Objetivos

Generar una propuesta para poseer información y proyecciones actualizadas sobre nacimientos y embarazos en México que capturen las últimas tendencias demográficas a través de tres actividades clave:

1) Establecer la metodología a seguir para modelar el comportamiento poblacional en méxico, analizando las tendencias mundiales y locales. Seleccionar el mejor modelo predictivo Probabilístico y de Machine Learning.

2) Realizar una implementación de las metodologías elegidas, adaptando los datos al contexto especifico de México y los datos disponibles.

3) Determinar las tendencias de embarazos, basándose en la expectativa de Vida, fertilidad y mortinato a nivel nacional.

Metodología

Actividad 1

Bases

Los modelos presentados en este documento están basados en los desarrollos presentados por la ONU ( Metodología ONU ). La metodología de la ONU sigue las tendencias internacionales de nacimientos y proporciona un modelo de tres fases creado con los datos de múltiples países. Este modelo es robusto porque utiliza datos locales para calcular el comportamiento a partir del modelo global. Un país no se entrena solo con sus datos, sino que sigue tendencias globales. Estos modelos están basados en las teorías poblacionales presentadas en diversos trabajos que dividen el crecimiento poblacional en tres fases:

I.- Alta fertilidad, estable e incremental.- Ningún país está en esta fase.

II.- Cambio de alta a baja fertilidad.- Característica de muchas zonas geográficas.

III.- Tasa baja estable.- Característica de países desarrollados.

Las ideas iniciales de estos modelos nacen de observaciones internacionales y el comportamiento en diferentes regiones donde las tasas de fertilidad tienden a estabilizarse en valores bajos y a normalizarse en toda la población de la región.

El método de la ONU está basado en diferentes modelos de proyección que usan principios Bayesianos jerárquicos: BayerTFR , BayesLife , BayesPop . Estos son usados para construir proyecciones a partir de datos históricos.

El uso de modelos jerárquicos nos da información a diferentes niveles. Por ejemplo, en el caso de que la unidad de análisis sea un país, tenemos el comportamiento a nivel nacional de varios países del mundo, pero en otro nivel también tenemos el comportamiento regional de cada uno de estos países (estados en el caso de México). Con esto no solo se aprende de tendencias generales, pero también de las componentes que las causan.

Actividad 2

Modelaje

Los desarrollos propuestos por la ONU fueron aplicados al caso específico de México con el propósito de realizar las predicciones de nacimientos. Complementando los métodos jerárquicos se usaron también técnicas de Machine learning con la intención de entrenar modelos de inferencia y poder resolver ecuaciones probabilísticas que definen parte del comportamiento de los nacimientos en México. Usando métodos probabilísticos podemos identificar los valores más probables en el futuro a partir de tendencias históricas. Posteriormente se realizan cálculos usando los valores encontrados para obtener los comportamientos más probables en una proyección a futuro.

Es importante mencionar que usar un modelo jerárquico nos permite obtener información a diferentes niveles, por ejemplo, el comportamiento de México como país puede ser expresado como el comportamiento de sus regiones (estados).

Para alimentar el modelo creado se necesitaron valores de entrada de los datos regionales (estatales). En México las tendencias históricas conocidas, con diferente calidad de información y posibles fuentes de error, con la que es posible alimentar el modelo son:

1.- SINAC: Consideramos este dato el de mayor calidad pues proporciona el dato de nacimientos registrados en el sistema de salud. Se debe tener en consideración que a este dato habría que sumarle los nacimientos no registrados en el sistema para obtener el número total de nacimientos nacionales, por lo que la información proporcionada por SINAC se tomará como límite mínimo posible de nacimientos debido a que no pueden existir menos nacimientos de los registrados.

2.- Datos de registro de nacimientos en México: Este dato nos da el total de niños, pero el registro puede hacerse en un periodo de varios años después del nacimiento, lo cual hace que los datos de los años más recientes aun no estén completos y no sabemos del todo el impacto COVID ante el registro.

3.- CONAPO: Haciendo una revisión histórica, estos datos no siguen ninguna tendencia y no se acoplan con algunos de los Datos SINAC u ONU, por esta razón se decidió no considerar estos datos viables para alimentar el modelo desarrollado.

