Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 491
CLASIFICACIÓN DE LAS PROVINCIAS ECUATORIANAS SEGÚN LAS PRINCIPALES
CAUSAS DE MORTALIDAD MEDIANTE ANÁLISIS DE CLÚSTER
CLASSIFICATION OF ECUADORIAN PROVINCES ACCORDING TO THE MAIN
CAUSES OF MORTALITY USING 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).
Artículo recibido: 1 de Noviembre del 2025
Artículo revisado: 3 de Noviembre del 205
Artículo aprobado: 10 de Noviembre del 2025
¹Ingeniero en Marketing graduado de la Universidad Estatal de Milagro, (Ecuador). Magíster en Estadística mención en Gestión de la
Calidad y Productividad otorgado de la Escuela Superior Politécnica del Litoral, (Ecuador).
Resumen
El presente estudio analizó las principales
causas de mortalidad en las 24 provincias del
Ecuador mediante el uso del análisis de clúster
K-means, empleando datos oficiales del
Registro Estadístico de Defunciones Generales
2023. Se adoptó un enfoque cuantitativo y
multivariado, basado en la normalización Z-
score y en la determinación del número óptimo
de agrupamientos mediante el método del codo,
lo que permitió identificar tres clústeres
diferenciados según la magnitud relativa de la
mortalidad provincial. Los resultados
evidenciaron que el primer clúster presentó
valores inferiores al promedio nacional en
todas las variables, con medias normalizadas
negativas que oscilaron entre −0.30 y −0.36,
reflejando provincias con mortalidad baja o
moderada. El segundo clúster mostró valores
significativamente superiores, especialmente
en enfermedades cerebrovasculares (1.16),
accidentes de tránsito (1.10) y enfermedades
isquémicas (0.93), lo que evidencia un riesgo
epidemiológico alto asociado a urbanización y
movilidad. El tercer clúster, conformado
únicamente por la provincia del Guayas,
presentó valores críticos en todas las causas
analizadas, con medias que superaron las 3.7
desviaciones estándar y alcanzaron hasta 4.35
en homicidios, evidenciando un problema
epidemiológico severo. Estos hallazgos
confirman la existencia de desigualdades
territoriales marcadas y muestran que el
análisis de clúster constituye una herramienta
robusta para identificar patrones de riesgo,
fortalecer la vigilancia epidemiológica y
orientar la planificación sanitaria diferenciada.
Palabras clave: Mortalidad, Clúster,
Epidemiología.
Abstract
This study analyzed the main causes of
mortality in Ecuador's 24 provinces using K-
means cluster analysis, employing official data
from the 2023 General Death Statistics
Registry. A quantitative, multivariate approach
was adopted, based on Z-score normalization
and determining the optimal number of clusters
using the elbow method. This allowed for the
identification of three distinct clusters
according to the relative magnitude of
provincial mortality. The results showed that
the first cluster presented values below the
national average for all variables, with negative
normalized means ranging from -0.30 to -0.36,
reflecting provinces with low or moderate
mortality. The second cluster showed
significantly higher values, especially for
cerebrovascular diseases (1.16), traffic
accidents (1.10), and ischemic diseases (0.93),
indicating a high epidemiological risk
associated with urbanization and mobility. The
third cluster, comprised solely of the Guayas
province, presented critical values in all the
analyzed causes, with means exceeding 3.7
standard deviations and reaching up to 4.35 in
homicides, evidencing a severe
epidemiological problem. These findings
confirm the existence of marked territorial
inequalities and show that cluster analysis is a
robust tool for identifying risk patterns,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 492
strengthening epidemiological surveillance,
and guiding differentiated health planning.
Keywords: Mortality, Cluster,
Epidemiology.
Sumário
Este estudo analisou as principais causas de
mortalidade nas 24 províncias do Equador
utilizando a análise de agrupamento K-means,
empregando dados oficiais do Registro Geral de
Estatísticas de Óbitos de 2023. Adotou-se uma
abordagem quantitativa multivariada, baseada
na normalização por escore Z e na determinação
do número ideal de agrupamentos pelo método
do cotovelo. Isso permitiu a identificação de
três agrupamentos distintos de acordo com a
magnitude relativa da mortalidade provincial.
Os resultados mostraram que o primeiro
agrupamento apresentou valores abaixo da
média nacional para todas as variáveis, com
médias normalizadas negativas variando de -
0,30 a -0,36, refletindo províncias com
mortalidade baixa ou moderada. O segundo
agrupamento apresentou valores
significativamente mais altos, especialmente
para doenças cerebrovasculares (1,16),
acidentes de trânsito (1,10) e doenças
isquêmicas (0,93), indicando um alto risco
epidemiológico associado à urbanização e à
mobilidade. O terceiro cluster, composto
exclusivamente pela província de Guayas,
apresentou valores críticos em todas as causas
analisadas, com médias superiores a 3,7 desvios
padrão e chegando a 4,35 em homicídios,
evidenciando um grave problema
epidemiológico. Esses achados confirmam a
existência de marcantes desigualdades
territoriais e demonstram que a análise de
clusters é uma ferramenta robusta para
identificar padrões de risco, fortalecer a
vigilância epidemiológica e orientar o
planejamento diferenciado em saúde.
Palavras-chave: Mortalidade, Cluster,
Epidemiologia.
Introducción
El Ecuador atraviesa un proceso de transición
epidemiológica complejo y multifactorial que
ha modificado de manera sustantiva el perfil de
salud y enfermedad de la población,
evidenciando un incremento sostenido de las
muertes asociadas a enfermedades crónicas no
transmisibles y causas externas, las cuales
representan actualmente el núcleo de la carga
epidemiológica nacional. Según el Registro
Estadístico de Defunciones Generales del
INEC, más del 70 % de las muertes registradas
durante 2023 corresponden a enfermedades
cardiovasculares, diabetes mellitus, eventos
cerebrovasculares, accidentes de tránsito y
homicidios, lo que refleja una convergencia
entre determinantes biológicos y sociales que
afectan desproporcionadamente a grupos
vulnerables y territorios altamente urbanizados
(Ministerio de Salud Pública del Ecuador,
2024). Este patrón creciente se explica por la
interacción entre cambios en los estilos de vida,
el envejecimiento demográfico, las limitadas
capacidades de los sistemas de atención
primaria y la exposición a factores de riesgo
como sedentarismo, contaminación ambiental,
movilidad vehicular peligrosa y violencia
interpersonal (Corral y Pría, 2023). Sin
embargo, la distribución territorial de estas
causas de muerte no es homogénea, ya que
provincias con mayor densidad poblacional y
procesos de urbanización acelerada exhiben
tasas más elevadas de mortalidad, mientras que
zonas rurales o amazónicas presentan cifras
menores, aunque condicionadas por
restricciones estructurales en el acceso a
servicios de salud especializados (Garat, 2023).
