En el ámbito de la salud pública, la vigilancia epidemiológica es una herramienta vital para la toma de decisiones. Este tutorial detallado guía paso a paso a estudiantes y profesionales en la construcción de un corredor (o canal) endémico funcional utilizando Microsoft Excel, conectando la teoría epidemiológica con la práctica analítica. ¿Qué aprenderás en este documento? Fundamentos epidemiológicos: Interpretación de las zonas de éxito, seguridad, alerta y epidemia mediante el uso de cuartiles. Limpieza de datos: Estrategias para identificar y excluir años epidémicos históricos que puedan sesgar el comportamiento normal esperado de una enfermedad. Fórmulas dinámicas: Uso de funciones de Excel (QUARTILE.INC, MEDIAN, FILTER, XLOOKUP) con consideraciones importantes sobre configuraciones regionales (separadores de coma y punto y coma). Visualización avanzada: Instrucciones precisas para configurar gráficos combinados (Combo Charts) y áreas apiladas (Stacked Areas), incluyendo un "truco" visual infalible para colorear la zona de epidemia sin necesidad de cálculos complejos adicionales. Diseñado con un enfoque didáctico y directo, este material demuestra que el criterio epidemiológico y el uso ingenioso de herramientas informáticas accesibles son la clave para comunicar el riesgo y, en última instancia, salvar vidas. Autor: Giovanni Francisco Guevara, MD, MPH, PhD(c)

Este tutorial práctico está diseñado para estudiantes y profesionales de epidemiología y salud pública que desean llevar sus habilidades de vigilancia epidemiológica al siguiente nivel utilizando R y RStudio. A través de un enfoque guiado, aprenderemos a construir e interpretar un Canal (o Corredor) Endémico de Dengue, integrando análisis estadístico y visualización de datos con tidyverse y ggplot2. El ejercicio aborda desafíos analíticos del mundo real, incluyendo: Cálculo de Cuartiles: Segmentación del comportamiento histórico para establecer matemáticamente las zonas de Éxito (verde), Seguridad (amarillo), Alerta (rojo) y Epidemia. Limpieza de Ruido Histórico: Identificación y supresión metodológica de años con brotes atípicos para evitar sesgos en el umbral de alerta actual (evitando la pérdida de sensibilidad del canal). Visualización Avanzada: Creación del "semáforo epidemiológico" interactivo superponiendo las curvas de casos actuales para su monitoreo semana a semana. El documento culmina con un Reto Práctico en el que el estudiante debe tomar el control del script, modificar las variables históricas y actualizar la sala de situación para vigilar un nuevo año, fomentando la autonomía y el pensamiento crítico en el análisis de datos en salud. Herramientas utilizadas: R, RMarkdown, dplyr, tidyr, ggplot2.

Este tutorial introduce de manera sencilla los Diagramas Acíclicos Dirigidos (DAGs) aplicados a la Epidemiología. Utilizando ejemplos cotidianos y código básico en R, el documento explica conceptos fundamentales como causalidad, confusión, mediación, colisionadores y sesgo de selección. Además, muestra cómo construir y visualizar DAGs con los paquetes dagitty y ggdag, facilitando el aprendizaje de inferencia causal para estudiantes de pregrado en cursos de Introducción a la Epidemiología.

Tutorial práctico de análisis de supervivencia y pronóstico en epidemiología clínica utilizando Excel y R. El documento desarrolla paso a paso las principales formas de expresar el pronóstico —supervivencia observada, tablas de vida actuariales, método de Kaplan-Meier, censura de datos y supervivencia acumulada— con ejemplos reproducibles, fórmulas matemáticas, interpretación clínica y visualización de curvas de supervivencia. Basado en el capítulo 6 de Gordis Epidemiology.

Análisis crítico de un estudio piloto en Enfermedad Renal Crónica (ERC) y diseño metodológico para un ensayo clínico a gran escala. Este documento demuestra, mediante código en R, los peligros de los "espejismos estadísticos" (sesgo de selección, colinealidad y falta de potencia) en muestras pequeñas (N=10). Además, propone un protocolo riguroso simulando 100 pacientes para evaluar la Tasa de Filtración Glomerular utilizando Modelos Lineales Mixtos para Medidas Repetidas (MMRM) y ANCOVA.

