Tutorial: Análisis de Fortificación de Alimentos con HCES y R
En este tutorial, aprenderás a usar datos de Encuestas de Consumo y Gasto en Hogares (HCES) , Tablas de Composición de Alimentos (FCT) y herramientas de R (tidyverse, gtsummary, ggstatsplot) para evaluar la adecuación nutricional y modelar escenarios de fortificación. Los conceptos se explican desde cero, con ejemplos reproducibles.
Paso 1: Preparación de datos HCES
Concepto : Las HCES son encuestas que registran compras y consumo de alimentos a nivel de hogar 9. Son esenciales para analizar patrones dietéticos, pero requieren limpieza para eliminar inconsistencias.
Ejemplo en R :
library(tidyverse)
# Datos simulados de HCES (consumo de alimentos en gramos)
hc_data <- tibble(
alimento = c("Azúcar", "Arroz", "Azúcar morena", "Harina fortificada"),
cantidad_g = c(500, 1200, NA, 800),
hogar_id = c(1, 1, 2, 2)
)
# Limpieza: Estandarizar nombres y eliminar valores faltantes
hc_clean <- hc_data %>%
mutate(alimento = case_when(
str_detect(alimento, "Azúcar") ~ "Azúcar", # Unificar "Azúcar" y "Azúcar morena"
TRUE ~ alimento
)) %>%
filter(!is.na(cantidad_g)) # Eliminar registros sin datos
Paso 2: Vinculación con Tablas de Composición de Alimentos (FCT)
Las FCT contienen información nutricional de alimentos (ej: hierro, vitamina A). Al vincularlas con HCES, calculamos la ingesta de nutrientes por hogar
Ejemplo en R :
# FCT simulada (nutrientes por 100g)
fct_data <- tibble(
alimento = c("Azúcar", "Arroz", "Harina fortificada"),
hierro_mg = c(0.1, 2.5, 5.0),
vitamina_a_ug = c(0, 0, 500)
)
# Combinar HCES con FCT
hc_nutrientes <- hc_clean %>%
left_join(fct_data, by = "alimento") %>%
mutate(hierro_total = cantidad_g * hierro_mg / 100) # Calcular hierro total consumido
Paso 3: Evaluación de adecuación nutricional (EAR, RNI, UL)
Concepto : EAR (Requerimiento Promedio Estimado) : Nivel de ingesta que cubre las necesidades del 50% de la población.
RNI (Requerimiento Nutricional de Ingesta) : Meta para cubrir el 97-98% de la población.
UL (Límite Máximo Seguro) : Ingesta máxima sin riesgo de toxicidad.
Ejemplo en R :
# EAR de hierro para mujeres (18-50 años): 18 mg/día
hc_nutrientes %>%
group_by(hogar_id) %>%
summarise(ingesta_hierro = sum(hierro_total)) %>%
mutate(adepto = ifelse(ingesta_hierro >= 18, "Sí", "No"))
Visualización con ggstatsplot :
library(ggstatsplot)
gghistostats(
data = hc_nutrientes,
x = ingesta_hierro,
title = "Ingesta de hierro vs. EAR (18 mg/día)",
binwidth = 2
)
Paso 4: Cálculo de consumo aparente con AME/AFE
Concepto : La FAO recomienda ajustar el consumo por tamaño del hogar usando Equivalentes Adultos (AME/AFE) . Por ejemplo, un niño <10 años equivale a 0.5 AME
# Datos de hogares (miembros y edades)
hogares <- tibble(
hogar_id = c(1, 2),
miembros = list(
tibble(edad = c(30, 5), genero = c("M", "F")), # Hogar 1: adulto + niño
tibble(edad = c(40, 15), genero = c("M", "M")) # Hogar 2: 2 adultos
)
)
# Calcular AME total por hogar
hogares <- hogares %>%
mutate(ame_total = map_dbl(miembros, ~ sum(
ifelse(.x$edad < 10, 0.5, 1) # Niños <10 = 0.5 AME
)))
# Consumo aparente per cápita
hc_consumo_aparente <- hc_nutrientes %>%
left_join(hogares, by = "hogar_id") %>%
mutate(consumo_aparente = hierro_total / ame_total)
Paso 5: Modelado de escenarios de fortificación
Concepto :
Simular la adición de nutrientes a alimentos (ej: hierro en harina) permite predecir impacto en la ingesta.
Ejemplo con gtsummary :
library(gtsummary)
# Escenario: Harina fortificada con +5 mg de hierro/100g
hc_fortificado <- hc_nutrientes %>%
mutate(hierro_total = ifelse(alimento == "Harina fortificada",
cantidad_g * (hierro_mg + 5) / 100,
hierro_total))
# Comparación pre-post fortificación
tbl_summary(
hc_nutrientes %>% select(ingesta_hierro),
hc_fortificado %>% select(ingesta_hierro),
label = list(ingesta_hierro ~ "Hierro (mg/día)"),
statistic = list(ingesta_hierro ~ "{mean} ± {sd}")
)
Herramientas R utilizadas :
tidyverse : Manipulación y limpieza de datos .
ggstatsplot : Visualización estadística rápida.
gtsummary : Resúmenes tabulares para comparaciones.
