From 0bd7ca206b68d4370d4e7d6a208ea90d2b4c9342 Mon Sep 17 00:00:00 2001 From: danalvarez Date: Mon, 1 Jun 2026 11:44:34 -0600 Subject: [PATCH 1/4] Improve dose detection in cs_upsetplot (closes #27) No longer depend on word boundaries --- R/cs_upsetplot.R | 6 ++++-- 1 file changed, 4 insertions(+), 2 deletions(-) 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 From 46ae85863054b8260a2fc99724356ca96ed289b2 Mon Sep 17 00:00:00 2001 From: danalvarez Date: Mon, 1 Jun 2026 12:10:01 -0600 Subject: [PATCH 2/4] Improve docs Fix typos and misstatements --- README.md | 2 +- vignettes/birth_cohort_coverage_en.Rmd | 10 +++++----- vignettes/example_datasets_en.Rmd | 2 +- vignettes/nominal_dropout_en.Rmd | 19 ++++++++++++------- vignettes/residence_occurrence_en.Rmd | 2 +- 5 files changed, 20 insertions(+), 15 deletions(-) diff --git a/README.md b/README.md index 246f3d9..c488855 100644 --- a/README.md +++ b/README.md @@ -15,7 +15,7 @@ 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) Calculates dropout rates between any two vaccine doses using nominal data. This module ensures accurate follow-up tracking across a vaccination schedule. diff --git a/vignettes/birth_cohort_coverage_en.Rmd b/vignettes/birth_cohort_coverage_en.Rmd index 2774183..71a95b5 100644 --- a/vignettes/birth_cohort_coverage_en.Rmd +++ b/vignettes/birth_cohort_coverage_en.Rmd @@ -23,16 +23,16 @@ 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 +92,7 @@ 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 +140,7 @@ 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/example_datasets_en.Rmd b/vignettes/example_datasets_en.Rmd index b0b028e..56e01ea 100644 --- a/vignettes/example_datasets_en.Rmd +++ b/vignettes/example_datasets_en.Rmd @@ -41,7 +41,7 @@ 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/nominal_dropout_en.Rmd b/vignettes/nominal_dropout_en.Rmd index ef57b11..12e2e73 100644 --- a/vignettes/nominal_dropout_en.Rmd +++ b/vignettes/nominal_dropout_en.Rmd @@ -23,9 +23,14 @@ 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: -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. +$$ +\text{Dropout rate (\%)} = +\frac{\text{DTP1 doses administered} - \text{DTP3 doses administered}}{\text{DTP1 doses administered}} \times 100 +$$ + +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. ![Figure 1. Visual representation of a nominal dropout analysis.](nod_rationale.png) @@ -97,7 +102,7 @@ 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 +132,13 @@ 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. -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 +157,9 @@ 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/residence_occurrence_en.Rmd index 75facb4..6563ab0 100644 --- a/vignettes/residence_occurrence_en.Rmd +++ b/vignettes/residence_occurrence_en.Rmd @@ -299,7 +299,7 @@ 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 From d70282d2223d8cace987be26e455586248385cc1 Mon Sep 17 00:00:00 2001 From: danalvarez Date: Mon, 1 Jun 2026 14:17:38 -0600 Subject: [PATCH 3/4] Added spanish translations for vignettes and README Refactored vignette structure for multilingual approach. Translated with Claude, so spanish versions still need human review. Also pending translating images. --- README.es.md | 42 +++ README.md | 12 +- _pkgdown.yml | 10 +- .../{ => articles/en}/ADM_explanation.svg | 0 vignettes/{ => articles/en}/bc_workflow.svg | 0 .../en}/birth_cohort_coverage_en.Rmd | 2 + .../en}/complete_schedule_en.Rmd | 2 + vignettes/{ => articles/en}/cs_workflow.svg | 0 .../{ => articles/en}/example_datasets_en.Rmd | 2 + vignettes/{ => articles/en}/nod_rationale.png | Bin vignettes/{ => articles/en}/nod_workflow.svg | 0 .../{ => articles/en}/nominal_dropout_en.Rmd | 2 + .../en}/residence_occurrence_en.Rmd | 2 + .../{ => articles/en}/roc_workflow_1.svg | 0 .../{ => articles/en}/roc_workflow_2.svg | 0 vignettes/articles/es/ADM_explanation.svg | 4 + vignettes/articles/es/bc_workflow.svg | 4 + .../articles/es/birth_cohort_coverage_es.Rmd | 156 +++++++++ .../articles/es/complete_schedule_es.Rmd | 196 +++++++++++ vignettes/articles/es/cs_workflow.svg | 4 + vignettes/articles/es/example_datasets_es.Rmd | 139 ++++++++ vignettes/articles/es/nod_rationale.png | Bin 0 -> 79550 bytes vignettes/articles/es/nod_workflow.svg | 4 + vignettes/articles/es/nominal_dropout_es.Rmd | 178 ++++++++++ .../articles/es/residence_occurrence_es.Rmd | 312 ++++++++++++++++++ vignettes/articles/es/roc_workflow_1.svg | 4 + vignettes/articles/es/roc_workflow_2.svg | 4 + vignettes/dropout_vignette_fig1.svg | 1 - 28 files changed, 1069 insertions(+), 11 deletions(-) create mode 100644 README.es.md rename vignettes/{ => articles/en}/ADM_explanation.svg (100%) rename vignettes/{ => articles/en}/bc_workflow.svg (100%) rename vignettes/{ => articles/en}/birth_cohort_coverage_en.Rmd (98%) rename vignettes/{ => articles/en}/complete_schedule_en.Rmd (98%) rename vignettes/{ => articles/en}/cs_workflow.svg (100%) rename vignettes/{ => articles/en}/example_datasets_en.Rmd (98%) rename vignettes/{ => articles/en}/nod_rationale.png (100%) rename vignettes/{ => articles/en}/nod_workflow.svg (100%) rename vignettes/{ => articles/en}/nominal_dropout_en.Rmd (98%) rename vignettes/{ => articles/en}/residence_occurrence_en.Rmd (99%) rename vignettes/{ => articles/en}/roc_workflow_1.svg (100%) rename vignettes/{ => articles/en}/roc_workflow_2.svg (100%) create mode 100644 vignettes/articles/es/ADM_explanation.svg create mode 100644 vignettes/articles/es/bc_workflow.svg create mode 100644 vignettes/articles/es/birth_cohort_coverage_es.Rmd create mode 100644 vignettes/articles/es/complete_schedule_es.Rmd create mode 100644 vignettes/articles/es/cs_workflow.svg create mode 100644 vignettes/articles/es/example_datasets_es.Rmd create mode 100644 vignettes/articles/es/nod_rationale.png create mode 100644 vignettes/articles/es/nod_workflow.svg create mode 100644 vignettes/articles/es/nominal_dropout_es.Rmd create mode 100644 vignettes/articles/es/residence_occurrence_es.Rmd create mode 100644 vignettes/articles/es/roc_workflow_1.svg create mode 100644 vignettes/articles/es/roc_workflow_2.svg delete mode 100644 vignettes/dropout_vignette_fig1.svg diff --git a/README.es.md b/README.es.md new file mode 100644 index 0000000..d30218f --- /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 (A)nálisis de inmunización (B)eyond (C)overage, es decir, más allá de la cobertura. + +PAHOabc busca apoyar la misión de la Unidad de Inmunización Integral de la Familia (CIM) de la Organización Panamericana de la Salud (OPS) proporcionando herramientas avanzadas de análisis de datos para los programas de inmunización en las Américas. En concreto, facilita el cálculo de indicadores innovadores más allá de la cobertura básica, apoya la toma de decisiones basada en evidencia mediante la exploración y visualización profunda de los datos, y contribuye a fortalecer las capacidades de datos dentro de los programas de inmunización al empoderar al talento humano para aprovechar eficazmente 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 deserción nominal**](https://im-data-paho.github.io/pahoabc/articles/es/nominal_dropout_es.html) + Calcula las tasas de deserción entre cualquier par de dosis de vacunas utilizando datos nominales. Este módulo permite un seguimiento preciso a lo largo de un esquema de vacunación. + +2. [**Análisis de residencia vs. ocurrencia**](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 residen las personas frente al lugar donde fueron vacunadas. Este módulo ayuda a identificar el movimiento de la población y las 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, ya que evalúa el cumplimiento del esquema nacional de vacunación por cada individuo. + +4. [**Cobertura por cohorte de nacimiento**](https://im-data-paho.github.io/pahoabc/articles/es/birth_cohort_coverage_es.html) + Permite a los usuarios monitorear y visualizar el estado de vacunación de una cohorte específica de recién nacidos. Ayuda a evaluar la protección a nivel poblacional frente a las enfermedades prevenibles por vacunación. + +Cada módulo funciona sin inconvenientes con los conjuntos de datos de ejemplo incluidos en el paquete. Estos ejemplos facilitan probar la funcionalidad 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** de la barra de navegación. + +## Contribuir + +Agradecemos sugerencias, reportes de errores y solicitudes de nuevas funciones a través de la página de [GitHub Issues](https://github.com/IM-Data-PAHO/pahoabc/issues). Si desea contribuir con código o correcciones, no dude en abrir un [pull request](https://github.com/IM-Data-PAHO/pahoabc/pulls). diff --git a/README.md b/README.md index c488855..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. @@ -17,19 +19,19 @@ devtools::install_github("IM-Data-PAHO/pahoabc") 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 49c6344..5f27aa5 100644 --- a/_pkgdown.yml +++ b/_pkgdown.yml @@ -15,17 +15,17 @@ 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: ------- - 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 98% rename from vignettes/birth_cohort_coverage_en.Rmd rename to vignettes/articles/en/birth_cohort_coverage_en.Rmd index 71a95b5..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) 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 98% rename from vignettes/example_datasets_en.Rmd rename to vignettes/articles/en/example_datasets_en.Rmd index 56e01ea..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) 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 98% rename from vignettes/nominal_dropout_en.Rmd rename to vignettes/articles/en/nominal_dropout_en.Rmd index 12e2e73..b58422e 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) diff --git a/vignettes/residence_occurrence_en.Rmd b/vignettes/articles/en/residence_occurrence_en.Rmd similarity index 99% rename from vignettes/residence_occurrence_en.Rmd rename to vignettes/articles/en/residence_occurrence_en.Rmd index 6563ab0..f9979c8 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) 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..e9088e5 --- /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: "February 12, 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 monitorear una cohorte específica de recién nacidos para determinar su estado de vacunación y estimar el nivel de protección poblacional frente a las enfermedades prevenibles por vacunación. Este análisis es esencial para prevenir la acumulación de personas susceptibles, maximizar la inmunidad de rebaño y desarrollar estrategias de vacunación dirigidas a quienes no han recibido las dosis necesarias. + +La cobertura de vacunación por cohorte de nacimiento se calcula mediante la siguiente fórmula: + +$$ +\text{Cobertura por cohorte de nacimiento (\%)} = +\frac{\text{# de personas vacunadas en una cohorte de nacimiento específica}}{\text{Total de personas en la cohorte de nacimiento específica}} \times 100 +$$ + +> **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 que usted proporcione tres conjuntos de datos en un formato específico. + +1. Su EIR. +2. El esquema de vacunación relacionado con este EIR. +3. Opcionalmente, una tabla con denominadores poblacionales al mismo nivel geográfico de desagregación que su análisis. + +Para facilitarle la prueba de la funcionalidad de PAHOabc y la comprensión de la estructura que requerimos para sus conjuntos de datos, exploraremos ahora los conjuntos de datos de ejemplo proporcionados por PAHOabc que requiere este módulo. + +### EIR + +El data frame `pahoabc::pahoabc.EIR` proporciona una tabla simulada de nivel nominal que representa eventos de vacunación individuales de un Registro Electrónico de Inmunización (EIR). Cada fila corresponde a un único acto de vacunación de una persona, incluyendo información sobre su residencia, dónde fue vacunada (ocurrencia), su fecha de nacimiento y la dosis de vacuna recibida. + +```{r pahoabc-EIR, message=FALSE} +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Electrónico de Inmunización") +``` + +- `ID`: Número único de identificación de la persona. +- `date_birth`: Fecha de nacimiento de la persona. +- `date_vax`: Fecha del evento de vacunación. +- ADM1: Hace referencia al primer nivel administrativo geográfico del país. +- ADM2: Hace referencia al segundo nivel administrativo geográfico del país. +- Residence: Hace referencia al lugar donde vive la persona. +- Occurrence: Hace referencia al lugar donde ocurrió el evento de vacunación. +- `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, listando cada dosis de vacuna y su edad recomendada de administración (en días). Ayuda al paquete a determinar si una persona está al día con sus vacunas. + +```{r pahoabc-schedule, message=FALSE} +pahoabc.schedule %>% kable(caption = "Ejemplo de esquema de vacunación") +``` + +- `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. +- `age_schedule`: La edad recomendada de administración de la `dose` correspondiente, en días. +- `age_schedule_low`: El límite inferior de la edad objetivo en días. +- `age_schedule_high`: El límite superior de la edad objetivo en días. + +> **Nota** +> +> Los nombres en `dose` deben coincidir exactamente con los de la columna `dose` del conjunto de datos `pahoabc.EIR`. + +### Denominadores poblacionales + +Si bien no es obligatorio, este módulo le permite proporcionar una tabla de población para usarla como denominador en el cálculo de la cobertura. El nivel geográfico de esta tabla dependerá directamente del nivel geográfico de su análisis. Por ejemplo, si fuera a realizar un análisis a nivel ADM1, la tabla de denominadores poblacionales requerida debe contener lo siguiente. + +```{r pahoabc-pop-ADM1, message=FALSE} +pahoabc.pop.ADM1 %>% head() %>% kable(caption = "Ejemplo de población a nivel ADM1") +``` + +Tenga en cuenta que esta tabla está en formato largo y contiene la `population` de niños de una `age` específica durante un `year` determinado para un cierto nivel `ADM1`. + +> **Nota** +> +> Tenga en cuenta que, dado que este análisis se realiza con cohortes de nacimiento, solo las filas con `age`=0 son de interés en la tabla de población, ya que estas representan el número de niños que pertenecen a esa cohorte de nacimiento (año) específica. + +## Análisis de cobertura por cohorte de nacimiento + +Este módulo permite a los usuarios estimar la cobertura de vacunación por cohorte de nacimiento. Esto permite el análisis de cualquier vacuna entre una cohorte de nacimiento específica. Para una interpretación correcta, debe tener en cuenta que representa el porcentaje de personas vacunadas de un año de nacimiento específico, independientemente del año en que fueron vacunadas, por lo que podría diferir de la cobertura administrativa de un año en particular. Además, permite a los usuarios seleccionar el nivel de agregación de los resultados, que puede ser a nivel nacional o a niveles subnacionales (`ADM1` o `ADM2`). + +### Flujo de trabajo esperado + +Las funciones `bc_coverage()` y `bc_barplot()` proporcionan una forma de analizar y visualizar la cobertura por cohorte de nacimiento. Sus relaciones se muestran 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, un caso de uso sencillo de la función `bc_coverage()`, donde usamos nuestro conjunto de datos de ejemplo para calcular la cobertura de vacunación de la primera dosis de la vacuna que contiene sarampión, para la cohorte del año de nacimiento 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") +``` + +Podemos observar visualmente estos resultados llamando a la función `bc_barplot()` como se muestra a continuación. + +```{r cov-viz-example, message=FALSE, fig.width=12, fig.height=6} + +# visualizar la salida de bc_coverage() +coverage_plot <- bc_barplot(data = coverage_df, vaccine = "SRP1") + +# mostrar +coverage_plot +``` + +Una revisión de los distintos niveles subnacionales revela una disparidad significativa: la región `ADM1_4` registra el mejor desempeño en vacunación (~47 %), mientras que el área `ADM1_2` exhibe el peor resultado (~25 %). + +# Resumen + +Al incorporar la cobertura de vacunación basada en la cohorte de nacimiento, PAHOabc permite a los funcionarios de salud pública evaluar con precisión el nivel de inmunidad de grupos poblacionales específicos dentro de un territorio determinado. Este conocimiento profundo y específico por cohorte es esencial para una planificación estratégica eficaz, incluyendo la ejecución de campañas de seguimiento de sarampión y rubéola y el desarrollo de estrategias dirigidas de puesta al día de la vacuna 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..4fe41b8 --- /dev/null +++ b/vignettes/articles/es/complete_schedule_es.Rmd @@ -0,0 +1,196 @@ +--- +title: "Cobertura de esquema completo" +author: "OPS/CIM" +date: "April 11, 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 ha sido completamente vacunada de acuerdo con el esquema de vacunación definido por el país para una ubicación, cohorte y edad específicas. + +Imagine la República de "ImmunoNation". En ImmunoNation, un esquema de inmunización completo 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, paperas y rubéola). +- *En algún momento de la infancia*: 1 dosis de la vacuna contra la fiebre amarilla. + +Este es solo un ejemplo de cómo podría verse un esquema de inmunización completo en un país como ImmunoNation. Cada país define las vacunas y el número de dosis necesarias para proteger a su población frente a distintas enfermedades. + +Para construir este indicador, es esencial evaluar si cada persona recibió todas las dosis especificadas 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 + +## Límites político-geográficos + +A lo largo de esta viñeta haremos referencia a distintos niveles de límites político-geográficos. Estos niveles están definidos por el país/territorio y pueden tener distintos nombres de un país a otro. PAHOabc es agnóstico respecto a estos nombres y requiere que el usuario recodifique los nombres de sus variables para ajustarse a la estructura de PAHOabc. + +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 las vacunas + +Nuestros conjuntos de datos de ejemplo utilizan una convención de nombres específica para las dosis de vacunas. Es posible que esto no coincida con sus propios esquemas de nombres, pero no afectará el uso del paquete siempre que se asegure de ser consistente al nombrar las dosis de vacunas. + +Por ejemplo, los nombres de las vacunas utilizados en el paquete PAHOabc son: + +| Abreviatura | Nombre completo | +|--------------|------------------------------------------------------------------| +| SRP1 | Vacuna contra sarampión, rubéola y parotiditis (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 que usted proporcione tres conjuntos de datos en un formato específico. + +1. Su EIR. +2. El esquema de vacunación relacionado con este EIR. +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 facilitarle la prueba de la funcionalidad de PAHOabc y la comprensión de la estructura que requerimos para sus conjuntos de datos, exploraremos ahora los conjuntos de datos de ejemplo proporcionados por PAHOabc que requiere este módulo. + +### EIR + +El data frame `pahoabc::pahoabc.EIR` proporciona una tabla simulada de nivel nominal que representa eventos de vacunación individuales de un Registro Electrónico de Inmunización (EIR). Cada fila corresponde a un único acto de vacunación de una persona, incluyendo información sobre su residencia, dónde fue vacunada (ocurrencia), su fecha de nacimiento y la dosis de vacuna recibida. + +```{r pahoabc-EIR, message=FALSE} +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Electrónico de Inmunización") +``` + +- `ID`: Número único de identificación de la persona. +- `date_birth`: Fecha de nacimiento de la