Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 5 No. 11
Noviembre del 2024
Página 154
SEGMENTACIÓN DE MORTALIDAD EN PROVINCIAS DE LA SIERRA Y ORIENTE DEL
ECUADOR MEDIANTE ANÁLISIS DE CLÚSTER
MORTALITY SEGMENTATION IN THE PROVINCES OF THE SIERRA AND ORIENTE
OF ECUADOR THROUGH CLUSTER ANALYSIS
Autor: ¹Gustavo David Robalino Múñiz.
¹ORCID ID: https://orcid.org/0009-0007-3538-7291
¹E-mail de contacto: grobalinom@unemi.edu.ec
Afiliación:¹*Universidad Estatal de Milagro, (Ecuador).
Articulo recibido: 27 de Septiembre del 2024
Articulo revisado: 1 de Octubre del 2024
Articulo aprobado: 20 de Noviembre del 2024
¹Ingeniero en Marketing graduado de la Universidad Estatal de Milagro, (Ecuador). Magister en Estadística mención en Gestión de la
Calidad y Productividad otorgado de la Escuela Superior Politécnica del Litoral, (Ecuador).
Resumen
La presente investigación analiza las
principales causas de mortalidad en las
provincias de la Sierra y Oriente del Ecuador,
mediante el análisis de clúster utilizando el
método K-means, con datos obtenidos del
Registro Estadístico de Defunciones Generales
del año 2023. A través del uso de técnicas de
minería de datos, se identificaron tres grupos de
provincias con patrones de mortalidad
distintos. Estos grupos revelan características
diferenciadas en cuanto a la prevalencia de
enfermedades como la diabetes, enfermedades
cardíacas, enfermedades cerebrovasculares, así
como muertes por accidentes de tránsito y
homicidios. Este estudio destaca la importancia
de utilizar herramientas estadísticas para el
análisis de datos en salud pública, proponiendo
recomendaciones específicas de políticas y
prácticas de prevención para cada grupo de
provincias.
Palabras clave: Mortality, Cluster analysis,
Public health.
Abstract
This research analyzes the main causes of
mortality in the provinces of the Sierra and
Oriente of Ecuador, through cluster analysis
using the K-means method, with data obtained
from the Statistical Registry of General Deaths
for the year 2023. Through the use of data
mining techniques, three groups of provinces
with different mortality patterns were
identified. These groups reveal differentiated
characteristics in terms of the prevalence of
diseases such as diabetes, heart disease,
cerebrovascular disease, as well as deaths from
traffic accidents and homicides. This study
highlights the importance of using statistical
tools for data analysis in public health,
proposing specific recommendations for
prevention policies and practices for each
group of provinces.
Keywords: Mortalidad, Análisis de Clúster,
Salud pública.
Sumário
A presente pesquisa analisa as principais
causas de mortalidade nas províncias de Sierra
e Oriente do Equador, por meio de análise de
cluster pelo método K-means, com dados
obtidos do Registro Estatístico de Óbitos
Gerais para o ano de 2023. Através do uso de
técnicas de mineração de dados, foram
identificados três grupos de províncias com
diferentes padrões de mortalidade. Esses
grupos revelam características diferenciadas
quanto à prevalência de doenças como
diabetes, cardiopatias, doenças
cerebrovasculares, além de mortes por
acidentes de trânsito e homicídios. Este estudo
destaca a importância da utilização de
ferramentas estatísticas para análise de dados
em saúde pública, propondo recomendações
específicas de políticas e práticas de prevenção
para cada grupo de províncias..
Palavras-chave: Mortalidade, Análise de
Cluster, Saúde pública.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 5 No. 11
Noviembre del 2024
Página 155
Introducción
En Ecuador, las causas de muerte más
prevalentes reflejan desafíos importantes para la
salud pública, con las enfermedades
cardiovasculares, diabetes, enfermedades
cerebrovasculares, neoplasias y accidentes de
tránsito entre las principales. Estas cinco causas
constituyen una parte significativa de las tasas
de mortalidad, con un impacto profundo en la
esperanza y calidad de vida de los ecuatorianos,
particularmente en áreas donde el acceso a la
atención médica es limitado (Corral, A., & Pría,
M., 2023). El análisis de estos patrones de
mortalidad puede proporcionar una visión
integral de los problemas de salud prioritarios y
guiar la asignación de recursos en políticas
públicas (Jaimes, E., Díaz, A., Rincón, I., &
Medina, J., 2022).