Estas diferencias exponen un entramado de
inequidades socioespaciales que influyen en la
vulnerabilidad diferencial de la población
ecuatoriana y subrayan la necesidad de
enfoques analíticos que permitan caracterizar
con mayor precisión la heterogeneidad
epidemiológica del país.
En este escenario, los métodos de minería de
datos se posicionan como herramientas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 493
metodológicas fundamentales para comprender
la complejidad latente detrás de la distribución
provincial de la mortalidad, puesto que
permiten identificar patrones invisibles
mediante análisis convencionales y facilitan la
clasificación de territorios con características
epidemiológicas afines. Entre estas
herramientas, el análisis de clúster y
específicamente el algoritmo K-means
constituye una técnica de agrupamiento no
supervisado ampliamente utilizada para
segmentar unidades territoriales en función de
su similitud estadística, proporcionando una
clasificación objetiva y reproducible de
provincias según su comportamiento
epidemiológico (Alessandri et al., 2022). Su
utilidad radica en la capacidad para integrar
múltiples variables simultáneamente,
permitiendo descubrir relaciones no lineales
entre la incidencia de enfermedades crónicas,
factores externos de mortalidad y determinantes
sociales de la salud que influyen en la carga de
enfermedad. Investigaciones recientes en
América Latina han demostrado que el análisis
de clúster permite agrupar territorios con
riesgos sanitarios similares, optimizando la
focalización de recursos y fortaleciendo la
planificación sanitaria, especialmente en
contextos donde la desigualdad estructural
condiciona el acceso a servicios y la calidad de
vida (Alvarado et al., 2023). En el caso
ecuatoriano, su aplicación resulta
particularmente pertinente debido a la
diversidad geográfica, los profundos contrastes
socioeconómicos y las diferencias
interprovinciales en infraestructura hospitalaria,
factores que determinan un mosaico
epidemiológico complejo que requiere ser
analizado con rigurosidad técnica.
Asimismo, abordar la mortalidad mediante
enfoques multivariados permite integrar en un
único modelo analítico dimensiones biológicas,
sociales, ambientales y territoriales que
influyen simultáneamente en el riesgo de
muerte, superando las limitaciones de las
aproximaciones univariadas y ofreciendo una
interpretación más integral del fenómeno.
Estudios como los de Morán et al. (2022) han
demostrado que las provincias con mayores
niveles de urbanización y actividad económica
tienden a concentrar valores más altos de
enfermedades cardiovasculares y diabetes,
debido a estilos de vida menos saludables,
estrés laboral, dietas hipercalóricas y
exposición continua a contaminantes
ambientales. Otros análisis muestran que los
accidentes de tránsito y los homicidios se
correlacionan con factores estructurales como
densidad poblacional, infraestructura vial
deficiente, desigualdad social y presencia de
economías informales, lo que incrementa la
vulnerabilidad de determinados territorios
urbanos (Álvarez et al., 2024). La integración
de estas variables en un modelo de clúster
permite visualizar configuraciones de riesgo
diferenciadas, mostrando cómo la interacción
entre determinantes sociales y sanitarios
produce perfiles epidemiológicos divergentes
entre provincias. Este enfoque multivariado
fortalece la toma de decisiones en salud pública
al permitir anticipar tendencias, identificar
zonas críticas e implementar estrategias
específicas basadas en evidencia y no
únicamente en percepciones o estimaciones
parciales.
La pertinencia de este estudio radica en su
fundamentación en datos oficiales provenientes
del Registro Estadístico de Defunciones
Generales 2023 del INEC, lo cual garantiza un
análisis coherente con las dinámicas
epidemiológicas reales del país y asegura la
validez estadística de los resultados obtenidos
La normalización de los datos mediante Z-
score, la aplicación del método del codo para
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 494
determinar el número óptimo de clústeres y el
uso del algoritmo K-means representan un
procedimiento metodológico riguroso que
permite obtener una clasificación clara y
diferenciada de las provincias en función de su
nivel relativo de mortalidad. La importancia de
esta metodología radica en que proporciona una
herramienta analítica replicable y escalable, útil
para futuras investigaciones y para estudios
comparativos que busquen evaluar la evolución
de la mortalidad en el tiempo o su relación con
determinantes socioeconómicos emergentes.
Además, permite superar las limitaciones de los
análisis tradicionales, ofreciendo una
aproximación más profunda y estratégica para
el diseño de políticas sanitarias
contextualizadas.
Este análisis aporta una perspectiva científica
que contribuye al fortalecimiento de la gestión
sanitaria territorial, proporcionando
información clave para la planificación, la
asignación presupuestaria y la formulación de
políticas públicas orientadas a reducir las
brechas epidemiológicas entre provincias.
Identificar territorios con mortalidad crítica,
como el caso particular de Guayas, permite
priorizar intervenciones urgentes dirigidas a
mejorar la infraestructura hospitalaria,
fortalecer los programas de control de
enfermedades crónicas, implementar estrategias
de seguridad ciudadana y promover campañas
educativas en salud. Asimismo, la clasificación
de provincias con riesgo bajo o moderado
permite orientar esfuerzos hacia la prevención y
la vigilancia epidemiológica, evitando
incrementos futuros en las tasas de mortalidad.
Este estudio demuestra que el análisis de clúster
es una herramienta valiosa para transformar
datos en conocimiento aplicable, contribuyendo
a la toma de decisiones basadas en evidencia y
promoviendo una gestión sanitaria más
equitativa, eficiente y adaptada a la complejidad
epidemiológica del Ecuador contemporáneo.
El estudio de la mortalidad como fenómeno
social y epidemiológico ha ocupado un lugar
central en la salud pública contemporánea,
debido a su estrecha relación con el desarrollo
humano, la calidad de vida y los determinantes
estructurales que condicionan el bienestar de las
poblaciones. La teoría epidemiológica señala
que las causas de muerte reflejan procesos
históricos y sociales acumulados, donde
influyen factores biológicos, conductuales,
ambientales y socioeconómicos que interactúan
de forma compleja (Saraví, 2020). En América
Latina, esta interacción se ha vuelto
especialmente evidente debido a la coexistencia
de enfermedades crónicas no transmisibles con
causas externas relacionadas con la violencia y
los siniestros de tránsito, lo que configura
perfiles epidemiológicos híbridos. La medición,
análisis y clasificación de estos fenómenos
constituye una herramienta esencial para
identificar patrones diferenciales entre
territorios y comprender cómo los contextos
específicos influyen en la vulnerabilidad de las
poblaciones. En consecuencia, estudiar la
mortalidad requiere de un enfoque integral
donde confluyan perspectivas estadísticas,
sociales y sanitarias que expliquen las
disparidades observadas entre regiones.
