7/10/2017

Diagnóstico de salud comunitaria a través del análisis factorial

Diagnosing community health by factorial analysis
A. Irigoyen Coriaa, ER. Ponce Rosasa, ME. Dickinson Bannackb, MA. Rodríguez Leóna, FJ. Gómez
Clavelinaa, E. Kahanc, J. Mora Sáncheza, C. González Salinasa
a Universidad Nacional Aut??noma de M??xico.
b Secretar??a de Salud.
c Universidad de Tel-Aviv.
Resumen

Objetivo. Identificar las necesidades de atención médica y determinar prioridades en la distribución de servicios
de salud, a través del análisis factorial de los indicadores de salud que se obtuvieron mediante el estudio de las
características demográficas, económicas y familiares de la población adscrita a una unidad de atención
primaria.

Diseño. Descriptivo y transversal.

Emplazamiento. Delegación Tlalpan, Distrito Federal, México, sectorizada en áreas geoestadísticas básicas.

Pacientes u otros participantes. Muestra aleatoria de 590 viviendas, con representación proporcional y con base
en 173.000 habitantes, y 17.895 viviendas de tipo popular.

Intervención. Encuesta domiciliaria (abril-julio de 1993).

Mediciones y resultados principales. Se identificaron 16 indicadores de salud clasificados en 4 categorías:

demográficos, sociales, daños a la salud y familiares. Se seleccionaron 9 indicadores que presentaron un índice
de correlación de Pearson mayor de 0,40, los cuales, mediante análisis factorial, determinaron dos principales
factores.

Conclusiones. La identificación de los principales factores de riesgo por medio del análisis factorial facilitó el
diagnóstico de salud comunitaria e hizo necesario estructurar un proyecto que permitirá la definición de una
metodología para el estudio médico de las familias disfuncionales, así como la incorporación de un programa de
prevención y diagnóstico temprano de la diabetes mellitus.

Resumen

Objective. To identify the needs of medical care and to determine priorities in the delivery of health services by
the factorial analysis of the health indicators obtained from study of the demographic, economic and family
features of those registered at a Primary Care Centre.

Design. Descriptive and crossover.

Setting. Tlalpan area, Federal District, Mexico, divided into geo-statistical zones.

Patients and other participants. A randomised sample of 590 dwellings, with proportional coverage, based on
173000 inhabitants and 17895 ordinary dwellings.

Intervention. Survey conducted in the home (April-July, 1993).

Measurements and main results. 16 health markers were classified into four categories, demographic, social,
health-damaging and family. Nine markers with a reading on the Pearson's correlation index over 0.40 were
chosen. Factorial analysis determined two main factors.

Conclusions. The identification of the main risk factors by means of factorial analysis helped in diagnosing
community health. A project needs to be worked out to define a methodology for studying medically
dysfunctional families and to introduce a prevention and early diagnosis programme for Diabetes Mellitus.
1/9
7/10/2017

Palabras clave
Diagnóstico de salud comunitaria, Análisis factorial, Necesidades de atención primaria
Keywords
Diagnosing community health, Factorial analysis, Needs of medical care

Introducción

La identificación y el análisis de las características sociales, demográficas, económicas y familiares de la

población adscrita al Centro de Salud «Dr. José Castro Villagrana» (CSJCV) de la Secretaría de Salud en la
Ciudad de México propiciaron el interés por realizar un estudio de salud comunitaria, el cual tuvo como
principal objetivo la identificación precisa de las necesidades de atención médica, y así determinar prioridades
en la gestión sanitaria considerando el enfoque de riesgo en la atención a la salud de la población1.

El CSJCV es sede universitaria para la formación de especialistas en medicina familiar, y su población de

influencia asignada es de 173.000 habitantes. En el área existen zonas geográficas con alta densidad poblacional
que alternan con regiones donde no se cuenta con todos los servicios públicos, así como colonias residenciales
de alto desarrollo económico. La mayoría de los usuarios del CSJCV son menores de 15 años de edad y mujeres
en edad fértil. Los registros de morbilidad presentan gran diversidad, tanto en la frecuencia como en el tipo de
enfermedades.

Los programas prioritarios de atención médica que establece el Sistema Nacional de Salud y que se realizan en
el CSJCV comprenden actividades relacionadas con la aplicación permanente de vacunas, el tratamiento de
enfermedades diarreicas, infecciones agudas de vías respiratorias superiores y enfermedades crónicas como la
diabetes mellitus e hipertensión arterial. No obstante, la problemática de salud de la población adscrita al centro
requiere de una clara identificación de los más importantes factores que la determinan y afectan, para optimizar
los recursos y hacer más racional la planeación de los servicios. Para lograrlo, se decidió analizar la información
con la técnica estadística multivariada: análisis factorial (AF).