persona. +- `date_vax`: Fecha del evento de vacunación. +- ADM1: Hace referencia al primer nivel administrativo geográfico del país. +- ADM2: Hace referencia al segundo nivel administrativo geográfico del país. +- Residence: Hace referencia al lugar donde vive la persona. +- Occurrence: Hace referencia al lugar donde ocurrió el evento de vacunación. +- `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, listando cada dosis de vacuna y su edad recomendada de administración (en días). Ayuda al paquete a determinar si una persona está al día con sus vacunas. + +```{r pahoabc-schedule, message=FALSE} +pahoabc.schedule %>% kable(caption = "Ejemplo de esquema de vacunación") +``` + +- `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. +- `age_schedule`: La edad recomendada de administración de la `dose` correspondiente, en días. +- `age_schedule_low`: El límite inferior de la edad objetivo en días. +- `age_schedule_high`: El límite superior de la edad objetivo en días. + +> **Nota** +> +> Los nombres en `dose` deben coincidir exactamente con los de la columna `dose` del conjunto de datos `pahoabc.EIR`. + +### Denominadores poblacionales + +Este módulo requerirá que usted proporcione una tabla con denominadores poblacionales. El nivel geográfico de esta tabla dependerá directamente del nivel geográfico de su análisis. Por ejemplo, si fuera a realizar un análisis a nivel ADM1, la tabla de denominadores poblacionales requerida debe contener lo siguiente. + +```{r pahoabc-pop-ADM1, message=FALSE} +pahoabc.pop.ADM1 %>% head() %>% kable(caption = "Ejemplo de población a nivel ADM1") +``` + +Tenga en cuenta que esta tabla está en formato largo y contiene la `population` correspondiente de niños de una `age` específica durante un `year` determinado para un cierto nivel `ADM1`. + +## Análisis de cobertura de esquema completo + +### Flujo de trabajo esperado + +Las funciones `cs_coverage()`, `cs_barplot()` y `cs_upsetplot()` proporcionan una forma de analizar y visualizar la cobertura de esquema completo. Sus relaciones se muestran 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 del cálculo de la cobertura de esquema completo para el primer nivel administrativo subnacional, centrándose en la cohorte de nacimiento del año 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 la salida de cs_coverage() +coverage_plot <- cs_barplot(data = coverage_df) + +# mostrar +coverage_plot +``` + +### Gráfico UpSet + +La función `cs_upsetplot()` nos permite producir un gráfico UpSet para evaluar el porcentaje de personas incluidas en el EIR que han recibido cualquiera de las posibles combinaciones de las vacunas disponibles. La barra naranja representa la proporción de personas que han recibido todas las vacunas evaluadas, indicando así la cobertura de esquema completo. Las barras horizontales muestran la proporción de personas que recibieron 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. + +Es notable que el 24,1 % de las personas en el EIR recibieron únicamente la vacuna BCG, y que la tercera combinación más frecuente (9,1 %) corresponde a personas que recibieron todas las demás vacunas excepto la BCG. Esto podría indicar un error en el registro de la vacuna BCG de un recién nacido usando 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..c6f0134 --- /dev/null +++ b/vignettes/articles/es/example_datasets_es.Rmd @@ -0,0 +1,139 @@ +--- +title: "Uso de nuestros conjuntos de datos de ejemplo" +author: "OPS/CIM" +date: "April 14, 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 un conjunto de datos de ejemplo para ayudar a los usuarios a comprender cómo utilizar sus funciones de manera efectiva. Estos conjuntos de datos simulan el sistema de información de inmunización de un país ficticio y están estructurados para funcionar sin inconvenientes con las herramientas que proporciona el paquete. Esta viñeta ofrece una descripción general de cada conjunto de datos y describe cómo se utilizan en los distintos módulos del paquete. + +# Glosario + +## Límites político-geográficos + +A lo largo de esta viñeta haremos referencia a distintos niveles de límites político-geográficos. Estos niveles están definidos por el país/territorio y pueden tener distintos nombres de un país a otro. PAHOabc es agnóstico respecto a estos nombres y requiere que el usuario recodifique los nombres de sus variables para ajustarse a la estructura de PAHOabc. + +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 las vacunas + +Nuestros conjuntos de datos de ejemplo utilizan una convención de nombres específica para las dosis de vacunas. Es posible que esto no coincida con sus propios esquemas de nombres, pero no afectará el uso del paquete siempre que se asegure de ser consistente al nombrar las dosis de vacunas. + +Por ejemplo, los nombres de las vacunas utilizados en el paquete PAHOabc son: + +| Abreviatura | Nombre completo | +|--------------|------------------------------------------------------------------| +| SRP1 | Vacuna contra sarampión, rubéola y parotiditis (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 data frame `pahoabc::pahoabc.EIR` es el conjunto de datos más importante del paquete. Es una tabla de nivel nominal que representa eventos de vacunación individuales de un Registro Electrónico de Inmunización (EIR, por sus siglas en inglés). Cada fila corresponde a un único acto de vacunación de una persona, incluyendo información sobre su residencia, dónde fue vacunada, su fecha de nacimiento y la dosis de vacuna recibida. + +```{r pahoabc-EIR, message=FALSE} +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Electrónico de Inmunización") +``` + +- `ID`: Número único de identificación de la persona. +- `date_birth`: Fecha de nacimiento de la persona. +- `date_vax`: Fecha del evento de vacunación. +- ADM1: Hace referencia al primer nivel administrativo geográfico del país. +- ADM2: Hace referencia al segundo nivel administrativo geográfico del país. +- Residence: Hace referencia al lugar donde vive la persona. +- Occurrence: Hace referencia al lugar donde ocurrió el evento de vacunación. +- `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, listando cada dosis de vacuna y su edad recomendada de administración (en días). Ayuda al paquete a determinar si una persona está al día con sus vacunas. + +```{r pahoabc-schedule, message=FALSE} +pahoabc.schedule %>% kable(caption = "Ejemplo de esquema de vacunación") +``` + +- `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. +- `age_schedule`: La edad recomendada de administración de la `dose` correspondiente, en días. +- `age_schedule_low`: El límite inferior de la edad objetivo en días. +- `age_schedule_high`: El límite superior de la edad objetivo en días. + +> **Nota** +> +> Los nombres en `dose` deben coincidir exactamente con los de la columna `dose` 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. Dependiendo del nivel geográfico al que queramos realizar un análisis, PAHOabc puede requerir que usted proporcione la población correspondiente para usarla como denominador (principalmente para 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 `population` correspondiente de niños de una `age` específica durante un `year` determinado. + +### pahoabc.pop.ADM1 + +El conjunto de datos `pahoabc::pahoabc.pop.ADM1` proporciona datos poblacionales agregados al primer nivel administrativo subnacional (ADM1), que típicamente corresponde a regiones, provincias o estados. + +```{r pahoabc-pop-ADM1, message=FALSE} +pahoabc.pop.ADM1 %>% head() %>% kable(caption = "Ejemplo de población a nivel ADM1") +``` + +Tenga en cuenta que esta tabla está en formato largo y contiene la `population` correspondiente de niños de una `age` específica durante un `year` determinado al nivel `ADM1`. + +### pahoabc.pop.ADM2 + +El conjunto de datos `pahoabc::pahoabc.pop.ADM2` proporciona datos poblacionales más granulares por niveles ADM1 y ADM2, permitiendo análisis a una resolución geográfica más fina. + +```{r pahoabc-pop-ADM2, message=FALSE} +pahoabc.pop.ADM2 %>% head() %>% kable(caption = "Ejemplo de población a nivel ADM2") +``` + +Tenga en cuenta que esta tabla está en formato largo y contiene la `population` correspondiente de niños de una `age` específica durante un `year` determinado al nivel `ADM2`. + +# Resumen + +Todos los conjuntos de datos de ejemplo se cargan automáticamente con el paquete. Puede explorar su estructura usando `glimpse()` o `View()`. Están diseñados para funcionar sin inconvenientes con los argumentos predeterminados de todas las funciones, lo que le 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 Electrónico de Inmunización | +| `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 0000000000000000000000000000000000000000..7df772fc236e8c589fed9ad8dbdb4d7f15577970 GIT binary patch literal 79550 zcmY(r1yoes_db5<5Cl{ZkrD)i0qGDVB?JlSZs{&TasU+s6r@v1ddLBh1_23&ZfOvt zyYqkMec#V_{eP^b+;PplXPf?pDJ z3K-xQhMSt46jahny$U{HTS+QOLQr|+jSExsR|%Y->$*YE%~tduj1H&#R}gfaBQGtf z;bpXO>8GKg-MD>&m)hvPN_0r^hn^$c`44GPvHDT?3K2P&nPlW-Zz(az*@+)Xw!TQg z=gzfnApXr}V6I)k>G(S#IOX7oN!2XItv|)SsBZ$R;|U&}C$$)LX zuK%v#q0s*xFBot(l+LV_e20mYhNj{5=5LsG$&LyHB@+Md&MB`O%@Ke8{Bdf!j1Ndo zdULWfAJ3t`ESg(X6h4cfdEY<^t^H4uIoW$~4vHH&Rh5-|7P$Urt9jRZ2~9hFd>kZn zVyM2pyvSU;$NU@bpqF_6CjdJnCntA&cv#*+C+0goJlw|PY-&2M^2O4U=vU5vPk#|o zT`sur=XOq{SMc;#4RJ(u%hQ?1|L%T1#QRrXc6Km-`nXo!kUR+m1;tFQhuyDu4pmjv z*L7*4>wN)NZtChW73OdHzK8}~t{YF>>}Grv^V;2=ubPE>86(a~Gijt9|95}C#I9MYzS~+2Mwec_S%JlwUs3M4$NeMaLMfga|1-r&V9gqO6N0 z8QbK&7iEP0Uv(OaXJIPPNU*2COi?oqFO;KRkp_>8DI zCnrZUQk7QA=3q+nsZ&BA{@?l5kh`2lQ{Nm?I>NEh=d2jw4Qb&%p~2aUV6o7LdS{Rv;C``5b>ASY%SibzE3l@F;317*Z=mW{X(I>;#E7% zUWJHX%!^-yTsMEoYMW%S*k%(JP8K^U)~_DFp(>^I=7Gh1kMpBVLC2}@{+Gg&>Jte! z;mq{Vix9!TG;Vtz{n_Mr)<5v@xm!FD}yO{24^bh2K1wxm8cgl1`d6@JRIu z`(3!xbZwQxq(I@foIQ3jrx>;GVrouxtba?qF4(hV&UnnFEgHi()wNbctQMWKva=^r z?uw78+}y=VY(xjS#CP2KVrHd?YMn>l^eGKQIwr}+Q%v1v!7+8n)i*Fjl6bdGo_`%> z6!iHt?*ko$R*Pdp7{L%b4Tccs{J<*Z%uU$MK&^#MU54((SFc_<$Ec0#@40Ld{ymv; zTa{db6{0BTT?;yrp0KHF4R04#$ocy6f_0&&dx!Cn9sc-E<^AR}j6c{R*rZ-pR~J7& zf51sAo!Hfhx%b0P=;?ADX0!2s`v27M;Hfapv!s3trgii7`fVZmTdXfobVb)}lMC0zdwi zR@JX#K`aT%MV}(oJbqMM(@I1HQAt(EEIpQ8B38zaM8WCthNtfpUIc&hewtBn#3B;Z zZbs(0>^OhwD&h1oW_Wn`<9)%wrnr*)0~IGa>7^J~6_(|m6uIl2aed`SP8ePnFP)t- z@X(&}<;g!z+jSeRS?lmb={VIgt%Edm3)#F0u^TkJO95}6peAzSApV&cF3lF1v2jtU!%l0J|M884 z)CBy)r%$=~&H6oi4HBV1o~ zq`{m{8pzKuvU{mZYn&#Ub}x0?O*=M{g@wgUCa=EAuKgb44C;3WD~x@rkRh&)eMxMlnKR*7ulwFC%KQ7@?~igN+!GGaP)zKNf^hNsk8@pLLB1XO`Z&n~FuEw~6eZV^rT%$}{uOirZ&cf-ZL`1O8`+g}~Lf|GqKuX+$iQ8m-3aDR-%PY73Aj5!fD z2XY9$j7|g95Q69QEk1&*;8RoItq?L?Ue9-S?%wrm5l_seFSB@-W677kch6pKc?O(d zL^jl!H-bY>*K5>tw>0T;k zc5A=tuSQ%0g?>Tdg!|58H%!Q_|T9l2GBYG2GTh>CDxb1f0&0ga7k-!65E(B6Oij>!A=P@0}il+|_4#u#kY)w{2 z&fGdyr`kUOVIM%q9RkN1vck9}hZ!C&2qDJsU`;*_N5-Y7gQ)AJID7EACpq0QWnev% zew^bZcZh_WI!o+g`X!a&1_uP2jp(>*VazznMIr2^sZxpM(BYp)`Z!^R^lR~%8dA-MZ zQ36433r=;n6KR|<#yj~@05G2bB*#{l_O~a+^WwyXTiN-<$n36NA|8Y@w|#vWd4YSm zI~H0m)6b2?B}kZj<=cJfcQ1^cHf9l+FK{aJ0Pn4lj;CV4>iV%w5`OW!EJ*J;eo{&i z*!97JQ1V=x$_Oz`iKs_6Tv+M;uKBPEuFBzKarqfVKF+LHY8HOpAoJ1~vuyBnn-H7w zEoN&btFvk^MW?A+kMOHc8}LSII)JIHF?ar^2lW09rB=^Xbg418xD7$f56hs45jm(I zn5~6Q>(jRwI+avRSxRrhGa9i?!hqXd9?Z?r3tmku8a|P-(OTec7|EcRjs90J$&i7X z+Fs1?x%&4f91s-4@QwY+Q(O}uDxBF179^K4j8mQW9c%11!#4v0u+|S+d0_1hkXA2mo|DN;{Tq9=;BM&lF1|Ug2}Pmk z)sgN4n1IIH`>G4OiQUdApFi(T&R!ku%(os`k&7gaM3O)dJvPQk=VwN7qYyf6|7A8Q zl|-)j^X;a;>9`PnC_t3v-$dF219bebp#uCj5CzM=dg2|tv^U5g?vJ4+G}{X=Uj@y) zuRfmJO>9fQzWAG)%WT1o87as!{NKY9^`kS(%XbH|<$&r{#k~G>l3m$Aa5%nc-B1~{ z;nIxU6FQKZc}da?)_~6uWRjuFNb2{vb0VHw&PvbpjzjgyS$TP50+=Csda3a(K6c10 zJEQyzAF3deVnoAKAtK^t4i1j)jB{Y}{fkqNR`T=nw;Rtt1@J)40pOOlHAeIX7~aaF z>k?;5Do`SZ^DK>yjFc-)b))YUfAi1NC$|oCYGO&xL;f);E-g9?2}>zEX>b$#)*_~J zKtL1Ef~<^;-{s+${d%p(dTa_i#V?gFL_k&j-$csKLc8&uA%>8CDl%|OM%#C2YJ5CD z;yZfhj+?8is*WGS!q&F8wYR`Y!=tLvckEe1(##J88PIE(8bHemqE5dnY|Hh56SS0+^ zsc_d^xLBy)JF87|=n47sqb@FEngCA71v7_}VURuq58-RefHq!yCzq2vJ~-GB!8mn3 zI!qT1CpBy*QcIpkezMcav8*d-${vvH5x=P*&Pjr)$e&9Nwpr+ z?Kp{IO4Qwka8Ya;&7siFjYM*&)=V0r2ocn0r>KJj<%QVTY^Q5IF3RE9292)8RhQDL zOW#fod&Y7a^5T*9$|&hbSMj-pM`AAERtmMmwZ;WT#$*IM8MeEJ!P^4M|}$V z_<6eNn5ZS|ZcFoU!Q{apZ5YAwQ|`@c*D&Ad3t!bbdAa}D<;ml)||8kzHCM$ z)v;2hM5kyQ8BbSMgRRZH@Y61RQMtAX)N5rNu%DUzk>e9kQ`>2Ks)bc)A%V{?S+D{X z7mOf~41*pMiTRu1F;~~Ti|GyH3>i_4PxitQ_|5O$z4NU+yvLq-PpWfquY3K8C$c2p z-rmLC*g4s8CEV^+<*{1&WwWV^gz9%af!}HLx8S<+HzV*NOiP@DXH5`7?a}bp67SZRVYtQ7Z~gBNQFkO4kx>><22jVLseqzmNNYwP%nsj->?yGKehjIWGEwhyM&` zZs*xCbOECDUgoIE)>KU^-5u*5u%Yw7Rs+?R9i*j`7jom|-~ya|LaD)Gx(RLn7Pcua zsyo6GhY^zuAAMnAOA7asJBCt|lDcqymz0#0HXuP>aJ>HZP2eg+g7N*<%=(IO5xaeq zP?L}pV&Xok!iuxl#Q25UYa5`o;OZVvPTWmpQrc#OwBjo*E(X#k|6b+(oP`k7 zPt~}crb#$|mz5RiJBW3dX|aDKz*Jpp!}&hf*`UEc+tDhe;%Bgjj0JEntU^v(oZo59 z!_5d^X;-v%%kV6h7^73-3JBOCfXdaKEM#S6H8siGl^ttKdDuMN-JK;9GJ=r{O0gl? z+1W2%yeKLxv=_L4nZRVVH3I%+tkih>iuE6E29QL6Okq*^GF9zF*T7V==#5$|%65Vr zZEWTT5uDRoob@}H$B6Z@(tVLY_)5dD_H?DTu2Y%){-<7E(R`H*9&MQP+}noiJtUy%XJP(6>Zo0w>A_tV{)|{j(VQ$%s(rS)V>E7 zZ6wUmI-)-|-lgx>R#8^gI+{{z*20zDwO(Lc*c}-Vg!I|tp)ACAdS`QUMu)7&uEuJ7 zFL|8Z%F5dV&mAPCjy=QKs>@5c#YCHGZAww@7H+220>EcF$c?b2i zVyKGm{JXocehUi;IQ1^4-TX`N)UO+Az<{v?@lG${;zZL8e}!JFJ&9xT(NsFdVQEUo z1_2C(iBceW$PJ?;!)Gzk@}~cwdm5VhWtl^b$Cs%2|AkXu#4lnw^uLw;+1MP>?c4cX zWmjrYlQq=_P}SNBC47Bt?K?G$*~3XOiRYcq)|hd?M_Q965CW0O=jE(59wL*eewP=@ z^g{VR8S5~f`q;?)O``SBi(<%=!^*(6w16`C(Nd6@XyKCTA@|6hi1z%yx$jPyE)F{t zxQzHKNnE-X}>B_=K%RwXa3^2 z{I_9AwbupULY}$2b9DfaL9k$gIA8$qi9p?ZiutH+xjzSdt(a&GCj2(;{G8{G?o;Lt zz@i;(PA0_1%a+Ic9C8C^`Gi49sRE?8r1-EOu0N?FZQpYl)&C|pBVYB7t3am3%Uk_4vD@NCLj11M3pBXsM2lXoKd2+#_IF?N0@6pDScr!6hgVIt< zjG;Ks#jjqW?aI`NY&Zc@bOF?EIxRKzpP%ABsSgz&1s4I-$DiL`{pZ*2h$JK+2$BsS zop86M!b6J$1tE0?9x^M!cdx2EZA7Wi0o#VV87;hYGvaGI1dhZ;^kcNChQ=^ZM_fy^ zX1v;a*+?=C#gv(&uhW3KZ0qb1wc7E2QS=*r5y&5g*olOO=F1|1gH zjS;hu;)*Cu8yg!<&A1-R?CVcYu#( zxwqfF?!&p8M-vqmm=ZjqaRC)9K@d>Vd1Tl)Yh7yKNuw0P{!1I#aqE-|jAzY870 zRO&p|M*)W(`z{s`Qs1Sz*~o@FAQUrs__NOh-uGu_f;-G_1zhc?gIZ?%yjq9d=V*h> zQ(e4K7{8g>{NySaA1#^LXW5g$jUgut7+?#1cAEmZtEq*MK%wiZeo^g0N>9`{R8(VG7aWl zd_6bN%w?iAudsv8U1}IeLhT?y7+qjq5)HOVfhnV#nYwEV2~9hu`@9?o?B7O%X#cr~ z(nQNtg$sSp9uUkYi2Hx{$lv?^B%eCzcHz5TI0n&dK>zrHNp)6L@l%3GTyHF77&WE< zdJhk{bOs^? z4{^TW`JbF0zWXlefn*!O1QQdbW4gx>57gLWq$imtxnn^zKOg~OkLk~q>&w~e$bgfm z0C#p@^jYDPN2iSZ18&5-TsB^TRQ(WmA%Ivj!(gL6-@c`r$blzQU1QF1H>Uhg=j@f> z-v#rzIGKLjYrKY&=OY|{-$!lQdhzvBCu#~w4jd157tG$dh?rf*5=%y>0PF&k?amPm zz)*JQ1ccSG9S1M}|9}%fxl*I1mZrGSHo5;P@8Hh|cR&);COdGpI^i6dQ8`%qzj z)J8FlLp^o#cEjrMmCjP{NB$4)QT0p6wgh@6iv+bX?nBCbCqXmHq5oO#vj}8qx^30E z>erizG+Grr0!(8r8xNZ%@a6_2U_hP0lz#Hs-|pffu7}G`p0^y#F4ynKZ}s&#mAUF) z>m1#Rz^9bWM}Y{KI&9~dr&r>rjg9?anW;ux`r_wfsFr6Qj(+Q#Mtyi{0{du8C+8S9|UDoTY zZilPKR(O%P$-r<~u1ddTU)xL*J-(!(rzGQof_v8X;_QkyS;E+=Rht;pqYn>lCl8j3 zhkzRJ#C#MY3UKXK3@VX+SwJM9kkQm929&)A&Ty?B;UccGeuA#iRY`Wt1x||=+ z3tzTEy-+fakGteFPJQXy@3vo=61INs=cRW3MfkCZ3&Ie>2FNU!xOexM1@8yZY7VwYF|?{7Xt?98vKdJue3xTcQN43Sq-1OtLHRzW;sq#y z?5Z52QnBr|tPRj1BHQKYaELgs8P^bA_MmK`$lf_2^0xNe0KJKc78z!E%fIGLPXM@92Y-Za*E$KIM2nr+U+JzWVfi zljXagaUiA$+&o&hwRhQ>WC#YqW!!bsp7fs9)O+xw_yn-!aC)fRLDanZ`mG5-iAC?@QU~UID6?N)^kf z)$v2$lf&aP2JP+d>gVRa6rv}p$x@>2?8c}4TDk&UG9}opnz!e9{gcQs%g{36YdQ8F z?~>=fuWOPKLylc_Fij= zJqnPooEvhjVK~pe1l8+X{AQi+6sC7Cd;ZHVP2Csm$NZ_WhTvdWG{kMW&!XGDK(mL3 z%YtHtdkao(Mnb#GiU*J13gS1{E>hhq24Sn2$j5DdW8KL?JoAf345D;MYO@<>Dy3Rk zq)J@N;BQ*N*e-i@0PxD0JzZd^w~d2h8wzvtUG+h%yfu1oY&~Jdq-lI$+t94XA ze83OWn%Y_?_cW2()ttLQW~SBbr4z^i&;db*3g%E|jV?gxpEaw)R1EudV!W#M?{Q;G zMK*q*dMetoJ23okef_|Lsh9ILwTR8dw)f7kq|4K^7AZ)86TkV4$M+h8Tsc&wj|7># zSMnKMo`P!KTe1Gb>L>_gYlTKOGs4AVyBkZ4+*u*ES%H0DT)(NvSmpVxluWiK)Go1g?pe1PmnRu}*7n2*SJts|zRA zYtDUM<>eS3gsa5kIasOFzc`6IkI$)k(dNZ{@Pn>w=hod|6dYd?k{iti76MEAK8SE- zdbZTlL+hQu2i>1>yZG;ptP7s>FuwxeVe3ZkPYOJJ+sLkD-n??=^7FY@R_D?KOvIxj zy;k|TO|FQWHXzCajFH!C9Gi)gE5ADeZ1=|oAJ)&?{+2iou`O|em9}ic9^>w(U}0L49|1wyL6)n{6Y{Zn*J70MB)EE8=u=v1 zLuJsmu3@xgsb4t=34f|zq;1{?NB>J-?1e5WN|=F4pZbCE;^UKrB0w>`7O6j0qXR7< z%^zI|_@8Ek1edj$7D!V3--L7={(@vPjmHwsf!E1txalja`>4o%|7NfoBRXhE0L+56 zIp@PO;=0<=Nk?`*ycLz@hU@e{AO<-g3>Yh=XEd zmxM+WGwY5!O|gzvUd~h96ZN=SSmd9*dnpu}^RNa4tUrvY!P;Q8Z~VO9M`lE7dvRY! zKB?@lAl+R(#f=oh%x$f=#QA}hNWSx#zQ=ZMnf{|iPTa@-b-M^$F`vSGp?4pVydK_f zb>Gq9H|zai?$OuQz?~b&Gy}#2w9w5zyC2^d*33U^Q{`!K>ywhMMm4g>{aLn6o3gLB ze`lT`mJN4-ZXg$yCC<->lxVww7n1`mH}4K;><*Hw78-RR?FYI6k)=46Vb+ZJL4v z?X`kZ5@vN8ANO#*TBGz0znAxq#W(CK!f%UVY=EBFG0us7r1CuAJ~4egcbabC4z49m zJz1HqVWaCu;g2@b_jAv?Gcw%VSBxKC#}xQK2ik%y9+Xf-ni zCTW6Tr=q4+OTK=;EBBY2Sw+Iv0lIup>#zE6a}||=t|bjh+W0k?kL`cw!bWTb#{fey;~ocsUVHp%o7)s= zxzmR||CSZSW&kojAT&QSJhscWLx=0I4uBof{4S$sfA=Ixv8JSKpgnVet3!JH2XoNFK=G< zLV%RJ(+S}4=AM>MCCG2@rw`U|^LuQia5kuNdmi4*eYft(8BjW%Qo*JlE7FvTd|>MT z!AmEM7!*SQBAm^5FcWaWNa4Bw`q`AZM=<^RW{DeSnDiWgrBxDbjT#4l4X;#S+*~kZ zFhnf`PWTR}C`Jippd53E2Uf=uS2@-07febTH$4Wvs z--6t;g4^_#kq!hy-M`Ot<$2hi-bdpN0GJWKWO_feq*-}edwpHSl?{S_oXaF zaRQM4xhPge&Qp_9pG~u?ScP^vTK(_-)vn7s8#(0QESFNf@sMGBzJf)7V7L>vsDAfA z_zQVydlWY~%BKJjFg(_udVX6e^>dn`ntA+he=Znr5VRo(f(e#RqOy}W=OMr|S?etY zm*rV1lJC1F#JIc8ghvE6R)l|D7f6NKy^3Y)j|U8_6P9TR5Y6bZagEk=WdeDX_hXAL zRFLP56n_?3rLL+$e}>KCV{@yTysjuvC0pF5B1VQi0)l~3cYvrABw(HH0TW{1BaM!d zzYcbmWj4mCxxKm^g4~Fh(A@ACR&!*7~|q# zS=rXhI!>WehX+6Sc@%yv4IDy4Ca?NIkhGn2Kg;ganv9Bj9P5@U&`(Iv(_Jrgeg@bV zUGz6i(=^RHDkP5bWe}LdxEm`LH5 zaBs*rDZ`8iaW%hz8Y|nVOQjONn^x^hG2ss4iF|LWTqNy4K8B($f%Yq281JB8i;bab zK}6${PZQ~oxe%+*keCJ0)`~E!^%RiSPQH9Ffk9$B;kCk+q1$>XxBhXb`dwGcs~^#7 z4(DEe1A`n*ijUl_=I-e0w>Q$sO+D8~i^2d}6*&MGo&|nVRfSGfT@Jbq-I&p99AI8nW7M2_c`P*`=Yn&zS`?r@>Z)}B zE3iFpK`3HlmZ<tPmngugw6Mcc7D=zysiaf!OEKtPF`2x8k2$ zXyuxN6TQDfEn+wEI(MKxG(zVx|QgykCV!%mYKVb~O_u<3fia zUDcw$mRDxLgnoFAhU@ZauuUFqy?}YPk&heejqHtX4Q1(meps-Hhvc~dTDrXM$3|eE z#}6l;$(=g99~$t8_aB#OXUz|=eq7_-F=1!?Rooaro-396gyXT~aYuMuWNJxqH6S$q zCZWz%cuGd=7pL~qM89<_%Ds@3tB9-h?my|dF!iCXv0R`^&xoHhPfFHO$!0=QdV}R* zZ7vme(0c=NI{PHmTG5i`E2-VBAe!_K$~hXHc4$3eVD3LKS9z;W=PZe_->x%j)_r+kyR{gnsiHsDhbsd+n9cgInh*o#(u{V2euxJ*T% zJJZ|$fx&NLOL76AD}+!yztv60W4j`d`-`8reIfFA!{1Tss%hgFM=6pM?QkAHT%`og z?Jaqep6NBqK!MPQs>=v=TL>9Vhdsw_a$7^n=N1WoEiwK8_kzO@eT|#+Tw5evUa`8i zbREW~$t-pcD;M#WI2y34=RVUkjG8Nm^nW1h5u#E zit0>kgU#%4jniO9q)MNYn7hXI11~OE7my~naDS5O_5OXLKY(1)*t31TYzMfk&|KUk z4FHS_7R>Csv!c!!i%Sz@4Q+kHDXfEtfLp%b7BA!9$o<(5@B*STo%Ft9lw92QrI}?* z-NA^iwg%NKIT4aaWbGf9qlre8GG5wd0sGb|-3G#K@E5gf*f30dbCTEH#~5kb)48iB z6K*GNd6;$k@7;Anh8vbly!g#VXmVxx(Vl>G2c(?V^c;4%%#r>MCaF_cvPQnQ&`&|+ z{xM>Z#uKod7XtL6Jc)51zI$Kd_MD`pRy+g>D*ufAvEWDUtg5GiuXkh1@wSOpuIw}d zWJ|tD7)V=NCwQeG^CLcz;SMCQCK4%fd;R_~a!_?g({X6~F)d2Lk`yk=3+nU{79!J@ zNPsU6&Jo{~JP$wJE+!@<0Z2w6V5L9)eIp=MM>vMJ&7cDbTqF+}8bRp%2HMVA6r@CJ zkVJkUrhoLj*ir0q@V*L#ngAjd12|WHB02G!aHZa6;kzx? zD+caI(UmO01{8OTXKLjYBj)oe98`Fm*WL$b@t;0gvi%G2E~jzL&-CmT3}iGZwh1lU z?|7jmoxD?Mt?U3`yyO+fm*eX$xV=OUxVeO>v?;6-Y-m9OmCn*WA1j~EaJJ==e2p7? zA?D?J$0zj()o1t|tt$JoDv2K8?KvF2)s`JfOA__A_R5)xmzC2I`N;yxE zlQ!Nn1X*9Dy&QBv_?tfCA)|@0=h8v-WrUxwX_kQTb@sVd>7s7%{m<0)pJgMlM&J+M zjv`Q)bvZ(yGAXaYvMJe6I?un`o>)K)PjWF8hSCma>%=&FdgvNk?_Nc|>-{Fl0Q45Z@eF2A z0Q|gEN+4imhZxc?aOsI3@WGJHgsb|n4YOx>gYuvPd5Qate}kg#oDa{ENqhzcNZ90t zLgt^*np)B9MtBd5`KEZkjMOFTS1KsJ|D28E)I_Ika(&uuTskqyaTaZ?XK=pzrvoPo z3@7xLdGn$a*ht|4Z-q@j^#Q81`RY}o7fk?`Wwl6><@Z~f01^yzRlCi|=_}v%17*Oz zMn-G@EGk>|9QI`gHL54>dtLcYVY;gGMS!>iv9CRxo-g+?-G|I~pT4A=hCjc5w4vH% zF}X;%!8^J|@|~VyNa6g$+fyd@HCxU4?t055*P2_mZe?ME5#?&DzAxyZrOi_?&H$z~ z{hQJUM@E)5;b8DRJ>cq8#ps+HykCLp>9MG@c=gH`Og~&G`v*Z6jL3vqJ1@|ZnG;+= zfq{@H{|BnJJ?EJ0bD_uLy-_V1Q-7nKDz( zM2ly!2Vw0kW$%jHEr!QDDwQa}$tksF_>ooX&TqZ_<1E(GB9HT?SK$vwHtiRc=bE_+ zbj#~)%XOA7o4?A(Jo+RnC$~M@lz!y<@2fd&e&dYjmql<*mN13}2d)1eu8+Zt8^9|v zw4j#=#y~g0=vB^C518Fg@AqrD7aijY3fI~PZx3#K$buQzcQf?Z-8z#3T$SvoJC4{b zfYWZUUoP|eGJLb4Z`G(>KUQD9GZ-b_z{`bFP_9oRuiK8SqQ$zMa*$%Q6Q791sM}8L zLGW&?tNBHWu#7sP1Sq-?C4tOi2E57SOCu{QD~*lm>~R-B(O_OJEcR>r1z}&f=FVWOu^%c}EYdg}Z5ztW znR}F$Of0njpn=+LW9`E*udd*qu?uXeFE|rQY%;1k^3Fk1^uCiI>tSwr`@H|O`+9$k z^}r&1s5H}KFndHSCa&aN#8VGu1ClV4k40En@xm{=v-cW|71PdhwH)NgO|&ZJdk~;s zG~XD|TnJKE-Bg4iMJeZ9B%QQ^@ffAHNkEOeN_!(GTCt#5%qBu~H9Q?kic>IRqN1XT zEr=tNfO2OHcUcuk;ry+ON(v38w@rXgkO2iHzVDS`(KRONB6PK^*St6Lwhf^u33%oR z-*|O&c-jy2FuYG-$#kE#Cu~ctJ?}B)Q&GwKaY;7U!%r}neC|QY@sTk1p`_xsO?@N( z_15p0=NsM6vKVogmr`$*XQdb?