La epidemiología moderna reconoce que las
enfermedades crónicas no transmisibles, como
las cardiovasculares, la diabetes y los eventos
cerebrovasculares, se han convertido en la
principal causa de mortalidad en países de
ingresos medios, desplazando a las
enfermedades infecciosas que predominaban
décadas atrás (World Health Organization,
2023). Este cambio se relaciona con
transformaciones profundas en los estilos de
vida, caracterizadas por el sedentarismo, la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 495
alimentación procesada, el estrés cotidiano y la
exposición constante a ambientes
obesogénicos, que contribuyen al aumento de
factores de riesgo como hipertensión, obesidad
y dislipidemia. Investigaciones recientes han
señalado que la concentración de estas
patologías en zonas urbanas es resultado directo
de procesos de industrialización, urbanización
acelerada y desigualdad social, elementos que
modifican tanto el comportamiento poblacional
como la estructura de los sistemas de salud
(Jaimes et al., 2022). Estos determinantes
interactúan con la genética individual y los
factores ambientales, generando condiciones
propicias para el incremento de la mortalidad
por enfermedades crónicas en ciertos territorios.
Así, el análisis territorial permite identificar
patrones diferenciales que van más allá de las
características individuales.
En el caso ecuatoriano, la literatura
epidemiológica destaca que las enfermedades
cardiovasculares continúan siendo una de las
principales causas de muerte, tendencia que se
mantiene desde inicios del siglo XXI y que se
ha intensificado en los últimos años por el
crecimiento demográfico y la concentración
poblacional en zonas urbanas como Guayaquil
y Quito (Ministerio de Salud Pública del
Ecuador, 2024). Estos fenómenos han
contribuido a la saturación de los servicios de
salud, afectando la capacidad diagnóstica, la
atención temprana y la continuidad terapéutica,
factores determinantes en la mortalidad por
enfermedades crónicas. Además, la evidencia
señala que la prevalencia de factores de riesgo
metabólicos y conductuales es
significativamente mayor en territorios
urbanos, donde los hábitos alimentarios y las
prácticas sedentarias se han consolidado como
comportamientos generalizados. Este panorama
revela la necesidad de métodos estadísticos que
permitan diferenciar las características
epidemiológicas por provincia, considerando la
interacción entre estructura sanitaria,
comportamiento poblacional y condiciones
socioeconómicas.
Otro componente fundamental en el estudio de
la mortalidad es el análisis de las causas
externas, particularmente los accidentes de
transporte terrestre y los homicidios, que
representan una proporción importante de las
muertes evitables en Ecuador. Estas causas
están influenciadas por múltiples determinantes
sociales como infraestructura vial deficiente,
falta de control institucional, violencia urbana,
desigualdad económica y presencia de
economías informales, lo que configura
escenarios altamente vulnerables (Muñoz et al.,
2024). La concentración de estos eventos en
provincias densamente pobladas indica que la
movilidad urbana, la informalidad del
transporte y la limitada fiscalización vial son
factores determinantes en la mortalidad por
siniestros de tránsito. Por su parte, los
homicidios guardan una relación estrecha con
dinámicas de violencia estructural, desigualdad
social y presencia de organizaciones ilegales,
factores que han aumentado particularmente en
la Costa ecuatoriana durante los últimos años.
Así, las causas externas se convierten en un
indicador crítico para comprender la interacción
entre seguridad, estructura social y salud
pública.
La mortalidad, entendida desde un enfoque
multidimensional, requiere de modelos
analíticos robustos que integren diversas
variables simultáneamente para identificar
patrones, correlaciones y estructuras latentes
que no son evidentes mediante análisis
univariados. En este sentido, la estadística
multivariante ha demostrado ser un pilar
metodológico esencial, permitiendo analizar
simultáneamente múltiples aspectos del
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 496
fenómeno epidemiológico y encontrar
relaciones subyacentes entre variables
aparentemente independientes (Machado et al.,
2020). Dentro de estos modelos, el análisis de
clúster se posiciona como una técnica adecuada
debido a su capacidad para agrupar unidades
geográficas con características similares sin
necesidad de categorías predeterminadas. Su
enfoque exploratorio permite identificar
configuraciones territoriales que surgen de los
datos mismos, lo que garantiza objetividad y
evita sesgos interpretativos derivados de
clasificaciones impuestas. Este enfoque es
especialmente relevante cuando se analizan
fenómenos heterogéneos como la mortalidad
provincial.
El análisis de clúster, en particular, ha sido
ampliamente utilizado en estudios territoriales
para clasificar regiones según indicadores
socioeconómicos, sanitarios, ambientales y
demográficos, permitiendo identificar patrones
espaciales que guían la toma de decisiones
estratégicas. Este método se basa en la premisa
de que las unidades dentro de un mismo grupo
son más similares entre sí que con las de otros
grupos, lo cual facilita la interpretación de los
fenómenos analizados y la planificación de
intervenciones diferenciadas (Torres et al.,
2023). Al aplicar esta técnica en contextos
sanitarios, se logra segmentar territorios según
la prevalencia de enfermedades, la capacidad
del sistema de salud, las condiciones de vida y
otros determinantes epidemiológicos
relevantes. Este tipo de análisis constituye un
recurso clave para orientar programas de
prevención, asignación presupuestaria y
evaluación de políticas públicas, especialmente
en países que presentan amplia heterogeneidad
socio-territorial como Ecuador.
El algoritmo K-means, una de las técnicas de
clúster más utilizadas en el ámbito científico,
responde a la necesidad de identificar grupos
homogéneos dentro de un conjunto de datos
mediante la minimización de la distancia entre
puntos y centroides. Su popularidad radica en su
eficiencia, simplicidad conceptual y robustez en
la clasificación de grandes volúmenes de
información, lo cual lo hace adecuado para
bases de datos sanitarias y epidemiológicas
(García, 2020). Este algoritmo utiliza la
distancia euclidiana para determinar la cercanía
entre unidades, permitiendo una visualización
clara de los agrupamientos generados. Aunque
K-means requiere definir el número de clústeres
antes del análisis, herramientas como el método
del codo facilitan esta decisión al identificar el
punto óptimo donde la variación dentro de los
grupos se estabiliza. En estudios
epidemiológicos, esta técnica ha permitido
clasificar territorios según factores de riesgo,
prevalencia de enfermedades, acceso a servicios
de salud y mortalidad, proporcionando
información valiosa para diseñar intervenciones
estratégicas y programas preventivos.
La relevancia del análisis de clúster en la salud
pública radica en su capacidad para describir
fenómenos complejos que están determinados
simultáneamente por múltiples factores
sociales, biológicos y ambientales. Su
aplicación permite identificar territorios que
requieren atención urgente debido a su carga
epidemiológica, así como aquellos en los que
las estrategias de prevención han sido efectivas,
facilitando el monitoreo territorial del
comportamiento sanitario (Alvarado et al.,
2023). Además, la agrupación territorial basada
en similitud epidemiológica ayuda a desarrollar
estrategias regionales más precisas,
permitiendo que los sistemas de salud
respondan a la heterogeneidad poblacional. Esta
aproximación estadística ofrece una perspectiva
integral que supera las interpretaciones
parciales, contribuyendo a la reducción de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 497
inequidades y fortaleciendo la capacidad
institucional de respuesta ante problemas
sanitarios emergentes.