Material y métodos

El estudio fue de tipo descriptivo; se aplicó una encuesta en una muestra de la población que habita en el área de
influencia del CSJCV. Se consideró la regionalización de esta zona de acuerdo con las 14 zonas de influencia
correspondientes al CSJCV, las cuales fueron previamente identificadas como áreas geoestadísticas básicas
(AGEB) por el Instituto Nacional de Estadística, Geografía, e Informática (INEGI)2; el muestreo fue aleatorio
estratificado con representación proporcional; la unidad de análisis fue la vivienda de tipo popular.

Para el tamaño de la muestra se utilizó un nivel de confianza del 98%, variabilidad de 0,05 y error de 0,05 con el
procedimiento descrito por Rojas Soriano3. Con base en el universo de referencia (17.895) se obtuvo una
muestra de 590 viviendas, en las cuales se aplicó la encuesta que se consideró como la fuente primaria de datos;
las 590 encuestas representaron en forma proporcional a las 14 zonas de influencia ya señaladas. Se excluyeron
comercios, mercados, lotes o casas no habitadas, iglesias y edificios públicos o comerciales.

El proceso para la validación del instrumento requirió su aplicación en 2 pruebas piloto realizadas en algunas
colonias de la zona de influencia del CSJCV en 1991 y 1992. En la primera prueba piloto se encontró gran
variabilidad en los datos obtenidos por 50 aplicadores; ésta fue ocasionada fundamentalmente por la estructura
abierta de las preguntas utilizadas. Basándose en esta experiencia, en la segunda prueba piloto se diseñaron
preguntas cerradas, obteniendo así una disminución importante en la variabilidad intra e interobservadores,
aumentando notablemente la concordancia entre los mismos.

La encuesta definitiva fue aplicada en abril de 1993 por 20 médicos residentes de tercer grado de la especialidad
de medicina familiar, quienes recibieron adiestramiento en la aplicación de la cédula y así minimizar aún más los
errores ínter e intraobservadores.

2/9
7/10/2017

A partir de la información obtenida en las encuestas, se construyeron 16 indicadores de salud clasificados en 4

categorías:

1. Demográficos: población total en las 590 viviendas encuestadas. Con fines clasificatorios, se establecieron 3
subgrupos: población menor de 4 años, población mayor de 30 años y población mayor de 60 años.

2. Sociales: porcentaje de analfabetismo, desempleo y subempleo.

3. Daños a la salud: porcentaje de personas con esquema de vacunación incompleto, tasa de prevalencia de
hipertensión arterial (por 100 habitantes), tasa de prevalencia de diabetes mellitus (por 100 habitantes), tasa de
prevalencia de enfermedades diarreicas por 100 habitantes (en el mes previo al estudio), tasa de prevalencia de
enfermedades respiratorias agudas superiores (IRAS) por 100 habitantes (en el mes previo al estudio) y tasa de
mortalidad general (por 100 habitantes).

4. Familiares: vivienda y servicios, entorno social y funcionalidad familiar.

Para identificar evidencias de disfunción familiar se aplicó el test APGAR familiar4. Los 3 indicadores
familiares fueron medidos mediante una escala ordinal de riesgo; dicha escala consistió en asignar un valor de 1,
2 y 3 si las condiciones de la vivienda observadas o a través de las respuestas eran: favorables=1, regulares=2 o
desfavorables=3 para la salud familiar; este procedimiento permitió calcular puntuaciones mínimas y máximas
con las cuales se predeterminaron intervalos de riesgo para los indicadores mencionados:

Riesgo

IndicadorPreguntasBajoModeradoAlto

Vivienda

y servicios2121-3536-4950-63

Entorno social1818-3031-4142-54

Funcionalidad

familiar88-1314-1819-24

El análisis se efectuó con un ordenador utilizando el programa estadístico Statgraphics5; se calcularon y

analizaron la simetría y curtosis de los indicadores como procedimiento indispensable para cumplir los
supuestos del modelo estadístico del AF; se usó la estrategia de factorización tipo R, con factores inferidos no
correlacionados, solución clásica con rotación oblicua5-9.

Los factores se representaron cartográficamente10 según la distribución de las áreas de influencia de los
consultorios médicos del centro de salud.