4.- Datos ONU: Tomando en cuenta que los datos CONAPO no son considerados para este modelo, se considera que los datos ONU presentan una población mayor año con año. De todas las fuentes de información usadas esta se considera como el límite superior para los nacimientos posibles en México.

Usando los datos mencionados podemos completar y resolver el modelo. Los datos provistos por la ONU son usados para obtener el límite superior de nacimientos y el límite inferior se obtiene usando los valores SINAC. Usando estos límites superior e inferior se realizan proyecciones para ambos conjuntos de datos, obteniendo una proyección superior y una proyección inferior. Finalmente hacemos un ensamble (usando la media) de las proyecciones superior e inferior obtenidas para los años del 2023-2033 para obtener la tendencia central.

El método utilizado es un método de aprendizaje automático basado en el modelo jerárquico Bayesiano. Este enfoque es un modelo multinivel con incertidumbres. Para ajustar las tasas de fecundidad a los datos históricos se utiliza el método autorregresivo AR [1].

El modelo multinivel utiliza parámetros locales y globales para definir las fases de fecundidad (II y III), luego se realizan proyecciones locales para México. Para estimar los parámetros que se ajustan a México se utiliza un método de Montecarlo basado en cadenas de Markov (MCMC) [2]. Con este método podemos simular miles de combinaciones de parámetros y obtener una colección de series de tiempo que explican nuestros datos históricos y el cálculo de población futura. Los modelos jerárquicos Bayesianos hacen suposiciones explícitas sobre la distribución de los datos y los parámetros del modelo. Aprenden ajustando estos parámetros de manera que maximicen la probabilidad de los datos observados.

Modelaje Estatal

Existen tendencias históricas conocidas por estado en México con diferente calidad de la información y posibles fuentes de error:

1.- SINAC: Al igual que los datos nacionales, consideramos este el dato de mayor calidad. Será el límite mínimo para las regiones (estados). La gran diferencia entre el nacional y el regional es qué tan cercano es el límite de SINAC al dato de registro, ya que esto es dependiente de la región.

2.- Datos de registro de nacimientos en México: Al igual que los datos nacionales, dato total de registros de nacimientos pero los registros más recientes pueden no estar completos.

3.- CONAPO: Al igual que los datos nacionales, no se presentan tendencias que sean similares a SINAC u ONU, por lo que no son considerados para el modelo.

4.- ONU: La ONU no presenta datos poblacionales por estado, por lo que no pueden ser obtenidos de manera directa. Para obtener estos datos se utilizaron los porcentajes de aportación por estado que proporcionan los datos SINAC. Estos porcentajes nos dicen que porción de los datos nacionales corresponden a cada estado. Usando esto podemos, a partir de los datos nacionales de la ONU, obtener cifras por cada estado. Estas cifras son usadas para crear una proyección que servirá como límite superior para los datos de nacimientos de cada estado.

En el caso del límite inferior que es dado por las cifras SINAC, estas deben ajustarse con respecto a su diferencia perceptual histórica. Al igual que la proyección nacional, se crea una proyección para los años 2023-2033 para cada estado usando los datos SINAC como límite inferior y los datos ONU como límite superior. Un ensamble es creado (usando la media) para cada estado. Los datos históricos usados para las cifras SINAC y las cifras ONU abarcan del periodo 2008 a 2022

Actividad 3

Fertilidad

Debido a que los modelos presentados en este proyecto están basados en los métodos propuestos por la ONU, estos dependen directamente de los cambios de fertilidad en la población. Por esto, es necesario calcular las tasas de fertilidad y expectativa de vida para las mujeres en México. Los valores de fertilidad y expectativa de vida son primero calculados ajustándolos a datos históricos basados en los reportes de la ONU. Los datos históricos son después ajustados utilizando un método autorregresivo, una vez calculados, es posible asignar probabilidades para hacer proyecciones de su comportamiento a futuro.

Embarazos

Se considera que los embarazos totales son la suma de los nacimientos sin importar el resultado final de la gestación. Con el propósito de determinar los embarazos totales fue necesario, primero, determinar la tasa de mortinato para la población. Combinando el mortinato con las proyecciones de nacimientos es posible determinar los embarazos totales.