_98U)*ycG_ynPIo;EmXGVA8(ZeCFr|wn?cVtH(Pf zIA~VXTf33At?qqJ9RGu&d=alTg6|h1yUOU&CGi~9eWzbAIJs{y>@ao@C`Oj4MhKxb` zuzDHwq5PGS{4bfaLqooMCx2l9G#7=>6+vZ{_|3V>=gu?lE5N_U=2aUf{`yBj4tN1r zWjfd|2#70lPk-V!x0qe9hW^lg*<4uU{mxMoR~)CE^QnLZyoJ(9D|c?~@IK&n0OwFy zJ#+UyEJ~w$rZQ4^4P7gXf0b=UylT$Y9e9XyM|4-aWX44U@0Eg{BN}1v(~~Q4x{$mb zeWm#@7eo->CstT#^DPnYZjK{L>^U!T=d5Jc#Q&&VO%%EFElNVYPJ0SVJ`O*)pE&bd@2>V7E&e6CD5Ak(j}HX7 z0RQ_l1`}j77lbE(oxD&I{qHMw1~qwt`GVt%zh8*m8o&^mi{Uh}Ca}NL7=$?r3ivkn zqLNm8Q3e5P_-C||;Icz#s%P5YLBUT7cV#3C*HEqkJsKm2tl-~xU20M08}FqWtRdan z$lQ0)-u+vFds?#5x@B@3)X{mRS07hoTJk|b&POK%YK7*prDjwZ=Fai;nVf&Hqu2VJ zh1ZSR8Ctr1xVe;^);3IwB@4^h#LB1{Ot2Lovp^SYV41#C?ojxP-_z??NuOa@KK4UU zE7v$EuHs@ord8Q{Amgi#9yFknG2aK}ywB`hMg0uP&E1T5nz?Q|3%NLs=I}cA>@oHvKbVJE3WUhY_i6A z=c~P)Wq)n*g?uiH84{N=co$@8FjSa5@%7iN-Q7v1s6TAehdykC)1Y&DJ!Fdkra(h2 z+Z`{f1(-s|csf(^H*)GGsbRD@#X-N%zGM3Q2s17QnftdYm!6Hdq?Q(7DzCXuWFbo? zeJGcG&BYE(UdY&$GgFX<|0G?Jz@JOKfjer@I%oCBOOzI0baqbjb6Y$y7jAHmf9EvqJ{!$|K7S|*!+ds{@ zWe)HLML`WmG6SphkD!6gd4OYOZ@$eP8lPM3Ap6u}X+a3=I23rT{&zk5a0%u?z;qRa zMbQ2gKy`abqZ_Qaj+f^}pa3$9;hhpZ3Df!@d6Q7lj%xPu&92<<$2U;Y)%%!RF`yqU zMGkKuclh+_(@ax<_;qRrHXWQ!)LWWAeRTwk9fCJ4G#IM4rL7^rH!gn(_gQ(=BuQso zq8EMWF@^DtPXjbJ0hK&jmLfjyp1rR~66ZT72u%aa`4gi2@u$CCQI@k5Q^Jrre4(N$oF{K^WwI@L=1GXGLRj9mveb}xniuRvva3hr;_k9 zCESoPyVCI$lxG7GO;JZE>E1E#0;J=eo}0i00srov{{1*w<>sxYpc^(GI|V{HZ8k+< zXbUj9$jxCt+{fUI?Smw80q7#263svDZU$3vWIbzLmBdJzj?EsY}(_}28nrGW!05Pyb(p~E%Ot&3w@~1K?h=HZnqo^ zT}=m{f?Od8(fp${;aDRMThjYyW2KAAJga?q zqM*I{n*c>2C92uPsntZqZ-ZkHG13ihiqf>1rT0iNN$!h~Hqrpf5zm+nW z^Y0e0gZoVX#>d7L42MzYN|3}HUkR~#06(f)~`vw zW&+$4tQ$6Myn%P~zJV`{hkFp%-r72dr;_&05~dlTx}8e+MILuSCnf~eY)(S2Np9Gd z*Q*;*(1iQ^-^G-SE4bk`FaB?_FAbGHI`r8kf7AxlktkCDtKl04V2DaM=gsv8IWT)N z*mDKA{SyZX5h7mLX=b|yGt&}iaVXk5fHi@!N2FDuN~%5wlXMWvip`37%WzJm}1pUL493?3J_G#NfmR<7Pfd~Qi=o+z^Ab1KAS zl1+}g=s%4=8a+2t$0EExpqGq6M5BRcnIo90J7E8F{7(dE;VtA4F8o=eNl0}3SpEty z*5uh#UtB8@1^TFBR)qC5YCek7c$feZtF}G( z(B`lim_{nPNmA4~Q>kKaDq+ejT4>sWaDT@OOD=|Q8PlO@&RRFa`XvYMuadPuZzcky zXXqKlzMnV1fEd~~UP8HrL_k$1#CpM7#*ZEX>X;_ImJ5D%9%yRkoFIH)7j|QZtQDo; zzhb#i`L3va8Rt&?zuOWQLP{N%8h7i9{SvKVyjJ4=BI*4Lt~>|oRqNOA?H5k~5s2TM zOe%?y==%m$e%OLuK*QCSPjmlUwjiiL0j2=Wp;KadYhVXmE*~QRg`$T*k7V6%~F zcwsK!iP28`Kl)U|aTeHt^ z_oNMd`$`AqmW7a6b=Sa&Wj4&xH1(Kqc{?dpS#}Oan#c^F!$AFpnzhw2|5tSiP%aPK zZ=;u@L115%JQcUU1NOVg(E-yKj95Jk>ESRiI4>VBg#XYfN>Q;ByG?1CgQtKr6W5u# zJeC2aH|V<&xFv)Z5b>a4wZG8?;0!K{r}JbO2NkZgTB(Nq+k>;m&7mMGL<^$P-se<|`;G zi<&iI|9lG$2Dhpj(l*Fy?x?~Ss;8&Q)K?-0qUx?}-2|O|XZdLCk9~6tWZS$^VzD45U#%O5`Lc58hfIEiI zpDBS7Z2KzP@xP@L-w&>e=6zbD`}dlF+b;l`BaT6^Y( zs`t#h^g!QkJOa)jjqr-7b|ei5)U^p8MCeVbwCPj;U>16pF;v}L$qejSRyi}VEhEZ$ zKtvyK6Rh6^2Hx=v|2W(_{HTE|084GB8i#%(Zj+M zlNVB%fd6l_bgEvF(zBVq;9p|9wGZ;EUZ@3Ho#Q=1))12Y{r&8$tlHXI|EHtosmfLw8nMc%PZ%({iXT4l zI=|T@Df04~G+F^vCA$STfT5#b7>LnSA6F>WI~l!smmr`@pzQ`KN-9K7)HPQPxt_bBsKN@^-ckH9Rhp?;hjk5xVldJC}GG z*V%wQXvf9AqiW{ItT$2_qHFVR5V7|98wg^+3vP2hi&9&;iqnFvt%H;0OxObP;u&a7 zF3slFniq4*Jk~@3ShMjj@06W=es(q<4E{%q1=_E#Ubq}jIyL3s6$EQfDc$p2Jwd+$ zX?(SJ_YjZ&;RP0#lKOx%KTaf|x}RM>d(H-?8{QY*Tr(v6m6)#c5bhK`G8nM>k+A#_ zlF6_ZeOPS!dyyrVd?V!*xgDO03MpE!Pm#G<=h}J=|8TW_?=I8Px_f2a7<>AX8@32) zzsyd9zG7GWN>{-WMs1?z1+fj8I8oH^TUQu~Sp^*_kMty~NI@Uw}5Qx+n? zJR<#h9uwtGAtN&@^F41q-}n8!e}6u?pZmJ6>%7kMIFI8vTT<~~ z5n;zapiFu9!`!m=0#fJ`W0A)6Xy2Pc*E$W%9yK=ZQv7T;qtbz=#RVD!ba z45wNf1xB|Y^?6}=42yi#7x~;0mBez#^b?Jt|M@gvT@?t5_eAHV?}f5fa)d#l#1IjY|Bz{_%{YJ*HUqZO<56(i{saAZg1mamfBe!>MhcJK3z#?9tinzVK`l3wD4=Dl63FT{biCZE5wgbgUbDXY_> zP45Ceg&fD=N(0*Y^Hz%HzvE^I_v3O&z^SsR5>1>nv@c|#Q?uW>B{0&W`3k}Rq;p!B z@s13j*+;ZHo4k?LQz^=CVFQ$7bt?-w7y8!;}mv*s;%grG#f7^iKThhVzCNJaQq?JGl zz1#P9e(b-DisD*$ecF}->zo*NvNWPniNWR=rw$WDTxAj9CfbwqbjbESzYrj$P6aKn zH+B^7nWdhz67$!_8TXI>+DfPb^7Ro%6WtIel;$EAWuVd1JA7(saIUV6xGAl)q^F*# zFQ96rHEH=_g!!I*s5j_$InKW<=6gxF1guGp#bhVS z5qs7vowY^DKRW?8NqE|Q*S^}T=0>O%3H@IK+T00&y>Xt&4q zY(njom6P+K-&H?S|8nPAyz3`KTdvY83yL-VdztCSnV2$0SE`?S(9~4E*jg0{)cVD6 zq%#jrL=-QiUs}2C!Gc}$u7B%W123Tqg{lK)73_D;Oz2Cxe1~i&MRpHb`y`GgMikIZ zE4$ww7z=( zKDCT;wYc*48^950LkE5qlm_Xz{9Y+hzXJ|@+*B~7*+#QXe|{b zl2E}%k;oO@+dW$#5Ds`lh)+Yf>9HqGC5|EGG?UH7c0EB8UEkdO0R6Q_+vJamjIF+$ zvhUejax(eJasY>b9BaT;I?>Tpal;))Y7<%CDLK((v2@N;d{;+8*a;Z+&z5!W#K$#e)cW0`ft>ADop&>MMRFE&(Ivn1@=t!m9k4kT%5%Z78e!r%!TAd zZv6D#SX8f6%XT`*|4J~Zic35mZDINc-)*t7_*o_Nx8E>zPASSYwHtfq_{wz!51EGO zZd8wf7=fORmy`j^ZJqv8(gtU2BUYF?`UkdOoeOoHkxBHQD(ig5V%!I=1SV4(U9)AO z_Miqv)zNUFSNnj%j+^KMlz-HdJ^z0X$2FXq^M2rI9U5~6{ea{StqE!Ojtk#7nmziB zhzIhfmbTZL=)2PE5Ymi%1-)%Tb}Jf6&j$@8JFjf znv%3RtS?;&^JN?rEngWqe)H8SxRJV_0?9?yMpeo%z)HwqN&^s)H?UL1#Nt8GH^?vY; ze`>eI-`2DZLiJSP1)X@iF9bm{=0blGH(6T*#TxN6DVrCd=VW;zIKN4M?8vD*nsT(^6=$*=}l-EZ>&gnDu*qtsm%cwR}Gu# z!#rd!ETWQh3@4E!Q)sXOYlh8bBb+&%M}#E&{Cx%;LX%Hyq=g;9@Gz(cJ8u*axxXgj zxrS1T^fAVJMm@1WPfu)V3qOY54NXGtBO$<|JuzlQy0;KhyKYQNv@~1e%=JBo&^}9> zVmeSQpz8qKCS@wqs2#L^fYS8Q_;4z5gaC7Jz0Sz$?e8QTv^non_M3JQD4T1~ARAV* zp1N(r6~Uvgk3-jjKaeaz3zQqb;thL`<@AmM+3CM`rHN2EjizhDST6m7!uafs_)W5d z=gYCl`HNUoG%Kc~=&P_fa2rB@Qb;^HER8Getg$W(M#ra_Iaf1H!`Ztk$)KSA$%Z}8 z`GUX8{Za5K!azL&c8NGA&FFXCAoZmZO zmg&QTl7TG+G)`a$ube8nt4EoA^ZLj=)c`OG1J!+-Mm&!Wn4(k21kH zxw2c1+D9YterO7(eZNmQJeMJVT65(Q1GRaDC(P-eOa_Kap>14 zccWyV1an{8+;a+wUzE1k1RwAzRn5_Xs>Ik>2K%P*fZGbl;chib%}13TN+)0m%X~UY zE;FDHGX|cG4*N4fs*$QR{}T)z=y~n*o#rPHn|M(~0Z?)Pcj1;zqz^T(FaiD@z;|$2 zqv@`>Ql{SBHIwRi0vZGIzgk8&V*h)gyxcbi1{c(`+Cvbk1g#L_F(8P-U3{=~6B*E> zwhM;O6gKq@RFA)OPbwUID<)}toz;O1?o>=l4SwfQOLNbdh;qn!WSCRFvBh4J z9X_Zfm1%7ag2_afNqf*LUF)AElizHICkl`rcxxbYs7p5+LE#FeMDEH!GFi=Rs&|ZMcs@yVC{r{T zf?cF`%s59@6S#D(%MPSRn_TJ^)URH>Hio^`S7dz{nZppOeR6+;o<}60WSr%0Xt0-3SvUlT!qb6#=$hm9jPAPvg$10xtS3ss5%Ueph-ee^J{_# z`*>-rxibxc2iJvjdo$$d0<=ifT%^7q>T&SLw>D8iuQVA~V^Wa>Ti!DUZhpcg(14Av z5%U-iW}ZNjuDY-fW6-wn>8(f(P?Noa7!9C5RAut#VEr0q4`r?T17Q@$x{~y z^GA{er!gVgf`k{kurJ6?tx5x3kXDQl``@o>d(Q+%5;U-rB5wKZCmrDrNk|}(<^#y# z*AP3vj!;6G%CBH9R5f!Q`e{#g&x!jB@w$k6E#vrDAu5nCu9{2V5yM(c=v7OLKxTJ!zy*F3P+^%EikIfvrwVj+4gwxCLb?ew|MC?5P?j34kg!8^a4nb%<+fv9zXNp+s3skjB-CdyD0B-q zO$wF%!W`tfD#MpI!n$EuKB-{LGQRsSp|Q&NxAw!==yxPW5%9Vmgy=yRZtl^+-PVZz zFrtibT%5+x5Na?%66}pdj*)?g5W*->tPhs`&W!+w0;qaz?_m#3Ur{xB96%7vieX*R zBCB~5)Do77eM6|I3f(BU9P2Gd4q{SX*851I{8OeyVa(}|n>YOF?VG|NArH6{38*gy z_HI#0Im;g)?&(O%lSP{V)eHVH^v?bN8!a0bJ5 zMUWp^E1_=76%1&IGa+EO53eKs5|=i#X(3{RCLCe_^p8{zb_~d~;HSg=7ohC&6%>Cu zveyr9UWn{G$VGpRT!gA{g+(H_Bas$13gA&;FIb;Idi)e|y?ffHl>4yj3lUFU4*7C$ z4|&*!e{pMryY;AK5P?UrTiHQu1*pw4@`{XCEc!+Jdv&i8?U0NSqhY8~t8>KL+LcZ* z>XL(T$wzm^Qkl(|CS4noJ!Qw@@%asLg3DKdVz!WQ+{GlkfI=dixpzkb9$VGUZ4t#` zkkXGiyp$yIm#ahMlfyyOb?{jn6p@9hv95H_leZ5O(^Zfi97Ghs`P26h%Dq?g2LavW zrmHeyVhYrKvKq%1M*rI~*``X>Z(d2Ve@;Ae>EHvv--QnVSN4Ri)BJsj^IX&46B^N+ z;U#qWhH}rhSe!&7N?N99KdXHc=xx8IX!}D%W!Y+25ga-b2=Afl_5OjaMmB3MS0R7e zEMWIOhd23S=3aliK^o)XW}R^i1yl-<*rAA$395rwtMA+lo(N0V3-7Aj4{$_4x*g4s z@`@7>?9zR$0v$vt6$sRZF&Txn=&Hq)Z(Sv_xucJ~0$Sfw<0$iM9*Bvk+kcn0B>wxL z8G+7grk|*weHHeWA%IZuY9QI%bM2wA=sszuB}5G18OsU0cGAl z>H+ zySu^u@P9XO$6q(dae+>9KQ2%m2=8CbJ~&P=hM^BP=#>WGi1M!Q$+9Sp4<>!aTle9} zLPECLMCWk&<`JLZg|9_GofsiiI+6pBJI0u((6oD6u32{HV2_a8gQ5jZ{$#R$#Qvqk z86#2V?M1`@B`qrx%59yz0ihOF3hn-&k2_>k`Ivt*Z-2Df)@ZG)z=?j4h_22VD%$%Plxpn^ zHyv8pd|xJ6^A1hEIYv@ZNF#GhVTBg92-7b`&zv7yuc^ zPmkB)y?9&+#i;dZ{IeC^!Tf^`4QW@o*g1(b_ysY3sP53HhelJvJMsgK0(!e}i~5N; zg!Y|;a!$1J=R%;@`r6;O&mr+42yU6p(^<&C&V#T4s#hbUm*eklZUUF>iqeWpe>pYW zA^mZW(S!mxTY8}%#e|Z{29crmJ0^?WQt)!HDS$c`4)6UTR8!HXqB@I-WM{heh_5^7 zHevg8T&-q7Yh|=w36y`yW$~S9g5auBrntrO>vk`A(UQ5#ECx<;v*2llFHF4EAEc{T zAluK+xa!3%XVkZPKCYh2#zdCB1cSSoaQ}RYJk=NqxPc(l;m(@G8oM`nB?|cl* zX%A7MPXD0&N;wk83u{)4apbVT=z7&WWGix37#Jw8JYH>I|r zsm@Q7mkPxsPd<&w{C3H+J2T_IP8z6nZ{H%m>(V+3ul6{Lzy!#^JEHTTY~3aMjcEUl zC@s`v0Mo6kM`Ri(jfYT^jHi}37!C3`5~^&iFXT01xi(yd76m`$?v)zP5-f)iKF?ae zRy)LJS4W|xzq$*k7g*G258dG5d*KF|i|F89WGdy%n*`#;oT4@xlP&u1nEPW>uSZUh z!nc8RePLz>L@w*3N)r6y!|e7=C_^h?>qc0f?Y)PzKMd1OK$a&_|#=R^e80h+x|NGq+wpLs5UpQV$e8W&qS5<*|J^uL3V?be=F8I@!95*iP73A@EPkSf~=!9!aceZD3a(;T1FW#11p zC#Fs4c9)lX7RS}iwBCtLa#^Xm@-K*0Ga|MG(^qC|3Ak9=Iw!RH{`cf5xWA5To_?1& z^7@Dyj-0Sbpo|b@1S;H;dX%aKS`)ZR*wD=a3tv>{1T|z`2mxb(;OI7SL_p6qK5d-w zQj~c=?Z>&><(9vJb+1Lsc&-y$&nmo-_L#=R!I=a5_J!~Nu<9qPQCqOL{D(2Ez?p8vvJme+ZS0#i2bP?*b*}6!G`HUuxbPU)qRA!jC%y+gY zsd$shXfOBV|I8u?StN->KOdlDo&n^A@p*&pdYB{X{`$MWK@Pq%1083yn^im)Fkhn? zHJhqr7B1Kmc1uWDRou+?3N5@A%VDl~rCku>iiPt%)B7d~5GFd}#As_8UMd!`8UU#e z;x+$6K_LwjwySAO>NhQHfwD*&7vJi#sp2XE-BBo#nye(*8i1QXA(5-g(W@wa_1Ew3 zry5QVDmlnleQ#m;#mty4Nn0~B#}0=cO@3gjYKs0-%ut~O7E!GN(n%Kt79Q0~hK{0l zMpGB=To4-IBzmNRq7*S_if_o|ct9Kb>2NoZJ$yxQJODBi?3qjGtdJmvJ9o+oV50{GBJC{nxlsOMh&4{j}ky zN$SFmq$S##F1g(974nhS#W~P>O%#Eyc~SFp zI@>u`Vrn<1Z9$OLhkUcCMSp=Y1ePfa@|D35oI8d8y4%I4A2m)fF};PVf;m1mER>Q$ zZGdDfdgBJ#O=nzWhRf@8z>ljJMQ-_vL-!JciyL_ufJkRP-GrVULPEPfdanc;K!#_JF~U~U-@T6JRl0MefY34QVK%{F zSC@jx$^*)jM+?ES@`-}*McD8FU=A4;0=cQv$c4mxRR8@rvQx_nNj_}2h4t~BBWUY5 z7RX-;fM)}{RzZ~jj2lm1GudCzj`Yd2yBz||zWaR9I$gV35_kq&caW92rNER3zm4-z zY|OV32xTv%?}VwPe*!Yd?c2@K0D?i?wRdlg6&Ht5Q9&{_9K3(v=PJ8cfbo+2FVQK0 z?pi)bRwLLhbpHFemex%rX9I`s87L`w;)V8>aA@~j1&B(WE7cZjfv`&+B^c{ZN*g{6 zGP%3YK18l4OL{=ohTSqU5D94JR&M}ewh`BWB-9=Tp#nG^Q#;h5wadbFdsGiVf1NepY> zg5MiVx!Gh*Y4K-I>LY{9!DWLAjWb30#hh8O*?XSL?=Od0rGM({V~!J{I9z8(1~1ep zHKJS}8oD^{Ae5j)=xB21 z{P0CtG&k)%(Z4$U>MdB0_uun*#e8-~&}SZ+PrRo!m&8`dZdd%@e!n1fvK5|IVY6v*TAx$;dq1d$&i z?tnX8@4oj0-rZOHEG`axY-TZ^vB^*eMVV*tWgC7Yu%i-poh3VM8eFC6Cf))(QrW9)+U=D^Sn^ysq!QP*pu8#wf_vzpJH_0&ahVRze*Igu8`Pmo=Ns zhkY$vH57m5fZA)IWFPX0&n;nPc@x%jG7mAEH-4W1?$4=wwGLk7XvL0bLQ*r86fVvd zXpsKn->J+00Sgj+8;K9wy#S)C%}hUp-J;;7unf9_0zS;6jI75hgXN&d-L(N}%JxPkeKrza{GC98j%g;J~6rJ zlru$riODJME*d*YUeg05cLM4<#k2K=XXhC#ne_UyHow^akhkJ69PAc_Qu_<4Fw|7& z2K9J-cq}gkWDo@w1@EWuE;;lk*e1$@sA_r< z+7WXM?$cigiT+7FuNhb+v=50$YqeYKsGV1YrqtLy#sZYb-T5H%tJ_;NE7;F~j$rLY zaD@R7EoZR5VgFw+*mxqEg{cCcCGHVC22#?ExIQWgIg;(Bdk z5d_HrNr~^P;HiSVKp_&qFZnxs&|`9MDM8gOj;&|3xNv?i`xMcXM#ltKnE+;HDgd+c;6aSjft zbs0Y})fqxD_aPoPQ_ZH)7X?x90+UlkN?6?zZHbpD)Ca;0&bS54lYp`YIJS^|x~$&~f0mwS zHlHiLxbPYO^wbf;rL;?taM`ex*a_ykT0wtXmWzlO4@H*K&}-Y7#{S+&^K26PeDfyM z>BoYZmFdkFMKH>75Sm^Jm>Gi&5!r!HpC^hxg$TV+QI^6ZjAn@R?RjhK8`huk%Bl}Z z#teUp&WitPJPK{)`nTmmzApzjh0uq*{(9z#1VF0?j9{7J*BUtQ)o#R{)zxGL9QQK% zL$b)+?mD;+{N~_@d!+!Mb^kgIJ1%aSzg2VKvQ0L@Qkr|}O8k%8<>t^FG79cuQbeR7 z2!0(f1*s1G8_eb<7wH@i)bxHslzSLeMtCWbt(XE9EoptmF!`%-Yk_)lI|#B?JOQ7P zWn$^|7nVNHW#|N!Md@D+1J+oFfvZLS(!8mkT-Xw+8u&+*V@sTg5ainqSIhTQ1(`pJ zBBQQRuqX`N6)bw@02erH^@$g$F-A<9*n4 z)jd(3C2-T%gqBDODVTs`{oo@s(kHLytx1D2fMbjv<)6-M-ks!D% zz}owZoOU+oq4z04UGyldk-DZ~BNr4e>4O)bZIDW+92E(aVV$#2zg84xasN3vi7P&a zojMSmojg{xs`jXF6U)nz=OgLkT#pMTBt#sUlz~5{5q`r|IHrkuZRLH?13W!Ky9_egXH4=^N$WKw}f9W2Z0!T(n_S zv`(kF%?=gZ!9)gV2o{hNXb2^49ZibPHQWWmIj5g3g6}J=athp!99%)rQA3R?uF~CX zy&?WdiDS|f`TlN%{Xjq(IbXx6V%VYQdiCseYlZzmFtvIV^@Ij}@%)w3Xb7MoQ?d^e zRQUS#cjSZX`WHQ7Bqk2tIPAKegAIeg`=1PnTXQmZqxU^g8QFw~Bi~@(*>i+okSpih za8$@esD6hebVUv^oX-Vd`t!3N=;Hufdwplv*Zk!XM-Vi&0_dr z|7JfCiIN{N@1h$@kH!3IZD!Q-`+Pm-_6oZ^ebR|2Bf-6;zKK}AGLyw%^CslFiR8K) zm|s9hAHUOTqj40=>BnH~mc#+6uI%+?v>9Bl^wO8MCfg-xoZ?TR5N&8?dL97k>T_kw z3go(=4%A8~9gAAcUA3A`V+}Tb&NV8v)Q{rVYjfw8Np2cwDx->2y}#ZD2A3hkgK~{G z6d0GUw$ywDs2EsbvcXtOScIPobX6*f*n|@Z^KVP zM>ThK`v!PXRlT2s{dw*=2e#fauAyzfzgCW1@Z2v*N>a&{=}z6fS|s&nO7~>)XC2K4 zWFTJ-0^SDXfK38gDBIKZg(5df8#^-fqOCvo(oZ1*M?P9q!tw~@v{9uGuF=$Zy-ft#uT(3J2P6)2Qn zniu>>iSZ24*aHPyQWj*r8&UBI)%+tXC9Jbt9XQO#k3XAgtKH{&ZhhK3)L5U?Sy(Cv zhb1Ez9~Y%h#`l)fkk$R$~f(P58hhPyF%KAjKZ4!qlUmKFbXh4Z`w5pz82BXX46q9-Wux3r^By7c!>DiXZxrOhTfG34M%fNkf1;3p;n&q4|*LWR1!I@NZeO0H8wrR);T~bCQ z^b!A69aLI&gS_Hpf@nhp*^5%-3Um|>#102!*7MGME|27}O~=KA9w;Jv^d=Wkiz@%5 zy`8AQGf{zWqTY^zEh_9aupt?}w1%7@&x3OZFp?RG6`BxOb0ycAT+n=J?W!nB3YZG0 zzfVUqrj&Vr2xXZfE4PIS8-OD(M#2fhS6Hz^@_j2SmJ8X{Ge?i7o_EfGy64qU-SS&j z_@}7jMQu#Rtif$R&L6M2g$b?YkDN&4V&t})Ig6SUb%JmcKgT#hI^9^eIL~`-9X{7E|)|LA4H&IU_ z?yXd&zMj&16ap@H-~_@30~8EFQtQAb1A)IlfY3P$oLO`d4As{iv{~S-JgfG56=u18 z=BFNH&m=WB_nj!+_BNe7o%AB{ruBBmM)H1)?bg23ZnX{z_7m09L^ED-<+nRg`L|RabEZ;I8xjD#lRtBjsY%+HBf>sa3cCDb6W@2wqZftE9 zj>?7u3MZ59sASa1<{a0A*jW2?zt8y9v813B)gWyk#zJQR0=ieg1>1!q*KEX*_h^^g zLwEO}9t)dzhEpjEIqirCpm@@lgxGlq30D~0&Ej6zzw{{zz+b=yQy5p|J zuSB z+fFvwVd778p6CfQW3{YNW-Qv8vEYJA|Hx8QXcF?E&kw4GE};ev8y8X z2#f+dU?rH!guu71$z6;BS}93oQ&3ep1?jP70eQ-IR$0)2v34~)Of&N&{1g$fW3p)U z;1eQ&4zQcY4-%-Iy{KzOT5e1)R6-QGW-|&b7gMm3P*9u$nzhVRB7J1UDq8E&`;mdX z$^_AOyY~T9v!MW!G}OjP2sM9mOG43NX~H*?D?^^SIacELixG8q)DLyU6Zz|n} zZ=rJ~lK@8yMqn!Zk1wJQI_0DW`atRfrsH#a)_`W{N2x9%e_HVX3%;Rx2{wI+vhvMV z+dNX-JcW{y#ABz4wIGn*Kvg<#DGb2B=f}b_agPGrn`}fjQmDCB@E&3LavBr#cz`uN zU5iahvrU6LaHR*jK|3i!W&qzyN__+TqM8~<^xrShwftBHf_ghbvT-mKSY72iI-`{Y zLfuXM4Kbn0_VY+Ct{dz#V<-Hi0*lQ8gEDaK{6D}F%pW!?TNQZEBfcc)Yq>ZcQ&8(Y)aG)Eo2;R;F z^{~nq1{=;gty2^FV0m^;R0HUx~xAM2t*gKyF+ifyT_Jvxbj$`;dt{T2o65_@~TNHH8R=}r~K;t8@z0i z2gViY85ZSk`qj}IG+kfvJqHv_ubJm{;GNCmks7qU&%eOmja^|74uqngvLZLHk* zr0dM^Aq%{jlps^5DA^>MWe8yagTfg!dLB1~Yyg^gYPYGZhJ9thG1NKkL}CMTZJ@81 z&=)ab_!-^5sQ!rfp{|+tMlrt(>lJeN>=gqJ} z03o2(YlLBTOW;CK(8|~_o{A2H;1;!|D3qW&L6~1=ULaxzDC@W}lYzdAA;BGD-Na=z znbXlle}+jkt0_y0+?}>HV~`3^iR3r~Ne1lviAK+X7aMpvR@E{W#`D%t4Od<=rC~q$ zFgmmY@>p)^b1@-u-^6BKye?4%H{=WMIsTN!q+_tNa0CxBc1i?b@3aa#N(kBjFgnE!G3Z4hCn77pXzKRp6 zc}Gk1w=$}%4QenS!7HVQ;(Y&A@aZ!d8E?g35iwO(R*tQyc<^`qPygTHd!q$%;M0Li zN%^t3VF(h@isNGE&i(uQL&3C4^49WrJxoI{u>_@Q>8Ss=#feab-5K44goHn1RTsVu z`cQ6u$vM_J_?xe9d4`LJtY+^g)SCWc5=LS?U=%Cu<4nwU1?&K(v3lyOACJ{5%UWKr z>b*#u^qNOR2~$fB@0RW%ejmsKkoH~3Bz>{C%ai+o&(@#ZPcl0dg`ikDv0o)o>stMH z`BN>QC8G8;%>%9h+6{aONmHs4x6$ab64ZqR5T5YT-SZiK#B|ti8~$Jv{p>e~=Q!A=AOk&Xf}mwLnJX&R1da|DxXEkm6VZDB zYQ2T*xS1Z*-{8en^{b#5uUAtsq!P({f21?h6%+xe_2FS}PNZ*{?Yf;mG0Fl3YicE- zgmU*xd=}M*KBmXu(dN(4`3n@oFw%%Wy?_4hcT9j;oPAizi_}FJpk($^4e5!7 zfZ6y2)?s;2SrZ&yZ@h$94pSFu9wtO(f%SOk%-?LKeo*P`pLoQcXz++!kUppgESSMg z+Ksy0+{^dS=D1ZtGBHH9FjdqjAnUJo!0JhukxnI2fRmMP`hw*W)2+=+cMuuD@SGwSwYe zl@nAr(&`a*9?S8i^*d}9OlP|)4{QxlvKAgS2TByh;Dp?wOszykWRG94PmI&_Kf(XD zfbr{6Jh?HAy121#*b(s|?}wB>W^JS2tc;KaDB!omKmFJS|2NnWg`uBk7uhf}iha8r z{S8msjUQ(6v^{Zp%FvKu;+M?qc-p)dE6klsc3q`VI?eU}RD7^?DB zJj7C2;a!*OK6Kp96EfB4;I8ocChGhtjnOg*MaTk9JfN&miKG)gE zfkEO3BzbwaRqS8!9n(-h`#n3ixh&P-`#mx*)!T&>wD1w{dL^G8tO%x97XwFvDextN z)AYP|Db(LZAg?IJ3{o0!Q375a>MgcHU6(n*YI6#)kx~b(`X2V{xXHKj$mOE9S@MzvNs{-Tljh%!RMqIBnt|Lo``8R_EmcGq0wp zY19Cp1iCevomeDreB)>&)JZgO*T&|5WduiQC>8R6TnB3g!x!?K1QHL&wQj+|gh3rJ znajBB#5EE}rrX!ZYUC5qVPWgR(E50?z5Uq*Mm2%ey15jCX6^sy5B}Wv;%V>eLexI~ z;1h^;s&BpM1k9lPTllmWbzZ|kK>CTkRMh%LNmtaCqJv3<`33xuS@VqIfKOH??pHrP zEd5ctR1#cDd$a}pxGW|KZLme_voAioZRg>7TMfv~X1YI6=R0>dO`FOpVDsoES2qT< zN9%)ed`Qg9Sqd^7F^re!J998Rw;HC%+J~P2>Q89i^nyMd=;maI*ZQRIo7MF_Q6%t2 z=if;7XOXD)a51Nhwn7xR$-`a4XZ7(7A_)~dSp6TK^QrMvRVJ6>s~R7H`7hui|N7bJ zYQ(cJKP#5_Uz$hp_uYEXD%btkE|Z z{qWck32w@V$H3nczZWALOH~=?mDy`t#py69xaM4%7|>@UFG`TVkiW7EvR>Zm#f3j} zZ!Q0%gVG%xm$S`v8Nw6H@=*5ln~DCDH&%^KN|yEV}Cl z_m01~KPl`s_TD@qfxOZ|!96naL5=vE6Fzh2nSO~|S~cD*%~iP9vN1J(@qy3K3wv)u zOdnaF;5=-lrNIe%@J>O8Gu%!D6Yh6xBNMJESy#@!2W3HFOSb2+^BNp^|Dx~Jbb%+K zA}?rXNgoj8TRTcYTeSR>HE{Bq&Ag`plm?bQjJe4_IH%5^KY&aA2hDHs?nUAc!oPxH z4M;Ed_A4eT1FYMu@HfMo22>Ab;MYsk3cdfe2V#zW)S?GYyopa!8 zg8o!pdQRvyAvZdldG_zK6#g8g-rpY1k{XSl#@u$%SNGLl!jTcn z8cvf*oP7}D$`6JBjoC0T6ux^ye=iJBHvJUj0AnjaH5&PF?lJTwU;qR#EMf_Lpt=;R zSFxsn&QEgSK{<)&*;o}4`~+%&GA~ulULuomLzs@a3Z)`SWU^X)6P2|+HUSp9U3ED( z2V7F$J+f&DqvlvQt21*5y$a#+y`uX6al13%4=#JsUwGTov%kE!-&K(Eg!7*5?rsGb zl15}gapFJX_*54>;{eAD+LZ(l`k9Fu+U}#Ot~mN+K1O|%Ee4b1{I`b1DAOEhwWAU8T)_y8e|>#kNt&D zAN-w~?=Sof1Bid6ED?@Kyr~Xc8m|u*{tR=(!Nxa>Mfc=8>*{yDJy5nh<5al3_%JAA zvte~JALDC9Lf}DW^OuO=qbV;r06$>pZre*6|L{1cPUXPAr_(o2c7V;sof7Tr5*|$6rkZSVG$C%tQ5!aOKRv$Rl&*U zdqg0S-FwDK1CuB{h%siOIKy7>_$^I9+kxm1BMm9tE5dh_z#|Z<9rIajy)|W+bvIOY zxA27t#2dk%t_%UT^$IX|)4H|+j}-u};nNoMX@In$b6hwo`X;oYy0ty`Qs**YRPy3} z^1DqiSnDMFUx1HmS&3|p+ipa_mLPkuTsFp5;fGSa(XMp7BD$a;w25)k_z65V&?nWc z&4K?Mc+a1ImP{2qqy?hX*O61(ez%a=hY98wXMk3oO<-hfP~%T9;$MuBRxD%EQkXpr z0kh@VDCprz5cqZ}1{CJMVNRo2jQaEY zP}Qqk@48~--v$Q``sWu+j%zoIz~Hz+7%}InEDCd?kNT-`URT46J@=3j;-Up4<+%bv zYHtE)kNuZ^_*?hDCb0YbWmkR0&#;THNe`dBM>6cBE(ckdOqTr? z=Z#KR1sDbjr6Dor47ju70iFa;V0bn^t5AlO(?Iw6XM@$n0)fvAjb7H?6c79GE(<@{ ze-{XsF(yUq43Pf-yilZl3!Q_^hA5Ex6cW6Fnu=MQ9vdu~i|+YAR~Q%vVt1;r9ub|GH6nE^Pbc5NQFx3>Y0?3&{uhw}#G0`gJ zlo=ZESN_g4A$c8jgZo7Xli}V4g(*7nG~-d)zV<_N0*@ufJMi0j|2B+dR=}lA1{;<2o>{|7i)T zp`Ws4M;|idnA(VNaWi73NKZ35Y19^IrZ>x9#PNPJ=`xf?2hV`Jmh0`4e)fQfw8&eq z!YD^rOC5+GJGJQOP-<)eis(Il06S6RF)OAJCMteLz*IkzvgYAQN2$X}V}jy3#;Bw% zLSVv~8Jz?KPIcx!88Gj=W@{t^=Gg^uA&(K5QgZDWj9c2wz>M0e{)0-g)y$Fr<|Q+c zQNh3fac88b4IL`v0+Sm)4gG?qFdQJB2TrRn&IY0#zT`~AITVlK`1R1%9ZmvWVdCpU*fHQaY0ijbvE#f33(gNejg$u&TOnXAzg1Cf}>}pjvNc=YuN*J=Lk2 zYAFMpE+FofK6kNy(r0$3eu*qhELWWbBXbR4EjO0+2LDbNw7!a5h!%RXHkAnYTty7QTfT(F9SMT*Vqj~jco`%_aC!kjfYWcsS~At* zjMw-hFJoTPVGiE%hqDO{O^WQ^l-|5P2=VI6$4iVbnT)LFNIU4#`{_cisYt-J26>9t zNh0&sBSmAP6dp1=xy1?T`T>;nn=?PG$qV8;me2pq|b=juNTDmcj8ZD6~$P~e`m z9aJM>bs$NqSn;0Z`LZP-FQ@RnqN>c<9m*MKOFTa}&H|(I0uf<>KP+gPgl0x;4_P2r z>GKIoLT7VBDBqlU=0tRl^ zNJ-p)^l$eSM9LK(q!68a(@FrQ(lpxyPq~!g|Kxfo@%QgIPi=g*{yj;p~(nBReMaa?NwG7OV5;Nhy{x%)y8jQgJb8Re+ z{!sY(@|c2uMP}v{xZh2lou-8zIh;mI7)}2eo!tGX+F6#UWx(bTI~NQ74zqTv#wP9& zaE$|3>KHCA`wepJ`0?T1-nYIx0J?%>A!G3T-SXQp8qQ8mbPAczf#*ZhLNN^@=#Sza zp7}5#=*%1pn}i$W^CD4^<6)I#q=0f3jXqHuZ({U7V|E1QPhm?DZJFfDv!v@EyRSUF zfWY`~7@SV96^I;r1)Ht2Z(Og8$y{h08bcF@81YIy&*bF3Vi1sIOLBSj_ z&XijLbkiB$`q86D_!l_0%ES5ZeJbNHUtY-c-OhbH=PN))w|cAh);5=ax#HIbioqwg zw_0$6*Z0Efm3ewFEW|G+$_GWiP4V9XV3cx$@kF3G8(a(1)C3+f&@g`mpHliJFAQk{ z1r6@WNeKI{@?Nn_+;xroXpqZ5x1fCsqMcmBXg)*V{1Pf(0NlG2D*Si72Vw}^)YR0B zjpJG!(~7c>DYX(THAEZ*b4P%s4_&M;gcyv{W^rIqY|`qHRY7KEgZ+p!=nVWJ&9#L) zQ2~-l2JnpuV9@cBU|4Fx87<-u)?Beqh`8?Cn6Sesvu~iPi4}{RiRB0l z3)8%O*-|&3JjOTm?A3 zc1;&J{c5oe=eM_#Xpb9Pm4fLt#9>@FA(pBJPX@R48AoK@goqN;CuUJ)^>c3Tg80lNDK)`K2*+2ZpJV2z@{sFLHX-?SzpKRR$OK$*!VOl8cI;d?R*UX<1U+(F# zB|3(!l=4O(Z-im06~trz71!fsQg_qKU#~op_f(3<<%& zbwfqmnDzf~_1^JZ_HY0AX}uAOWEaXNn=}YXHbq8uW-^nV?2IUTi;|g;kv%JWW<_L= zj4~qI`*)oBeD3@EyZzPUx;S6^n9t*R-;al zpUH{L1>K8rrKP3N4h1OU-@W4w=fT@|lX5wCpUHRpZ{5@V3W{*~pZd4j=M3!%ls73hruT@>@y1PGmFCkE8O zkATAfb^CztMX6~JYs&=k-bTA9?u6)rin7RJs-{@g`@tHmkll(+PVV@wKA>u%x0nD@ z@)Xncj5xX{e4?L*_ltBcwuCcTs+r|5F$I8DMm%q_iR0mcPJ0aqMk!Yi3C+K``c%3g za?qeG4wYdN@pckXXsP_la?9SLE`<)Fs;b)E*=hE9T>Rxrjk5Hd;Se33XUXeL&Glbj zU!zyyP*pW8RDE^2oiPdyBbr0)_h@4kS)_Y8X*v?0bw-Qq;Nv4!5VVn4(0gCOy-oO?8Um5%YwsfPB!%fbI`x#7>> zLU{Z~Q~0n@q0_`T2@C|hd_Gehx6RfQ&H`2K_i}q9U0wPn-QR;P==$J?h=be*CnAy@ zsv$zQ;z)C=VvGF;^zb26&Lbxs`si*7tFk!sCTf1c!6O*lve}%kSDwQsa_#m18S4{r z@$Wh}#ePt&>}?}lfhM3d^zv|Uh+x33Jc<%{Ls~E`SUdQddLruo{M~m%xlMqZ`{DlI zU+uz@e* zzi^y zCGH&Nf-ff#Wa>Eu&JN_}%bzUt1Ml#j;6XnUYz%*aAZ}mu5R1@Zf)5c4a3z=>1uh_k zdgU+EvZo0`n>Nrx!X9oPoJWGeVnu)bCL5x0-%}7Vs&R{q^J5Vb5*mJN zeO7OxATKY}0t<)n^^A!wMQv7Apv0?_wCB!sQ7fHtOAW4xru@OM-cIJ zb%Lu`t|XEa#b{R+>zEX8LDk>#uw6M1(`K14f+Rfa#h)xIyTt9ewe`)&dv7t@rTS@m z4AvlyP+2u=m~{1zU8i;?d0B)^go8Vwxk2Fn30P+<-I~j=mS8^j{Uwp$RPtMeF1O{_3#uHj*bj@{sb4g4uBQwt8I7xGgLX0ApPPd>~&9R zS>7jq5H3**YpZ!QgV|<=?IZ}nU8_InsCTI5HLOXPAZ|rbI}m$ zjnm6bP!Hu$TTvIf#W;HEtOa41N*k3CAF$WP7_=L9>pyM!&+(o1X>#_FVAq2^rwXNB zc$d=CRbSq&!qqJ{>j|5ar_Zd1ZiO5#?cvL4II=fxBL3~0Ur{Y7^gY9QBe@( zXv>Nq0u*mfHB5M84;RwB`Lr6ixwv-Q?nuesA+CKN{}J*AHnr~uuKfU7M2~DBwP_L< z8=n4IH+i-W>*MVx|DUTYILG~lv!hvDgWt}{$;ryf>Ytr%@)hj&cJdAvFwo!S=H53i zO;KGy0VL_^!~Ki()8FM`+0-{EeFhT+?tg-Z+Rj7}fD2)NSvfv2i^6wB5I_WbN>r#_ zQqBXk=+Jksba1rA9KJ)kFI6Dy-|CidbW$*$>(jDBT@fiM2fGVt8kH9dXtu#mIb&DZ z0*_jDnUMm-9qnsEL_oBUV3L@UeRFejEeOFlLVxfzlG<_O`w9CWE|UIH6F6}!uHco4 z$WFd6@HE2s+2Na?u@n0I!kNu<{JZJbu}RHz$~US(xCs3G(@^0MG(s5OSX=c z`Ug`!Sr8!m2K+2nu3Un6t~iUY48gPe=CaHGFb!xoLDxaT{~3!z1jp@1mGj>;bse3{ z=Iv+f%5!pZs;aIYIY^N}91GqIM8J)4_%E@QL-b;m?G)wn3yEME1Dmo^iqZQOs@0!Y z^IQq6{@)J{&j`tfGfF(Pwx0PL_Wb$M>gvKao-`P!5c)1GKGJ~57<~7_{fNf`PDT#j z>0KUApiv{|z42q&09(*|wi3YFa^dt043)3G62B+@hiGWtHVdR1cwBHXi7G7>&E))1 z_;h@;;ZGjCbi&zLF07w-F|2VDtfyQHf|te>bQRG4&>J}J;YUMZp?^Nt9P1Q-x9PQB z+(PvS{75}kCigLNn5qSs zSPT#ly)!OgJ%P_{`W1L0s9Ydi0v%~ZqLi*O_*k2jLRd%dCUgfbni+00u6z7Hn%UpX|E0O*EYDSdKU2r7+DKK7;||KCNy^?qsz(w8qjRPw@Y)ZsjAnA+L& z)EeDIDQ#7m&p6Dryi5KI$Z`LPHo)v1j|m$&faCTlfLKD}XY<{+Ktvo`2bL;q%Z`Lp z4qe3+9mr%iO+t*Su9NJ42b(2pVC=Wo(9nQJ2S4l<7{jH|;0IYMz#ozdWk^cRA(#Nn z49N^Y9TYb)lYK1zV8GW`qA-&x$(Mdqe(p(hs?;YYCI(#riuRb`-_Cj#=FP~UlMK~} zhDMYSrHJSv>o(MU>o|I>711eo30^?TOH0l68nRT9S6uc%^W+OHihX*5wrK*t2O5j! zma0Sk^sd{bM=yeLM2#)b2;^@cjPlY zdeWSrV(mfjS0P@H-e+~eU~+PwOjFPWW$G^>vf?F7M1eJRn#GE5Z|jpD9T{PBDpkGu zl6Jq>K*>YiM%phy7KWo z1)+16P`fsr7oqd*(L!Qs z>aMh-i3~dQa4gWs6+|Y6e%Y8t|A+xJpc~m+vOFMEg~8*zCrF|?mN_U{w)`JnzlO3#1}Dt7)sFq>F{*J zE;?QSA=ns@1kJVk4)^q3SUhlT4CFpJ4lkzzO$Dt6*$}W^*1oh%E>|r9ERO6nL?j_a z0ze;VuhHmz15w7s{cr}ZOeZjIGD<#Pm%Jsn6I6;}!9~CS2MV&KA)XCkw6Zb0Pc+FaCeiOXPOmIO!ba&FgBstMQXd5GC1F-32_n^;q>zK+iT;p(e;bB; zRL|H7QJz+`ueIiN2%P^yv3r=wY_vebf~+ZfAq}qF1SafsC0oO7AmTY=cx zBQn=45LfN5pe^JgQKax6h>77{N<}%=|J@hNe-wi`+X7&dAXTRGcY7}#Mub)intUH( zAUum~XEMN^wLSM%oonM&aSv15Qy>XU=U zcFp$35Az6(!IzitUNWaJh@8=&fjq;tQI6+{0zzmV4q(t?