El análisis comparativo entre los grupos de alto y bajo riesgo se realizó mediante la prueba t de Student a partir
de los valores obtenidos del AF. Para corroborar la consistencia de los resultados del AF se utilizó el análisis
discriminante (consistencia interna).

Resultados

Se aplicaron 590 encuestas; en la tabla 1 se muestran los valores obtenidos para las 14 zonas de influencia de los
consultorios médicos del CSJCV.

La tabla 2 describe los promedios porcentuales de cada indicador y su intervalo de confianza del 95%.
3/9
7/10/2017

Dos indicadores, IRAS y diarreas, mostraron sesgo positivo leve 2,64 y 2,96, respectivamente, y curtosis
positiva moderada, 3,46 y 3,92 (los valores de normalidad son de 2,0 a 2,0); por este motivo, estos indicadores
fueron transformados a sus logaritmos naturales, los cuales mostraron distribución normal.

Los 16 indicadores se analizaron en una matriz de correlación múltiple de Pearson, la cual mostró correlaciones
complejas en su interpretación, por lo que se eliminaron los indicadores que presentaron correlación menor de
0,40. De esta manera, el AF se realizó con 9 de los 16 indicadores iniciales: población total, población<4 años,
población>30 años, población>60 años, diabetes mellitus, mortalidad general, vivienda y servicios, entorno
social y funcionalidad familiar.

El resultado de los dos primeros factores calculados mostró que el 72,2% de explicación de la variancia se debió
a los factores I (45,8%) y II el (26,5%) (tabla 3).

La rotación final de factores mostró los indicadores más importantes del conjunto considerado, obteniendo sus
valores de correlación con cada factor específico. Para el factor I: familias disfuncionales 0,87 y población
menor de 4 años 0,77; para el factor II diabetes mellitus 0,84 y mortalidad general 0,77. Estos fueron los
indicadores que mostraron mayor importancia de la interacción conjunta de los 9 indicadores seleccionados.

La matriz de correlación final entre los factores mostró tener elevada independencia estadística6, ya que sus
valores se acercaron en gran medida al valor ideal teórico.

Una vez identificados los factores e indicadores principales, se procedió a analizar cómo se distribuían en el área
de influencia de los consultorios médicos de la unidad; esto se logró mediante el cálculo de puntuaciones finales
de los factores para cada zona específica. De esta forma se identificaron las áreas con mayores y menores riesgos
según nuestro modelo y de acuerdo con los factores obtenidos en el estudio; dichas áreas y sus correspondientes
consultorios en orden de importancia fueron: de alto riesgo para el factor I los consultorios 5, 8, 2 y 6; para el

4/9
7/10/2017

factor II los consultorios 6 y 3. De bajo riesgo para el factor I los consultorios 10 y 7 y para el factor II los
consultorios 14 y 10 (fig. 1).

Finalmente, a través de la combinación de factores se determinaron como áreas de alto riesgo las que
corresponden a los consultorios 6, 5, 3, 8 y 2 y de bajo riesgo el área del consultorio 10.

El análisis de las diferencias entre las puntuaciones de los consultorios permitió clasificarlos en 2 grupos (alto y
bajo riesgo), mostrando diferencias significativas en todas las comparaciones (tabla 3).

La distribución cartográfica de riesgo por consultorio y por factor se presenta en la figura 2.

No se pudo realizar la valoración de riesgo para 4 zonas correspondientes al mismo número de consultorios,
porque no se hizo una adecuada valoración de algunos indicadores pertenecientes a dichas zonas.

Otra técnica multivariada (análisis discriminante) corroboró la consistencia del AF al analizar si la clasificación
de consultorios por alto y bajo riesgo fue hecha correctamente. Los resultados mostraron: para el factor I el 60 y
80% de certeza en la clasificación de consultorios de alto y bajo riesgo; un 80 y 100% para el factor II, y el
100% en ambos riesgos en el de factores combinados.

El modelo final de la aplicación del AF en nuestro estudio se muestra en la figura 3.

5/9
7/10/2017

Discusión

Diversos autores han aplicado diferentes técnicas de análisis multivariado en investigaciones del área de la
atención primaria; aparentemente el AF y los componentes principales (CP) son las técnicas más utilizadas; sin
embargo, algunos autores no proporcionan información suficiente sobre las técnicas, otros dan información que
resulta difícil comprender si no se conoce la teoría de las técnicas multivariadas, y son escasos los que ofrecen
información clara y precisa11.