El mortinato histórico fue obtenido a partir de la base de datos propocionada por Global Health Observatory (GHO data repository, consulta ", a("aquí", href="https://apps.who.int/gho/data/node.main.STILLBIRTH?lang=en"), ". [Último acceso: 25/10/2023]). Los datos históricos únicamente abarcan el periodo 2000 al 2021. Para obtener los datos faltantes hasta el año 2033 se realizó una proyección usando los datos históricos. La proyección se realizó usando un suavizado exponencial o media móvil exponencial (EMA). Los métodos EMA son utilizados como tecnica de suavizado para series temporales, haciendo uso de la función de ventana exponencial.

La tasa de mortinato obtenida se refiere al número de bebés muertos al nacer por cada 1000 nacimientos. La proporción de bebés muertos al nacer se obtiene a partir de los nacimientos totales para cada año, divididos por 1000 y luego multiplicados por la tasa de mortinato para el mismo año. Esto nos dará la cantidad de bebés muertos al nacer. Los nacimientos totales sumados a los bebés muertos al nacer nos proporciona la cantidad total de embarazos.

Visita la sección Descarga y envío de documentos para acceder al repositorio de GitHub de libre acceso que contiene el código y bases de datos. Si necesitas información adicional, contáctanos en: nacimientos@ahs-mex.com

[1] F. O. Pérez Introducción a las series de tiempo. Métodos paramétricos. [online]. Disponible en: http://hdl.handle.net/11407/2738

[2] S. Brooks, A. Gelman, G. Jones, and X.-L. Meng, Handbook of Markov Chain Monte Carlo. CRC press, 2011

Para el envío de documentos por correo electrónico favor de completar el campo de Correo con una dirección válida, así como verificar la casilla de CAPTCHA.

Revisa aquí nuestro repositorio en GitHub

AHS HEALTH CONSULTING, desde ahora denominado “ AHS ”, es la responsable del uso, tratamiento y protección de sus datos personales recabados a través de por medios físicos o electrónicos, observando íntegramente para ello lo previsto en la Ley General de Protección de Datos Personales en Posesión de Sujetos Obligados (LGPDPPSO) y demás normativa que resulte aplicable.

¿Qué datos personales se recaban y con qué finalidad?

Los datos personales que se recaben serán utilizados para las siguientes finalidades:

• Verificar y confirmar su identidad, así como la autenticidad de la información que nos proporciona, para contar con un registro que permita identificar con precisión a quien solicita el trámite o servicio.
• Procesos de facturación
• Mantener una base histórica con fines estadísticos.

De conformidad con el trámite o servicio que se solicita, se utilizarán de manera enunciativa más no limitativa los siguientes datos personales:

• Datos de identificación personal: nombre completo, denominación o razón social, domicilio, teléfono (fijo y móvil), correo electrónico, edad, nacionalidad.
• Información profesional y laboral.
• Datos fiscales como RFC, Constancia de Situación Fiscal

De manera adicional, los datos personales que se recaben podrán ser utilizados en actividades complementarias necesarias para la realización de las finalidades que se señalan; el tratamiento de datos personales será el que resulte necesario, adecuado y relevante en relación con las finalidades previstas en este Aviso de Privacidad, así como con los fines distintos que resulten compatibles o complementarios relacionados con los trámites o servicios que se proporcionan.

Si no desea que sus datos personales se utilicen para estas finalidades adicionales, al momento de su registro deberá manifestar su voluntad en sentido contrario. Esto no será motivo ni condicionante para resolver sobre el trámite o servicio que se está solicitando.

Fundamento para el tratamiento de los datos personales.

AHS dará el trato a los datos personales que se recaben a través del sistema con fundamento en los artículos 16, 18, 21, 22, 25, 26 y 65 de la Ley General de Protección de Datos Personales en Posesión de Sujetos Obligados.

Transferencia de datos personales.

Sus datos personales no serán transferidos, difundidos, ni distribuidos, salvo lo señalado en o en el caso que exista consentimiento expreso de su parte por medio escrito o por un medio de autenticación similar. Sólo tendrán acceso a esta información el titular de los datos, sus representantes legales.

¿Dónde puedo ejercer mis derechos ARCO?

Usted podrá ejercer los derechos de acceso, rectificación, cancelación u oposición (Derechos ARCO), al tratamiento de sus datos personales, mediante un escrito libre dirigido a AHS HEALTH CONSULTING, correo electrónico jorge.guzman@ahs-mx.com