{{%q!uGAGZW@4g-Tc6n< zgVvfae@5`nq+Gfu22H+sKXvENs*)gXl$x{J?{Y57K4semRR$;=Fl>Lp<51nEhtT;V z<8kt7vl2a>wo1>rq~a>gdkPzXb1=aTkcadVpmR-ABs3G;fWEA6K%KvxfIR9w zuVgDoZ2UD`g6BS9I{ojVYHDwxuM{ru7SA?%xc`6}rBTTmrbD^=oobjK0Q{XX;?V_`|b>Y)H_Y!=eu2}X*cNskOB-az` z@L=DS1Ioc_Tn!yuUKO6qrLSVwoqZuq4M0DWJUsRIJXd`b8Ac-uMF1d(A5k*Vp2Gb= zfnq471+Pm?4DcMD9IyLK^~9~Or0TypIRM+FPqeZ86Bdv_GLd;C4_Gbs{9aH2FCk&@ zGytWIOh$(#=Y)p_20A2=)9}lj@@C%VMu|BqzX7`a{40-t>b+2D17khl(IPeTd7_3Y zNF$$QYX&&7@U4s7j>DiF8K#tl-5{q1rO`L7qmBM017l)YTeA6XyO2O%@P`HC1Ay%P zsRq=P;Txx6Odoczql$l`PX#ilCVIFhZovsbZS+Mj%a_g}mnojq@DUKvwqu z7z5lcdXHa>Srq3dJ_1RlAX6v?q$v8f$py-vAh8UBq-%o%0($DwFQGDGAP$B>{H6e% zxRO;59rd;w+e|ue`V@gyn2Sfjf@R}_lYjt%VkSZl0d*<-m6Y&X>(76J=H4T3SlWmX z+e*-(6H|(fp0LansjH9=gSa8rktaM+kDjT!CJ@U(1j1lt!%ZUBou%QJnzC>+f;`Uk z6w68gX+WY=E2{vQDISn#>TwD^1cDGK5%we7dGn|n1@n|Do&rE&_TLunXa}42ba?U` zr(U=Kn#&&TJLbiJuApY-vWw95r*sCl7_3i!KFX>OfOc!Kfiq267mJxL+dThGXnc#@ z$GH)hQy0Ho3_WyQu7nPvm#-($TUBZg{L4_=n7!nRdjuTdGWH+Qj1W3+1Q*=0cbp34 zM=05+&1tD-wD~%~0XNI#Q;fnw45Utx`+Qu0?GxFkL}}1fu7iEley>oQxElcIB0!s(7#3tngjqRT?xEBnrCj zoMJu7S8E&f2=EML&+Y#MMC>szfb6VZ^68k43c#hrJoZ!tqvKu3Gn3;xBL|Ygs`D}Y zvbDyI1gafUyjS0ulwK4J$H;=wv{TQ7`1&F5*+8`c5}|MNY2w1+)t9d_wiQCZi`u^m z{Muaync0F8^AkLS0IvYNLxcbZZl@yM@PLvUD)W-SQ3OCrM|0g9DpnMMKWc5{DRi~A zX8dBuW26lbCg@>5z=bp=y;Z+Gq?dJL5(4*}Ry-KDui&7e-5# zs9YX^9W%*{O06*?*8afj6i5l(1{8B^`8C9&m%A6um6?6-f3?(5}Mp(%{Ykznzv=ROj#S)|}SeDgSR8JIBaq z4~qJgp)AvYdulig08P*)E7F`bOAioKRJH^s)cXpIvc<1N z`oa~sc@f37ry|EtCERY7Wqc7<$RnPN{!eU(V%vAdNqgbLv|2chYzxyF%&#f`mJjSWf8GfKXO)FP z<UAMkvTAYt$DsMm;0#s>J4(ws-4SFkZQ$khRfJe{S$YEm?*6-th zYKZ|RsBRSf(~Zjjg!piGorGVBuW;skod6Ja+7z2A{5Ln^b))Sc(NG z-4}joRAyNTg3ghBFp4lqL+1c3%^X1Hdg%qzR$OVN-myiQx`{XgP)3EfPG&mw-C+3F zQijohtxO(=5>|YC2|D_OW0h6Tz_ME$Z}Cr6*TVUlByD}P&!=*dE^u%xQ0J>t#{iOr z*!Ypf&;itL~nH{Q;rX^!UXXYs}trZMkaX*-7--xuu1XtB@rPVxIXt?U1Tob z4pPCyO(|oTXUF#b^m4SQdO5C`-I;r$^bLX`+P13lJ=<9XvYIwMnbymTi`b2{!i^vd zLhA>B9%$LjSBMk#hU^VSO%0~-?00zo)mtcMWSc;Gspnf;4;LH;8UtwlGn2#)@)JlS ztbVja&=}&Nb#tRQ<6&3QOUb2Vcuq_6!%Kd0l4y^MeJC+?36S|dD zmVo=~U3Sx|*=Wy&<8{_76j)A3H6SN``|7E-)ziT|_a+;`DeyErbJsk;N8)CPgCK+> zM*~1#yrhIV(Dv-RA5Q#vx#pVyH5OT;wV*(5h$g03lyo>K;=N`<=QZK!=(z}Go0|vq z6rZ@Q`a0Q)9-r_&y0zF*X`L|tzSLavu1Eh^)K>c|qrIl3;VaL2vMy4cQuVm*yy%zy zZrl4%a6$^Yl}AA;8*7+V!`nAcwTg9m)w}EpOu?^p49tGJl8u!a??A zZ-i{xTg-mx<_a@f8-fW^zaL)<-TGe0Ui{ueLrZoJ{*%|yEvuE3Paz6w?NtIQsg;~h z6Z0+h?FG!}eVD;-P_O0$$+Q|RE0YH*!bWIda|QRNkZ@^gz*{qP+peJU(!^! zH}jlc4cGGfM!Z*%N8=LN+zZdQ?E&^Pu6)T; z>uH3@>*tGos{l(bYI<>cp0Clz(p$4;?pHi@MaM+1pTg3M`*61&n%vXA8~8BiTm&Wl zWD#A}6aGha`>7fal;(i~@P(pbqKAU3{N2`X4wlclWONefeT;WzhuccosJw*_+r$Oc zVQ1nWe>2m3Fww|R6L;5Ex!q|0V7bX#m_=?kl{eA87P}lS$cBS3y?Lh%cYfBM2CWo% zuaIH1_gL7w=tIU`Crqmxuc1*lwKB?+%JocmOqh|57QkoWWFyuOXjCMiZN49;^(;iON!)Am&(ezzx4=`vd*F`4`e1z%0?mU!uE)pBLNzTo0=e*cWO zu!ObN@9z_y9x2!c1R-#mgU|>kwq^n(@9^F&t6lpzAaKq{Hk6?6_pQn$0N1mR>HAJ!FE~KDbeCDz z8Iby&dC9|g5D;lfdqt~GCL2*{^>>oWt)hqJg(9_VMmAkL+S6WbnK`9Zi*!$z*Bh?= z&HaPDhNVKt*HM?$gEK1IXs+rMh_n3nqW!H*b7Xy*tTLV`G@(Fs(nXZoA&I)B7B9lY2k}_^l&6o8Cf^O1ojy zt@>$T`W%8vv3gfdH}k@KDh7?fXk}mG7wPMJ8aN1A@5@xkld5!!{D}H}TVTmqoZ%g* zGRadw?lsyY%o+cRQ;$|2eZ0gybGH72S!2@Ls{FmX_auJ3C=O{;(g||7*A;|4SDqtf z_D5!~D@Od#WyK@4U>*qmP%elAUm5y`=C*UC?rL`QV61IkHr#-66qI_WuMQVjLRP4> z&V56BI1A&)d9_^JI{7S72Xo2oCkpX&>V`g4GvzqsCyqv4%e86_uP4u46LfD2GhZIE znMuAr#S3&7B@?9*@l^*3M`@{|^*KxR2g}Y!9k|T6#wuvX-KM;3R+EpsK&A#N-{TuN z&~NCs5Mow{l<(Muyru3O(`2w*=PQ*_}_LUxcQv-)bw0Hrg;ci%g-F z4>`;aQ0H(ti`B7AEyF{*r|UrWZ_?oODY`z*XRGhCaleB7#TcY!c>T1@FBDk5VM!ZI zOYS3q_ONxmSGjo*(HWG{t|wnlQ2=5}O%)GM_yfxGnsjMH7U#CmjyG8s|2q>w`}Q$0 zmiwh8tL@$kuXdiX!7EoN-03mmKTyN&a%0(W$z9O6f%!d%ZZz>^v7#0UUPV?{hhDAd zSUY8c?A+)(OFl1k-cN@6={uI`Nhn)4Xx`mFq-a8w5w$3(kA6X~0Q>$lU?gzz@1F^$ ze$EM%6N1jZy<3;7 zGcb?+rQKvSxr^g7+*8K6{GmMI?Sv_~1=IG_LOSn-;%vJ}*HfS%BYWLW=j>%j1^-0` zhk6V(p^+6+oR@iBBQafWgqiUkF@$<&#E{nvL28~y<%N7%C5QG4bs;~OL$wZzEtWo= z-s@vOGWdIKR7Tj65UG9h36*4^=E?bE&O>zNEWtY<3(~Sm+|hV;BOPpRmDF95D*I3Q z5zsx}vMbU5QyK*cu0RhQW9ugrXlUP`2#K2Whd0vUirUEIGT{5t2{j-`{oZwZuJ`hO zvZjgfc-t-BDmsUk%enANMKaky-e~eq$)Bpao$Ui{QlG>}f4BM>z&1U;aY=<(wYaYPhXkFtgzpIxx{*eN6$d9Fh+T@_=$svdv3EJjrQV!2 zp9GT=1q!L1d-__)2EsRY$Vh&okYA8D^^&sMB`g!GciV4eqn?agFIENGK`F{8W zb$zf1FdpH?Hi*`JT?KbAy)cd!Hj=P0| z3s?d6!hyn#s0RibU7(b?$+~!7%Li{N_GL@u|J=ePh|hx*I(L5DKC=GisK$u zr%XP|z+FnIaprtU&`Cm-ArJenG8rQst{vl?JpmrzXT|!g+qy^5=Cc)Zkq^FFKv2q* zURw$S8xm0E4Iz+Sva2$tD!|!Y;Y$boIv|z;{NXH5%om5k?(-8~@Wpy=c^sVG&Tj@< zXDo+xSCXwK1HlPHsJgS5EzB;MT!?ZM;Gs>RNYswxTr<3qcz(H@lT zq~c@3sr1@|Dmg5)T+E0hc#n#j-oP4a{;bfKHanX?dIDj+#lrSZF-u)^r5jM8O`dW6Jhi+28{g0(Ngj(}=tH*c57xf9g7Zll23{%ifN?$mA zlo?W3wrjMo`hh&-9n)zOy1Usl(#EfevHL-zub36RBeg!vOKj4==nXW|JeW&&_NUCZ zoI41gFtWr7APG^$Oa2=%X;i{HLB?i-?te!r21F{1ltSGmY0KpneW8(kV#lRPgEy2u zIB_BJJ2WAMuPLmPvCf}QRIm_{-s%bI$8HDUSJKW@1aw;QJoR+N@6)uBU5&v1Ix`(f zN1}tMZ*w;Ps@!UNd_XDSw*g&@Rt^O3B4y+n z|7jy>7A^aZgs@DmKq?10a@w%Kr0^paIw%+2cs@7xQ|Q($g4I~8?Dxrrdd=jcq(c@Q zV|tG?@mG~L{>00SceWX>S#lK{j!5;#wVJNPGG4wdIo?X)!tB?8$gv-cI%am2=AL6# z%Gpm34g2))K~=*g{(NZ|h1Py|-+#BDkK}3f?HRF8>4`;A@zkaXOadGq<-$8y?(|zG zKXf>&a)Wr=n&Zx?vpGy^N4@5CZt8aaw()!Y-@hlt#!_wJrE@Y~c9;zJK47U%O{{pb zjba(>?D(o1Heq?^`DgzRu+*E zK9N*w3%zVRCuir(>}-vRYxc-efc3+N!(_^zACRuKMRRm?bl8toH1Y}HXERI&2Y9#n z^p$qr%krouzIUf?i`b8IE>^4Pg|c;l>lpitAF04-1Lk0r@RX54^b@L?X<>`Hk0Gm% zr6}&sXEky)@>kGcd$8I5hch_jSLE%^l$c}K+{M^4&GJWm$F?pFST8!7Ur&l$=#&%O zIMcMd+wA1#@#KlAsVTs%qoSkf#C8U?jb!EIl1K2un-Og-tt$Njz#F;vp1=G9VPHC{ z{q7YVa8r59g|avYgSpWomc^|;759S(*WaPy(Q@v;dKtn;%D<#R8Q$G<*eBY=O^sZ0hY6? z1+MpuO_*hN8tUrmQc_X?&ykhIKDS_CU_eDh<&;p`GGk?LuU#PZ7yjn~0GW47dakoX z&cg4dr(c*Z)zi~ktgtR0%|F0(8eIhp)@)n!L0M-~4bJbSCG~DgK5lMxOnJzHcDmEf zoASXEaty{ZpX*sa%9woDC-n*xIpeOmm^apP=`#920_M}a_p8_KTYqmiC06EaT6^uf zXnx6}iIP^Rzv?p~8qCVte{)J#3>y|2^PspbCS~xThp;%2+MZKAD?5Kwc*Li;0ccLl z)=D1k#IOA-pBS%us<*4aOwOD&FtfgM=#|zZSCj6TAySlOSDsvV?SvwwD%sk6S2A3p8pFbgRW${LDbug-FbOyF4ftqAB0MGLj?_}c!M7XY z;^*hkHg2{3_^A>zytBry@=NM*mvjVsdLg%7!2?f!V<}jZPt`=iK+Tq>%>=GczSnxz z*e`!V429X+)b!tkYynmk&u3BfmwF|s**!}(np&5_RlHlu_L)rHd`_BHnkN-b{Q!u) z-3T3xW`q9SX1@64gWW$)kLRs(?DEd$t4L0f30w(yr#8RcoFcn3`jT;heo{DIkL)Bi zYT%@k9}d11r;q}domX8!A-5HI#eA=z3y#Aj>_%aI(Ei7Q9KxfmqO`DLyarlK5KU~$ zx>~tBaY*3`>oq##(=2mx=c0{;4)q7cFbuc5R-$b>)Wqi{7sv#5=@01EUE;B<2exwI zkI5VitzskZbu%RKB?x@PGvkPK9UT43c%LCH3;%loMRpe-a&o>o{~AAQd#v-MS3b|Q zZ%Y&ZRhOlf4+w%W{38&aFlS=&;^X)1ANQZn75AZ<99| zOhId0Ogv-k-jesw$KST#q0g>ui1++Vry`zm=aMfTVch|jS#$A5MNK}L_vqJ|+jwJ# zljrH$a$PIJ1O&#uJApt>UL2z7X{zWaxKlO09$k4MN#>o-vcwp@4#CJ_)m+;-N)5-_ z`uCIjlo6UDY)>V`1q2vNo_Q}07`5rOVwIVBxIOU>{_g9+3qQ|dQXqESdvPYD>SSSm zFCsh>|3 z+$>wMNPe9ap>Kzo9mAbpIOST+t{VMgHGu9)tB1KWT>JwYuSOrjIMr9!=ZB_vukqMP zv2nZ8Z39L}Vz~G2eimx5udioglk1L9+xu08@%^mew>3I(^tXe*{$Pd)D}R)?WUOND z^Z9H+XJMOnI@3wf2H|*H0p`jpzJcESPsJnadu~JoF4g_KF!I5P4A*tMS`Bl1Q{1DI z4^K7ykJ=Bx{`iK&?+PbQ)%<*aG}weAptmD-TQZf@%dq5Q4AxhQdeDJvt$Ar9VR54- zwMrt|nGBZ_kM7gfdWnnXxr?j1|J{&-qqZ_-KI`${f%U(BK1#=_`|hPtAR9AfPV-Zy z>y0T9_C{b^0<%Ed&!Ju?UjyW<%xZMD_Z1H9-(0FaZKHvaJ%7J~S)rU%u0@`?PE6-r zG1_!Ah0}Wyj^>G8Giz2??7ofliJdfznE}~1r2gHLst0SxJMS5Dm$@=|#kzh8vmzbA+zRd_tq=*1S@^7BRWWXnQMJ|QLTLzS1x33GicFee5EyRj_cPEF|yThKjU%rz}4ccC|2dugv;jTZe;tq`&BkkIr7Zz zC)*?DS3f-Vel>EUTBeMK7K7MzDFG?L|1a)H}((b=H@biuB+ z6(9WO2`nh!Q$HI#x$gFTbTpPHY#ia>-~d3mcR@h`dyqq=J{ud`!DZW}@z|E>`tjXA z+)V_kAoLINg&G*<%iex@gh`0Oidy`>@TvZG#@%wuV)0NbO|DVSk8kG`8BX9{i|Ceg zj*hC2mRR1Y!!;9D(c8MD5bT^gcVhGmLQ7Eo+bN0rV05jq!;e!%vF+2OrQX9Y#}}j~ zjxU_y$2~?lzXr>*5$6OF+{-Atg&Il^3UNlPDPWIs#^VGt!rl}}Pgd;i!tQW_U3%D5 zqnRkBq2COE@C4&%SiR3`)pweIjpMz-K4M_HoQdMVTCNz%6(y*f9R<=x2be zpk2?zsQ~KY(DIV}5tjyJluZ5TTf$x@yvfK|9BJdIsj&p6GXi)@L-w-MJlPQDjtk*( zWKYoU-`Hf>Cp_CE|b zsPg?DbF~y9Y+ZEe;z2&OAF0N|h^0b+R=sbiGlwd}Unng#yMJUMwDqk#&u^7ZN|ij3 zRGiJ3VDvIVdlHXMow}t$LZYi@Eu7c?*;=8DhzFjsUxOcKX%y) zN{xq7InTpLUV#-}Zcgf5{*0L=Ha;!Gx`ZSDM}jXEvwF(897Zv|>nx8o=q7l5&ZhgF zqne?d>wKwaeX>Xe-{%8eXLIp&UvFbN{s8ZD>0cR)>G4x*IjKg}YYoy;VQuBr+)_?B6FSbkwk;4MEt>#$W8c3y$R z9wZY(-mMr-rZYEle}A!Z!TCU7J@M3tJo6{rm2o4JwUYk1QO)(flydw#NpY1gZ8?#E zMz|~+XWC0E5Bl5DQ#os8;$ua=^YO~Yljy)K5}SR@P$L(n0wnhp?&|uN2CqdeG0i8E zSj*4jZ+TOGED=}z)~u#pM`bqx#>miu_rcLbOH&7b4UJ91q^0~&`}2);;thv)EG?=< zT?9UFhRe2tQ*OGp+&#Ku{^7xn*pvQSb+2SDMQdRaFuq%idW4(JT$lu9q;AvM2gY*G z)SPd#C6YdzxM={gRJnhUi%M&ub{{YIk>fBy!(L5N97k}US3Oy)0)gQ^PUp12@))uj2xS$?G%BD}FbKLy?O z-fs6NUG}9dCtNIK*5KlO99O{aBS1DBx3aq?Nt7-!4yj{8jHHZYdwHJ8^u^sS`R?ZJ z;ahl84)6k_?*_BdT@W6c`IX9&@dgJZ{!OwEzesRLY2|1q8=u&%ySVrc4V=Bo9v`sY z^aozh^VhA)*)@IKWo-}fvv5Yk!7WjknxM-QTbDpur#woWIx2R;9<7I7#SU~`I*0g4 zrJk{%#VS92PU+=L>9=@U^c;frgY_6JbEoWb^@n^h?r)f9$jiLr}AO zu8cL@emH_RGatvWLd&l0t39n?*_odKETn6%`3EZ>h&D^gSWwdu{BX>CVOyaqWkIK` z(Dk*=7|;LB)WobPh_@x(162ZITLS>m`d%?oRDKB5_g3_ zA0Docsl)4D@KW4_bafNp$jHa>+CStaPOQXx`?`N? zS?l=gjGLKzY6xQrrqWUf9{THGp4*a!-_(bJg#q#KU*kWMB~PwH&W7*X7_q~>otP1R zw_=D_lI+_V^y|02>|H8M-RNqk+0FEje~gz>YsHd?5q~^_Da*&>G4{r@(eX&F*mX47 zTz=8>$5oH$d4-2w^OuUbjAyU5f0x*5laMNj5^iFqj5s};vS`vth(6s{eE5=CvAoXh zC2UMC=w{k-j;r@k^L*_WU7w!fveK8rw?QIe$LiLi>L5!e+D=njTU%CEcHoqocq)UK z-3Okn?eelR3v+WWZENfOwwg=DX+M8HDE8xg&Y_liw?Il;<9BvWPOzkYLUl3UU$J8o z^|e&T*2_`H+`$2nBRdjl_B(%{)A@0VLhK>Akh-@L10snF%!RH-jgyx zoHe|R@R)>4@!kS-@0$;!@$Y!>N(9+=Miflv^M3{RiuSd4_kQ9$#!c1G*T!dt=0&j{ z6%l@L&!(HWSACjpKkD{A1n&_5<$UpZIXORp-)P`f-{Aj*6lx4t7yGj%57uOgZ>Xre zaFq0w@>ywF-r76%E06Lv`|kg4?;9RNjkJgGa6q`7k@8dKQzy*@Wije0>Q`e^<(wUD zfV{{1RNw0$>(|gvQ)tORiAWl!UXQYW>c^}|^37v6j&$+e=VW1B?bFB*}% z(C~Iq>rP&7X|?O>_=}e>8LzplxK2FH*0)_5E^5EcTT~3jB$UTUIJYW>E0#}h%SgTn zdb>~jSX--Q9+ObxG+;l@!dC58eO7N&GNgX=MudV>?Yg^r%BKU*vfYQk4e_Hj_<_}f z9oKoi%!AL2es^X48&F&O5*LDL<;fRPV6sx&z?F{K;1T%5hWlOp<6=paNHYfea9=Ml z_x<-C?>q`?Q)hQ4KhI^#{s|L3&tY=PWGF`UG`x2&H>~}1c>DY21oiQcf48^citxxO z<`sNqQgs%!IG*56=bV;wjA!irFhNq^{;ZXZ$PEQ#<(AgWgQOQ03PQ|+mrrS9ncfsD5Bhzf%78+HBk%HoXY+;6 zpFdYWsg%_pLTp#Q5B`1otBB78GP|OIW3hupl{oBH+dcYr<}?o!e|??t;~cbk`V2k5 z+?yNTXF#Q0GU2TNpNc#)%+C?DDK4BETW}wUX1{YF={`r>Ys+quUTIm)<~Rzm)oECd zAa1zUF|#8V)p#M1nZ}-TdQ{*Hg>7!}Umd4a7fHbe7OyR)ES%rJeyOObaohq1SxH-a z`}(K*E^=}~OEqI)AfJ*vh}bimn>Dn^`4bT^d^|~2JRgrMi9oT+Cd zo^8~1I*Q0c@!`p8Lzn(~j|m5Yi@hvpA??K>D! zX%>x6Qg=7(O3LZ7A3<^n7#(Nz-w`3XP}!0|s@Hh(+qZA7`!1Y?Usl_f;LSx>J+4(t zEhZ5$7udDU$QzZueffd}^2+N>2E9wq+ZGTR9`bv61Wh?Fh+o`fr5dW(k$vU8WHCzZ za0whbKTd-~{mC@BTT6W{lmvH@uJR|_*OH5vu<=G$OYpxe9V2~I_D}lIDwu z(^Xf$*u!`_^EctCkt`-mDQO?XSr>ym=~%Bjjt&mWVr2UVTd#&mn_s${U-d;U>hlPk zM+uHyWgmO6x}gUgE1{JSv~WsW#nczBDsUFs)R9}T^d6D?ar>vrscWQ_d-K= zv#;Sl%N@XV@BV7U%5R!X;~-%6P+9*WJyt+SN4VdTB)!z6B;39V_JvA2_Jy|$U!YUv zR((mnr1*m>uJX}e+xsQO#jOE)nON3Hz4(r~EssO5`kn&rZ^~Rtk|N9%(KaMX_&ga3Rz06x2 zZK@AXo-?IEDEoJ_e}m!C++_LwJ?BE&Z}Kx)mk!>Uc&3Y=`~Cj<>Ng)MI^~xYBG0^O z!LT~CG!^~r7}5MZF_Aa8Z=cDlx$Nk};?mNEXTd~_;X!JZW8c3k-l!Ad5T?s}A2tT8 zfaQaOgCb8#IG+=qJUhv2eL0BavG!0?H^yz@=qjGyos7QI>QXXV6p4hH8joy*R&Hcp z?3d#3a+a#oY|cm*ArjF&obI|X^6R}Ux0?VFv8>IX`fkavurmtC75Aajbzg7va*7VJ zoZ2wDQ|xbh*zjd|1OexrIDNp8ZOm+f#q>j8pPb+U8I7MZXWuD#J42j0pn-EzDWL9yVE^VdJ%!qQ*md8S*pp4aTY=+S8t(VMu*Sx13oqzV74)GF_6^3?HdcQFv%<;~U!qclJg+V=%s@cRb6)(;465 zG={$ko+UUiZ8eVE^WLRO-k~Oueml_ouo7W~Z*xJ#A2zt_uU6Pbo$1wx zqG2Ww$w)IyDYAK8*SxS|k0emR_aQh-aECkZdMjV=8FjqeP8!q#ZY@R4+ImHKNCPb| z6!?~HLYRlo(98Z+IoV9wdE41hO~LWnyNsrNj?Ziz8tz9hOMlsy2lXhAL$>&Cc-MV{ zA+G(@@B|{jQzqKbd?Lqfv zUPq5kLdx#QrINOWh7jb@VRg<8IAtDN)Fs{;*v7_%*K??%E#r-+L#e-`?FMt(2Ms;L7UACBhVZ z;?rjfUd}Pe+0^u8wSEBSYuVT6+JI+6d*$Z{I#+)V_DCs(RnK&As7>)n7<$NogVc^EM zx?tt6f8z2b(V#;z;6%a`=RQ%sLVYtg(+=1B^E2lDB?wu!ZRN$=8Z(qqHz0b?Sg?ys zpc_OiMX?uyUf)^z`2K=)jF#=5b=e3G$NeZ~=|p};3~isLKtmiJ#_cXCW2Tq*@t58~ z5^vA_F0FCiZJnb!Wm$Z>WkT-#9EvAlx+LS5;=(RFPuam1zsPt~MC+E0>^b{{KxlyotR?zPn*EECIT>f%b_AjCf5>_IgTamNzA0jev zJy|*ppWOJ+5as%B6cAnD4)b|YjIQ`ZGh=p^7I3ko>Y7h>ckH$5h7GS9>M~k?)Yp~PJF-l>RmzK7tCiw21E3pKegZ+W$qCusVQF=2MZz0>K>*Vh~L~L_|$NkUpDREqQTDhv_rvn)egyX{J+QzxE5U zgji-0qer<`0u2%4H+ouh;m)2qsX8=*oDyrq!%vj1vhWSWDZ>Zj>(+?}^4e^3c4ux{ zd8MY=dN%Bl;~ikV^c(qhxIUj_%RY;nAF{=E1D{q%>gTQw2uWkp3k?wTfG^MC*99im1TVf-9A?7Vmia z{iAjG8U}Xze$<6kkW>UqEgg&AB<&z(DFhnkE$>B&d&ugaKp$UX-cyK-O%c$x*To0_DhTO&w_vvx^n_V&Xk!vcel{5A^-w{GPxib9=y%@B{f1-=Z^j~)8 ze{Yp+Jugq`{(Sc5gi*I)+kYm=PRFKQF+>JqaMK!hphxyFoRQ|{qJ#7C73*Ju)Uu;v z5^wc?Cv{6Jl3B6M9hPnwb*UADzFTy|0<3&ggcJ)pY4}fh=!VA-Mi^cwuTJaI?>@e} z`8eI25i<)p_`LTy^p(3!SY83?OlX-}YG4Wu0w^cx7?3aj#2uIf z)Hkh0$5~)Aa7}!+IzAAHOz~S5p1G;;9f3u&g%Otu-Uo%MSYX#wyQ_ssvOnB(0@w&`3e3XATMOV&;LZqwc^@ zF`?mR!uLHNNFBb&wMEK}r_|uq#lo|`(f6d|z8;=_h53J!Hi-yZuZs#f+r%FJ@m-I_ z!Cbc0c{?d`x{T^xDg>OOt1U(nXaw9KceN3H^gl0Rdw0UCs5ASmq$+eE5JiTvoUX zu8`34<76|N-%vT@ClXoVR11qDf%Mxy$tQk!?N%CX{Aoz)j4}Rum(6`=q+rf9%2gPbHC_ABdSH@Z;RN?%rNz!OL8D;N1R! zpcI$FxE1*~fIuR9TzuLW$-uC?ASv9hdVIQ27Xq7|B%-96w|*3q_Ft7qNI3pefWX`CRP1#Hx%pHZdV-KB?8;56+N) zkoq(0AAX#?TwL>@E?=lGyR>d!m5!-m5;yZkj#aS{SX|2Nsc^`1IB7@Ub{Y8a6K`h_ zt#uzd+h`00+dc`WjqpAh7G>1gC40_TUi;0-4=;!(5X&<$AceOc`+}2@o0MPJ%BA#; znL;F^Hm;U8+b1<5p{>lz*yR7C>%HT-{GHWQVdsnq-*b;!3rT1lShrX4B^21J+rj*-pR4ztL5!<1C%4$6@GH zssZ5$0Cgx*^Mv<(^BnP(3qi1g$mCi1wz9wU72D`@kg*~My7HM68|VYZW*UC}Sgoco z6ON(m75_;6%V$H|mofNS@gj5O7i;dp%^oN4@0&vjKwfW(agTs)YwY4DQMPd3T|yow z4|FiH@y1Di*e7oTPqe?gwsGnw`m{}(6E4T7vea7)kv8H zaQk!>Q%Z z+40{Cqi`M+Sx;?A8{3!~N%Qi-t-_WxXzrXw@-(rPmDg=2r!HIO(8IIcOIB<&Tqtlh zcvAjD(%9ZE++l3UKOD-^b~siBK$ z3yjK&d5?}+W#fUo`ge0N&r@iw^qAih_aUL1tm(Jzv{H>F;BHxYvP-N^c)AdzR)L&| zaxY5%5^!me$?hn{wspT6*6_aO*|~!murtl&z=1$cyP`bvi)pX7{`_faX#q*nz_)KD z9r*ug$zb$aqp=_bp}c}Z6urbBnEC$TMHH=*7RY3lamT3>aTvU>c~dq?$3|*H$*WCp zDr#WP+c_jXhRe+!T*8xNk7Mj2OngChIE+wQU`=n2ActG;Vzclq-$i@Cq+ z^`bV?wJGm%C62(~$Luy1e{BK(+WuMZg6&EFk;f0UxvBAcwzUNFEkJx~oAF`p`hw0N zkQ26K2HBglF*q22FSeTlWLl3^rGrQXS^q|nRA1L-Vk60V+QQcQ#PrCq@~NGt*9}s~ z636@^MM143V3_u-ERxt2*>SqsxTjun<3-8bQi+(;Ys=Jryd^sNJD?gc>b0>_BZ_R` zE{0DTp0lcDC$H>I{XFT&+{$`+^K-|@clA`DuoXdDz)6nRj+J40xVAaMJ=YhaKo~0X zy<`719W@lX!|mL}&zr2>?9qimzF8R+0QxJKjbc4nKQZq3jlU8 zhOop}pu=Asp}?>OzSn(KkcwW9DeTPNV{nABS%ks9GjYlvZ{EAqDI+&uywRa!<8+&d zsL%Lm#2gD&`ek+M$^F)b-#_r%shtG9+)V`qAt50yJwglr+M1fnmoF>*6uo@8eP+G9 zvXWab{o)an$&Z%HdRn_dBL&=LYmuRm5l}pBVW6s_@$aJ3+na>he;bbbnn^2WtE!avD?0}!sTI`d$tz)9q>hjZ%Eni$2xW@8 zy1l=vR|W=voSHL3+bs**WIcngM6YV#AruiRCu{a2`7EXtmo+f7T(7TvJCHN`$~ab7 z;#CIzE*#oBT@u+g{^$VI`*eoqUsiYay`_E#BqW!&hW@{`U&=6thBE@n00mgp8@fW+ z_K$mqzNI1)sUm`c(eza3&)=)_c%PXWxc+Be1UnDG_T&9ffCeIz2nQ0HEo3w|Bz~hV z{$AZHyLIdq?1hP4L+-$hHa29Yt-%A}+XvSR^Bt zyvApK>i8~Xb2fRbFYvjp_@%*?yb;769v%W;-6>-=f$G=nS84b@F!0%1N!W}ekAGos zZ&NyFpXJNkp}+(Gwh8;OD%rusrKOIxHq&~d>z8V1ySTcRyE^fQCHtEJ)g|1lztT2y z@hTqaEvPZH?OLK+l5x8ba#=v*$NWMWvCEX#7rW{ri+>U4%mvStagU;8yQ=U1#kTVa zo%z_{gCnmn$y)-KE}?wbZ|VGvTG>z7EMncCv;J0*UJ%Jj zOklL?TD>!X+H5rbk(%)Mj!~cz+LPUC!WMG0h{LHJ}Z%_>#wfPWqFo*zw3ow*f{VwZ} z!*G4FU%6bbm7tWSI?kc=(LzI+ow_BpW$T5hxmO&kVnmlJ3PAnP>`K6WU-f+|PELO_ zi!o`{@ymB01^x#zMz7+9aETvzZWPe{S2$BWE4xIyoB6L|?FLn0h{$Ism3?xT?xOf{ zZw!gG$T;U@wVT$&>$C=)vd&%B5nb+#jQG%;aR z4ph)Gx>I28|L{43NSok$zywtCiyyY=>KAX^PExtIHz>2~t_d|6TO$Hp>=C|)qfOE4 zJB(ariMK#Ed9na)V7(^#wIdHQa0**}_Fp(L6znCD5mw zc1dXH5Ol0YOh%{IREOeMRaU-WZFj02M`rmwe!RajS}7qezPoDSgqGZm{f0-+D$Z&H z5}@5dV%h1R*^3)Y7n*QwWt^8C{7K1FyY5!VzQ+F-#c#`h^Z9yyM*X>Rd!OrpKr$+l zBjCes*ro|lrl8cB{%NMG+kL8@!t&Mwlcl8Ue%hoZPE3Ma&nchbkoA}5*%xKt%u7#e z^qYxV4qbnW>aXVT;>Um$%_ z|2h@E1j^yIyi1ihFjyvYQWfuQzC3p=S!XSwggU^pr!U^(SiVSH>+v9@4T#8ZSHjFr z9v%9U3uD2`RE@2U1Pkx`x5bwu2rcan{?e}nsK~`> zl_J#$xyw=y=CJp!jhFnS?WMa(jo}y48(L3`2Uh+;Z0Y^6*T0`$LmXAhLkLJ8;{?bP ztMql+!Ao&S-Mgk2S5*-0*8)^wym7fEMK;kBhf=jJiW}6>PH*@jUNgx&+M~n9AIIX) zfkMPlZ4t#OY&TQE+BGIItGu6S79_>@URl$8! zv_ z`A^2;QF5cW`w?%1=dW>Db={dG<$t1iQtdm}eCT^?TX}mE%Ez?!o?I)OX8Z%ZNp^vu z2=9c=snJ&dkJRr^2zbfr^kM}0pAE#`P68zcgTU>>@JPRUC_dXwV#P&2qvE8z+z`Eo zRPU2(N+G8dZbMpwrz!4SonV)q0w?BGjKd56dG9U8i*v^5kNF~)fhO;nZ*9|bo;+gv zpF6FtPJ&W~?)vE8)5o3s#)P-N=iw|`DQv`IjyW_4a;=u&l9fq`PKf7 z8!5y3Mz$bPl}q}iR{!po#C4?4BbjI!(twwOc$#0=Ru4W4%-I;LT^LRzy%KVVq-1@3 zYl*({3|=V9JHW;G+QE}iWA)#D)P)j7h&xxiO z*lHkQEDL6l>&C3DE=OwjEy(tr%b#IFtK!?xidoXjVmP(U6iKG#(M*Wmu^4k}Q z9X#ti4Hdn>$M2a`R{eHqprW@zosA=`13Ee~LyGK!2sQ8gP$u);N|!fx4bXFbcK$&m zyvg{f7420&g5l-G#PUr~!UR?DW~!(P0v-;ixCvhW(jmPM-q753muHBi0T{-W#TofBOyNS!&Oo| z%JEmX^*ok?Y)#4V)5*nwinuHrKVNXg^deOWeC--r?*0wYz+LL}U?wC9p&&hG*wZNh zXisBYA%rIW!Gu0|@LLvrQx^JjXbPZ+G)rm@KBz*>Mh)=W?2U3#R(GII#E#C^6QE?7 z%k95N%uGaYzB_zz{FijJ#Gjt#BMt*y{0p(Ceh~`tAmK3dBAcvZ4&!#6Gjh_iw2pA_ z!40h&!MCKDY8(sN+#EUO6$np|1+GQd_MM-ite6w?_a{L3at@k!Z0s?h@IrbE?s|G- zRQt|WDC4~3_d<_>h+yo%TQ>e0D4qSHX^LOZTmI1M$I~>d%LsRvj((6}^4=QUD0St+ zat3wm(djbD<$yAhlCdTu_MJ7uqVo5|E@)XyD=(s2d%lK1`p|bmpxb1*klD4{gXZdL z`4|(Rt$%wL?Ca=8ACN*56YCb~|sP$t=Ct?fofqmQ%B{Y=yXJ zK7uzMeHI|}C>2NQu3!5uo;@p$P#|!${QL(-&OehMutLD!;pl1SyY=U9&P~ik))*1 zy5UftF{GJ-g_Y}MJAJLc9=8`}2*KU3drN|g4Rj@9lT*wKKR>usJ4QPAe1cry%+Uu% zkZfCCtE8Pj$LaF!xpM50oN)g@55boO>N_#-3jU@y5)A~H9&~X4?!thuVUok2=`wMM zpWOq0Xx}g}HujxqA$1FQZ)N4*MTPg#JCq{sNzA^ zMU)Aut}b|iR?ScpOqi|bx3G9TBU6NlKmNc+aCC(C*YCEK0p|fRxLfVIJt zGMB+;9dqxQu;r`#yUD7C^1DMt(0ULThy{~%3+RT7QuYFrvQsOu)egEq{BRu|2 z9Y%{Wq!0yR?7egWQnd@MFT25_cOk_k)jNq@-z#Ft+*s+3}+(ls&!5TaF{; zxxsqpab+m7#XMUHe^LTaWhbu(dL!6xCCZtUmx~a{ zZIN0TKmOD0bB4|J9ta+5(rO~$iL>nt9r^nG%@@t1A);QUHPA+&aNnzR#{{tkTGg!a zJc{jPnl7&YdpT)=mHB?koxI9Q5nAp2W^SQoXkSvr4*O;=!T?88okf&q8| z522Qj<`ScIYaFky`$atEW&>`k#fJTkM(Up&CY7-K2m1|APJerTb9bmkbO=TMZ9d`L z9`*47f(GbP>P!REV{)NUQTvJ{68+8o%ETqZNjN8}J*gz_mwYh-^y{H!X)s z8Z{wll)mSlGQP-E&AGSA6<0yn#Px*cAymFhzyENRn3#S{5-qTOA$P>dH=U+Km71EF zZx|GO^P3oFe;v81gZa+(yiw4a?QCz)&CYU?{wi_%>4;W+Y|gqD?J3{VsQ&r`UP6Ff zf%UBofCI@=FI_sU?KLZ+aBHWm&~%MVh%nmhZ0U&oR^^r&sI^Lk`mG|S1jH((cL?yuwipL(}l z@HcSu+bnFfB=R?|)Y?oN7CUVPtXC@ptc!j}-4rGSa4gkE__0j#8Is%(0!sRUd5w=Q zs{+llYP(YD*ipYf z3W#`p{2zH#DL6JA^CUDnIF4_u#pN6n; z9vO{y?ob@LUIE~Cbj3VblGt8c5hZ@_&V>RXw*N+noM^Zs#0V`!Z(957+`IzamHEGK zpFEA1w14XFLk03rTl5?DaNzpir2o1J(^MqKNWH*HtLd{4t#j=t?jKo z(qKPX<3*DkqdOX11vu!?YhMiyx2D`pO2dW-&t6ngefjWpDOUa)n&P+&lO4-35>sa_^BxE+=r~qfuAUIzwojNy#?o1L9jiK|j2iSg$$c3tLkf6VZD_$EBl0UhmFeFWFx6i;Q(0bC`=mK%|8SZbbM_@0 zqQ*LDiTqM~yR?uq!fatyCNBX#*vRZ!0UFp$&hD2YJV5)+Ir;2Phjpf~x~O))tE)>D zOSJpxvk@PEs%QjoKWAjYJA!WghG)mwGKsf+KeKCX=q>sxk1Ql*T?wkyXJWykI^-n@ zBZKvOqgjMTNY%YV)_Bqn!j8QYNrHXV+UKC#E-IlWPo{pa`PNI{y-M3MUN#e-Z5Z|WcLl%%kdUzhyL`iLKWz590*LM}vZpdB=J8_DM%sD5D}jmxGDS9?Y$)yiC`-vD zUTl!OFtXCyRv^kB+-=sw3--gwPPe_Vj?K;IJ=M(xQashyYW-z{FFn`FVuE>lWaKJV zuHR58OR-}Tlq_*o7z@RI?u8 zF>WY8yqW$m|AmVvK`0z8{$k`WsXm z4fL(S?LL*kH70XL3D9%*7>dtj8fe)(>ysfg=`C*}!^0ou1&tspO~w+4$kLvlxv-7p z63gE+fkMXBiQDp}#^;M%xyM%rdP1n(#rdTrNWow-WT#r|7mgaykEa4MT5C*#{Q@p; zct-^U^u}o=X7ZOrC6tIhclrI0Y@jR(JAy@BYy;oP%IkC`fE=#NuYfMk+OSBlT99hC)FSvbMea-M zS7_x~KNz1(V|_)$+FY7Hf5D?I%_C&>`kx+h|M$ydCLG~fcWn&8%#RBqs|82R;#+Mq0<}u;Pz(;UPlG%SKRrN z6E!m#{pIu#iyedzX%r`*L_ttsC+905J$I6&AW<$HF>F81Ne_QlmA5=_$|))V;N`Aq z0_Z#TPS?}Q(C^`B=?S?{bS=t#PQ+{w*;Co2T1bb>hN(b<_BMO zzp!W>C-%UMhS!(~LY@Utb&Ag@8(;YZ=?JG# zlzl)>+NT51*rksrZY}xU+r4BUoc;;$DtM=;G5!P0G#5H=ABK3rFp4kb4%eC0;S&kO)7qiCPZ?%>zz;KHXE{RUj^et6lG}IVZD;#Qp$Y+S_^f=p}_$f%SIACG! zMr;&s;BS#$w=R;;SpN@J)qTRuro9r4Xd_LP9U~|#?GxZ*1)*4`GM}3~h6ZWm+#E;D z%umZDoXt3QX^~ z=^~Rzb(K|L*M~Q-m=)eNjI%&{VKI2%5A_@yu!caus7kJNZjGGurD<=zv+tRut_(8^ z>jsx|ybUUpuEDuLv` z-*N6?_CD)$G|t@NS}?|Acalj^#k|1e=EglJ0Iz>|_D;#Slq*;4OwTI16Gh_4DZV<+ zk$u|;GWQOaX6PR=v;6~)V!?2L4!M-V$Iov4sQFw`-ynlkZOb(@lcds-V&DYXx5W%8s$klNF9M|Tp zje8*;=e6daas-J_`{Ll>dk`wAUg2wc_&P}+s?}y|J)qfu;S0NyVrE2NgL?o$cHRzs z7U>R74eHOlbhJG}4bh_dH*a?8SHG`GUHu?qar=8pdhdfsY;|^7I;T<=izHB zs&G+Wtei~$)ufCoyxG82#uDkYzg8VB3ZYED*15jLSOtO64O*+k{{ z_MgsX->4fC+S?nmHS^ z3)qFe=ouSP=9_a=*+t&Om0!+SfryA^^NM?S$IJ~pUr0e9n?3*g!WtGu-X*i*>S^_E zq&+j%P;Iup=fz%VC)eEVcdhK+Ib${b%7&sgX{f>~*SDM7A^FM@eq3S?y9TxD&!H9M z!IX=mWrNoHdUO$XEg+ClY;(@7FezEss&$5VUz~}3Su4D1)>n*B1@-4w@2xF1! zBwtgXm-{+_<+mP1c6bjz+5(L)dIkSs@k^dZW1vi!t(Ru=lnu{4hMpKmS$-0}gYYse zZONLRoThn(!Ri*A$y_lh@at2)pzi2oT6H__kal5w+kMZvVbSqlLr!;B*UHjTeo@i0 zh=}&CF1Dvo69qYZrZ0A8oiobb+??&6JoUe(ott_;VK#=nv9@+_OyB&p&A!?OZDr>L zhbN+r$0C|g`tLF33p${FuyEy`mR9F6hB*(o!{Y3Y3|}oA?orq`XfzIIir|8AJ zA9oUKeL` znIyXK5jy$A{1uTl?KT9p#?~O`tOI4Sa>SgX*Km2<7%qt(Fud)KjLIjoesZR$|{5I4O+$(m%>UDaZr&k{nwXO_Cup;36Sz(V4nJ zGyDYFSI><*#NJ*b{w;#^;_Qn@t0M@H>@iid%VQ32_ImAsg1+~?csfQf_(FNBDkn#A z&$J{#)@%{?hpX?nBzJOypt0Nq|CbJbMkU9nS>?c7pz;)35I)B6%i zGoUv(B%^kd0zCG#Z0uZ0MXWv~IiLY$u8dqhFYw7z2Y>M`@G3uJmuNYtPir(kE>a6?o zuVN%Tj7CcwhlK}U5os_!zQ=I1SR8Oz{bbA!tNW-#Os+i_X7e;nieqEyLfW(+kCh)fV;C_0VQR3R z*}3~r&|T*52UyAcai1fn>*LnC{E-FDVix?qcmx+fLn0Ho6yba^M_lM;sFQT2p&`5a zFZh9!9|?XtxNYuiDsW&@*635!