La literatura especializada destaca que la
integración de variables biológicas y sociales es
esencial para comprender la mortalidad
provincial, ya que la salud de una población no
puede explicarse únicamente mediante factores
individuales. Investigaciones en la región han
evidenciado que la urbanización, la movilidad
poblacional y los cambios en el
comportamiento social tienen un impacto
directo en la distribución de enfermedades
crónicas y causas externas de muerte, lo que
genera estructuras epidemiológicas
diferenciadas según el territorio (Morán et al.,
2022). En un país como Ecuador, donde
coexisten zonas urbanas densamente pobladas,
regiones rurales dispersas y territorios
amazónicos con limitado acceso a servicios
especializados, la caracterización territorial es
indispensable para interpretar la complejidad
del fenómeno mortalidad. El análisis de clúster
permite agrupar provincias considerando estos
elementos integrados, proporcionando una
visión sistemática y científicamente
fundamentada de las desigualdades sanitarias.
Otro aspecto central que sustenta este estudio es
la relación entre desigualdad socioeconómica y
mortalidad, ampliamente documentada por
investigaciones internacionales y regionales. La
evidencia demuestra que territorios con
mayores índices de pobreza, menor acceso a
infraestructura sanitaria y mayor desigualdad
tienden a presentar tasas más elevadas de
mortalidad, especialmente en enfermedades
crónicas y causas violentas (Álvarez et al.,
2024). Los determinantes sociales de la salud,
tales como educación, ingresos, empleo,
entorno físico y cohesión social, influyen
directamente en el comportamiento
epidemiológico de cada territorio y determinan
las posibilidades reales de prevención y
tratamiento temprano. En Ecuador, estos
determinantes muestran variaciones
significativas entre provincias, generando
escenarios epidemiológicos diversos que
requieren ser analizados mediante técnicas
estadísticas que integren esta complejidad.
El análisis espacial también desempeña un
papel importante en la comprensión de la
mortalidad, dado que las diferencias
territoriales en densidad poblacional,
infraestructura vial, distribución de servicios de
salud y características ambientales condicionan
la exposición a riesgos sanitarios. Estudios
recientes han destacado que la concentración
demográfica en áreas metropolitanas genera una
mayor carga de enfermedades respiratorias,
cardiovasculares y metabólicas debido a la
contaminación, el estrés urbano y el acceso
desigual a servicios médicos (Carbonel et al.,
2023). En este sentido, clasificar las provincias
ecuatorianas según sus características
epidemiológicas permite identificar relaciones
directas entre factores territoriales y patrones de
mortalidad, fortaleciendo la planificación
sanitaria desde un enfoque contextualizado.
El uso de bases de datos oficiales y
estandarizadas constituye otro fundamento
teórico esencial para el análisis de la
mortalidad, ya que garantiza la confiabilidad y
comparabilidad de los resultados. En Ecuador,
el Registro Estadístico de Defunciones
Generales es una fuente sólida que integra
información sobre causas de muerte siguiendo
criterios internacionales establecidos por la
Organización Mundial de la Salud y la
Clasificación Internacional de Enfermedades
(CIE-10), lo que permite un análisis riguroso y
armonizado con estándares globales. La
utilización de estos datos favorece la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 498
replicabilidad del estudio y fortalece la
credibilidad de los hallazgos obtenidos,
permitiendo contrastarlos con investigaciones
previas y con tendencias observadas en otros
países de la región. En el ámbito metodológico,
la normalización de datos mediante
procedimientos estadísticos como el Z-score
permite comparar variables con escalas
diferentes, asegurando que cada indicador tenga
un peso proporcional dentro del análisis. Esta
técnica evita sesgos derivados de diferencias de
magnitud entre variables, lo que es
especialmente importante en estudios de
mortalidad donde los valores absolutos varían
ampliamente entre provincias (García, 2020).
La estandarización garantiza que el algoritmo
K-means identifique patrones reales de
similitud, y no agrupaciones basadas en el
tamaño numérico de los valores. Este paso
metodológico constituye un requisito
indispensable para obtener resultados válidos y
científicamente defendibles.
La literatura también reconoce la importancia
del método del codo como herramienta para
definir el número óptimo de clústeres en análisis
multivariados. Este método evalúa la variación
de la suma de distancias cuadradas dentro de los
clústeres a medida que aumenta el número de
grupos, permitiendo identificar el punto en el
cual agregar más clústeres no mejora
significativamente la estructura del
agrupamiento (Alessandri et al., 2022). En
estudios epidemiológicos, este criterio ha
demostrado ser altamente útil, ya que equilibra
la necesidad de captar la complejidad del
fenómeno sin generar modelos
sobredimensionados que dificulten la
interpretación. La selección adecuada del
número de clústeres asegura una clasificación
coherente y ajustada a la realidad territorial. El
análisis de patrones epidemiológicos mediante
clúster no solo permite interpretar la
distribución de causas de muerte, sino también
generar herramientas predictivas que facilitan el
monitoreo y la planificación sanitaria. La
literatura señala que los clústeres pueden
utilizarse para anticipar tendencias futuras,
identificar territorios vulnerables y diseñar
intervenciones basadas en evidencia, lo cual se
vuelve especialmente relevante en contextos
donde los recursos son limitados y deben
priorizarse estratégicamente (Mallama et al.,
2023). Este enfoque analítico contribuye a
mejorar la eficiencia del sistema de salud, al
permitir intervenciones focalizadas en
territorios con necesidades específicas,
optimizando el impacto de las políticas
públicas.
El marco teórico destaca que la aplicación de
técnicas de minería de datos en salud pública
constituye una innovación metodológica que
fortalece la capacidad de los sistemas sanitarios
para enfrentar desafíos contemporáneos. Estas
técnicas permiten analizar grandes volúmenes
de datos con rapidez y precisión, facilitando la
toma de decisiones basada en información
científica y reduciendo la dependencia de
interpretaciones subjetivas (Ferreira et al.,
2021). En Ecuador, donde las brechas
territoriales son amplias y persistentes, la
combinación de bases de datos oficiales con
técnicas estadísticas avanzadas representa una
oportunidad para mejorar la equidad sanitaria y
orientar recursos hacia zonas críticas. El análisis
de clúster, por tanto, no solo es una herramienta
estadística, sino también un instrumento
estratégico para la salud pública territorial.