Este estudio se enfoca en las provincias de la
Sierra y el Oriente del Ecuador, dos regiones
que presentan características demográficas,
sociales y económicas distintas. En estas áreas,
la prevalencia de ciertas enfermedades, como la
diabetes y las enfermedades del corazón, varía
en relación con factores como el acceso a la
atención médica, los estilos de vida y el nivel de
urbanización. Además, el Oriente, una zona
predominantemente rural, enfrenta desafíos
específicos en términos de acceso a servicios
médicos y prevención de enfermedades
(Ferreira, J., Higuera, M., & Barrera, J., 2021).
En las provincias de la Sierra ecuatoriana, la
mortalidad por enfermedades no transmisibles
se ha vuelto especialmente notable en las áreas
urbanas, donde el acceso a servicios de salud
puede ser mejor, pero también es donde los
estilos de vida sedentarios y la dieta alta en
grasas y azúcares son más comunes. La
urbanización y los cambios en los hábitos
alimentarios han incrementado la incidencia de
enfermedades crónicas en esta región. Sin
embargo, el acceso a atención médica
especializada y de calidad aún presenta
desigualdades significativas, especialmente en
áreas rurales de la Sierra, donde las distancias y
la falta de infraestructura limitan la
disponibilidad de atención oportuna y de
calidad para enfermedades complejas
(Carbonel, J., Quinteros, J., Figueroa, J., &
Queens, A., 2023).
El Oriente, por su parte, es una región con una
baja densidad poblacional y una economía
predominantemente rural, donde el acceso a los
servicios de salud es considerablemente
limitado. A pesar de que la prevalencia de
enfermedades crónicas podría ser menor en
comparación con áreas urbanas, los factores de
riesgo están presentes, y las personas que
desarrollan enfermedades crónicas o sufren
accidentes de tránsito enfrentan barreras
significativas para recibir tratamiento adecuado
(Mallama, Ó., Barbosa, A., & Londoño, D.,
2023)
Tanto en la Sierra como en el Oriente, la falta
de infraestructura y la dispersión geográfica
dificultan la provisión de atención médica. Sin
embargo, ambas regiones comparten la
necesidad de políticas de salud que prioricen el
acceso a la atención preventiva y la educación
en salud, con un enfoque en la reducción de
factores de riesgo y el mejoramiento del acceso
a servicios esenciales en áreas remotas (Garat,
2023)
Para analizar estos patrones de mortalidad, se
utiliza el método de análisis de clúster K-means,
una técnica estadística que permite agrupar
provincias con características similares en
términos de tasas de mortalidad por causa. K-
means es ampliamente utilizado debido a su
eficiencia y capacidad para manejar grandes
conjuntos de datos, dividiendo los datos en
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 5 No. 11
Noviembre del 2024
Página 156
grupos homogéneos de manera iterativa y
minimizando la variación dentro de cada clúster
(Alvarado, D., Ordaz, K., Lara, G., María, V.,
& Castelán, M., 2023). La elección de este
método se justifica, ya que permite visualizar
patrones y tendencias específicas en grupos de
provincias, facilitando así la identificación de
áreas con necesidades particulares en términos
de salud pública. (Machado, O., Bastidas, T., &
Vázquez, M., 2020).
El objetivo de este análisis es doble: primero,
identificar agrupaciones de provincias que
compartan características similares en términos
de mortalidad y, segundo, proponer
recomendaciones de políticas públicas
específicas para cada grupo identificado. Este
tipo de análisis puede guiar la formulación de
estrategias de intervención y prevención,
contribuyendo al fortalecimiento del sistema de
salud en Ecuador y mejorando la calidad de vida
de sus habitantes (Alvarez, M., De Guilhem, C.,
Peñafiel, P., Maldonado, P., Vernaza, E., Mejía,
B., & Álvarez, M., 2024).
