#! /usr/bin/env Rscript # librerias -------------------------------------------------------------------- library(tidyverse) library(janitor) library(lubridate) library(echarts4r) library(DT) library(scales) library(sf) library(rio) library(rmapshaper) library(bslib) library(htmltools) library(ggthemes) library(gdata) # constantes ------------------------------------------------------------------- vec_edad_quin <- c("5-9", "10-14", "15-19", "20-24", "25-29", "30-34", "35-39", "40-44", "45-49", "50-54", "55-59", "60-64", "65-69", "70-74", "75-79", "80 a más") vec_edad_ev <- c('Niño', 'Adolescente', 'Joven', 'Adulto', 'Adulto mayor') # ARGUMENTOS ---- args <- commandArgs(trailingOnly = TRUE) # Verficar si se cuenta con argumentos if (length(args) == 0) { args[1] <- format(Sys.Date(), "%Y-%m-%d") rlang::inform(c("i" = "Se está usando la fecha actual como fecha de actualización")) } else if (length(args) == 1) { rlang::inform(c("i" = glue::glue("La fecha de actualización es: {args[1]}"))) } # UTILIDADES ---- # Fechas adate <- as.Date(args[1]) cdate <- floor_date(adate, unit = "week") - 1 cmnth <- floor_date(adate, unit = "month") - 1 cweek <- epiweek(cdate) cyear <- epiyear(cdate) # Base de datos ---------------------------------------------------------------- shp_departamento <- st_read('data/geo/CDC_DepartamentosLimet_Simplificado.shp') %>% rename(departamento = departamen) %>% ms_simplify() shp_provincia <- st_read('data/geo/CDC_Provincias_Simplificado_2022.shp') %>% rename(departamento = departamen) %>% ms_simplify() shp_distrito <- st_read('data/geo/CDC_Distritos_Simplificado_2022.shp') %>% rename(departamento = departamen) %>% ms_simplify() unidades_not <- import('data/raw/unidades_notificantes.rds') %>% clean_names()%>% select(departamento = region, diresas = nombre_reg) %>% mutate_all(., as.character) %>% mutate(diresas = ifelse(diresas == "DIRIS LIMA CENTR", "DIRIS LIMA CENTRO", diresas), diresas = ifelse(diresas == "MORROPON-HUANCAB", "MORROPON-HUANCABAMBA", diresas)) %>% as.data.frame() %>% distinct() es_cat <- import('data/raw/unidades_notificantes.rds') %>% select(categoria, eess = cod_est) base_diabetes_tend <- import('data/raw/tendecias_sexo_region.xlsx') %>% clean_names() %>% filter(ano < 2022) %>% select(diresa, ano, masculino, femenino) %>% pivot_longer(names_to = 'sexo', values_to = 'casos', -c(ano, diresa)) %>% mutate(sexo = str_to_title(sexo)) %>% rename(diresas = diresa) %>% left_join(unidades_not, by = 'diresas') %>% mutate(departamento2 = case_when( str_detect('DIRIS', diresas) ~ 'LIMA METROPOLITANA', diresas == 'LIMA PROVINCIAS' ~ 'LIMA', T ~ departamento )) # base_diabetes_2022 <- import('data/raw/base_diabetes_2022.xlsx') %>% # clean_names() %>% # mutate(ano = 2022) %>% # select(fecha_cap, diresas, ubigeo= ubigeo_res, tcaso, tdiabetes, edad, sexo, hemoglic, glicemia, # establecimiento, eess, ano, hta:tbc, neuropatia:enfarterial, nefropatia, evaluado) # # base_diabetes_2023 <- import('data/raw/base_diabetes_2023.xlsx')%>% # clean_names() %>% # mutate(ano = 2023) %>% # select(fecha_cap = fecha_cap, diresas, ubigeo= ubigeo_res, tcaso, tdiabetes, edad, sexo, hemoglic, glicemia, # establecimiento, eess, ano, hta:tbc, neuropatia:enfarterial, nefropatia, evaluado) base_diabetes_hist <- list.files('data/raw/', full.names = TRUE, pattern = "^base_diabetes") %>% map_df(import) %>% select(fecha_cap = fecha_cap, diresas, ubigeo= ubigeo_res, tcaso, tdiabetes, edad, sexo, hemoglic, glicemia, establecimiento, eess, ano, hta:tbc, neuropatia:enfarterial, nefropatia, evaluado) base_diabetes_actual <- import('data/raw/diabetes_actual.xlsx')%>% clean_names() %>% select(fecha_cap = fecha_cap, diresas, ubigeo= ubigeo_res, tcaso, tdiabetes, edad, sexo, hemoglic, glicemia, establecimiento, eess, ano, hta:tbc, neuropatia:enfarterial, nefropatia, evaluado) %>% mutate(ubigeo = as.character(ubigeo), ubigeo = case_when( nchar(ubigeo) == 5 ~ paste0(strrep("0", 1), ubigeo), nchar(ubigeo) == 4 ~ paste0(strrep("0", 2), ubigeo), nchar(ubigeo) == 