Materiales y Métodos
La presente investigación adopta un enfoque
cuantitativo, dado que se basa en el análisis
estadístico de información numérica
proveniente del Registro Estadístico de
Defunciones Generales 2023, cuya estructura
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 499
permite describir, comparar y clasificar
patrones de mortalidad entre las 24 provincias
del Ecuador. Este enfoque se seleccionó porque
posibilita medir con precisión la magnitud de
las causas de muerte y aplicar técnicas
multivariadas que facilitan la identificación de
similitudes y diferencias territoriales. El estudio
se caracteriza además por ser de tipo descriptivo
y explicativo, ya que busca describir la
distribución de las causas de mortalidad y
explicar la formación de agrupamientos
provinciales mediante indicadores
epidemiológicos estandarizados. El diseño
metodológico responde a un estudio transversal,
considerando que los datos analizados
corresponden a un único año de observación, lo
cual permite obtener una fotografía comparativa
del comportamiento epidemiológico nacional.
Este enfoque ha sido recomendado en análisis
poblacionales similares, pues ofrece validez
interna y claridad en la interpretación de
patrones agregados (Roque, 2022). La elección
del análisis multivariado se fundamenta en la
necesidad de estudiar simultáneamente
múltiples causas de mortalidad, integrando su
comportamiento relativo a escala territorial.
Las fuentes de datos empleadas corresponden al
Registro Estadístico de Defunciones Generales
2023, publicado por el Instituto Nacional de
Estadística y Censos (INEC), una base oficial
que recoge información estandarizada
siguiendo las directrices de la Clasificación
Internacional de Enfermedades (CIE-10). Esta
fuente es reconocida por su integridad
metodológica y ha sido utilizada previamente
en estudios epidemiológicos nacionales y
regionales que analizan tendencias de
mortalidad y prevalencia de enfermedades
(Alvarez et al., 2024). Para este estudio se
seleccionaron cinco variables
epidemiológicamente relevantes: diabetes
mellitus, enfermedades isquémicas del corazón,
enfermedades cerebrovasculares, accidentes de
transporte terrestre y homicidios. Estas causas
fueron elegidas debido a su alta prevalencia y
porque representan los principales factores que
contribuyen a la mortalidad en Ecuador,
integrando tanto enfermedades crónicas como
factores externos asociados a seguridad y
movilidad. La selección se alinea con
recomendaciones de organismos
internacionales que enfatizan el análisis de estas
patologías por su impacto en la carga global de
enfermedad (World Health Organization,
2023). La confiabilidad de los datos garantiza
precisión en la construcción de los indicadores
analíticos utilizados para la clasificación
provincial.
El proceso de preprocesamiento y
normalización fue un componente esencial para
la calidad del análisis multivariado. Dado que
las variables seleccionadas se expresan en
magnitudes diferentes, por ejemplo, la diabetes
puede registrar valores mucho menores que los
homicidios en ciertos territorios, se aplicó la
normalización mediante la técnica Z-score,
transformando cada variable a una escala de
media cero y desviación estándar uno. Esta
estandarización evita que variables con valores
absolutos elevados influyan
desproporcionadamente en la formación de
agrupamientos, asegurando que cada causa de
mortalidad tenga igual relevancia dentro del
modelo estadístico (García, 2020). La
transformación se ejecutó utilizando la función
scale() en RStudio, lo que permitió obtener una
matriz de datos estandarizados lista para el
análisis multivariado. Este proceso es
ampliamente utilizado en investigaciones de
minería de datos aplicadas al sector salud
debido a su eficacia para mejorar la estabilidad
y precisión de los algoritmos de agrupamiento
(Machado et al., 2020). La normalización
constituye un pilar metodológico que garantiza
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 500
la comparabilidad entre provincias y la validez
de los clústeres generados. La selección del
número óptimo de clústeres se llevó a cabo
mediante el método del codo, una técnica
gráfica que evalúa la reducción de la suma de
distancias cuadradas dentro de cada grupo a
medida que aumenta el número de clústeres.
Este método permite identificar el punto de
inflexión donde agregar más grupos deja de
mejorar significativamente la cohesión interna
del modelo. En este estudio, el análisis del
gráfico reveló que el número adecuado de
clústeres era tres, dado que a partir de k = 3 la
variación residual se estabiliza y no se observan
mejoras sustanciales en la estructura de
clasificación. Este criterio ha sido utilizado en
estudios similares de segmentación
epidemiológica y demográfica, destacándose
por su fiabilidad y utilidad interpretativa
(Alessandri et al., 2022). La determinación de k
= 3 permitió una segmentación clara de las
provincias en tres niveles de riesgo
epidemiológico: bajo-moderado, alto y crítico.
Esta decisión metodológica fue fundamental
para garantizar una clasificación coherente con
la realidad epidemiológica del país.
Posteriormente, se aplicó el algoritmo K-means,
técnica de agrupamiento no supervisado
ampliamente utilizada en estudios de salud
pública y ciencias sociales debido a su
capacidad para clasificar unidades de análisis
con base en su similitud estadística. El
procedimiento consiste en asignar
observaciones a clústeres cuyo centroide
minimiza la distancia euclidiana entre los casos,
optimizando así la cohesión interna de cada
grupo (García, 2020). El análisis se ejecutó en
RStudio utilizando las librerías factoextra,
cluster y tidyverse, con 25 inicializaciones
aleatorias (nstart = 25) con el fin de obtener una
solución estable y evitar convergencias locales
que pudieran sesgar los resultados. Este número
de inicializaciones es recomendado en la
literatura especializada, ya que incrementa la
consistencia y robustez del modelo (Torres et
al., 2023). El algoritmo permitió identificar
patrones diferenciales de mortalidad entre las
provincias ecuatorianas, revelando la existencia
de un clúster crítico conformado únicamente
por Guayas, un clúster intermedio compuesto
por Pichincha, Manabí y Los Ríos, y un clúster
de bajo riesgo integrado por las provincias
restantes. Estos hallazgos coinciden con
investigaciones recientes sobre desigualdades
territoriales en mortalidad en Ecuador (Morán
et al., 2022). La interpretación de los clústeres
se desarrolló mediante el análisis de los valores
medios normalizados para cada causa de muerte
dentro de cada grupo territorial. Este
procedimiento permitió identificar el
comportamiento relativo de las variables
epidemiológicas en comparación con el
promedio nacional, revelando diferencias
consistentes y estadísticamente significativas
entre los clústeres. La interpretación se
complementó con un análisis contextual basado
en literatura científica, indicadores
socioeconómicos y características territoriales,
lo que permitió explicar de manera integral por
qué ciertas provincias presentan mayores
riesgos de mortalidad. Esta triangulación
garantiza un análisis robusto y científicamente
fundamentado, lo que contribuye a la
comprensión territorial del fenómeno y
fortalece la validez externa del estudio. El
proceso metodológico seguido, desde la
depuración de datos hasta la clasificación
territorial, garantiza un análisis reproducible y
aplicable a futuros estudios de vigilancia
epidemiológica y planificación sanitaria.