-_cG@Oc=+W>sWC^zMi(SvQp_V`TOTjYF#{PxmQ zgj_TLyivB$>ggX-qLp0Ei6cU#rga>rWZNtmC2xaY@z)tD!SH(q8D8bstoLZQ)j)pWYt3s*()K0kZi9 z?Q?bhtPfsy?U9x4H_G)XdD#l6Rm2XLqoW=k*NZOw4pn_$=iu*o@B+wQbHelW%``8W70iKcequoX-OJ6gdZBqLdCjd}PuTnh>oo6j$; zfU|~D=-Hj7W=xk5@3{M#^=$r_<@YCUz{kYKejWKd`fBhh{`@T1B+%s>1yccMzQW`w zExr1XS^Z1BpFT`n$RT~^N%iBx$CSh&r_WF1+=6H@ExGV%-5A-gbvX0aufA{ZT*y13 zNs5CKnR4G3z`mJx0zH8w;oSVp{ieC5`55Md`q=TPo3o1Ewy}z@n5IDzJt^n3YRWU>M(VoEsQp{!51E_ z-_T`Bl{V#C9lyhQ`ZM%#@m!w7d%r2O5OT^dhcK^B)b0^9I6m`f0^N=>;m}Fd`DDZh ze2DE|?U{z)*3j0;><||Y=)R4=kn@=7c<$jP9Osjefw_FayjA0LS2tO#DhW7$K-G-0^*CYq;Qq}={zAvg zJWqxC>q7+V88i}$roO)U{2>|r<450rJd$=vf>AK8>g&&A06_M`>@wlgd7rM<(obB_ z7DCvv!oot<*;`tsucZCz|1}trPrsJ*j7>7K(A3krko#DE%|mjbCr!_uuu}sPF@8Gn zYeHQS=VL<=86NBoNX)n`iMh{9SmySf=SH}y1GUh+s=P=8lMSlwHf|5sMyEMj<7~+G z{tj{o!oaeMOFa$%u}LLGIX*J>(os)+y|I)#pP*~-Gy8G+3N2T#z_1;yZ;Pj89`ufY z-Zieee)jWCxc8qQDbIn%ZksiW`|>WJ2||&HrwIs#HwxHjmWCj;UXU#?QSwxD!>mEYOIrHgU#A7CcQ z=G*IUdRZvu8M8?JV_TfNW^a=W$bVsXyg0K@fX z&zMk`rT{MPo41taLobtcJ@+k=TJ$^tzP(f$^47^^P%d?|$h`97 zaRT!soK0AgL4L7vgey^IFadrEC&ZZOyFuUZi8JG)lb2E#8zCm-ST5Y;Ah964G-L`2 zbQqU%Rd5j>buP0rGU4O>7O1=Jb)zT^AeI1C8Qq`><{k2h96O6eJyZq;nLibo!Qqzd zN?3l6J6}qvQ__bQIcMim9bwuc@C&#WNI25qmZwHX}7Z7`z;MT*N$JJXBqqda{pbt4@aSWu`%oW7gz?s?YgM)RG{OWH%|NVcerCRSD*G%z0hH-gQCet zPL#i9KX?NWn9nW%9Fc|N>CJ(|uLaW{tXLkhRuXuj&;{3B2D8sMg-TuriP!6g-Q0!u zQyt+Kbs2dO-=x%tGXEV0?i+^17M>K+DFgZptdEKYTLQnfHPldecQdzjX&I^(^rOc z8BSV99(i9F-uYZy%Zi;GNSpz%QWd!h7#z*aFYI658F(dXhn~Du1$)?C>qv*NyxMsDjpZx&f2p zy|^R;0I-wSI@=GXO(Mg3~VMiQKxyQ{HRGT zcpmoRe0Z=-a#Ff(P`WoN=B`D&D$`z!NHB!lYGP0e+Q0dhZcTgwJvxNeqqvc}%d~Ve zdR6A`aLj(L;b07lDkkX)nuRGyuWf#QaJ!rxCcNapYp2~->s)(XJ=SjQgK|OR>$`)b ziK#maz~)V{IC$rv1OkBYjp6!hD1wBAZ})bZUxdo^5S_SN)sc4kO3LA@Vt{A9?d^Kex4RjN<;# z3+G3NqFX6-&-1T)!9b8j5JTKrNF+ePJxp|cqJssM`r@D|rmit45E)LGu=it;o*z7( z@@v^Fe;na(=$vlD)PbA$iI1a(aEG0@Aq0E*G1EW@VnDXETkeh7H8|eB_aQ&7w3&0V6241g?x~`do$9E4Cj}U+C z>}twgjS|}Ml@ctklB`pTw^Yl@dZ9)YBq8Gbv%aa~lNv5l5f0GRzsR$5-iD12V zo+-CO-*xymR%|EC$t5wYVSkfO_eheL6;O4e4kN2wi(Yk)Cff((QHTNBt0nWNh)x5T z2WV9)%Qg*ZF=&Y%S$d}OPu%+D1E)CRh=^C37aIdWTx}!85oTN%Cj?L+1%Vdb&#dOi zz?uulH-4~YK;U}KJ3WN_PlZDjUkS*nLi5mCo|8}Eq z?sKkRLcm8DE*j%J>wJm|I5J8>!Fx<(mJre%Mg0LPKZ3asp2JWg3EQ~@*Yh8!o_JIX z^J+kPHfL-43u$8+p7#Ss`3=qv(u?Ag%K)Zho9=r600=h63`9N>6X2`r`tl(Aj{bIf z7)6aKbA&KNKl2?K3~fC~?zE%Lw!fMFhbB^nj@6l(z~dN`!$2==oV zhdF_*>q}-Z9OBYd=2{Pl`2pm9>gf$Z~%)1fs#38{ARs2d3NDtwl^tD>ZxSq z_vD;(G2r>tz5r`&=Bso+^umlPoe~73tpInVap&X<^6HsTZG{WL4#9=snASV{-2?e# z9tNl8i)Za)j}zBci!)Rrn6vS8Sh4R=+j9<=cM`<)gP+V(nN$uC_!9Dl5#p(--G zf&xs10le=Q$xEL_{{5OFjNVg*nUfRM4bPs1!vqg(5l$!aHeEWM;dD}Oo@_nJzY%)Z zlfd2=!+$oDIKbKoIa1;Pqrsfx*oJT5=6UC7P`tFiCq7=Jr>8%E{=>teYivqh-YhVUM=93!>^mQxMV8(zZ^T z!*HZYpB?&IQPE2i@Z~R52`MjDcp7@PXdk2k7_=&Y=)+vsIP3dS4Cc%WorV)F3eLmiy~U`%_iAzRl;KvF_l z{oS_=Lg9TZ9x@>!-1`=OujeWfaG;UCT>bp~U)&B^Qr-tH2`#_^&U1{S2>J&G&R@Lv zln*)YSMW$m><~MKQ}dw_Oaf7MapPRYTyuqusQQM@#1r_hqof(NFhAc%{!cpnP6Sj@ zCwV1|!}_UfW}Y2#^k>uolwH=rV#BHrN@=f0oJ>N&{D^8tgRp^Xh=+^IRF`bCD!$i} zZ&o3l_hH^^!Uoy~xxYRzb{l3u@1M+)rrRJAP<*BSm(5SeqG{T=68>k8)V`|ccx!`# z=9SBre`w&rvU!{U&N`WbE2a#3%Hd^% z3oN~_-n}L~CqZf%R`=XI@>+mM%Ry*UjlBzq!4!H$xm-sp;y&);%>T;+RoeoVzf`%5OrhStMB7lWPehGHzw%qw87 zz4$U?svgWB0_qW|MEiH;Z?=AYCEp`$YOvoTB|N0vQn{}!39BT=K`&ncd1`_VV-}7n zjN?+t2P1vs)EE6P#^gIWxx(~@Azv%cJIWtG9 zV`4J-c=hAL&i*16<3*W0q*HTW{D+<=)2|WjA(DkElE!Y9&ZiX1@*YF9^JJck9R!aP z^4Db_`|4#BUmS19Yt(&B3CqDaVf?gGySF%I5z{F~-BN)xk6Ty>^lI!q{Y zA+3;l-jRwj7_+V}RoPVogMrX9iVysWn4jg}jpCi{4r&b6*elLpJwTp{c7x4NqUM>? zeSrq%W91T_0@c9m;5J2gJX8`LHD>J`f?%o}uG#72_7QzyHHSbz53{3h2^83PDc89} z8~?jGV!F?c@Ky!__qcVeJeg~ZbS^4VcTrg3A5|^W%B@Ha>&9bDf{6M;8{`I7-yGEC zTM8go%cZ&G|v13_XySo^#Fw3 z<;3|Z&=x?jg*OgPwd2|ZSwFE1? zU2Ie`J#y_u$ILqK-bW-v3&5zC(3=nu@+^`rze$%YF3vx?YF#vI!>Mm{01^?b)2mdGTT3ty(W|%~ZE7MdDMg!?XlD+c0m?m07{O+>lNxXd; zxDrLI^^yjuIldDOYUd*a9|vV~U^(+?@%lY&7y@x*&| z_mX)HxXyC^(fJMeLn?SkNKUeFxLJb)7mAnHwy zARwAmrS1OsZ>cbP0{~I(buY%Amh2t3&=@RjudH7O_)oU-kUuq zWc{y#zo~yhui(+Y6f2$nL#UHskr z;`+?wmFo;WQ5Qu#&;6}PKT8>VHR4AZs)X$1u#;|5c=d~ z@a#tu+&{ZrJ8u8&2FO#eC-=s>a1xhky1y-F$-@`b=Uc&iZh~s`F6|I>aeo`vq~53h zgd!N_7}vEvppNJIpxwnx-oQO~eumT$JXzrjMV@=2Ls7p?_crFdjZyQrLXq3POTd}$ ziEq%w^BR$34F8>s1meT9*k&y1ANuTOlSt;fI(hAnY(0_E=Fa<|SS#<=rd zt((u@+>7Ibo?}%J&9lp@P1VcHWLb6J{!hrh*IzWVW=HhDJEej?7IG2U!4Tw7skIZ(^i-p82^(*z<&`#Qqq@5QPxO3 zg{fBdpD6AxFwdg|bg!nqie93!CGT87T&!5$ zZ`p0QhmQsu^R-$CqSD&FMTWV=N$03BC!3EEr$%?;3B#9Jz;D*IX>Kbu{zsI^3M8{`BfW+FL%bVNI&My1qR5#fc zlYUuw`x1l2x4W8}X9Nn=6M9V?%q;1>((>MRQhtOPvF{9tt^`00@X&nSUS-i++nI-S zF=k5u+kUsX-H5{B)SiaNE}nKL+i9QnU|xVoK^=2i#*9Z2!PQNeNto|n&%&5zczfV= z(lEpYAj#BKQUh#yKEH|$swrxzw& ze*bQ$qx0GQMM9S{>uZUaR^9fk$giOR>TC46 z_yP^TH480hxN>gC4mR&)Zj&TirCsH#Zy7>OO^65H0Wb5_aUA3 z{&xs9$KP(mL4Svq+D!x1aK^VQPSs>|qUna)VMTHsOk7LCq}I^PVJtHD{u56S<^8Zu zpS~5h{X^dzqs(9B%GPWH#E8u`EH{#69pufjhcSxx15C=%kO`rn#=l9e1Bz+2BY$W5$l zi!PbIDlM)2weFGhn(Y`e zw#&+U#CE$2cf$c`yn9j7 zF%*`x^X3af+DA`xG)}u~BQw1u0}Y4=rWu=$IVYQ{$L%eqXbuD5gFdkd2|MdB$D^XA zCgqQ9V3gyfe6Csp7$1rGP1ue;iQ4pGCA|e zl1RR$#!p6>i1VX6E46BJMpx=R*6)`TqNuMoreyD#?DUdxGP;pXq8@q-HvVZ#EB)nC zi+QsPDHY(d( ze<%p5H+b#H@pN-bdx5F11lcy!Q>gJQz-79m1$!)QIpz-`Ihq3CuEx0UY-7PPm64LN*&RriI}b@pBi+SgMZS64PTv9Nx&ODjZz~V$EqIHg!zWe&d!!u z_H2m6VS=T4Tf4=ZrGm!!r~^OipioSL|GU_DszCL6Eqr|I=kfywym|}=GVQ=g@h$MiHN)>I{)Qg8oLsD9|;==%?K-iEErgAa_8LRC4^+?$uAMULL6NM z*Uau{6MX-#yk_W&J`aahU7tHS(I1n_@y-S)Iu2fvFrT~kG%}rN6EaW#%K7gt6{jUM@(8rXo1(wW(Ks#SLGN(>*}r*x4fK1_|CbVC9^$(}iinp94>Tdiot;(m#j9)t$K5844Z)gw7EnVj5QWjQq6k-_ujcrN%X%a;1*RXSKm$#t;52dxt%0km1Y z`KLDZ@_ILJxK!o|NAjjH_mUhu8W9Tp?padE*;tQ%E{oJJEN}AWo~N1`sq~S7tK1QU ze*NU;v?-_R8(;Kqh;V#I&%X%$Nk?8iiix!4Mtx#+Ia$aY&nw1}X{Ty$DU6hwAN}qj}dc104!P6{EfX_eBjn&i$4C6T?Fx z$7ppDu2pu8I5)*kU>yNs@`}BiOy}E1;TtdKo8-QYXY@)@MX^A4BmYM#^W#Wu@*0oz zOq&t=0ra}!wayv-cfTbMo?;7>JD9#|yc;KV4r{C@pL90QyoT&m-jLefld~|`7~;;s z1m)afc&4ZW%JASxx>uK+%d@Znm4tt5(?<(zE-}olii?QoZIh*YrDfnr^jdX`4@-Ie zLD;^8nXhso_vj3g!3N%|gmyQgycgG+v)S>uKb*~UmK@Vnp&8Ld1wT=M z`0yq!VK2TTZ-*v=!IJ*yg{ARcO#IjOS+f6Yt3X+p;lMpmq$Pf}dBGBOi}BIqDJyCa@ulqb(zrLa0Pa8NMb5gQ(#{)&HL<_`LG-v$-~vLhr + + +
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..1817441 --- /dev/null +++ b/vignettes/articles/es/nominal_dropout_es.Rmd @@ -0,0 +1,178 @@ +--- +title: "Tasa de deserción nominal" +author: "OPS/CIM" +date: "April 22, 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 deserción es un indicador utilizado para evaluar la pérdida del seguimiento en los esquemas de vacunación. Refleja el porcentaje de personas que no recibieron una dosis final (p. ej., DTP3) entre quienes recibieron una dosis inicial (p. ej., DTP1). En los sistemas agregados, se estima mediante la siguiente fórmula: + +$$ +\text{Tasa de deserción (\%)} = +\frac{\text{dosis de DTP1 administradas} - \text{dosis de DTP3 administradas}}{\text{dosis de DTP1 administradas}} \times 100 +$$ + +Realizar el análisis con datos agregados no garantiza que las personas que recibieron ambas dosis sean las mismas, como se muestra en la Figura 1A. Los registros nominales electrónicos de vacunación permiten un análisis persona a persona, asegurando que quienes recibieron ambas dosis sean efectivamente las mismas, como se ilustra en la Figura 1B. + +![Figura 1. Representación visual de un análisis de deserción nominal.](nod_rationale.png) + +
+ +> **Nota** +> +> Todas las funciones utilizadas para los análisis de deserción nominal dentro de PAHOabc comienzan con el prefijo `nod_`. + +# Glosario + +## Límites político-geográficos + +A lo largo de esta viñeta haremos referencia a distintos niveles de límites político-geográficos. Estos niveles están definidos por el país/territorio y pueden tener distintos nombres de un país a otro. PAHOabc es agnóstico respecto a estos nombres y requiere que el usuario recodifique los nombres de sus variables para ajustarse a la estructura de PAHOabc. + +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 las vacunas + +Nuestros conjuntos de datos de ejemplo utilizan una convención de nombres específica para las dosis de vacunas. Es posible que esto no coincida con sus propios esquemas de nombres, pero no afectará el uso del paquete siempre que se asegure de ser consistente al nombrar las dosis de vacunas. + +Por ejemplo, los nombres de las vacunas utilizados en el paquete PAHOabc son: + +| Abreviatura | Nombre completo | +|--------------|------------------------------------------------------------------| +| SRP1 | Vacuna contra sarampión, rubéola y parotiditis (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 deserción 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 usted proporcione su **conjunto de datos EIR** en un formato específico. + +Para facilitarle la prueba de la funcionalidad de PAHOabc y la comprensión de la estructura que requerimos para sus conjuntos de datos, exploraremos ahora el conjunto de datos de ejemplo proporcionado por PAHOabc que requiere este módulo. + +### EIR + +El data frame `pahoabc::pahoabc.EIR` proporciona una tabla simulada de nivel nominal que representa eventos de vacunación individuales de un Registro Electrónico de Inmunización (EIR). Cada fila corresponde a un único acto de vacunación de una persona, incluyendo información sobre su residencia, dónde fue vacunada (ocurrencia), su fecha de nacimiento y la dosis de vacuna recibida. + +```{r pahoabc-EIR, message=FALSE} +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Electrónico de Inmunización") +``` + +- `ID`: Número único de identificación de la persona. +- `date_birth`: Fecha de nacimiento de la persona. +- `date_vax`: Fecha del evento de vacunación. +- ADM1: Hace referencia al primer nivel administrativo geográfico del país. +- ADM2: Hace referencia al segundo nivel administrativo geográfico del país. +- Residence: Hace referencia al lugar donde vive la persona. +- Occurrence: Hace referencia al lugar donde ocurrió el evento de vacunación. +- `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 deserción nominal + +PAHOabc incluye la funcionalidad para estimar la tasa de deserción nominal, persona por persona. Esto permite el análisis de cualquier par de dosis especificando una dosis inicial y una dosis final. Para una interpretación correcta, la dosis inicial debe preceder a la dosis final en el esquema de vacunación, por ejemplo: DTP1 – DTP3 o DTP1 – MCV1. Además, permite a los usuarios seleccionar el nivel de agregación de los resultados, que puede ser a nivel nacional o a niveles subnacionales (ADM1 o ADM2). + +### Flujo de trabajo esperado + +Las funciones `nod_dropout()` y `nod_barplot()` trabajan en conjunto para realizar el análisis y la visualización de la deserción nominal. La función `nod_dropout()` calcula la deserción nominal y los casos completos por residencia a través de los niveles administrativos, cohortes de nacimiento y vacunas seleccionados. Su salida (una tabla de datos) está estructurada para ser directamente compatible con `nod_barplot()`, que genera una visualización de los datos calculados. + +![Figura 2. Flujo de trabajo esperado para el análisis de tasa de deserción nominal.](nod_workflow.svg) + +
+ +### Ejemplo + +A continuación, un caso de uso sencillo de la función `nod_dropout()`, donde calculamos la deserción nominal para el nivel ADM1 entre DTP1 y DTP3 en nuestro conjunto de datos de ejemplo. + +```{r, nom-dropout-analysis, warning=FALSE, message=FALSE} +#Ejecuta la función de deserción 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 deserción nominal entre DTP1 y DTP3 a nivel ADM1") +``` + +#### Parámetros aceptados + +- `data.EIR`: Data frame de R estructurado con las variables listadas anteriormente.\ +- `vaccine_init`: El nombre (cadena de texto) de la vacuna que se usará como punto de inicio del análisis, tal como está almacenada en la columna **dose** del data frame.\ +- `vaccine_end`: El nombre (cadena de texto) de la vacuna que se usará como punto final del análisis, tal como está almacenada en la columna **dose** del data frame.\ +- `geo_level`: Nivel administrativo a utilizar; este es un parámetro opcional. Puede ser "ADM0", "ADM1" o "ADM2" como cadenas de texto. Si se omite, su valor predeterminado es "ADM0". +- `birth_cohorts` (años): Parámetro para segmentar el análisis según el año de nacimiento de las personas en el data frame. Esta función utiliza la columna `date_birth` del data frame y puede ser un único 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 ayudan a segmentar los datos para análisis más precisos. + +Consulte la documentación de la función usando `?nod_dropout()` en R para información adicional. + +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`: Data frame formateado a partir del resultado de la función `nod_dropout()`. +- `order`: Organiza las barras según tres opciones: "alpha", "desc" o "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 la deserción nominal por nivel administrativo 1, así como una línea de 5 % que indica un umbral de deserción nominal. Tener una tasa de deserción alta significa que un gran porcentaje de las personas analizadas no se está registrando para las dosis de seguimiento de su esquema. Idealmente, toda persona que ha recibido una dosis de un esquema de múltiples dosis debería regresar para recibir la dosis de seguimiento. En este caso, el nivel administrativo **ADM1_1** es el que peor se desempeña, mientras que **ADM1_4** es el que mejor lo hace. + +Todas las unidades administrativas tienen una tasa de deserción nominal por encima del **25 %**, lo que significa que al menos el 25 % de las personas de ese grupo objetivo **no regresó para su dosis de seguimiento**. + +# Resumen + +Monitorear con precisión la continuidad en los esquemas de vacunación de múltiples dosis es vital para los programas de inmunización. La *tasa de deserción nominal* —la proporción de personas que inician una serie (p. ej., DTP1) pero no reciben su dosis final (p. ej., DTP3)— ofrece una visión a nivel de persona del desempeño del programa que los conteos agregados no pueden brindar. Esta viñeta presenta PAHOabc, un paquete de R que agiliza el análisis de deserción nominal aprovechando los datos del registro electrónico de inmunización (EIR). + +Tras definir conceptos clave —unidades administrativas (ADM0–2) y códigos estandarizados de vacuna-dosis— el documento guía al lector a través de un flujo de trabajo reproducible: instalar el paquete, explorar el EIR de ejemplo incluido, calcular la deserción con `nod_dropout()` y visualizar los resultados con `nod_barplot()`. Un ejemplo trabajado estima la deserción de DTP1→DTP3 a nivel ADM1, revelando que cada subdivisión supera el umbral de deserción del 25 %; ADM1_1 es la de peor desempeño, mientras que ADM1_4 es la de mejor desempeño en relación con una línea objetivo del 5 %. + +Al combinar datos granulares del EIR con un flujo analítico transparente, PAHOabc permite obtener conocimientos precisos y geográficamente desagregados sobre las pérdidas de seguimiento, dotando a las autoridades de salud de la capacidad de dirigir las intervenciones donde más se necesitan. diff --git a/vignettes/articles/es/residence_occurrence_es.Rmd b/vignettes/articles/es/residence_occurrence_es.Rmd new file mode 100644 index 0000000..f93da70 --- /dev/null +++ b/vignettes/articles/es/residence_occurrence_es.Rmd @@ -0,0 +1,312 @@ +--- +title: "Análisis de residencia vs. ocurrencia" +author: "OPS/CIM" +date: "April 9, 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 Electrónicos de Inmunización (EIR) capturen tanto el lugar de residencia como el lugar de ocurrencia del evento de vacunación. La cobertura de vacunación puede estimarse agrupando los eventos según cualquiera de las dos ubicaciones. Sin embargo, los denominadores se estiman típicamente con base en el lugar de residencia. + +Usar la residencia o la ocurrencia como numerador puede llevar a una subestimación o sobreestimación de la cobertura y, en ocasiones, dar como resultado valores superiores al 100 %, especialmente en áreas donde los servicios de vacunación están más disponibles. + +El módulo de residencia vs. ocurrencia del paquete PAHOabc proporciona un conjunto de funciones para explorar y analizar este fenómeno. + +> **Nota** +> +> Todas las funciones utilizadas para los análisis de residencia y ocurrencia dentro de PAHOabc comienzan con el prefijo `roc_`. + +# Glosario + +## Límites político-geográficos + +A lo largo de esta viñeta haremos referencia a distintos niveles de límites político-geográficos. Estos niveles están definidos por el país/territorio y pueden tener distintos nombres de un país a otro. PAHOabc es agnóstico respecto a estos nombres y requiere que el usuario recodifique los nombres de sus variables para ajustarse a la estructura de PAHOabc. + +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 las vacunas + +Nuestros conjuntos de datos de ejemplo utilizan una convención de nombres específica para las dosis de vacunas. Es posible que esto no coincida con sus propios esquemas de nombres, pero no afectará el uso del paquete siempre que se asegure de ser consistente al nombrar las dosis de vacunas. + +Por ejemplo, los nombres de las vacunas utilizados en el paquete PAHOabc son: + +| Abreviatura | Nombre completo | +|--------------|------------------------------------------------------------------| +| SRP1 | Vacuna contra sarampión, rubéola y parotiditis (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 ocurrencia 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 usted proporcione tres conjuntos de datos en un formato específico. + +1. Su EIR. +2. El esquema de vacunación relacionado con este EIR. +3. Una tabla con denominadores poblacionales según el nivel geográfico de su análisis. + +Para facilitarle la prueba de la funcionalidad de PAHOabc y la comprensión de la estructura que requerimos para sus conjuntos de datos, exploraremos ahora los conjuntos de datos de ejemplo proporcionados por PAHOabc que requiere este módulo. + +### EIR + +El data frame `pahoabc::pahoabc.EIR` proporciona una tabla simulada de nivel nominal que representa eventos de vacunación individuales de un Registro Electrónico de Inmunización (EIR). Cada fila corresponde a un único acto de vacunación de una persona, incluyendo información sobre su residencia, dónde fue vacunada (ocurrencia), su fecha de nacimiento y la dosis de vacuna recibida. + +```{r pahoabc-EIR, message=FALSE} +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Electrónico de Inmunización") +``` + +- `ID`: Número único de identificación de la persona. +- `date_birth`: Fecha de nacimiento de la persona. +- `date_vax`: Fecha del evento de vacunación. +- ADM1: Hace referencia al primer nivel administrativo geográfico del país. +- ADM2: Hace referencia al segundo nivel administrativo geográfico del país. +- Residence: Hace referencia al lugar donde vive la persona. +- Occurrence: Hace referencia al lugar donde ocurrió el evento de vacunación. +- `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, listando cada dosis de vacuna y su edad recomendada de administración (en días). Ayuda al paquete a determinar si una persona está al día con sus vacunas. + +```{r pahoabc-schedule, message=FALSE} +pahoabc.schedule %>% kable(caption = "Ejemplo de esquema de vacunación") +``` + +- `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. +- `age_schedule`: La edad recomendada de administración de la `dose` correspondiente, en días. +- `age_schedule_low`: El límite inferior de la edad objetivo en días. +- `age_schedule_high`: El límite superior de la edad objetivo en días. + +> **Nota** +> +> Los nombres en `dose` deben coincidir exactamente con los de la columna `dose` del conjunto de datos `pahoabc.EIR`. + +### Denominadores poblacionales + +Este módulo requerirá que usted proporcione una tabla con denominadores poblacionales. El nivel geográfico de esta tabla dependerá directamente del nivel geográfico de su análisis. Por ejemplo, si fuera a realizar un análisis a nivel ADM1, la tabla de denominadores poblacionales requerida debe contener lo siguiente. + +```{r pahoabc-pop-ADM1, message=FALSE} +pahoabc.pop.ADM1 %>% head() %>% kable(caption = "Ejemplo de población a nivel ADM1") +``` + +Tenga en cuenta que esta tabla está en formato largo y contiene la `population` correspondiente de niños de una `age` específica durante un `year` determinado para un cierto 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 subsección de este módulo proporciona una forma de analizar las tasas de 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 realizar el análisis y la visualización de la cobertura. La función `roc_coverage()` calcula la cobertura de vacunación tanto por residencia como por ocurrencia a través de los niveles administrativos, años y vacunas seleccionados. Su salida (una tabla de datos) está estructurada para ser directamente compatible con `roc_barplot()`, que genera una visualización para un año y una vacuna específicos. + +Alternativamente, la función `roc_coverage_by()` está disponible cuando se desea calcular la cobertura por residencia o por ocurrencia (pero no por ambas). Si bien produce una tabla similar, su salida no es compatible con `roc_barplot()`. + +![Figura 1. Flujo de trabajo esperado para los análisis de cobertura.](roc_workflow_1.svg) + +
