2  R y proyectos reproducibles para inmunizaciones

NotaAntes de empezar

Responde sin consultar el texto. Al terminar, vuelve a esta pregunta y comprueba si cambió tu respuesta.

1. Dos analistas obtienen coberturas distintas con «los mismos datos». ¿Cuál es la forma más eficiente de encontrar la causa?

  1. Promediar ambos resultados
  2. Comparar los conteos después de cada paso: carga, filtros, duplicados y denominador
  3. Repetir el cálculo en otra computadora
  4. Pedir a un tercero que calcule de nuevo a mano

b. Las diferencias se localizan comparando pasos intermedios. Si el trabajo está en código, cada paso puede compararse.

2.1 Objetivos y pregunta de trabajo

Al terminar este capítulo podrás:

  • organizar un análisis de vacunación como un proyecto que otra persona puede repetir;
  • usar las funciones del libro y comprobar que hacen lo que dicen;
  • generar un registro nominal sintético y reproducir exactamente el mismo resultado;
  • aplicar reglas mínimas de privacidad a registros con datos personales de salud.

Pregunta de trabajo: tu colega del distrito obtiene una cobertura de 87,4 % y tú, con «los mismos datos», 86,9 %. ¿Cómo averiguas por qué?

Este capítulo supone que ya instalaste R y sabes ejecutar código, crear objetos y usar funciones. Si no es así, empieza por los capítulos 1 a 4 de Ciencia de datos con R para la salud pública, la obra hermana de este libro.

2.2 Un proyecto, no un archivo suelto

Dos analistas obtienen cifras distintas casi siempre por una de estas razones: usaron versiones distintas de los datos, filtraron de manera diferente, cambiaron un paso a mano o usaron otra versión de un paquete. Un proyecto reproducible elimina las tres primeras y documenta la cuarta. Este libro está organizado así:

r-inmunizaciones-ecuador/
├── _quarto.yml          # estructura del libro
├── referencia/          # tablas de reglas con su fuente (esquema nacional)
├── R/                   # funciones reutilizables
├── tests/               # pruebas de esas funciones
├── datos/               # SOLO catálogo y documentación; nunca microdatos
├── capitulos/, casos/   # análisis comentados
└── proyectos/           # trabajos con corrector automático

Tres reglas sostienen esta estructura:

  1. Nada se edita a mano. Si un registro debe corregirse, la corrección se escribe como código y queda registrada.
  2. Las reglas viven en tablas con fuente. El esquema no está escondido en un if dentro de una función, sino en referencia/esquema_nacional_2026.csv, con una columna que cita el manual.
  3. Las funciones tienen pruebas. tests/pruebas_esquema.R construye casos a mano, como una dosis aplicada a los 24 días con margen, y comprueba que la función los clasifica bien.

2.3 Usar las funciones del libro

Cada capítulo carga las funciones que necesita con source(). La función ruta_proyecto() encuentra la raíz del proyecto desde cualquier carpeta, así que el mismo código funciona desde la consola, desde un capítulo o desde una prueba:

basename(ruta_proyecto("referencia", "esquema_nacional_2026.csv"))
[1] "esquema_nacional_2026.csv"

Antes de confiar en una función, léela y pruébala con un caso cuyo resultado conozcas. Por ejemplo, el 31 de enero más un mes debe dar el último día de febrero:

stopifnot(sumar_meses(as.Date("2025-01-31"), 1) == as.Date("2025-02-28"))
stopifnot(sumar_meses(as.Date("2024-01-31"), 1) == as.Date("2024-02-29"))
"La función respeta el fin de mes y los años bisiestos"
[1] "La función respeta el fin de mes y los años bisiestos"

Un stopifnot() que pasa en silencio vale más que una revisión visual: si alguien cambia la función y rompe esa regla, el error aparece de inmediato. Para ejecutar todas las pruebas del libro:

Rscript tests/pruebas_esquema.R
Rscript tests/pruebas_vacunas.R

2.4 Un registro sintético reproducible

Un registro nominal real contiene nombres, fechas de nacimiento y datos de salud. No puede circular en un libro ni en un repositorio. Por eso el libro usa generar_registro_nominal(), que fabrica un registro ficticio con la estructura de uno real y con sus errores típicos.