3 ~ paste0(strrep("0", 3), ubigeo), nchar(ubigeo) == 2 ~ paste0(strrep("0", 4), ubigeo), nchar(ubigeo) == 1 ~ paste0(strrep("0", 5), ubigeo), TRUE ~ ubigeo), hemoglic = as.numeric(hemoglic) ) base_diabetes <- bind_rows(base_diabetes_hist, base_diabetes_actual) %>% mutate(tipo_eess = str_sub(eess, 8, 8)) %>% mutate(tcaso = if_else(tcaso == 1, 'Nuevo', 'Prevalente'), tdiabetes = case_when( tdiabetes == 1 ~ 'DM Tipo 1', tdiabetes == 2 ~ 'DM Tipo 2', tdiabetes == 3 ~ 'D Gestacional', #tdiabetes == 4 ~ 'D Secundaria', #tdiabetes == 5 ~ 'Pre diabetes', T ~ 'Otros' ), sector = case_when( str_detect(eess, 'A') ~ 'Minsa', str_detect(eess, 'C') ~ 'EsSalud', str_detect(eess, 'D') ~ 'Fuerzas armadas/PNP', str_detect(eess, 'X') ~ 'Privados' ), sexo = if_else(sexo == 1, 'Masculino', 'Femenino'), control_gli = if_else(hemoglic < 7, 'Compensado (<7.0)', 'Descompensado (7.0 a más)'), glicemia_ran = case_when( glicemia < 70 ~ 'Bajo (<70)', glicemia >= 70 & glicemia <= 129 ~ 'Normal (70 a 129)', glicemia > 129 ~ 'Alto (130 a más)' )) %>% mutate(edad_q = case_when( between(edad, 0, 4) ~ '0-4', between(edad, 5, 9) ~ '5-9', between(edad, 10, 14) ~ '10-14', between(edad, 15, 19) ~ '15-19', between(edad, 20, 24) ~ '20-24', between(edad, 25, 29) ~ '25-29', between(edad, 30, 34) ~ '30-34', between(edad, 35, 39) ~ '35-39', between(edad, 40, 44) ~ '40-44', between(edad, 45, 49) ~ '45-49', between(edad, 50, 54) ~ '50-54', between(edad, 55, 59) ~ '55-59', between(edad, 60, 64) ~ '60-64', between(edad, 65, 69) ~ '65-69', between(edad, 70, 74) ~ '70-74', between(edad, 75, 79) ~ '75-79', between(edad, 80, 130) ~ '80 a más' )) %>% mutate(id2 = case_when( between(edad, 0, 4) ~ 1, between(edad, 5, 9) ~ 2, between(edad, 10, 14) ~ 3, between(edad, 15, 19) ~ 4, between(edad, 20, 24) ~ 5, between(edad, 25, 29) ~ 6, between(edad, 30, 34) ~ 7, between(edad, 35, 39) ~ 8, between(edad, 40, 44) ~ 9, between(edad, 45, 49) ~ 10, between(edad, 50, 54) ~ 11, between(edad, 55, 59) ~ 12, between(edad, 60, 64) ~ 13, between(edad, 65, 69) ~ 14, between(edad, 70, 74) ~ 15, between(edad, 75, 79) ~ 16, between(edad, 80, 130) ~ 17 )) %>% mutate(ev = case_when( between(edad, 0, 11) ~ 'Niño', between(edad, 12, 17) ~ 'Adolescente', between(edad, 18, 29) ~ 'Joven', between(edad, 30, 59) ~ 'Adulto', between(edad, 60, 24000) ~ 'Adulto mayor' )) %>% left_join(unidades_not, by = 'diresas') %>% mutate(departamento2 = case_when( str_detect('DIRIS', diresas) ~ 'LIMA METROPOLITANA', diresas == 'LIMA PROVINCIAS' ~ 'LIMA', T ~ departamento )) %>% mutate(region = case_when( departamento2 %in% c('LIMA', 'LIMA METROPOLITANA', 'AREQUIPA', 'ANCASH', 'MOQUEGUA', 'PIURA', 'CALLAO', 'LAMBAYEQUE', 'LA LIBERTAD', 'TUMBES', 'ICA','Lima', 'TACNA') ~ 'Costa', departamento2 %in% c('PASCO', 'AYACUCHO', 'HUANCAVELICA', 'CAJAMARCA', 'CUSCO', 'HUANUCO', 'APURIMAC', 'PUNO', 'JUNIN') ~ 'Sierra', departamento2 %in% c('UCAYALI', 'LORETO', 'AMAZONAS', 'SAN MARTIN', 'MADRE DE DIOS') ~ 'Selva' )) %>% left_join(es_cat) %>% mutate(tipo_hos = case_when( tipo_eess == 1 ~ 'Hospitales', tipo_eess != 1 ~ 'Primer nivel' )) %>% mutate(mes = month(fecha_cap)) base_diabetes_tend_of <- base_diabetes_tend %>% group_by(departamento, ano, sexo) %>% summarise(casos = sum(casos)) %>% ungroup() %>% bind_rows(base_diabetes %>% filter(ano >= 2022) %>% count(departamento, ano, sexo, name = 'casos')) base_vraem <- import('data/raw/distritos_vraem2022.xlsx') bases_list_diabetes <- list(shp_departamento, shp_provincia, shp_distrito, base_diabetes_tend_of, base_diabetes, base_vraem) bases_list_diabetes %>% rio::export('shiny_diabetes_ut/processed/data_diabetes_insumo.rds') bases_list_diabetes %>% rio::export('shiny_diabetes_web/processed/data_diabetes_insumo.rds') # Fechas saveRDS( list( adate = adate, cdate = cdate, cmnth = cmnth, cweek = cweek, cyear = cyear ), "./shiny_diabetes_ut/processed/shiny_dates.rds" ) saveRDS( list( adate = adate, cdate = cdate, cmnth = cmnth, cweek = cweek, cyear = cyear ), "./shiny_diabetes_web/processed/shiny_dates.rds" )