+ +### Ejemplo + +A continuación, un caso de uso sencillo de la función `roc_coverage()`, donde calculamos la cobertura por ambas métricas para la vacuna DTP1 en 2023 para nuestros conjuntos de 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 la salida 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 ocurrencia como el lugar de residencia. Las barras amarillas representan la cobertura por lugar de ocurrencia, es decir, que el numerador incluye todas las dosis administradas en esa ubicación. Los diamantes naranjas representan la cobertura por lugar de residencia, es decir, que el numerador incluye a las personas que residen en esa ubicación, independientemente de dónde recibieron la vacuna. + +Podemos observar que la cobertura por **residencia y ocurrencia** en ADM1_1, ADM1_4 y ADM1_5 es similar. Sin embargo, en ADM1_2 y ADM1_3 hay diferencias entre los dos tipos de cobertura. + +En ADM1_2, la cobertura por ocurrencia alcanza el 141 %, mientras que la cobertura por residencia es del 95 %, resultando en una diferencia de 46 puntos porcentuales. En ADM1_3, la cobertura por ocurrencia 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 un flujo poblacional significativo entre áreas administrativas. Específicamente, en ADM1_2, la alta cobertura por ocurrencia junto con una menor cobertura por residencia indica que muchas personas vacunadas en esta área en realidad residen en otro lugar. Por el contrario, ADM1_3 muestra una mayor cobertura por residencia que por ocurrencia, lo que sugiere que un número significativo de sus residentes se desplaza a otras áreas para recibir sus vacunas. + +## Análisis de distribución de dosis + +Las funciones de análisis de distribución de este paquete ayudan a analizar dónde se vacunan las personas según su lugar de residencia. + +### Flujo de trabajo esperado + +Las funciones `roc_distribution()` y `roc_heatmap()` proporcionan una forma de analizar el flujo poblacional entre áreas administrativas. Por ejemplo, uno podría interesarse en observar dónde se vacunan las personas que residen en una sola región (p. ej., ¿se vacunan todas dentro de su propia región o se desplazan a otras regiones?). + +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 que usted proporcione su EIR junto con otros parámetros sencillos. Por ejemplo, calculemos 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 ocurrencia") +``` + +Por ejemplo, el 87 % de las personas que residen en ADM1_3 se vacunaron también allí contra DTP1. Pero un 13 % adicional recibió su vacuna de DTP1 en otro lugar (en concreto, en ADM1_2). Si desea profundizar en las personas que se vacunaron en un lugar diferente a su lugar de residencia, puede establecer el parámetro `include_self_matches` en `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 esto 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** se vacunan en ADM1_2. + +La función `roc_heatmap()` puede ofrecer una imagen más clara de esto. + +```{r dist-viz-example, message=FALSE, fig.width=12, fig.height=6} +library(patchwork) # para mostrarlos 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") + +# mostrarlos 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 sumarán 100 % (salvo un error de redondeo). Es decir, cada columna representa la población de, por ejemplo, ADM1_1 y dónde se vacunan. Por ejemplo, si nos concentramos en el gráfico de la derecha y lo leemos verticalmente, podemos decir que, del total de personas que residen en ADM1_1 y se vacunan en un lugar diferente a su lugar de residencia, el 54 % lo hace en ADM1_3, el 31 % en ADM1_2 y un 16 % restante en ADM1_4 y ADM1_5. + +Al leer horizontalmente, las filas **no** sumarán 100 %, pero siguen siendo indicativas de las residencias de las personas que se vacunan en una determinada región. Por ejemplo, leyendo el gráfico de la izquierda de forma horizontal podemos notar que el 92 % de los residentes de ADM1_2 se vacunan también allí, pero esta región también vacuna a una proporción significativa de residentes de ADM1_3 (13 %). + +### Ejemplo a nivel del segundo nivel administrativo + +Un análisis a un nivel más granular es beneficioso en este caso. Repitamos el proceso anterior, pero al segundo nivel administrativo (p. ej., distritos dentro de una determinada 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 en la que profundizar +) + +# mostrar los resultados en un gráfico +distribution_plot3 <- roc_heatmap( + distribution_df3 +) + +# mostrar +distribution_plot3 +``` + +En este mapa de calor observamos la proporción de eventos de vacunación que ocurren en una ubicación diferente al lugar de residencia, desglosada por el segundo nivel administrativo. + +Como ejemplo, es notable que, entre todas las personas que residen en ADM2_3_10 y se vacunan fuera de su área de residencia, el 72 % recibe su 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. + +Mirando el mapa de calor horizontalmente, podemos ver que ADM2_3_20 provee vacunación a un gran número de 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 también es interesante, ya que indica a las personas que se vacunan completamente fuera de ADM1_3. Por ejemplo, en la columna 4, el 85 % de los residentes de ADM2_3_13 se vacunan fuera de ADM1_3, lo que sugiere un fuerte flujo poblacional. + +# Resumen + +Esta viñeta mostró cómo puede usar el paquete PAHOabc para comparar la cobertura de vacunación por lugar de residencia y por lugar de ocurrencia, y para explorar cómo se desplazan las personas entre áreas para vacunarse. + +Vimos que la cobertura puede variar mucho dependiendo de qué ubicación se utilice y, en algunos casos, la cobertura por ocurrencia puede superar el 100 % —una señal de que personas de otros lugares vienen a vacunarse—. Las funciones de distribución y mapa de calor ayudan a visualizar estos patrones y pueden revelar qué áreas actúan como centros de servicio o hacia dónde se dirigen 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 From 4d0353f605b3915c50354126d5d2e80b690ab520 Mon Sep 17 00:00:00 2001 From: danalvarez Date: Mon, 1 Jun 2026 15:19:54 -0600 Subject: [PATCH 4/4] Improve writing to match PAHO style --- README.es.md | 22 +-- vignettes/articles/en/nominal_dropout_en.Rmd | 2 +- .../articles/en/residence_occurrence_en.Rmd | 2 +- .../articles/es/birth_cohort_coverage_es.Rmd | 66 ++++----- .../articles/es/complete_schedule_es.Rmd | 76 +++++------ vignettes/articles/es/example_datasets_es.Rmd | 62 ++++----- vignettes/articles/es/nominal_dropout_es.Rmd | 92 ++++++------- .../articles/es/residence_occurrence_es.Rmd | 126 +++++++++--------- 8 files changed, 224 insertions(+), 224 deletions(-) diff --git a/README.es.md b/README.es.md index d30218f..aaf4444 100644 --- a/README.es.md +++ b/README.es.md @@ -2,9 +2,9 @@ > 🌐 [**Read this in English**](https://im-data-paho.github.io/pahoabc/index.html) -PAHOabc es un paquete de R orientado a (A)nálisis de inmunización (B)eyond (C)overage, es decir, más allá de la cobertura. +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 de la Familia (CIM) de la Organización Panamericana de la Salud (OPS) proporcionando herramientas avanzadas de análisis de datos para los programas de inmunización en las Américas. En concreto, facilita el cálculo de indicadores innovadores más allá de la cobertura básica, apoya la toma de decisiones basada en evidencia mediante la exploración y visualización profunda de los datos, y contribuye a fortalecer las capacidades de datos dentro de los programas de inmunización al empoderar al talento humano para aprovechar eficazmente sus datos. +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). @@ -19,24 +19,24 @@ devtools::install_github("IM-Data-PAHO/pahoabc") 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 deserción nominal**](https://im-data-paho.github.io/pahoabc/articles/es/nominal_dropout_es.html) - Calcula las tasas de deserción entre cualquier par de dosis de vacunas utilizando datos nominales. Este módulo permite un seguimiento preciso a lo largo de un esquema de vacunación. +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. ocurrencia**](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 residen las personas frente al lugar donde fueron vacunadas. Este módulo ayuda a identificar el movimiento de la población y las brechas en la cobertura de los servicios entre áreas geográficas. +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, ya que evalúa el cumplimiento del esquema nacional de vacunación por cada individuo. + 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 a los usuarios monitorear y visualizar el estado de vacunación de una cohorte específica de recién nacidos. Ayuda a evaluar la protección a nivel poblacional frente a las enfermedades prevenibles por vacunación. + 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 sin inconvenientes con los conjuntos de datos de ejemplo incluidos en el paquete. Estos ejemplos facilitan probar la funcionalidad 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). +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** de la barra de navegación. +> 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 [GitHub Issues](https://github.com/IM-Data-PAHO/pahoabc/issues). Si desea contribuir con código o correcciones, no dude en abrir un [pull request](https://github.com/IM-Data-PAHO/pahoabc/pulls). +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/vignettes/articles/en/nominal_dropout_en.Rmd b/vignettes/articles/en/nominal_dropout_en.Rmd index b58422e..245a83e 100644 --- a/vignettes/articles/en/nominal_dropout_en.Rmd +++ b/vignettes/articles/en/nominal_dropout_en.Rmd @@ -138,7 +138,7 @@ example_dropout %>% - `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.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. diff --git a/vignettes/articles/en/residence_occurrence_en.Rmd b/vignettes/articles/en/residence_occurrence_en.Rmd index f9979c8..e6bad17 100644 --- a/vignettes/articles/en/residence_occurrence_en.Rmd +++ b/vignettes/articles/en/residence_occurrence_en.Rmd @@ -307,6 +307,6 @@ The top row is also interesting, since it indicates people getting vaccinated ou 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/articles/es/birth_cohort_coverage_es.Rmd b/vignettes/articles/es/birth_cohort_coverage_es.Rmd index e9088e5..c356b3a 100644 --- a/vignettes/articles/es/birth_cohort_coverage_es.Rmd +++ b/vignettes/articles/es/birth_cohort_coverage_es.Rmd @@ -1,7 +1,7 @@ --- title: "Cobertura por cohorte de nacimiento" author: "OPS/CIM" -date: "February 12, 2026" +date: "12 de febrero de 2026" output: html_document: self_contained: true @@ -23,13 +23,13 @@ library(knitr) # Fundamento -El objetivo de este indicador es monitorear una cohorte específica de recién nacidos para determinar su estado de vacunación y estimar el nivel de protección poblacional frente a las enfermedades prevenibles por vacunación. Este análisis es esencial para prevenir la acumulación de personas susceptibles, maximizar la inmunidad de rebaño y desarrollar estrategias de vacunación dirigidas a quienes no han recibido las dosis necesarias. +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 la cohorte de nacimiento específica}} \times 100 +\frac{\text{# de personas vacunadas en una cohorte de nacimiento específica}}{\text{Total de personas en esa cohorte de nacimiento}} \times 100 $$ > **Nota** @@ -50,69 +50,69 @@ devtools::install_github("IM-Data-PAHO/pahoabc") ## Cargar los datos -Las funciones de este módulo requieren que usted proporcione tres conjuntos de datos en un formato específico. +Las funciones de este módulo requieren tres conjuntos de datos en un formato específico. -1. Su EIR. -2. El esquema de vacunación relacionado con este EIR. +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 facilitarle la prueba de la funcionalidad de PAHOabc y la comprensión de la estructura que requerimos para sus conjuntos de datos, exploraremos ahora los conjuntos de datos de ejemplo proporcionados por PAHOabc que requiere este módulo. +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. -### EIR +### RNVe -El data frame `pahoabc::pahoabc.EIR` proporciona una tabla simulada de nivel nominal que representa eventos de vacunación individuales de un Registro Electrónico de Inmunización (EIR). Cada fila corresponde a un único acto de vacunación de una persona, incluyendo información sobre su residencia, dónde fue vacunada (ocurrencia), su fecha de nacimiento y la dosis de vacuna recibida. +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 Electrónico de Inmunización") +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Nominal de Vacunación electrónico") ``` - `ID`: Número único de identificación de la persona. -- `date_birth`: Fecha de nacimiento de la persona. -- `date_vax`: Fecha del evento de vacunación. -- ADM1: Hace referencia al primer nivel administrativo geográfico del país. -- ADM2: Hace referencia al segundo nivel administrativo geográfico del país. -- Residence: Hace referencia al lugar donde vive la persona. -- Occurrence: Hace referencia al lugar donde ocurrió el evento de vacunación. -- `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. +- 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, listando cada dosis de vacuna y su edad recomendada de administración (en días). Ayuda al paquete a determinar si una persona está al día con sus vacunas. +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") ``` -- `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. -- `age_schedule`: La edad recomendada de administración de la `dose` correspondiente, en días. -- `age_schedule_low`: El límite inferior de la edad objetivo en días. -- `age_schedule_high`: El límite superior de la edad objetivo en días. +- 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 en `dose` deben coincidir exactamente con los de la columna `dose` del conjunto de datos `pahoabc.EIR`. +> Los nombres de las dosis en la columna `dose` deben coincidir exactamente con los del conjunto de datos `pahoabc.EIR`. ### Denominadores poblacionales -Si bien no es obligatorio, este módulo le permite proporcionar una tabla de población para usarla como denominador en el cálculo de la cobertura. El nivel geográfico de esta tabla dependerá directamente del nivel geográfico de su análisis. Por ejemplo, si fuera a realizar un análisis a nivel ADM1, la tabla de denominadores poblacionales requerida debe contener lo siguiente. +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") ``` -Tenga en cuenta que esta tabla está en formato largo y contiene la `population` de niños de una `age` específica durante un `year` determinado para un cierto 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** > -> Tenga en cuenta que, dado que este análisis se realiza con cohortes de nacimiento, solo las filas con `age`=0 son de interés en la tabla de población, ya que estas representan el número de niños que pertenecen a esa cohorte de nacimiento (año) específica. +> 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 a los usuarios estimar la cobertura de vacunación por cohorte de nacimiento. Esto permite el análisis de cualquier vacuna entre una cohorte de nacimiento específica. Para una interpretación correcta, debe tener en cuenta que representa el porcentaje de personas vacunadas de un año de nacimiento específico, independientemente del año en que fueron vacunadas, por lo que podría diferir de la cobertura administrativa de un año en particular. Además, permite a los usuarios seleccionar el nivel de agregación de los resultados, que puede ser a nivel nacional o a niveles subnacionales (`ADM1` o `ADM2`). +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()` proporcionan una forma de analizar y visualizar la cobertura por cohorte de nacimiento. Sus relaciones se muestran en la Figura 1. +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) @@ -120,7 +120,7 @@ Las funciones `bc_coverage()` y `bc_barplot()` proporcionan una forma de analiza ### Ejemplo -A continuación, un caso de uso sencillo de la función `bc_coverage()`, donde usamos nuestro conjunto de datos de ejemplo para calcular la cobertura de vacunación de la primera dosis de la vacuna que contiene sarampión, para la cohorte del año de nacimiento 2022. +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} @@ -138,19 +138,19 @@ coverage_df %>% kable(digits = 2, caption = "Cobertura por cohorte de nacimiento a nivel ADM1") ``` -Podemos observar visualmente estos resultados llamando a la función `bc_barplot()` como se muestra a continuación. +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 la salida de bc_coverage() +# visualizar el resultado de bc_coverage() coverage_plot <- bc_barplot(data = coverage_df, vaccine = "SRP1") # mostrar coverage_plot ``` -Una revisión de los distintos niveles subnacionales revela una disparidad significativa: la región `ADM1_4` registra el mejor desempeño en vacunación (~47 %), mientras que el área `ADM1_2` exhibe el peor resultado (~25 %). +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 basada en la cohorte de nacimiento, PAHOabc permite a los funcionarios de salud pública evaluar con precisión el nivel de inmunidad de grupos poblacionales específicos dentro de un territorio determinado. Este conocimiento profundo y específico por cohorte es esencial para una planificación estratégica eficaz, incluyendo la ejecución de campañas de seguimiento de sarampión y rubéola y el desarrollo de estrategias dirigidas de puesta al día de la vacuna contra el VPH. +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 index 4fe41b8..6dbd976 100644 --- a/vignettes/articles/es/complete_schedule_es.Rmd +++ b/vignettes/articles/es/complete_schedule_es.Rmd @@ -1,7 +1,7 @@ --- title: "Cobertura de esquema completo" author: "OPS/CIM" -date: "April 11, 2025" +date: "11 de abril de 2025" output: html_document: self_contained: true @@ -23,18 +23,18 @@ library(knitr) # Fundamento -El propósito de este análisis es evaluar si la población objetivo ha sido completamente vacunada de acuerdo con el esquema de vacunación definido por el país para una ubicación, cohorte y edad específicas. +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 ImmunoNation, un esquema de inmunización completo para un niño podría incluir lo siguiente: +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, paperas y rubéola). +- *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 verse un esquema de inmunización completo en un país como ImmunoNation. Cada país define las vacunas y el número de dosis necesarias para proteger a su población frente a distintas enfermedades. +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, es esencial evaluar si cada persona recibió todas las dosis especificadas en el esquema. +Para construir este indicador, se evalúa si cada persona recibió todas las dosis incluidas en el esquema. > **Nota** > @@ -42,9 +42,9 @@ Para construir este indicador, es esencial evaluar si cada persona recibió toda # Glosario -## Límites político-geográficos +## Divisiones político-geográficas -A lo largo de esta viñeta haremos referencia a distintos niveles de límites político-geográficos. Estos niveles están definidos por el país/territorio y pueden tener distintos nombres de un país a otro. PAHOabc es agnóstico respecto a estos nombres y requiere que el usuario recodifique los nombres de sus variables para ajustarse a la estructura de PAHOabc. +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. @@ -52,15 +52,15 @@ En concreto, PAHOabc puede distinguir tres niveles administrativos que, listados 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 las vacunas +## Nombres de vacunas -Nuestros conjuntos de datos de ejemplo utilizan una convención de nombres específica para las dosis de vacunas. Es posible que esto no coincida con sus propios esquemas de nombres, pero no afectará el uso del paquete siempre que se asegure de ser consistente al nombrar las dosis 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 parotiditis (1.