Metodología
Fuentes de datos
Los datos para este estudio provienen del
Registro Estadístico de Defunciones Generales
del año 2023, el cual proporciona estadísticas
detalladas sobre las causas de muerte en el
Ecuador. Este registro es una fuente oficial que
permite realizar un análisis representativo y
actual de los patrones de mortalidad en el país.
(Moran, M., Tandazo, W., & García, S., 2022)
Análisis de Clúster y selección de Clústeres
Se empleó el análisis de clúster K-means para
segmentar las provincias en grupos
homogéneos según las causas de mortalidad
predominantes. Para determinar el número
óptimo de clústeres, se utilizó el método del
codo, evaluando el porcentaje de varianza
explicada en función del número de clústeres y
determinando que tres clústeres eran los más
adecuados para este análisis (Alvarado, D.,
Ordaz, K., Lara, G., María, V., & Castelán, M.,
2023).
Este enfoque permitió una agrupación que
maximiza la homogeneidad dentro de cada
grupo y la heterogeneidad entre grupos,
proporcionando una estructura clara en la
segmentación de las provincias (Alessandri, F.,
Villarroel, T., & Vergara, M., 2022).
K-means permite integrar diversas variables (en
este caso, tasas de mortalidad por diferentes
causas), adaptándose a la naturaleza
multidimensional de los datos. Esta flexibilidad
facilita la exploración de patrones complejos en
mortalidad y salud. (Muñoz, E., Alcívar, D.,
Francinet, G., Palacios, M., & Briones, O.,
2024).
Para el análisis y la segmentación de las
provincias en función de sus tasas de
mortalidad, se utilizó el software estadístico
RStudio, que facilitó tanto el procesamiento de
datos como la implementación del algoritmo K-
means. Con RStudio, se realizó el cálculo del
método del codo para determinar el número
óptimo de clústeres, estableciendo que tres era
la cantidad adecuada para este estudio. Además,
RStudio permitió calcular los valores de cada
variable de mortalidad por clúster y visualizar
los patrones en gráficos, lo cual fue esencial
para interpretar los resultados de manera clara y
precisa. A continuación, se presentan los pasos
seguidos en el proceso de análisis: (Roque,
2022).
En este estudio, la gráfica del método del codo
muestra que el punto de inflexión ocurre al
elegir 3 clústeres, por lo que se selecciona este
valor como el óptimo para la segmentación de
las provincias
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 5 No. 11
Noviembre del 2024
Página 157
Figura 1. Método del Codo
Fuente: Elaboración propia
Variables de estudio
Las principales variables utilizadas en este
análisis son las tasas de mortalidad por las
siguientes causas:
➢ Diabetes Mellitus
➢ Enfermedades isquémicas del corazón
➢ Enfermedades cerebrovasculares
➢ Cirrosis y otras enfermedades del hígado
➢ Accidentes de transporte terrestre
Preprocesamiento de datos: Normalización
de datos
Antes de aplicar el análisis de clústeres con el
algoritmo K-means, las tasas de mortalidad de
cada causa de muerte (como diabetes,
enfermedades isquémicas del corazón, etc.)
fueron normalizadas. La normalización es un
proceso que ajusta los valores de las variables
para que tengan una media de 0 y una
desviación estándar de 1. Esto se hace porque
K-means es sensible a las escalas de las
variables, y la normalización asegura que cada
causa de muerte tenga el mismo peso en el
análisis, evitando que alguna variable con
valores más altos domine el proceso de
agrupamiento (García, 2020).
Agrupamiento de Provincias: Aplicación del
Algoritmo K-means
Una vez normalizados los datos, se aplicó el
algoritmo K-means para agrupar las provincias
en tres clústeres, como se determinó mediante
el método del codo. El algoritmo K-means
asigna cada provincia al clúster cuyo centroide
está más cercano en términos de distancia
euclidiana en el espacio multidimensional
definido por las variables de mortalidad (Torres,
S., Alonso, D., Martínez, N., & Merced, S.,
2023).
Cálculo de promedios de mortalidad por
Clúster
Después de asignar cada provincia a un clúster,
se calcularon las medias de cada causa de
muerte dentro de cada clúster. Estos valores
representan el promedio de las tasas de
mortalidad para cada causa dentro de cada
grupo de provincias. Como los datos fueron
normalizados previamente, estas medias
pueden interpretarse en términos de
desviaciones con respecto a la media global
(cero) (Saraví, 2020).