Este tutorial interactivo te guía paso a paso a través del cálculo y la interpretación clínica de las principales medidas epidemiológicas (Razón de Prevalencias, Odds Ratio, Riesgo Relativo, NNT y FAP) utilizando datos reales de la pandemia de COVID-19 y código en R (epiR, epitools). Diseñado para estudiantes y profesionales de la salud, este documento conecta el rigor metodológico y estadístico con su verdadero propósito: impactar positivamente en las historias reales de nuestros pacientes mediante evidencia sólida.

Ejercicio completo de epidemiología descriptiva utilizando R. Se analizan las disparidades en mortalidad en Maryland aplicando métodos de ajuste de tasas (Directo) y cálculo de SMR (Indirecto). El documento detalla paso a paso el código necesario para transformar los datos y generar tablas resumen comparativas. Keywords: Epidemiology, R, SMR, Standardization, Public Health.

Este documento presenta una síntesis clara y comparativa de los principales indicadores epidemiológicos utilizados en salud pública y epidemiología clínica. Se enfatiza la correcta clasificación matemática de cada indicador (tasas, proporciones y razones), sus fórmulas habituales y las confusiones conceptuales más frecuentes en su uso e interpretación. El material está orientado a fines docentes y de referencia rápida para estudiantes, profesionales de la salud e investigadores.

Este documento presenta un tutorial práctico y completo sobre cómo implementar una Regresión Lineal Múltiple (RLM) en R, enfocado en un ejemplo real de salud pública. Partiendo de la teoría básica (ecuación y supuestos), el tutorial guía al usuario a través del proceso iterativo de construcción de un modelo estadístico robusto. Utilizamos un conjunto de datos de un estudio CAP (Conocimientos, Actitudes y Prácticas) sobre la prevención de COVID-19 para predecir el nivel de conocimiento de los participantes. Lo que aprenderás en este tutorial: Preparación de Datos: Cómo limpiar y transformar variables categóricas (texto) a factores, crear nuevas variables dicotómicas y reagrupar niveles lógicamente usando dplyr (case_when, relevel). Selección de Modelo (Eliminación Hacia Atrás): Cómo "limpiar" un modelo complejo inicial, interpretando p-valores para eliminar sistemáticamente las variables que no aportan poder predictivo, prestando especial atención a las variables categóricas (factores). Prueba de Hipótesis: Cómo probar hipótesis teóricas añadiendo y quitando predictores (ej. experiencia personal, demografía) para entender qué variables explican mejor la variabilidad. Validación del Modelo: Cómo interpretar los cuatro gráficos de diagnóstico (plot(lm)) para verificar que se cumplen los supuestos de linealidad, homocedasticidad, normalidad y ausencia de puntos influyentes. El objetivo final es llevar al lector desde un modelo inicial "sucio" hasta un modelo final parsimonioso, validado e interpretable, listo para un reporte o publicación.

Este tutorial cubre los fundamentos de la Regresión Lineal Simple (RLS), una técnica esencial para modelar y predecir la relación entre dos variables cuantitativas. Seguiremos los objetivos de aprendizaje de la asignatura de Bioestadística para estudiantes de medicina de la Universidad Dr. José Matías Delgado.

Comparación de dos medias para grupos independientes y pareados.

Este tutorial te permitirá realizar pruebas de hipótesis para variables categóricas con dos o más niveles.

Este tutorial te guiará para determinar el tamaño muestral para un estudio correlacional

Este tutorial es una guía completa sobre la inferencia estadística para una proporción, ideal para estudiantes de bioestadística y ciencias de la salud. Aprenderás paso a paso: Cómo construir e interpretar Intervalos de Confianza. Los 5 pasos para realizar una Prueba de Hipótesis. La diferencia crucial entre significancia estadística y relevancia clínica. La interpretación de los errores Tipo I y Tipo II en contextos de salud. El documento combina la teoría fundamental con los cálculos matemáticos manuales y su implementación práctica utilizando código en R.

Domina las distribuciones de probabilidad más importantes en bioestadística: la Normal y la Binomial. A través de una guía paso a paso, este tutorial te lleva desde los conceptos teóricos fundamentales hasta su aplicación práctica con ejemplos clínicos reales. Aprenderás a interpretar, calcular y visualizar estas distribuciones utilizando código en R, desarrollando una base sólida para el análisis de datos en ciencias de la salud y la estadística inferencial.

Tutorial para estudiantes de bioestadística de la Universidad Dr. José Matías Delgado

Tutorial para estudiantes de Bioestadística Universidad Dr. José Matías Delgado. Agosto de 2025

This is the final assigment for grading a "Reproducible Research" course with John Hopkins University through Coursera