registro <- generar_registro_nominal(n = 2000, semilla = 2026)
dim(registro)
[1] 28019    10
head(registro, 4)
  id_persona iniciales sexo fecha_nacimiento canton establecimiento vacuna
1    P000500       TLV    M       2023-01-05    C01          C01-E1    BCG
2    P000500       TLV    M       2023-01-05    C01          C01-E1    HB0
3    P000174       HBS    F       2023-01-09    C01          C01-E1    HB0
4    P000174       HBS    F       2023-01-09    C01          C01-E1    BCG
  dosis fecha_vacunacion      lote
1     1       2023-01-05 BCG-2301B
2     1       2023-01-06 HB0-2301B
3     1       2023-01-09 HB0-2301B
4     1       2023-01-10 BCG-2301B

La semilla fija los números aleatorios. Con la misma semilla, el registro es idéntico en cualquier computadora:

otro <- generar_registro_nominal(n = 2000, semilla = 2026)
identical(registro, otro)
[1] TRUE
identical(registro, generar_registro_nominal(n = 2000, semilla = 7))
[1] FALSE

El generador también registra qué errores introdujo a propósito. En el capítulo 4 los buscaremos sin mirar esta lista y luego compararemos:

attr(registro, "errores_inyectados")
                    tipo filas
1 variante_nombre_vacuna   914
2        intervalo_corto    69
3       antes_nacimiento     3
4           fecha_futura     2
5       duplicado_exacto   277
6     persona_con_dos_id     8
7         fecha_faltante     5
AdvertenciaSintético significa sintético

Las cifras de este registro no describen a ningún cantón real. Los cantones «Río Claro» o «Sierra Azul» son inventados. Sirven para aprender el método; las conclusiones sobre el país requieren datos oficiales y su autorización de uso.

2.5 Privacidad: lo que nunca se versiona

Un registro de vacunación es un dato personal de salud. Las reglas mínimas de este libro son:

  • Fuera del repositorio. La carpeta datos/ está excluida en .gitignore, salvo su README.md y el catálogo de fuentes. Ninguna base nominal se sube, ni siquiera a un repositorio privado.
  • Mínimo necesario. Para calcular coberturas no hacen falta nombres ni número de cédula. Lo primero que hace un análisis es quedarse con las columnas que usa.
  • Seudónimos estables. Si hay que unir dos bases por persona, se reemplaza el identificador por un código derivado (un hash con una clave secreta) antes de analizar.
  • Celdas pequeñas. Un cuadro de «no vacunados por parroquia y mes» con celdas de 1 o 2 personas puede identificar a una familia. Se agregan o se suprimen antes de publicar.
para_cobertura <- registro[c("id_persona", "fecha_nacimiento", "canton", "vacuna", "dosis",
                             "fecha_vacunacion")]
names(para_cobertura)
[1] "id_persona"       "fecha_nacimiento" "canton"           "vacuna"          
[5] "dosis"            "fecha_vacunacion"

2.6 Responder la pregunta de trabajo

Si las cifras difieren, compara paso a paso, no el resultado final: el número de filas al cargar, después de cada filtro y después de quitar duplicados, y el denominador. Si ambos trabajan con código, la diferencia aparece en minutos. Si uno «limpió a mano en Excel», no hay manera de saberlo. La diferencia de medio punto suele estar en los duplicados o en la fecha de corte, dos decisiones que el capítulo 4 obliga a escribir.

2.7 Limitaciones

  • La reproducibilidad completa exige fijar también las versiones de R y de los paquetes, por ejemplo con renv. Las funciones de este libro usan solo R base para reducir ese riesgo; los gráficos usan ggplot2.
  • El generador sintético simula retrasos, abandonos y errores con supuestos simples. Sirve para enseñar; no reproduce la distribución real de un cantón ni sustituye una validación con datos reales.