Resultados y Discusión
Los resultados del análisis multivariado
permitieron identificar patrones
epidemiológicos diferenciados entre las 24
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 501
provincias del Ecuador, utilizando como base
las cinco principales causas de mortalidad:
diabetes mellitus, enfermedades isquémicas del
corazón, enfermedades cerebrovasculares,
accidentes de transporte terrestre y homicidios.
Tras la normalización de los datos y la
aplicación del método del codo, se determinó
que el número óptimo de agrupamientos era
tres, lo que permitió ejecutar el algoritmo K-
means y segmentar el territorio nacional en tres
clústeres claramente diferenciados según su
nivel relativo de mortalidad. Esta clasificación
reveló una estructura epidemiológica
heterogénea y coherente con las dinámicas
socioeconómicas y territoriales descritas en la
literatura reciente. El análisis posterior permitió
observar la distribución de valores promedio
normalizados, evidenciando diferencias
marcadas entre los grupos, tanto en
enfermedades crónicas como en causas
externas, lo que confirma la presencia de
desigualdades estructurales entre provincias. La
representación gráfica de los datos en el
documento fuente muestra la clara separación
entre grupos y la distancia significativa entre el
clúster crítico y los demás
Figura 1. Método del Codo.
Tabla 1. Medias normalizadas por causa de muerte y clúster
Clúster
Diabetes Mellitus
Enf. Isquémicas
Cerebrovasculares
Accidentes tránsito
Homicidios
1
-0.3233046
-0.3451323
-0.3637182
-0.3596952
-0.3036168
2
0.7299487
0.9324408
1.1646239
1.1095596
0.5713104
3
4.2762458
4.1053242
3.7804926
3.8652247
4.3584038
Fuente: Elaboración propia con datos del INEC (2023) normalizados y tratados mediante K-mean.
El análisis de la tabla 1 evidencia que el clúster
1 presenta valores consistentemente negativos
en todas las causas de muerte, lo que indica que
estas provincias registran niveles de mortalidad
inferiores al promedio nacional. Este patrón
sugiere que se trata de territorios con
condiciones relativamente estables en términos
de enfermedades crónicas y causas externas,
posiblemente asociadas a menor densidad
poblacional, menor exposición a riesgos
urbanos y mayor equilibrio ambiental. La
amplitud de este grupo que reúne a la mayoría
de las provincias del país sugiere que el Ecuador
mantiene un conjunto territorial donde la
mortalidad se mantiene en niveles controlados,
aunque esto no implica ausencia de riesgo, sino
una menor presión epidemiológica en
comparación con zonas más densamente
urbanizadas. El comportamiento homogéneo de
los valores en este clúster confirma la existencia
de un patrón epidemiológico moderado y
relativamente uniforme, coherente con los
determinantes sociales, económicos y sanitarios
que caracterizan este tipo de territorios. La
figura 2 muestra la distribución de las
provincias en tres grupos. El primer grupo
(rojo) concentra la mayoría de las provincias
con características parecidas, el segundo
(verde) incluye provincias con valores
intermedios y el tercero (azul) representa una
provincia que se diferencia claramente de las
demás. En contraste, el clúster 2 muestra
valores positivos y elevados, especialmente en
enfermedades isquémicas, cerebrovasculares y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 502
accidentes de transporte terrestre, lo que
evidencia un incremento significativo del riesgo
epidemiológico en comparación con el
promedio nacional. Las provincias incluidas en
este grupo Pichincha, Manabí y Los Ríos
comparten características como urbanización
acelerada, mayor movilidad, cambios en los
estilos de vida, comportamientos alimentarios
poco saludables y exposición a entornos viales
complejos, factores que incrementan la
probabilidad de eventos cardiovasculares y
siniestros. Los resultados muestran que estas
provincias presentan una combinación crítica de
patologías crónicas y riesgo externo, lo cual
coincide con estudios que relacionan estas
variables con territorios de transición
demográfica avanzada (Álvarez et al., 2024). El
comportamiento heterogéneo, pero
consistentemente alto de este clúster indica la
importancia de implementar políticas
focalizadas en prevención cardiovascular,
educación vial y fortalecimiento del sistema de
salud urbano.
El clúster 3, conformado exclusivamente por la
provincia del Guayas, presenta valores muy
superiores al promedio nacional en todas las
causas de mortalidad analizadas, lo cual define
a este grupo como de riesgo crítico. Los valores
extremadamente elevados en homicidios,
enfermedades isquémicas, accidentes y eventos
cerebrovasculares todos por encima de 3.7
desviaciones estándar evidencian una situación
epidemiológica alarmante, fuertemente
influenciada por la combinación de alta
densidad poblacional, urbanización intensiva,
presión económica, inseguridad ciudadana y
contaminación ambiental. Este comportamiento
confirma los hallazgos del documento original,
donde Guayas aparece sistemáticamente como
un caso atípico y crítico dentro de la estructura
sanitaria nacional. La identificación de este
clúster confirma la necesidad de intervenciones
gubernamentales urgentes, integrales y
multisectoriales, ya que el nivel de mortalidad
observado supera ampliamente el perfil del
resto del país.
Tabla 2. Distribución de provincias según clúster
Clúster
Provincias
Características epidemiológicas
1
Azuay, Bolívar, Cañar, Carchi, Cotopaxi, Chimborazo, El Oro, Esmeraldas, Imbabura,
Loja, Morona Santiago, Napo, Pastaza, Tungurahua, Zamora Chinchipe, Galápagos,
Sucumbíos, Orellana, Santo Domingo, Santa Elena.
Mortalidad baja o moderada; menor densidad
poblacional; niveles aceptables de acceso
sanitario.
2
Pichincha, Manabí, Los Ríos
Mortalidad alta en causas crónicas y externas;
urbanización acelerada.
3
Guayas
Mortalidad crítica; valores extremos en todas
las variables.
Fuente: Resultados del análisis de clúster K-means.
El análisis de la distribución provincial revela
que la mayoría de las provincias pertenecen al
clúster de mortalidad moderada, lo cual indica
que el perfil epidemiológico del Ecuador no es
homogéneo, pero sí presenta un predominio de
territorios con riesgo controlado. Sin embargo,
la presencia de tres provincias con alto riesgo y
una con riesgo crítico evidencia un proceso de
polarización epidemiológica, donde factores
urbanos, socioeconómicos y ambientales están
generando disparidades profundas. Esta
segmentación territorial confirma que la
mortalidad en Ecuador es el resultado de una
compleja interacción entre determinantes
estructurales, condiciones sanitarias y
dinámicas poblacionales, lo cual coincide con
estudios similares realizados en el país y en
América Latina (Moran et al., 2022). La clara
diferenciación entre clústeres demuestra la
eficacia del modelo K-means para captar
patrones epidemiológicos relevantes y su
utilidad para la planificación sanitaria
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 503
territorial.