Valores positivos indican una prevalencia
mayor a la media global en esa causa de muerte
para el clúster específico.
Valores negativos indican una prevalencia
menor a la media global en esa causa de muerte
para el clúster específico.
Tabla 1. Medias de variables de mortalidad por
Clúster
Causa de Muerte
Cluster
1
Cluster
2
Cluster
3
Diabetes Mellitus
0.3647
3.1899
-0.6381
Enfermedades isquémicas del
corazón
-0.0048
3.7885
-0.4172
Enfermedades
cerebrovasculares
0.2231
3.4924
-0.5615
Accidentes de transporte
terrestre
0.1028
3.6208
-0.4823
Homicidios
-0.0857
3.4761
-0.3196
Fuente: Elaboración propia
Estos valores permiten entender el perfil de
cada clúster en función de las tasas de
mortalidad de las principales causas de muerte,
facilitando la formulación de estrategias de
salud pública específicas para cada grupo de
provincias.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 5 No. 11
Noviembre del 2024
Página 158
Tabla 2. Provincias por clúster
Número
Provincias
1
Azuay
2
Bolívar
3
Cañar
4
Carchi
5
Cotopaxi
6
Chimborazo
7
Imbabura
8
Loja
9
Morona Santiago
10
Napo
11
Pastaza
12
Pichincha
13
Tungurahua
14
Zamora Chinchipe
15
Sucumbíos
16
Orellana
17
Santo Domingo de los Tsáchilas
Fuente: Elaboración propia
La tabla muestra a que clúster pertenece cada
provincia.
Interpretación de los Clústeres
Clúster 1: Provincias de prevalencia moderada
de enfermedades crónicas y accidentes
Este clúster incluye provincias como Azuay,
Cotopaxi, Chimborazo, Imbabura, Loja,
Tungurahua y Santo Domingo de los Tsáchilas.
En estas provincias, las causas de muerte
presentan valores intermedios, destacándose las
enfermedades crónicas y los accidentes de
tránsito. Aunque los valores no son
extremadamente altos, es necesario
implementar programas de prevención en salud
y educación vial para reducir el impacto de
estos factores de riesgo.
Clúster 2: Alta prevalencia de enfermedades
crónicas y homicidios
Este clúster está compuesto únicamente por la
provincia de Pichincha, la cual presenta una alta
prevalencia en enfermedades crónicas,
accidentes de tránsito y homicidios. Esta
concentración de factores de riesgo en una
provincia de alta densidad poblacional sugiere
la necesidad de intervenciones de gran
envergadura, que incluyan tanto mejoras en el
sistema de salud pública como en las políticas
de seguridad ciudadana.
Clúster 3: Baja prevalencia en todas las
categorías
Este clúster incluye provincias como Bolívar,
Cañar, Carchi, Morona Santiago, Napo,
Pastaza, Zamora Chinchipe, Sucumbíos y
Orellana. En estas provincias, la prevalencia de
todas las causas de mortalidad es baja, lo cual
puede reflejar un menor riesgo de exposición o
factores protectores presentes en estas regiones.
No obstante, es importante mantener y
fortalecer las campañas de prevención en salud
para garantizar que estos índices se mantengan
bajos.
Tabla 3. Distribución de provincias por Clúster
y resumen de interpretación
Clúster
Provincias
Interpretación
1
Azuay, Cotopaxi,
Chimborazo,
Imbabura, Loja,
Tungurahua y Santo
Domingo de los
Tsáchilas.
Prevalencia
moderada; enfoque en
prevención de
enfermedades
crónicas.
2
Pichincha
Alta prevalencia;
enfoque en
tratamiento
especializado
3
Bolívar, Cañar, Carchi,
Morona Santiago,
Napo, Pastaza, Zamora
Chinchipe, Sucumbíos
y Orellana
Baja prevalencia;
mantener campañas
de prevención.