2.8 Ejercicios

  1. Semilla. Genera dos registros con n = 500 y la misma semilla. Comprueba con identical() que son iguales. Cambia la semilla y cuenta cuántas filas tiene cada registro.
  2. Prueba propia. Escribe un stopifnot() que compruebe que un niño nacido el 29 de febrero de 2024 cumple 12 meses el 28 de febrero de 2025.
  3. Mínimo necesario. ¿Qué columnas del registro eliminarías antes de compartir una tabla de dosis aplicadas por cantón y mes? Justifica cada una.
  4. Sin errores. Genera un registro con errores = FALSE y comprueba que la tabla de errores inyectados está vacía.
  1. a <- generar_registro_nominal(500, semilla = 1); b <- generar_registro_nominal(500, semilla = 1); identical(a, b) devuelve TRUE. Con otra semilla el número de filas cambia porque cambian las dosis recibidas, los retrasos y los errores.
  2. stopifnot(sumar_meses(as.Date("2024-02-29"), 12) == as.Date("2025-02-28")). 2025 no es bisiesto y la regla de fin de mes lleva el aniversario al último día de febrero.
  3. Para una tabla agregada sobran id_persona, iniciales, fecha_nacimiento (basta la edad o el grupo de edad), establecimiento si la tabla es por cantón, y lote. Después de agregar hay que revisar las celdas pequeñas.
  4. nrow(attr(generar_registro_nominal(300, errores = FALSE), "errores_inyectados")) devuelve 0.

2.9 Autoevaluación

Responde antes de abrir cada respuesta. Si fallas una, vuelve a la sección correspondiente antes de continuar.

2.9.1 Comprobación

2. ¿Para qué sirve fijar la semilla en generar_registro_nominal()?

  1. Para que el registro tenga menos errores
  2. Para acelerar la generación
  3. Para cifrar los identificadores
  4. Para que el mismo código produzca exactamente el mismo registro en cualquier computadora

d. La semilla fija la secuencia de números aleatorios. Sin ella, cada ejecución produciría un registro distinto.

3. ¿Por qué las reglas del esquema se guardan en una tabla con una columna de fuente y no dentro del código de una función?

  1. Porque así se pueden revisar, citar y actualizar sin tocar la lógica del programa
  2. Porque R no permite condiciones dentro de funciones
  3. Porque las tablas ocupan menos memoria
  4. Porque Quarto solo lee archivos CSV

a. Separar reglas y lógica permite que un experto del programa revise la tabla y que un cambio de esquema no exija reescribir funciones.

4. ¿Cuál de estas prácticas protege mejor la privacidad al trabajar con un registro nominal?

  1. Subirlo a un repositorio privado
  2. Renombrar el archivo
  3. Conservar solo las columnas necesarias, fuera del repositorio, y usar seudónimos para unir bases
  4. Convertirlo a Excel

c. Un repositorio privado no es lugar para datos personales. Lo correcto es minimizar columnas, mantener los datos fuera del control de versiones y seudonimizar.

2.9.2 Transferencia a tu trabajo

5. Vas a publicar una tabla de niños no vacunados por parroquia y mes. Algunas celdas tienen 1 o 2 niños. ¿Qué haces?

  1. Publicarla igual porque no tiene nombres
  2. Agregar categorías o suprimir celdas pequeñas antes de publicar
  3. Redondear a decenas sin más
  4. Publicar solo el total nacional

b. Celdas muy pequeñas pueden identificar a una familia aunque no haya nombres. Agregar o suprimir es la práctica estándar; publicar solo el total nacional pierde información útil.

6. Modificaste sumar_meses() para «mejorarla». ¿Qué deberías hacer antes de usarla en un informe?

  1. Nada, si el código se ve bien
  2. Probarla con un solo ejemplo
  3. Comparar la salida con la versión anterior en un gráfico
  4. Ejecutar las pruebas existentes y agregar un caso para el comportamiento nuevo

d. Las pruebas protegen las reglas que ya funcionaban, como el fin de mes y los años bisiestos, y documentan el comportamiento nuevo.

2.10 Ideas que debes conservar

  • Las diferencias entre analistas se resuelven comparando pasos con código, no resultados.
  • Las reglas del programa se guardan en tablas con fuente, y las funciones se prueban con casos conocidos.
  • Los registros nominales nunca se versionan: se usan datos sintéticos para aprender y datos autorizados, fuera del repositorio, para trabajar.