Figura 2: Agrupación de las provincias según
K-means
Los análisis también revelaron que las variables
con mayor peso discriminante entre los
clústeres fueron las enfermedades isquémicas
del corazón y los homicidios, lo que confirma la
fuerte influencia de factores urbanos y sociales
en la estructura de la mortalidad ecuatoriana.
Las provincias con mayor urbanización
muestran valores superiores en este tipo de
causas, lo cual está alineado con la literatura que
asocia la vida urbana con estilos de vida de
riesgo, exposición a contaminación, estrés y
mayor propensión a hechos violentos (Carbonel
et al., 2023). Asimismo, el comportamiento
extremo de Guayas permite observar cómo la
combinación de violencia, congestión urbana e
inequidades sanitarias amplifica la mortalidad
en dimensiones que superan el promedio
nacional. El contraste entre los valores
negativos del clúster 1 y los valores críticos del
clúster 3 evidencia la magnitud de las
desigualdades territoriales en salud, un
problema central en la gestión sanitaria del país.
Los resultados obtenidos revelan una marcada
heterogeneidad territorial en la distribución de
la mortalidad en Ecuador, lo que confirma que
la estructura epidemiológica del país está
profundamente condicionada por factores
sociales, ambientales y económicos que
interactúan de manera diferenciada en cada
provincia. La presencia de un clúster
mayoritario con valores por debajo del
promedio nacional refleja que gran parte del
territorio mantiene niveles moderados de
mortalidad, asociados posiblemente a una
menor densidad poblacional, menor exposición
a riesgos urbanos y un estilo de vida menos
acelerado, elementos que han sido identificados
en investigaciones previas como factores
protectores (Saraví, 2020). Estos territorios
presentan una combinación de determinantes
que parecen atenuar la carga de enfermedades
crónicas y causas externas, lo cual coincide con
estudios que destacan que las zonas rurales o
semiurbanas tienden a registrar menor
prevalencia de enfermedades cardiovasculares
y eventos violentos debido a patrones
socioculturales más tradicionales (Garat, 2023).
La coherencia interna de este clúster refuerza la
idea de que la mortalidad no es un fenómeno
homogéneo, sino el resultado de un conjunto
diverso de variables territoriales.
Por otro lado, la identificación de un clúster
intermedio compuesto por Pichincha, Manabí y
Los Ríos evidencia la presencia de territorios
que experimentan un aumento significativo en
las principales causas de muerte, especialmente
en enfermedades isquémicas del corazón,
accidentes de transporte terrestre y
enfermedades cerebrovasculares. Este
comportamiento coincide con patrones
descritos en estudios latinoamericanos, donde
las ciudades en expansión experimentan un
incremento en los riesgos cardiovasculares
debido a estilos de vida sedentarios, consumo
elevado de alimentos procesados, estrés laboral
y exposición a altos niveles de contaminación
(Jaimes et al., 2022). El incremento simultáneo
de accidentes y homicidios en estas provincias
revela además que el proceso de urbanización
no solo transforma el ambiente físico, sino
también las dinámicas sociales y la seguridad
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 504
ciudadana. Los resultados obtenidos en este
clúster se ajustan a las tendencias observadas en
países con densificación urbana, donde la
movilidad vehicular y la precariedad en la
regulación vial son factores clave en la
mortalidad por siniestros de tránsito (Muñoz et
al., 2024). Esta interacción sugiere que el riesgo
epidemiológico en estas provincias responde a
una combinación de determinantes estructurales
y comportamentales.
El caso de la provincia de Guayas, clasificada
como un clúster crítico debido a sus valores
extremadamente altos en todas las causas de
mortalidad, constituye el hallazgo más
contundente del análisis y confirma la
relevancia del enfoque multivariado adoptado.
Con valores superiores a cuatro desviaciones
estándar en homicidios y enfermedades
cardiovasculares, Guayas refleja una situación
epidémica alarmante que ha sido documentada
en informes recientes sobre violencia urbana,
contaminación ambiental y congestión
poblacional (Álvarez et al., 2024). Este
comportamiento también puede estar asociado a
la saturación de la infraestructura sanitaria, los
tiempos de espera prolongados, la limitada
prevención primaria y los determinantes
sociales que afectan directamente la salud,
como pobreza, inseguridad y hacinamiento. La
identificación de Guayas como un caso atípico
confirma que es necesario un abordaje sanitario
multisectorial que considere no solo las
enfermedades crónicas, sino también factores
externos como movilidad, inseguridad y
deterioro ambiental.
La clara diferenciación entre los clústeres
refuerza la pertinencia del uso del análisis K-
means como herramienta para segmentar
territorios y comprender patrones
epidemiológicos complejos. La separación
estadística entre los grupos muestra que las
provincias presentan estructuras de riesgo bien
definidas, lo que valida el uso de técnicas de
minería de datos en estudios de salud pública
(Alessandri et al., 2022). En este sentido, el
algoritmo permitió detectar relaciones
multicausales entre variables, revelando que la
mortalidad en Ecuador no puede estudiarse de
forma aislada por causa, sino como un
fenómeno en el que confluyen múltiples
dimensiones simultáneas. La coherencia del
modelo reflejado en la estabilidad de los
centroides y la claridad de la segmentación
demuestra que el uso de análisis multivariados
ofrece ventajas significativas sobre métodos
descriptivos tradicionales, especialmente en
contextos donde convergen causas crónicas y
externas.
Los resultados obtenidos también confirman
que las causas con mayor peso discriminante
entre clústeres fueron las enfermedades
isquémicas del corazón y los homicidios, lo cual
aporta evidencia empírica sobre la creciente
influencia de factores urbanos y sociales en la
estructura de la mortalidad ecuatoriana.
Estudios previos han señalado que la
conjunción entre urbanización, inseguridad
ciudadana, estrés y estilos de vida sedentarios
configura un perfil de riesgo especialmente alto
en ciudades densamente pobladas (Carbonel et
al., 2023). El análisis confirma esta tendencia y
demuestra que las provincias con mayores
concentraciones urbanas presentan patrones
epidemiológicos más complejos y desafiantes,
caracterizados por la simultaneidad de
problemas sanitarios y sociales. Esta
convergencia de factores sugiere que la
mortalidad no depende únicamente de variables
biológicas, sino que está profundamente
conectada con dinámicas sociales y territoriales.
Los hallazgos de este estudio aportan evidencia
sólida para la planificación sanitaria territorial,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 505
ya que la identificación de clústeres permite
orientar intervenciones diferenciadas en
función de la gravedad del riesgo. Las
provincias de riesgo moderado requieren
fortalecer estrategias preventivas y mejorar la
vigilancia epidemiológica, mientras que las
provincias del clúster intermedio demandan
intervenciones específicas en prevención
cardiovascular y seguridad vial. En el caso de
Guayas, es evidente la necesidad de un plan
integral de emergencia sanitaria que considere
acciones rápidas y sostenidas para reducir la
mortalidad en todas las áreas analizadas. La
utilidad del análisis de clúster queda
demostrada no solo en la identificación de
grupos, sino también en su capacidad para guiar
políticas públicas más eficientes, focalizadas y
basadas en evidencia, lo cual refuerza el valor
científico y social de la presente investigación.