Fuente: Elaboración propia
La tabla de "Distribución de Provincias por
Clúster" presenta la clasificación de las
provincias en los tres clústeres identificados
mediante el análisis de K-means. Cada clúster
está asociado con un perfil particular de
mortalidad: el Clúster 1 incluye provincias con
prevalencia moderada en enfermedades y
accidentes; el Clúster 2, en el que destaca
Pichincha, muestra una alta prevalencia de
enfermedades crónicas y homicidios; y el
Clúster 3 agrupa provincias con baja
prevalencia en todas las causas de muerte.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 5 No. 11
Noviembre del 2024
Página 159
Figura 2. Agrupación de las provincias
Fuente: Elaboración propia
La Figura 2 muestra la agrupación de las
provincias de acuerdo con sus tasas de
mortalidad y otras variables analizadas,
visualizadas en tres clústeres. Cada clúster
representa un grupo de provincias con patrones
de mortalidad similares, diferenciándose según
su prevalencia en distintas causas de muerte.
Discusión
Los resultados de este estudio resaltan la
importancia de segmentar las provincias de
acuerdo con sus patrones de mortalidad para
poder implementar políticas de salud pública
efectivas. A continuación, se presenta un
análisis detallado de cada clúster y su relación
con el contexto socioeconómico y de salud en la
región.
Clúster 1 (Prevalencia Moderada): Las
provincias en este clúster muestran una
prevalencia intermedia en enfermedades
crónicas y accidentes de tránsito, lo cual sugiere
la presencia de factores de riesgo manejables.
Las estrategias para este grupo pueden
enfocarse en la promoción de estilos de vida
saludables, la prevención de enfermedades
crónicas y la educación vial para reducir
accidentes. La falta de una alta prevalencia
permite implementar programas preventivos de
bajo costo que pueden ser efectivos a largo
plazo.
Clúster 2 (Alta Prevalencia): Pichincha presenta
una combinación alarmante de alta prevalencia
en enfermedades crónicas y homicidios. Dado
que es una provincia densamente poblada y con
altos niveles de urbanización, los problemas de
salud y seguridad requieren de atención urgente.
Las políticas de salud pública deben priorizar el
acceso a servicios de salud especializados y la
mejora en la infraestructura de emergencia,
mientras que las autoridades de seguridad deben
implementar medidas para reducir los índices
de criminalidad y violencia en la región.
Clúster 3 (Baja Prevalencia): Las provincias de
este clúster tienen baja prevalencia en todas las
causas de muerte, lo que podría estar
relacionado con su baja densidad poblacional y
un menor nivel de urbanización, lo cual podría
reducir la exposición a ciertos factores de
riesgo. Sin embargo, es fundamental no
descuidar estas provincias y asegurar que se
mantengan las campañas de promoción de salud
y prevención de enfermedades.
El análisis de clústeres realizado con el modelo
K-means proporciona una visión clara de cómo
se distribuyen las tasas de mortalidad en las
provincias de la Sierra y el Oriente del Ecuador,
permitiendo identificar agrupaciones de
provincias con características similares en
términos de salud pública. Este enfoque permite
segmentar las provincias en función de sus
patrones de mortalidad, facilitando así la
formulación de estrategias específicas y la
optimización de recursos.
Bondades del modelo K-means:
Simplicidad y eficiencia: K-means es un
método rápido y relativamente sencillo de
implementar, ideal para grandes conjuntos de
datos, como el de tasas de mortalidad. Su
proceso iterativo de agrupación permite obtener
resultados en poco tiempo, lo que lo hace
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 5 No. 11
Noviembre del 2024
Página 160
práctico para estudios exploratorios en salud
pública.
Interpretación visual: La estructura de los
clústeres puede visualizarse en gráficos que
representan los grupos formados, lo cual es una
ventaja para la comunicación de resultados a
decisores en políticas de salud pública, quienes
pueden ver fácilmente las diferencias entre los
grupos de provincias.
Desventajas del modelo K-means:
Sensibilidad a la selección de k (número de
clústeres): La elección de k puede influir
significativamente en los resultados. En este
estudio, se utilizó el método del codo para
determinar que el número óptimo era tres, pero
otros métodos o interpretaciones podrían haber
sugerido diferentes agrupaciones. La variación
en k afecta la interpretación de los datos y puede
requerir validación con métodos adicionales.
Dependencia de la normalización de los datos:
Este modelo es sensible a la escala de las
variables, por lo que los datos deben ser
normalizados o estandarizados adecuadamente.