Las aplicaciones del AF son diversas; se ha utilizado en estudios de evaluación del funcionamiento social en
pacientes de centros de salud12, construcción y validación de escalas de ansiedad en mujeres embarazadas con
alto riesgo perinatal13, salud emocional y tensiones asociadas en madres trabajadoras14. Asimismo, el AF se ha
empleado indirectamente (solución con componentes principales) en trabajos sobre regionalización en salud15,
inequidad de los servicios de salud16 e identificación de factores latentes en los indicadores de salud de
comunidades autónomas17. A pesar de que el AF se aplicó en estos trabajos, consideramos que no ha sido
suficientemente utilizado, sobre todo en el ámbito de la atención primaria, quizá por lo complejo de sus
procedimientos, por desconocimiento de sus aplicaciones, por la dificultad para interpretar los resultados ante la
toma de decisiones o por información insuficiente en las publicaciones de revistas médicas sobre las técnicas
multivariadas11.

En este trabajo, el AF permitió analizar simultáneamente las relaciones entre un elevado número de variables
discriminando entre las de menor y mayor influencia; estas últimas permitieron identificar factores latentes, los
cuales explicaron el fenómeno estudiado con menor número de variables (las más importantes). De esta manera
se eliminó información que contribuyera poco o nada a la identificación de variables sustanciales analizando
simultáneamente sus interrelaciones.

López del Val17 utilizó el análisis de componentes principales para identificar los factores (componentes)
latentes de 28 indicadores de salud; en nuestra investigación se estudiaron 16. En ambos trabajos se usó la
representación cartográfica para determinar regiones de riesgo. Aunque este autor menciona que es frecuente
«confundir» el AF con el de CP, porque sus resultados son similares, se inclina por este último justificando que
existe mayor facilidad en su uso. Nosotros pensamos que los CP son parte del AF y que los componentes se usan
cuando deseamos concentrar nuestra atención en las comunalidades de las variables (análisis de la variación de
todas las variables que explican un fenómeno dado; por ejemplo: ¿la variable A varía más que B o C o... N en la
explicación de un fenómeno?). En contrapartida, el AF tiene como propósito fundamental analizar la parte de la
variancia que las variables tienen en común para explicar el fenómeno estudiado; por ejemplo: ¿que tiene en
común la variable A con B con C y con... N para explicar un fenómeno? Estas observaciones concuerdan con las
descritas por Norusis9 y Hanneman18.

De ambos razonamientos resulta importante la cuantificación de variancia explicada por el número de factores o
componentes finales obtenidos; López del Val obtuvo 8 factores con variancia de 90%, nosotros sólo dos
6/9
7/10/2017

factores con explicación de variancia del 72%; en ambos estudios la obtención de factores se realizó según el
valor de los eigenvalores con puntuaciones iguales o mayores a uno, como recomiendan Norusis9 y
Hanneman18.

Consideramos que el porcentaje de variancia explicada con nuestro modelo (72%) es aceptable; algunos autores
como Kleinbaum y Kupper6 señalan un 55% de variancia en un trabajo al cual aplicaron el AF y lo consideraron
como un modelo adecuado; otros autores reportan un 52% de variancia con 5 factores12, 46% de variancia con
413 y 56% con 314.

Los resultados de este trabajo tienen alcances y limitaciones: se logró reducir o simplificar la información de 16
indicadores de salud condensando los originales en un número menor de factores creados a partir del análisis19-
21. El AF nos facilitó identificar los principales factores de riesgo global: disfunción familiar relacionada con la
presencia de población de menores de 4 años de edad y diabetes mellitus relacionada con la mortalidad general.

Estos resultados establecen la necesidad de estructurar un proyecto que permitirá la definición de una
metodología para el estudio médico de las familias disfuncionales, así como la incorporación de un programa de
prevención y diagnóstico temprano de la diabetes mellitus.

Con estos datos se asignó un valor a la zona de influencia de cada consultorio a través de la puntuación final
global en el factor al que «cargaron», por lo que fue factible y pertinente identificar microrregiones geográficas
con diferentes riesgos según los indicadores con los cuales existió una mayor correlación.

Como limitaciones solamente se consideraron los indicadores que fueron seleccionados en función de los
resultados del estudio de comunidad y diagnóstico de salud realizado; dichos indicadores fueron elegidos por su
trascendencia e impacto en la salud de la población general, por lo que los resultados obtenidos son válidos
únicamente para la comunidad estudiada. Sabemos que existen otros indicadores que intervienen en el proceso
de salud-enfermedad de la población que no fueron considerados y que podrían explicar el 28% restante de la
variancia.