ª dosis) | +| 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) | @@ -79,64 +79,64 @@ devtools::install_github("IM-Data-PAHO/pahoabc") ## Cargar los datos -Las funciones de este módulo requieren que usted proporcione tres conjuntos de datos en un formato específico. +Las funciones de este módulo requieren tres conjuntos de datos en un formato específico. -1. Su EIR. -2. El esquema de vacunación relacionado con este EIR. +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 facilitarle la prueba de la funcionalidad de PAHOabc y la comprensión de la estructura que requerimos para sus conjuntos de datos, exploraremos ahora los conjuntos de datos de ejemplo proporcionados por PAHOabc que requiere este módulo. +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. -### EIR +### RNVe -El data frame `pahoabc::pahoabc.EIR` proporciona una tabla simulada de nivel nominal que representa eventos de vacunación individuales de un Registro Electrónico de Inmunización (EIR). Cada fila corresponde a un único acto de vacunación de una persona, incluyendo información sobre su residencia, dónde fue vacunada (ocurrencia), su fecha de nacimiento y la dosis de vacuna recibida. +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 Electrónico de Inmunización") +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Nominal de Vacunación electrónico") ``` - `ID`: Número único de identificación de la persona. -- `date_birth`: Fecha de nacimiento de la persona. -- `date_vax`: Fecha del evento de vacunación. -- ADM1: Hace referencia al primer nivel administrativo geográfico del país. -- ADM2: Hace referencia al segundo nivel administrativo geográfico del país. -- Residence: Hace referencia al lugar donde vive la persona. -- Occurrence: Hace referencia al lugar donde ocurrió el evento de vacunación. -- `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. +- 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, listando cada dosis de vacuna y su edad recomendada de administración (en días). Ayuda al paquete a determinar si una persona está al día con sus vacunas. +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") ``` -- `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. -- `age_schedule`: La edad recomendada de administración de la `dose` correspondiente, en días. -- `age_schedule_low`: El límite inferior de la edad objetivo en días. -- `age_schedule_high`: El límite superior de la edad objetivo en días. +- 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 en `dose` deben coincidir exactamente con los de la columna `dose` del conjunto de datos `pahoabc.EIR`. +> Los nombres de las dosis en la columna `dose` deben coincidir exactamente con los del conjunto de datos `pahoabc.EIR`. ### Denominadores poblacionales -Este módulo requerirá que usted proporcione una tabla con denominadores poblacionales. El nivel geográfico de esta tabla dependerá directamente del nivel geográfico de su análisis. Por ejemplo, si fuera a realizar un análisis a nivel ADM1, la tabla de denominadores poblacionales requerida debe contener lo siguiente. +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") ``` -Tenga en cuenta que esta tabla está en formato largo y contiene la `population` correspondiente de niños de una `age` específica durante un `year` determinado para un cierto 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()` proporcionan una forma de analizar y visualizar la cobertura de esquema completo. Sus relaciones se muestran en la Figura 1. +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) @@ -144,7 +144,7 @@ Las funciones `cs_coverage()`, `cs_barplot()` y `cs_upsetplot()` proporcionan un ### Ejemplo -A continuación se presenta un ejemplo simplificado del cálculo de la cobertura de esquema completo para el primer nivel administrativo subnacional, centrándose en la cohorte de nacimiento del año 2022. +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} @@ -167,7 +167,7 @@ Es posible mostrar los resultados obtenidos previamente en un gráfico de barras ```{r cov-viz-example, message=FALSE, fig.width=12, fig.height=6} -# visualizar la salida de cs_coverage() +# visualizar el resultado de cs_coverage() coverage_plot <- cs_barplot(data = coverage_df) # mostrar @@ -176,7 +176,7 @@ coverage_plot ### Gráfico UpSet -La función `cs_upsetplot()` nos permite producir un gráfico UpSet para evaluar el porcentaje de personas incluidas en el EIR que han recibido cualquiera de las posibles combinaciones de las vacunas disponibles. La barra naranja representa la proporción de personas que han recibido todas las vacunas evaluadas, indicando así la cobertura de esquema completo. Las barras horizontales muestran la proporción de personas que recibieron cada vacuna específica (es decir, la cobertura de esa vacuna). +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} @@ -193,4 +193,4 @@ coverage_upset En el ejemplo, la cobertura de esquema completo alcanzó el 13,7 % y está representada por la barra naranja. -Es notable que el 24,1 % de las personas en el EIR recibieron únicamente la vacuna BCG, y que la tercera combinación más frecuente (9,1 %) corresponde a personas que recibieron todas las demás vacunas excepto la BCG. Esto podría indicar un error en el registro de la vacuna BCG de un recién nacido usando números de identificación temporales. +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/example_datasets_es.Rmd b/vignettes/articles/es/example_datasets_es.Rmd index c6f0134..474fce5 100644 --- a/vignettes/articles/es/example_datasets_es.Rmd +++ b/vignettes/articles/es/example_datasets_es.Rmd @@ -1,7 +1,7 @@ --- -title: "Uso de nuestros conjuntos de datos de ejemplo" +title: "Uso de los datos de ejemplo" author: "OPS/CIM" -date: "April 14, 2025" +date: "14 de abril de 2025" output: html_document: self_contained: true @@ -23,13 +23,13 @@ library(knitr) # Fundamento -El paquete PAHOabc incluye un conjunto de datos de ejemplo para ayudar a los usuarios a comprender cómo utilizar sus funciones de manera efectiva. Estos conjuntos de datos simulan el sistema de información de inmunización de un país ficticio y están estructurados para funcionar sin inconvenientes con las herramientas que proporciona el paquete. Esta viñeta ofrece una descripción general de cada conjunto de datos y describe cómo se utilizan en los distintos módulos del paquete. +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 -## Límites político-geográficos +## Divisiones político-geográficas -A lo largo de esta viñeta haremos referencia a distintos niveles de límites político-geográficos. Estos niveles están definidos por el país/territorio y pueden tener distintos nombres de un país a otro. PAHOabc es agnóstico respecto a estos nombres y requiere que el usuario recodifique los nombres de sus variables para ajustarse a la estructura de PAHOabc. +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. @@ -39,15 +39,15 @@ En concreto, PAHOabc puede distinguir tres niveles administrativos que, listados ![](ADM_explanation.svg) -## Nombres de las vacunas +## Nombres de vacunas -Nuestros conjuntos de datos de ejemplo utilizan una convención de nombres específica para las dosis de vacunas. Es posible que esto no coincida con sus propios esquemas de nombres, pero no afectará el uso del paquete siempre que se asegure de ser consistente al nombrar las dosis 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 parotiditis (1.ª dosis) | +| 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) | @@ -58,41 +58,41 @@ Por ejemplo, los nombres de las vacunas utilizados en el paquete PAHOabc son: ## pahoabc.EIR -El data frame `pahoabc::pahoabc.EIR` es el conjunto de datos más importante del paquete. Es una tabla de nivel nominal que representa eventos de vacunación individuales de un Registro Electrónico de Inmunización (EIR, por sus siglas en inglés). Cada fila corresponde a un único acto de vacunación de una persona, incluyendo información sobre su residencia, dónde fue vacunada, su fecha de nacimiento y la dosis de vacuna recibida. +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 Electrónico de Inmunización") +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Nominal de Vacunación electrónico") ``` - `ID`: Número único de identificación de la persona. -- `date_birth`: Fecha de nacimiento de la persona. -- `date_vax`: Fecha del evento de vacunación. -- ADM1: Hace referencia al primer nivel administrativo geográfico del país. -- ADM2: Hace referencia al segundo nivel administrativo geográfico del país. -- Residence: Hace referencia al lugar donde vive la persona. -- Occurrence: Hace referencia al lugar donde ocurrió el evento de vacunación. -- `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. +- 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, listando cada dosis de vacuna y su edad recomendada de administración (en días). Ayuda al paquete a determinar si una persona está al día con sus vacunas. +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") ``` -- `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. -- `age_schedule`: La edad recomendada de administración de la `dose` correspondiente, en días. -- `age_schedule_low`: El límite inferior de la edad objetivo en días. -- `age_schedule_high`: El límite superior de la edad objetivo en días. +- 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 en `dose` deben coincidir exactamente con los de la columna `dose` del conjunto de datos `pahoabc.EIR`. +> 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. Dependiendo del nivel geográfico al que queramos realizar un análisis, PAHOabc puede requerir que usted proporcione la población correspondiente para usarla como denominador (principalmente para los análisis de cobertura). +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 @@ -102,37 +102,37 @@ El conjunto de datos `pahoabc::pahoabc.pop.ADM0` proporciona estimaciones poblac pahoabc.pop.ADM0 %>% kable(caption = "Ejemplo de población a nivel ADM0") ``` -Esta tabla está en formato largo y contiene la `population` correspondiente de niños de una `age` específica durante un `year` determinado. +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 típicamente corresponde a regiones, provincias o estados. +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") ``` -Tenga en cuenta que esta tabla está en formato largo y contiene la `population` correspondiente de niños de una `age` específica durante un `year` determinado al 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 granulares por niveles ADM1 y ADM2, permitiendo análisis a una resolución geográfica más fina. +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") ``` -Tenga en cuenta que esta tabla está en formato largo y contiene la `population` correspondiente de niños de una `age` específica durante un `year` determinado al 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 usando `glimpse()` o `View()`. Están diseñados para funcionar sin inconvenientes con los argumentos predeterminados de todas las funciones, lo que le permite probar y comprender cada módulo con una configuración mínima. +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 Electrónico de Inmunización | +| `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 | diff --git a/vignettes/articles/es/nominal_dropout_es.Rmd b/vignettes/articles/es/nominal_dropout_es.Rmd index 1817441..5a6aac8 100644 --- a/vignettes/articles/es/nominal_dropout_es.Rmd +++ b/vignettes/articles/es/nominal_dropout_es.Rmd @@ -1,7 +1,7 @@ --- -title: "Tasa de deserción nominal" +title: "Tasa de abandono nominal" author: "OPS/CIM" -date: "April 22, 2025" +date: "22 de abril de 2025" output: html_document: self_contained: true @@ -25,28 +25,28 @@ library(knitr) # Fundamento -La tasa de deserción es un indicador utilizado para evaluar la pérdida del seguimiento en los esquemas de vacunación. Refleja el porcentaje de personas que no recibieron una dosis final (p. ej., DTP3) entre quienes recibieron una dosis inicial (p. ej., DTP1). En los sistemas agregados, se estima mediante la siguiente fórmula: +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 deserción (\%)} = +\text{Tasa de abandono (\%)} = \frac{\text{dosis de DTP1 administradas} - \text{dosis de DTP3 administradas}}{\text{dosis de DTP1 administradas}} \times 100 $$ -Realizar el análisis con datos agregados no garantiza que las personas que recibieron ambas dosis sean las mismas, como se muestra en la Figura 1A. Los registros nominales electrónicos de vacunación permiten un análisis persona a persona, asegurando que quienes recibieron ambas dosis sean efectivamente las mismas, como se ilustra en la Figura 1B. +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 deserción nominal.](nod_rationale.png) +![Figura 1. Representación visual de un análisis de abandono nominal.](nod_rationale.png)
> **Nota** > -> Todas las funciones utilizadas para los análisis de deserción nominal dentro de PAHOabc comienzan con el prefijo `nod_`. +> Todas las funciones utilizadas para los análisis de abandono nominal dentro de PAHOabc comienzan con el prefijo `nod_`. # Glosario -## Límites político-geográficos +## Divisiones político-geográficas -A lo largo de esta viñeta haremos referencia a distintos niveles de límites político-geográficos. Estos niveles están definidos por el país/territorio y pueden tener distintos nombres de un país a otro. PAHOabc es agnóstico respecto a estos nombres y requiere que el usuario recodifique los nombres de sus variables para ajustarse a la estructura de PAHOabc. +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. @@ -54,15 +54,15 @@ En concreto, PAHOabc puede distinguir tres niveles administrativos que, listados 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 las vacunas +## Nombres de vacunas -Nuestros conjuntos de datos de ejemplo utilizan una convención de nombres específica para las dosis de vacunas. Es posible que esto no coincida con sus propios esquemas de nombres, pero no afectará el uso del paquete siempre que se asegure de ser consistente al nombrar las dosis 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 parotiditis (1.ª dosis) | +| 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) | @@ -73,7 +73,7 @@ Por ejemplo, los nombres de las vacunas utilizados en el paquete PAHOabc son: ## Instalar el paquete -El primer paso para ejecutar el análisis de tasa de deserción nominal es instalar el paquete PAHOabc disponible en GitHub. +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") @@ -81,45 +81,45 @@ devtools::install_github("IM-Data-PAHO/pahoabc") ## Cargar los datos -Las funciones de este módulo requieren que usted proporcione su **conjunto de datos EIR** en un formato específico. +Las funciones de este módulo requieren que proporcione su **RNVe** en un formato específico. -Para facilitarle la prueba de la funcionalidad de PAHOabc y la comprensión de la estructura que requerimos para sus conjuntos de datos, exploraremos ahora el conjunto de datos de ejemplo proporcionado por PAHOabc que requiere este módulo. +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. -### EIR +### RNVe -El data frame `pahoabc::pahoabc.EIR` proporciona una tabla simulada de nivel nominal que representa eventos de vacunación individuales de un Registro Electrónico de Inmunización (EIR). Cada fila corresponde a un único acto de vacunación de una persona, incluyendo información sobre su residencia, dónde fue vacunada (ocurrencia), su fecha de nacimiento y la dosis de vacuna recibida. +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 Electrónico de Inmunización") +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Nominal de Vacunación electrónico") ``` - `ID`: Número único de identificación de la persona. -- `date_birth`: Fecha de nacimiento de la persona. -- `date_vax`: Fecha del evento de vacunación. -- ADM1: Hace referencia al primer nivel administrativo geográfico del país. -- ADM2: Hace referencia al segundo nivel administrativo geográfico del país. -- Residence: Hace referencia al lugar donde vive la persona. -- Occurrence: Hace referencia al lugar donde ocurrió el evento de vacunación. -- `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. +- 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 deserción nominal +## Análisis de abandono nominal -PAHOabc incluye la funcionalidad para estimar la tasa de deserción nominal, persona por persona. Esto permite el análisis de cualquier par de dosis especificando una dosis inicial y una dosis final. Para una interpretación correcta, la dosis inicial debe preceder a la dosis final en el esquema de vacunación, por ejemplo: DTP1 – DTP3 o DTP1 – MCV1. Además, permite a los usuarios seleccionar el nivel de agregación de los resultados, que puede ser a nivel nacional o a niveles subnacionales (ADM1 o ADM2). +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 realizar el análisis y la visualización de la deserción nominal. La función `nod_dropout()` calcula la deserción nominal y los casos completos por residencia a través de los niveles administrativos, cohortes de nacimiento y vacunas seleccionados. Su salida (una tabla de datos) está estructurada para ser directamente compatible con `nod_barplot()`, que genera una visualización de los datos calculados. +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 deserción nominal.](nod_workflow.svg) +![Figura 2. Flujo de trabajo esperado para el análisis de tasa de abandono nominal.](nod_workflow.svg)