En este análisis, se tuvo que realizar un proceso
de normalización de las tasas de mortalidad para
garantizar que cada variable tuviera el mismo
peso en el modelo.
A pesar de estas limitaciones, el análisis de K-
means ofrece una base sólida para explorar
patrones de mortalidad y agrupar provincias con
características semejantes. Sin embargo, la
consideración de métodos alternativos o
complementarios, como el clustering
jerárquico, podría proporcionar una visión más
completa y precisa de los patrones de
mortalidad en el país.
Conclusiones
Este estudio demuestra que el análisis de
clústeres es una herramienta eficaz para
identificar patrones de mortalidad en las
provincias de la Sierra y el Oriente del Ecuador,
lo cual es fundamental para el diseño de
políticas de salud pública específicas. La
segmentación de las provincias en tres clústeres
(prevalencia moderada, alta y baja) ofrece una
perspectiva diferenciada que permite
comprender mejor los factores de riesgo
predominantes en cada grupo y priorizar
recursos de acuerdo con sus necesidades
particulares.
En el Clúster 1, donde se observó una
prevalencia moderada de enfermedades y
accidentes, se concluye que existen factores de
riesgo controlables que, con intervenciones
adecuadas, podrían reducirse
significativamente. En el Clúster 2,
representado por Pichincha, la alta prevalencia
de enfermedades crónicas y homicidios refleja
problemas complejos asociados con la
urbanización y la densidad poblacional, que
exigen medidas urgentes en salud y seguridad.
Por último, en el Clúster 3, las provincias con
baja prevalencia de causas de muerte se asocian
con un perfil de menor exposición a factores de
riesgo, pero no deben ser descuidadas en
términos de promoción de salud y prevención.
El modelo K-means se mostró efectivo para el
análisis exploratorio de patrones de mortalidad.
No obstante, es importante reconocer que este
modelo presenta limitaciones en su capacidad
de capturar estructuras no esféricas en los datos,
lo cual podría abordarse mediante modelos de
clustering alternativos o complementarios en
futuros estudios.
Recomendaciones
Para el Clúster 1 (Prevalencia Moderada): Se
recomienda implementar programas de
prevención de enfermedades crónicas,
educación en salud y promoción de estilos de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 5 No. 11
Noviembre del 2024
Página 161
vida saludables. Dado el nivel de riesgo
moderado en estas provincias, estas
intervenciones preventivas podrían ser una
inversión costo-efectiva y sostenida en el
tiempo.
Para el Clúster 2 (Alta Prevalencia en
Pichincha): Es crucial que se prioricen políticas
de salud pública orientadas a mejorar el acceso
a servicios de salud especializados y fortalecer
la infraestructura hospitalaria. En paralelo, se
debe trabajar en colaboración con las fuerzas de
seguridad para reducir la violencia y el crimen
en esta región. La intervención debe enfocarse
en una gestión integrada que aborde tanto los
problemas de salud como los de seguridad.
Para el Clúster 3 (Baja Prevalencia): Aunque las
provincias en este clúster presentan bajos
índices de mortalidad, se recomienda continuar
con programas de promoción de salud para
prevenir el incremento de factores de riesgo.
Estas provincias también pueden servir como
modelo para estrategias de salud preventivas
que otras provincias podrían adoptar.
Mejoras en el Análisis de Clústeres: Aunque el
modelo K-means fue efectivo en este estudio, se
recomienda considerar el uso de métodos de
clustering jerárquico o mixto en investigaciones
futuras para mejorar la precisión en la
identificación de patrones de mortalidad. Esto
permitirá captar estructuras más complejas en
los datos y ofrecer una segmentación aún más
detallada.
Recomendaciones para Políticas de Salud
Pública: Los hallazgos de este estudio resaltan
la necesidad de una política de salud
diferenciada que considere las características
particulares de cada clúster. Se recomienda a los
responsables de políticas de salud pública en
Ecuador que consideren este tipo de
segmentación en la asignación de recursos y en
la planificación de programas de prevención,
con el objetivo de maximizar el impacto y la
eficiencia de las intervenciones en salud.
