a lado + +# generar los gráficos +distribution_plot <- roc_heatmap(distribution_df) # con coincidencias propias +distribution_plot2 <- roc_heatmap(distribution_df2) # sin coincidencias propias + +# agregar subtítulo +distribution_plot <- distribution_plot + labs(subtitle = "Con coincidencias propias") +distribution_plot2 <- distribution_plot2 + labs(subtitle = "Sin coincidencias propias") + +# mostrar los gráficos lado a lado +distribution_plot + distribution_plot2 +``` + +> **Nota** +> +> El gráfico de la derecha muestra la proporción de dosis administradas en un lugar **diferente a su lugar de residencia**. Por eso la diagonal está vacía. + +Estos gráficos pueden leerse de forma vertical u horizontal. Al leer el gráfico verticalmente, las columnas suman 100 % (salvo diferencias por redondeo). Cada columna representa la población de un área, por ejemplo ADM1_1, y muestra dónde se vacuna. En el gráfico de la derecha, del total de personas que viven en ADM1_1 y se vacunan fuera de su lugar de residencia, el 54 % lo hace en ADM1_3, el 31 % en ADM1_2 y el 16 % restante en ADM1_4 y ADM1_5. + +Al leer el gráfico horizontalmente, las filas **no** suman 100 %, pero indican de dónde provienen las personas que se vacunan en una región. Por ejemplo, en el gráfico de la izquierda se observa que el 92 % de los residentes de ADM1_2 se vacuna también allí, pero esta región también vacuna a una proporción importante de residentes de ADM1_3 (13 %). + +### Ejemplo a nivel del segundo nivel administrativo + +En este caso, puede ser útil realizar el análisis a un nivel más detallado. A continuación se repite el proceso en el segundo nivel administrativo, por ejemplo, distritos dentro de una región. + +```{r dist-analysis-example-3, message=FALSE, fig.width=12, fig.height=6} + +# calcular la distribución de dosis para cada lugar de residencia al segundo +# nivel administrativo (centrarse solo en ADM1_3 para este ejemplo) +distribution_df3 <- roc_distribution( + data.EIR = pahoabc.EIR, + vaccine = "DTP1", + geo_level = "ADM2", + birth_cohort = 2023, + include_self_matches = FALSE, + within_ADM1 = "ADM1_3" # establecer la región que se quiere analizar +) + +# mostrar los resultados en un gráfico +distribution_plot3 <- roc_heatmap( + distribution_df3 +) + +# mostrar +distribution_plot3 +``` + +En este mapa de calor se observa la proporción de eventos de vacunación que ocurren en un lugar diferente al lugar de residencia, desagregada por el segundo nivel administrativo. + +Por ejemplo, entre las personas que viven en ADM2_3_10 y se vacunan fuera de su área de residencia, el 72 % recibe la vacuna en ADM2_3_11. De manera similar, el 23 % de las personas de ADM2_3_23 que se vacunan en otro lugar lo hacen en ADM2_3_11. + +Al leer el mapa de calor horizontalmente, se observa que ADM2_3_20 vacuna a muchas personas provenientes de otras áreas: el 35 % de las de ADM2_3_7, el 18 % de ADM2_3_15, el 17 % de ADM2_3_12, el 14 % de ADM2_3_17, etc. + +La fila superior indica a las personas que se vacunan fuera de ADM1_3. Por ejemplo, en la columna 4, el 85 % de los residentes de ADM2_3_13 se vacuna fuera de ADM1_3, lo que sugiere un flujo poblacional importante. + +# Resumen + +Esta viñeta mostró cómo usar PAHOabc para comparar la cobertura de vacunación por lugar de residencia y por lugar de vacunación, y para explorar cómo se desplazan las personas entre áreas para vacunarse. + +La cobertura puede variar mucho según la ubicación que se use para el cálculo. En algunos casos, la cobertura por lugar de vacunación puede superar el 100 %, lo que puede indicar que personas de otras áreas acuden a vacunarse allí. Las funciones de distribución y mapa de calor ayudan a visualizar estos patrones y pueden mostrar qué áreas funcionan como centros de servicio o hacia dónde se desplazan las personas para vacunarse. + +En general, este tipo de análisis ayuda a comprender los flujos poblacionales y apoya una mejor planificación de los programas de inmunización. diff --git a/vignettes/articles/es/roc_workflow_1.svg b/vignettes/articles/es/roc_workflow_1.svg new file mode 100644 index 0000000..3ad70b4 --- /dev/null +++ b/vignettes/articles/es/roc_workflow_1.svg @@ -0,0 +1,4 @@ + + + +
Table
Plot
roc_coverage()
roc_coverage_by()
Table
EIR
schedule
population
roc_barplot()
Analyze
Analyze
Analyze
\ No newline at end of file diff --git a/vignettes/articles/es/roc_workflow_2.svg b/vignettes/articles/es/roc_workflow_2.svg new file mode 100644 index 0000000..cbb2b7c --- /dev/null +++ b/vignettes/articles/es/roc_workflow_2.svg @@ -0,0 +1,4 @@ + + + +
Table
Plot
roc_distribution()
EIR
roc_heatmap()
Analyze
Analyze
\ No newline at end of file diff --git a/vignettes/dropout_vignette_fig1.svg b/vignettes/dropout_vignette_fig1.svg deleted file mode 100644 index 0a91f5a..0000000 --- a/vignettes/dropout_vignette_fig1.svg +++ /dev/null @@ -1 +0,0 @@ -DTP1cvcoverageDTP3cvcoverageDropoutrateABPersonsreceivingDTP1cvPersonsreceivingDTP1cv& DTP3cvNominaldropoutrate \ No newline at end of file