### Ejemplo -A continuación, un caso de uso sencillo de la función `nod_dropout()`, donde calculamos la deserción nominal para el nivel ADM1 entre DTP1 y DTP3 en nuestro conjunto de datos de 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 deserción nominal +# 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 @@ -129,20 +129,20 @@ example_dropout <- nod_dropout(data.EIR = pahoabc.EIR, # mostrar los resultados en una tabla example_dropout %>% - kable(digits = 3, caption = "Tasa de deserción nominal entre DTP1 y DTP3 a nivel ADM1") + kable(digits = 3, caption = "Tasa de abandono nominal entre DTP1 y DTP3 a nivel ADM1") ``` #### Parámetros aceptados -- `data.EIR`: Data frame de R estructurado con las variables listadas anteriormente.\ -- `vaccine_init`: El nombre (cadena de texto) de la vacuna que se usará como punto de inicio del análisis, tal como está almacenada en la columna **dose** del data frame.\ -- `vaccine_end`: El nombre (cadena de texto) de la vacuna que se usará como punto final del análisis, tal como está almacenada en la columna **dose** del data frame.\ -- `geo_level`: Nivel administrativo a utilizar; este es un parámetro opcional. Puede ser "ADM0", "ADM1" o "ADM2" como cadenas de texto. Si se omite, su valor predeterminado es "ADM0". -- `birth_cohorts` (años): Parámetro para segmentar el análisis según el año de nacimiento de las personas en el data frame. Esta función utiliza la columna `date_birth` del data frame y puede ser un único año o un vector de años. +- `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 ayudan a segmentar los datos para análisis más precisos. +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 usando `?nod_dropout()` en R para información adicional. +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. @@ -159,20 +159,20 @@ example_dropout_plot La función `nod_barplot()` acepta los siguientes parámetros: -- `data`: Data frame formateado a partir del resultado de la función `nod_dropout()`. -- `order`: Organiza las barras según tres opciones: "alpha", "desc" o "asc"; el valor predeterminado es "alpha". +- `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 la deserción nominal por nivel administrativo 1, así como una línea de 5 % que indica un umbral de deserción nominal. Tener una tasa de deserción alta significa que un gran porcentaje de las personas analizadas no se está registrando para las dosis de seguimiento de su esquema. Idealmente, toda persona que ha recibido una dosis de un esquema de múltiples dosis debería regresar para recibir la dosis de seguimiento. En este caso, el nivel administrativo **ADM1_1** es el que peor se desempeña, mientras que **ADM1_4** es el que mejor lo hace. +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 deserción nominal por encima del **25 %**, lo que significa que al menos el 25 % de las personas de ese grupo objetivo **no regresó para su dosis de seguimiento**. +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 con precisión la continuidad en los esquemas de vacunación de múltiples dosis es vital para los programas de inmunización. La *tasa de deserción nominal* —la proporción de personas que inician una serie (p. ej., DTP1) pero no reciben su dosis final (p. ej., DTP3)— ofrece una visión a nivel de persona del desempeño del programa que los conteos agregados no pueden brindar. Esta viñeta presenta PAHOabc, un paquete de R que agiliza el análisis de deserción nominal aprovechando los datos del registro electrónico de inmunización (EIR). +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. -Tras definir conceptos clave —unidades administrativas (ADM0–2) y códigos estandarizados de vacuna-dosis— el documento guía al lector a través de un flujo de trabajo reproducible: instalar el paquete, explorar el EIR de ejemplo incluido, calcular la deserción con `nod_dropout()` y visualizar los resultados con `nod_barplot()`. Un ejemplo trabajado estima la deserción de DTP1→DTP3 a nivel ADM1, revelando que cada subdivisión supera el umbral de deserción del 25 %; ADM1_1 es la de peor desempeño, mientras que ADM1_4 es la de mejor desempeño en relación con una línea objetivo del 5 %. +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 granulares del EIR con un flujo analítico transparente, PAHOabc permite obtener conocimientos precisos y geográficamente desagregados sobre las pérdidas de seguimiento, dotando a las autoridades de salud de la capacidad de dirigir las intervenciones donde más se necesitan. +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 index f93da70..72a7327 100644 --- a/vignettes/articles/es/residence_occurrence_es.Rmd +++ b/vignettes/articles/es/residence_occurrence_es.Rmd @@ -1,7 +1,7 @@ --- -title: "Análisis de residencia vs. ocurrencia" +title: "Análisis de residencia vs. lugar de vacunación" author: "OPS/CIM" -date: "April 9, 2025" +date: "9 de abril de 2025" output: html_document: self_contained: true @@ -24,21 +24,21 @@ library(knitr) # Fundamento -Es común que los Registros Electrónicos de Inmunización (EIR) capturen tanto el lugar de residencia como el lugar de ocurrencia del evento de vacunación. La cobertura de vacunación puede estimarse agrupando los eventos según cualquiera de las dos ubicaciones. Sin embargo, los denominadores se estiman típicamente con base en el lugar de residencia. +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 la residencia o la ocurrencia como numerador puede llevar a una subestimación o sobreestimación de la cobertura y, en ocasiones, dar como resultado valores superiores al 100 %, especialmente en áreas donde los servicios de vacunación están más disponibles. +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 vs. ocurrencia del paquete PAHOabc proporciona un conjunto de funciones para explorar y analizar este fenómeno. +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 ocurrencia dentro de PAHOabc comienzan con el prefijo `roc_`. +> Todas las funciones utilizadas para los análisis de residencia y lugar de vacunación dentro de PAHOabc comienzan con el prefijo `roc_`. # Glosario -## Límites político-geográficos +## Divisiones político-geográficas -A lo largo de esta viñeta haremos referencia a distintos niveles de límites político-geográficos. Estos niveles están definidos por el país/territorio y pueden tener distintos nombres de un país a otro. PAHOabc es agnóstico respecto a estos nombres y requiere que el usuario recodifique los nombres de sus variables para ajustarse a la estructura de PAHOabc. +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. @@ -46,15 +46,15 @@ En concreto, PAHOabc puede distinguir tres niveles administrativos que, listados 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 las vacunas +## Nombres de vacunas -Nuestros conjuntos de datos de ejemplo utilizan una convención de nombres específica para las dosis de vacunas. Es posible que esto no coincida con sus propios esquemas de nombres, pero no afectará el uso del paquete siempre que se asegure de ser consistente al nombrar las dosis 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 parotiditis (1.ª dosis) | +| 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) | @@ -65,7 +65,7 @@ Por ejemplo, los nombres de las vacunas utilizados en el paquete PAHOabc son: ## Instalar el paquete -El primer paso para ejecutar los análisis de residencia y ocurrencia es instalar el paquete PAHOabc disponible en GitHub. +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") @@ -73,57 +73,57 @@ devtools::install_github("IM-Data-PAHO/pahoabc") ## Cargar los datos -Las funciones de este módulo requieren que usted proporcione tres conjuntos de datos en un formato específico. +Las funciones de este módulo requieren tres conjuntos de datos en un formato específico. -1. Su EIR. -2. El esquema de vacunación relacionado con este EIR. +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 facilitarle la prueba de la funcionalidad de PAHOabc y la comprensión de la estructura que requerimos para sus conjuntos de datos, exploraremos ahora los conjuntos de datos de ejemplo proporcionados por PAHOabc que requiere este módulo. +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. -### EIR +### RNVe -El data frame `pahoabc::pahoabc.EIR` proporciona una tabla simulada de nivel nominal que representa eventos de vacunación individuales de un Registro Electrónico de Inmunización (EIR). Cada fila corresponde a un único acto de vacunación de una persona, incluyendo información sobre su residencia, dónde fue vacunada (ocurrencia), su fecha de nacimiento y la dosis de vacuna recibida. +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 Electrónico de Inmunización") +pahoabc.EIR %>% head() %>% kable(caption = "Ejemplo de Registro Nominal de Vacunación electrónico") ``` - `ID`: Número único de identificación de la persona. -- `date_birth`: Fecha de nacimiento de la persona. -- `date_vax`: Fecha del evento de vacunación. -- ADM1: Hace referencia al primer nivel administrativo geográfico del país. -- ADM2: Hace referencia al segundo nivel administrativo geográfico del país. -- Residence: Hace referencia al lugar donde vive la persona. -- Occurrence: Hace referencia al lugar donde ocurrió el evento de vacunación. -- `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. +- 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, listando cada dosis de vacuna y su edad recomendada de administración (en días). Ayuda al paquete a determinar si una persona está al día con sus vacunas. +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") ``` -- `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. -- `age_schedule`: La edad recomendada de administración de la `dose` correspondiente, en días. -- `age_schedule_low`: El límite inferior de la edad objetivo en días. -- `age_schedule_high`: El límite superior de la edad objetivo en días. +- 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 en `dose` deben coincidir exactamente con los de la columna `dose` del conjunto de datos `pahoabc.EIR`. +> Los nombres de las dosis en la columna `dose` deben coincidir exactamente con los del conjunto de datos `pahoabc.EIR`. ### Denominadores poblacionales -Este módulo requerirá que usted proporcione una tabla con denominadores poblacionales. El nivel geográfico de esta tabla dependerá directamente del nivel geográfico de su análisis. Por ejemplo, si fuera a realizar un análisis a nivel ADM1, la tabla de denominadores poblacionales requerida debe contener lo siguiente. +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") ``` -Tenga en cuenta que esta tabla está en formato largo y contiene la `population` correspondiente de niños de una `age` específica durante un `year` determinado para un cierto 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** > @@ -131,13 +131,13 @@ Tenga en cuenta que esta tabla está en formato largo y contiene la `population` ## Análisis de cobertura -La primera subsección de este módulo proporciona una forma de analizar las tasas de cobertura tanto por lugar de residencia como por lugar de vacunación (ocurrencia). +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 realizar el análisis y la visualización de la cobertura. La función `roc_coverage()` calcula la cobertura de vacunación tanto por residencia como por ocurrencia a través de los niveles administrativos, años y vacunas seleccionados. Su salida (una tabla de datos) está estructurada para ser directamente compatible con `roc_barplot()`, que genera una visualización para un año y una vacuna específicos. +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. -Alternativamente, la función `roc_coverage_by()` está disponible cuando se desea calcular la cobertura por residencia o por ocurrencia (pero no por ambas). Si bien produce una tabla similar, su salida no es compatible con `roc_barplot()`. +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) @@ -145,7 +145,7 @@ Alternativamente, la función `roc_coverage_by()` está disponible cuando se des ### Ejemplo -A continuación, un caso de uso sencillo de la función `roc_coverage()`, donde calculamos la cobertura por ambas métricas para la vacuna DTP1 en 2023 para nuestros conjuntos de datos de 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} @@ -168,7 +168,7 @@ Esta salida puede pasarse directamente a la función `roc_barplot()` como se mue ```{r cov-viz-example, message=FALSE, fig.width=12, fig.height=6} -# visualizar la salida de roc_coverage() +# visualizar el resultado de roc_coverage() coverage_plot <- roc_barplot( data = coverage_df, year = 2023, @@ -179,21 +179,21 @@ coverage_plot <- roc_barplot( coverage_plot ``` -Este gráfico muestra la cobertura de vacunación alcanzada por cada nivel administrativo subnacional, considerando tanto el lugar de ocurrencia como el lugar de residencia. Las barras amarillas representan la cobertura por lugar de ocurrencia, es decir, que el numerador incluye todas las dosis administradas en esa ubicación. Los diamantes naranjas representan la cobertura por lugar de residencia, es decir, que el numerador incluye a las personas que residen en esa ubicación, independientemente de dónde recibieron la vacuna. +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. -Podemos observar que la cobertura por **residencia y ocurrencia** en ADM1_1, ADM1_4 y ADM1_5 es similar. Sin embargo, en ADM1_2 y ADM1_3 hay diferencias entre los dos tipos de cobertura. +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 ocurrencia alcanza el 141 %, mientras que la cobertura por residencia es del 95 %, resultando en una diferencia de 46 puntos porcentuales. En ADM1_3, la cobertura por ocurrencia 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. +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 un flujo poblacional significativo entre áreas administrativas. Específicamente, en ADM1_2, la alta cobertura por ocurrencia junto con una menor cobertura por residencia indica que muchas personas vacunadas en esta área en realidad residen en otro lugar. Por el contrario, ADM1_3 muestra una mayor cobertura por residencia que por ocurrencia, lo que sugiere que un número significativo de sus residentes se desplaza a otras áreas para recibir sus vacunas. +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 análisis de distribución de este paquete ayudan a analizar dónde se vacunan las personas según su lugar de residencia. +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()` proporcionan una forma de analizar el flujo poblacional entre áreas administrativas. Por ejemplo, uno podría interesarse en observar dónde se vacunan las personas que residen en una sola región (p. ej., ¿se vacunan todas dentro de su propia región o se desplazan a otras regiones?). +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. @@ -203,7 +203,7 @@ La figura a continuación muestra el flujo de trabajo esperado para estas funcio ### Ejemplo a nivel del primer nivel administrativo -Este análisis solo requiere que usted proporcione su EIR junto con otros parámetros sencillos. Por ejemplo, calculemos cómo se distribuye la vacunación en el primer nivel administrativo para la vacuna DTP1 en 2023. +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} @@ -219,10 +219,10 @@ distribution_df <- roc_distribution( # 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 ocurrencia") + kable(digits = 3, caption = "Distribución de vacunación para cada lugar de residencia por lugar de vacunación") ``` -Por ejemplo, el 87 % de las personas que residen en ADM1_3 se vacunaron también allí contra DTP1. Pero un 13 % adicional recibió su vacuna de DTP1 en otro lugar (en concreto, en ADM1_2). Si desea profundizar en las personas que se vacunaron en un lugar diferente a su lugar de residencia, puede establecer el parámetro `include_self_matches` en `FALSE`. +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} @@ -232,7 +232,7 @@ distribution_df2 <- roc_distribution( vaccine = "DTP1", geo_level = "ADM1", birth_cohort = 2023, - # establecer esto en FALSE para excluir los casos en que las personas se vacunan en su lugar de residencia + # establecer en FALSE para excluir los casos en que las personas se vacunan en su lugar de residencia include_self_matches = FALSE ) @@ -242,12 +242,12 @@ distribution_df2 %>% 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** se vacunan en ADM1_2. +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()` puede ofrecer una imagen más clara de esto. +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 mostrarlos lado a lado +library(patchwork) # para mostrar los gráficos lado a lado # generar los gráficos distribution_plot <- roc_heatmap(distribution_df) # con coincidencias propias @@ -257,7 +257,7 @@ distribution_plot2 <- roc_heatmap(distribution_df2) # sin coincidencias propias distribution_plot <- distribution_plot + labs(subtitle = "Con coincidencias propias") distribution_plot2 <- distribution_plot2 + labs(subtitle = "Sin coincidencias propias") -# mostrarlos lado a lado +# mostrar los gráficos lado a lado distribution_plot + distribution_plot2 ``` @@ -265,13 +265,13 @@ distribution_plot + distribution_plot2 > > 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 sumarán 100 % (salvo un error de redondeo). Es decir, cada columna representa la población de, por ejemplo, ADM1_1 y dónde se vacunan. Por ejemplo, si nos concentramos en el gráfico de la derecha y lo leemos verticalmente, podemos decir que, del total de personas que residen en ADM1_1 y se vacunan en un lugar diferente a su lugar de residencia, el 54 % lo hace en ADM1_3, el 31 % en ADM1_2 y un 16 % restante en ADM1_4 y ADM1_5. +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 horizontalmente, las filas **no** sumarán 100 %, pero siguen siendo indicativas de las residencias de las personas que se vacunan en una determinada región. Por ejemplo, leyendo el gráfico de la izquierda de forma horizontal podemos notar que el 92 % de los residentes de ADM1_2 se vacunan también allí, pero esta región también vacuna a una proporción significativa de residentes de ADM1_3 (13 %). +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 -Un análisis a un nivel más granular es beneficioso en este caso. Repitamos el proceso anterior, pero al segundo nivel administrativo (p. ej., distritos dentro de una determinada región). +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} @@ -283,7 +283,7 @@ distribution_df3 <- roc_distribution( geo_level = "ADM2", birth_cohort = 2023, include_self_matches = FALSE, - within_ADM1 = "ADM1_3" # establecer la región en la que profundizar + within_ADM1 = "ADM1_3" # establecer la región que se quiere analizar ) # mostrar los resultados en un gráfico @@ -295,18 +295,18 @@ distribution_plot3 <- roc_heatmap( distribution_plot3 ``` -En este mapa de calor observamos la proporción de eventos de vacunación que ocurren en una ubicación diferente al lugar de residencia, desglosada por el segundo nivel administrativo. +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. -Como ejemplo, es notable que, entre todas las personas que residen en ADM2_3_10 y se vacunan fuera de su área de residencia, el 72 % recibe su 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. +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. -Mirando el mapa de calor horizontalmente, podemos ver que ADM2_3_20 provee vacunación a un gran número de 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. +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 también es interesante, ya que indica a las personas que se vacunan completamente fuera de ADM1_3. Por ejemplo, en la columna 4, el 85 % de los residentes de ADM2_3_13 se vacunan fuera de ADM1_3, lo que sugiere un fuerte flujo poblacional. +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 puede usar el paquete PAHOabc para comparar la cobertura de vacunación por lugar de residencia y por lugar de ocurrencia, y para explorar cómo se desplazan las personas entre áreas para vacunarse. +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. -Vimos que la cobertura puede variar mucho dependiendo de qué ubicación se utilice y, en algunos casos, la cobertura por ocurrencia puede superar el 100 % —una señal de que personas de otros lugares vienen a vacunarse—. Las funciones de distribución y mapa de calor ayudan a visualizar estos patrones y pueden revelar qué áreas actúan como centros de servicio o hacia dónde se dirigen las personas 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.