🧩 1. PLANTEAMIENTO DEL PROBLEMA

La infección por VIH continúa siendo un importante problema de salud pública a nivel mundial. Diversos factores conductuales, biológicos y sociales influyen en el riesgo de infección y en la progresión de la enfermedad.

En poblaciones urbanas, variables como el número de parejas sexuales, el uso de preservativo, los antecedentes de infecciones de transmisión sexual (ITS), el consumo de drogas y la exposición a contactos con alta carga viral pueden modificar significativamente la probabilidad de infección.

Desde el punto de vista epidemiológico y clínico, resulta relevante identificar los factores asociados a la infección por VIH y evaluar la capacidad predictiva de modelos estadísticos que permitan discriminar pacientes con mayor riesgo.

🎯 2. OBJETIVOS

🔹 Objetivo general

Evaluar los factores asociados a la infección por VIH y determinar la capacidad predictiva de un modelo clínico en adultos de una población urbana.

🔹 Objetivos específicos

1. Analizar la asociación entre variables clínicas y conductuales y la carga viral del paciente mediante regresión lineal.
2. Identificar factores asociados a infección por VIH mediante regresión logística.
3. Evaluar la capacidad discriminativa del modelo mediante curva ROC.
4. Verificar los supuestos estadísticos necesarios para regresión lineal y logística.

💡 3. HIPÓTESIS

🔹 Hipótesis principal (modelo lineal)

La carga viral del paciente se asocia positivamente con:

• Edad
• Número de parejas sexuales
• ITS previas
• Consumo de drogas
• Carga viral del contacto

y negativamente con:

• Uso regular de preservativo.

🔹 Hipótesis secundaria (modelo logístico)

El mayor número de parejas sexuales, antecedentes de ITS, consumo de drogas y exposición a contactos con alta carga viral incrementan la probabilidad de infección por VIH.

El uso regular de preservativo actúa como factor protector.

🔹 Hipótesis de desempeño diagnóstico

El modelo clínico presenta adecuada capacidad discriminativa para identificar pacientes con infección por VIH.

📋 4. CUADRO DE VARIABLES

📊 5. IMPORTAR BASE DE DATOS EN STATA

import excel "C:\ruta\dataset_vih_regresion_stata.xlsx", firstrow clear

Verificar variables:

describe

📈 6. ANÁLISIS DESCRIPTIVO

🔹 Variables continuas

summarize edad imc numero_parejas carga_viral_contacto cd4 carga_viral_paciente

Interpretar:

• Media
• Desviación estándar
• Mínimo y máximo

🔹 Variables categóricas

tab vih
tab sexo_m
tab uso_condon
tab its_previas
tab consumo_drogas

Interpretar:

• Frecuencias absolutas
• Porcentajes

🔬 7. REGRESIÓN LINEAL

🎯 Outcome

carga_viral_paciente

🔹 Modelo

reg carga_viral_paciente edad imc numero_parejas uso_condon its_previas consumo_drogas carga_viral_contacto sexo_m, robust

reg carga_viral_paciente edad imc numero_parejas uso_condon its_previas consumo_drogas carga_viral_contacto sexo_m

🧠 INTERPRETACIÓN

📌 INTERPRETACIÓN DE β

✅ SUPUESTOS DE REGRESIÓN LINEAL

1️⃣ Normalidad de residuos

predict resid, resid

Histograma

histogram resid, normal

Q-Q plot

qnorm resid

Prueba estadística

swilk resid

Interpretación:

• p > 0.05 → compatible con normalidad.
  Los residuos siguen una distribución compatible con normalidad.

2️⃣ Homocedasticidad

rvfplot

o

hettest

Interpretación:

• p > 0.05 → varianza constante.
  Los residuos se distribuyen de forma aleatoria alrededor de cero, sin patrón en abanico evidente.

3️⃣ Multicolinealidad

vif

Interpretación:

4️⃣ Linealidad

avplots

Evaluar relación lineal entre predictores y outcome.

🔬 8. REGRESIÓN LOGÍSTICA

🎯 Outcome

vih

🔹 Modelo

logistic vih edad imc numero_parejas uso_condon its_previas consumo_drogas carga_viral_contacto sexo_m

📌 INTERPRETACIÓN

✅ SUPUESTOS DE REGRESIÓN LOGÍSTICA

1️⃣ Outcome dicotómico

✔ VIH: 1/0

2️⃣ Independencia de observaciones

✔ Cada individuo independiente.

3️⃣ Ausencia de multicolinealidad (reg lineal)

vif

4️⃣ Linealidad del logit

linktest

Interpretación:

• _hatsq no significativo indica que no hay evidencia de mala especificación.

5️⃣ Bondad de ajuste

estat gof

Interpretación:

• p > 0.05 → buen ajuste.

📊 9. CURVA ROC

🔹 Comando

lroc

🧠 INTERPRETACIÓN DEL AUC

📌 INTERPRETACIÓN CLÍNICA

Ejemplo:

AUC = 0.87

➡ El modelo tiene buena capacidad para diferenciar pacientes con y sin VIH.

📈 10. MATRIZ DE CLASIFICACIÓN

estat classification

Permite obtener:

• Sensibilidad
• Especificidad
• Correctamente clasificados