Conclusiones
Los resultados obtenidos en este estudio
permiten concluir que la mortalidad en el
Ecuador presenta una distribución territorial
profundamente desigual, lo cual evidencia la
presencia de patrones epidemiológicos
heterogéneos que responden a factores
estructurales, sociales, económicos y
ambientales propios de cada provincia. La
segmentación mediante el análisis de clúster
permitió identificar grupos claramente
diferenciados en sus niveles de mortalidad,
demostrando que las causas analizadas no se
comportan de manera uniforme en el territorio
nacional. Esta diversidad confirma la necesidad
de comprender la mortalidad desde una
perspectiva territorial que reconozca las
particularidades de cada región y que permita
contextualizar las variaciones epidemiológicas
observadas. La clasificación obtenida aporta
evidencia empírica sólida para la toma de
decisiones en salud pública, facilitando el
diseño de políticas adaptadas a la realidad
específica de cada provincia.
El clúster de riesgo bajo o moderado muestra
que la mayoría de las provincias del país
mantienen niveles de mortalidad relativamente
controlados, lo que podría estar asociado a
dinámicas poblacionales más equilibradas,
menor densidad urbana, mejores condiciones
ambientales o estilos de vida menos expuestos a
riesgos crónicos. Este grupo proporciona un
referente importante para entender cómo ciertos
territorios logran sostener perfiles
epidemiológicos estables, permitiendo
identificar buenas prácticas o condiciones
estructurales que podrían fortalecerse y
replicarse en otros contextos. Las diferencias
internas entre estas provincias sugieren que,
aunque el riesgo es moderado, no debe asumirse
como estático, pues factores como crecimiento
urbano, cambios en estilos de vida o
limitaciones en el acceso a los servicios de salud
pueden modificar rápidamente el
comportamiento epidemiológico.
El clúster intermedio revela una situación más
compleja, donde provincias como Pichincha,
Manabí y Los Ríos muestran un incremento
significativo en las principales causas de
mortalidad, caracterizado por una combinación
simultánea de enfermedades crónicas y causas
externas. Esta convergencia indica que estos
territorios se encuentran en una etapa
epidemiológica de transición, donde los
procesos de urbanización, movilidad, cambios
alimentarios y factores psicosociales comienzan
a impactar de manera profunda la salud
poblacional. La identificación de este grupo
demuestra la necesidad de fortalecer programas
de prevención cardiovascular, mejorar la
infraestructura sanitaria urbana y reforzar los
sistemas de seguridad vial. De igual manera,
evidencia que la salud pública debe adoptar un
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 506
enfoque preventivo que anticipe el aumento de
la carga epidemiológica en estas provincias.
El caso de Guayas, que constituye un clúster
crítico por su nivel extremo de mortalidad en
todas las variables analizadas, confirma la
existencia de un territorio altamente vulnerable
donde convergen problemas estructurales de
gran magnitud. La alta densidad poblacional, la
violencia urbana, la movilidad intensa, los
riesgos ambientales y la presión sobre los
servicios de salud generan un escenario de
riesgo acumulado que requiere una intervención
multisectorial urgente. Este hallazgo subraya
que la mortalidad en Guayas no es simplemente
el resultado de factores individuales o
biológicos, sino de una compleja interacción
entre factores sociales, económicos y
territoriales que potencian la vulnerabilidad
poblacional. La clasificación crítica de este
territorio constituye un llamado directo a
priorizar intervenciones integrales y sostenidas
que aborden simultáneamente los determinantes
de la mortalidad.
La metodología aplicada demostró ser adecuada
para identificar patrones epidemiológicos
relevantes, confirmando que el análisis
multivariado y la minería de datos constituyen
herramientas valiosas en la gestión sanitaria
contemporánea. La combinación de técnicas
estadísticas, normalización de datos y
clasificación mediante clúster permitió obtener
una visión integral del comportamiento
territorial de la mortalidad, facilitando la
identificación de zonas de riesgo que podrían
pasar desapercibidas mediante análisis
tradicionales. Esto demuestra que los modelos
analíticos basados en datos no solo mejoran la
comprensión científica de los fenómenos
sanitarios, sino que también fortalecen la
capacidad institucional para planificar, prevenir
y responder a los desafíos epidemiológicos
emergentes. El uso de estas metodologías
constituye un avance significativo hacia la
modernización de los sistemas de vigilancia
epidemiológica. Se concluye que la
segmentación territorial de la mortalidad
mediante análisis de clúster proporciona una
herramienta estratégica para la formulación de
políticas públicas basadas en evidencia,
permitiendo asignar recursos de manera más
eficiente y focalizada. La clasificación en tres
clústeres ofrece un marco claro para priorizar
intervenciones, fortalecer la equidad sanitaria y
desarrollar planes de acción adaptados a las
necesidades específicas de cada territorio. Este
estudio demuestra que comprender la
mortalidad desde un enfoque territorial y
multivariado es indispensable para enfrentar los
desafíos epidemiológicos del Ecuador
contemporáneo, contribuyendo a la reducción
de inequidades y al fortalecimiento del sistema
de salud en su conjunto.
Referencias Bibliográficas
Alessandri, F., Villarroel, T., & Vergara, M.
(2022). Clasificación de universidades en
Chile: crítica al modelo histórico y 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(2), 1–6.
Álvarez, 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, 23, 4122.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 507
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
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. Religación: Revista de
Ciencias Sociales y Humanidades, 8(35).
García, M. (2020). Análisis y clasificación de la
gravedad de un accidente con Aprendizaje
Automático (Tesis de maestría). Universidad
Miguel Hernández.
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 del Ministerio de
Salud Pública en Ecuador (2013–2017).
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).
Morán, M., Tandazo, W., & García, S. (2022).
Estudio multivariante de las principales
causas de muerte en Ecuador para la
construcción de índices demográficos. (Tesis
doctoral). Escuela Superior Politécnica del
Litoral (ESPOL).
https://dspace.espol.edu.ec/handle/1234567
89/56614
Ministerio de Salud Pública del Ecuador.
(2024). Registro Estadístico de Defunciones
Generales 2023. INEC.
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:
recomendaciones 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. Universidad
de Matanzas.
https://rein.umcc.cu/handle/123456789/235
4
World Health Organization. (2023).
Noncommunicable diseases: Key facts.
WHO. https://www.who.int/news-
room/fact-sheets/detail/noncommunicable-
diseases
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Gustavo David
Robalino Múñiz.