Estas conclusiones y recomendaciones no solo
orientan la formulación de políticas de salud
efectivas, sino que también promueven una
asignación de recursos adaptada a las
necesidades específicas de cada provincia,
contribuyendo a mejorar la calidad de vida y
reducir las desigualdades en salud en el
Ecuador.
Bibliografía
Alessandri, F., Villarroel, T., & Vergara, M.
(2022). Clasificación de universidades en
Chile: crítica al modelo histórico y una
propuesta a través de clúster. Estudios
Públicos, 168, 73-106.
Alvarado, D., Ordaz, K., Lara, G., María, V., &
Castelán, M. (2023). Caracterización del
crecimiento de colonias bacterianas
utilizando segmentación de imágenes con K-
means. Pädi Boletín Científico de Ciencias
Básicas e Ingenierías del ICBI, 11 (Especial
2), 1-6.
Alvarez, M., De Guilhem, C., Peñafiel, P.,
Maldonado, P., Vernaza, E., Mejía, B., &
Álvarez, M. (2024). Sostenibilidad de
prevención y estrategias en la salud pública
del Ecuador. Dominio de las Ciencias, 10
(1), 859-877.
Carbonel, J., Quinteros, J., Figueroa, J., &
Queens, A. (2023). Avances y retos de la
telemedicina: Impacto de la telemedicina en
la atención sanitaria en el Perú. Revista de
Climatología Edición Especial Ciencias
Sociales, 23, 4122.
Corral, A., & Pría, M. (2023). Desigualdades en
la mortalidad por enfermedades no
transmisibles en personas mayores según
condiciones de vida en Cuba durante el año
2018. Infodir, (42).
Ferreira, J., Higuera, M., & Barrera, J. (2021).
Nuevos desafíos en el desarrollo de
soluciones para e-health en Colombia,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 5 No. 11
Noviembre del 2024
Página 162
soportados en Internet de las Cosas (IoT).
Revista EIA, 18 (36), 36008.
Garat, C. (2023). Políticas públicas para un
abordaje intercultural de la salud de las Pu
Mapuce Zomo. Religacion: revista de
ciencias sociales y humanidades, 8(35).
García, M. (2020). Análisis y clasificación de la
gravedad de un accidente con Aprendizaje
Automático.
https://dspace.umh.es/handle/11000/7684.
Jaimes, E., Díaz, A., Rincón, I., & Medina, J.
(2022). Gasto y Política de salud: Población
de adultos mayores en Argentina y Chile.
Revista de Ciencias Sociales (Ve), 28 (2),
182-198.
Machado, O., Bastidas, T., & Vázquez, M.
(2020). Extracción de conocimiento a partir
del análisis de los datos en el período 2013-
2017 del ministerio de salud pública en
Ecuador. Investigación Operacional, 41 (5),
629-637.
Mallama, Ó., Barbosa, A., & Londoño, D.
(2023). Prestación de servicios de salud en el
territorio rural de la región andina
colombiana 2020. Revista Sapientía, 15 (29).
Moran, M., Tandazo, W., & García, S. (2022).
Estudio multivariante de las principales
causas de muerte en ecuador para la
construcción de índices demográficos, un
punto de vista evolutivo comparado con el
año 2020 (Doctoral dissertation, ESPOL.
FCNM).
https://www.dspace.espol.edu.ec/handle/12
3456789/56614.
Muñoz, E., Alcívar, D., Francinet, G., Palacios,
M., & Briones, O. (2024). Búsqueda de
Patrones con Machine Learning en Datos de
Siniestros de Tránsito. Ciencia Latina
Revista Científica Multidisciplinar, 8 (2),
1617-1638.
Roque, R. (2022). La enseñanza de la
estadística para la investigación: algunas
recomendaciones reflexionadas desde la
praxis. Revista Educación, 46 (2), 646-656.
Saraví, G. (2020). Acumulación de desventajas
en América Latina: aportes y desafíos para el
estudio de la desigualdad. Revista
Latinoamericana de Población, 14 (27),
228-256.
Torres, S., Alonso, D., Martínez, N., & Merced,
S. (2023). Uso del algoritmo K-MEANS
para clasificar ciudadanos cubanos mediante
un cuestionario de estilos de vida.
https://rein.umcc.cu/handle/123456789/235
4.
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Gustavo David
Robalino Múñiz.