Otra limitación es que el sesgo de memoria en los entrevistados influyó en la confiabilidad de la información
obtenida; igualmente, la intención exploratoria del estudio no permite hacer inferencias probabilísticas ni
causales, por lo que los resultados deben tomarse como un acercamiento del complejo fenómeno salud-
enfermedad en la población estudiada. Sin embargo, la técnica estadística empleada, corroborada por el análisis
discriminante, nos orienta hacia una línea de investigación confirmatoria utilizando un diseño de estudio más
confiable y con incremento de la validez interna y externa.

Finalmente, la obtención de niveles de riesgo por área geográfica del CSJCV y la identificación de los
principales indicadores que determinan dichos riesgos nos permiten determinar prioridades en la gestión
sanitaria y en la organización de actividades de planificación de servicios de salud. Este proceso debe ser
orientado en función del riesgo para la salud de la población, sin olvidar la optimización de los recursos con los
demás programas de atención permanente que esta unidad otorga a la población.

Agradecimiento

Queremos agradecer la valiosa colaboración del biólogo Andrés Hernández Gómez, el Dr. Enrique J. Yáñez
Puig y las Sras. Alicia García García y Ofelia Pedreguera.

Bibliografía
1
Manual sobre el enfoque de riesgo en la atenci??n materno infantil. Serie PALTEX No. 7. Washington, 1986.
2
M??xico D.F. Instituto Nacional de Geograf??a y Estad??stica. M??xico, D.F.
3
Gu??a para realizar investigaciones sociales. 7.?? ed. M??xixo: UNAM, 1982.
4
7/9
7/10/2017

Smilkstein G.
The Family APGAR: a proposal for a family function test and its use by physicians.
J Fam Pract, 6 (1978), pp. 1231-1239
Medline
5
Statistical Graphics System User's Guide V. 4.2 Maryland, 1991.
6
Applied regression analysis and other multivariable methods. Los ??ngeles: Wadworth Publishing Company,
1978.
7
Statistical package for the social sciences. 2.?? ed. Nueva York: McGraw Hill, 1975.
8
Razonamiento estad??stico. 2.?? ed. M??xico: Nueva Editorial Interamericana, 1982.
9
Statistical package for the social sciences (Advanced Statistics). Michigan: Specs,.
10
Narro RJ,Ponce de León CR.
La representación cartográfica: una herramienta de la epidemiología.
Salud P??blica Mex, 28 (1986), pp. 283-291
Medline
11
Ponce RE,Dickinson BM,Gómez CF.
El uso de las técnicas de análisis multivariado en la investigación médica mexicana.
Revista de la Facultad de Medicina, 38(2) (1995), pp. 73-76
12
Valencia M,Rojas E,González C,Ramos L,Villatoro J.
Evaluación del funcionamiento social en pacientes de un centro de salud.
Salud P??blica Mex, 31 (1989), pp. 674-687
Medline
13
Cañizales MM,Ortigosa CE.
Construcción y validación de una escala de ansiedad estandarizada en embarazadas con alto riesgo perinatal.
Perinatol Reprod Hum, 10 (1996), pp. 32-46
14
Lara MA,Acevedo M,López EK,Fernández M.
La salud emocional y las tensiones asociadas con los papeles de género en las madres que trabajan y en las que
no trabajan.
Salud Mental, 16(2) (1993), pp. 13-21
15
Romero GX,Perham-Zellmer KA,Vázquez CR et al.
Regionalización en salud: un instrumento para la planeación jurisdiccional.
Salud P??blica Mex, 34 (1992), pp. 506-517
Medline
16
Miranda OR,Salvatierra IB,Vivanco CB,Álvarez LC,Lezana FM.
Inequidad de los servicios de salud a población abierta en México.
Salud P??blica Mex, 35(6) (1993), pp. 576-584
17
López del Val JA,Pérez de Agreda JP.
Análisis de componentes principales.
Atenci??n Primaria, 12(6) (1993), pp. 333-338
18
Introduction to multivariate analysis. Riverside: Sociology Department at the University of California, curso
1995-1996.
8/9
7/10/2017

19
Ruiz de Adana R.
¿Qué método estadístico? Guía para seleccionar la prueba estadística más adecuada para el contraste de
hipótesis.
Aten Primaria, 9(8) (1992), pp. 447-451
20
Una panor??mica de las t??cnicas estad??sticas multivariantes. Documentos del Laboratorio de Psicolog??a
Matem??tica. Bellaterra: Universidad Aut??noma de Barcelona, 1990.
21
An??lisis de componentes principales. En: An??lisis multivariante: aplicaci??n al ??mbito sanitario. Barcelona.
S.G. Editores, 1991

9/9