Introducción

La Secretaría de Salud (SSA) de México publica muchos de sus datos abiertos a través de cubos dinámicos. Si bien los cubos dinámicos tienen la ventaja de que permiten a los usuarios construir consultas complejas, lo cierto es que la tecnologia que usa la SSA es muy antigua y hace prácticamente inaccesibles los datos. Según la guía de instalación, es necesario usar el navegador Internet Explorer (que ya fue descontinuado por Microsoft) y además instalar al menos 4 programas y complementos en el navegador. El proceso es simplemente anacrónico.

Para facilitar el acceso a los cubos y poder obtener un acceso a los datos mucho más detallado, me dí a la tarea de buscar una forma de conectarme directamente a los cubos sin necesidad de usar el tedioso proceso de instalación. A continuación detallo los pasos de cómo lo logré usando Python.

Pasos para la conexión

Primero que todo, es necesario instalar adobapi

pip install adodbapi

import pandas as pd
import adodbapi


def rows_to_df(rows) -> pd.DataFrame:
    """ 
    Convierte los resultados de una consulta de adobdapi a un DataFrame de Pandas.
    rows: resultado de la consulta
    """
    df = pd.DataFrame(data=dict(zip(rows.columnNames.keys(), rows.ado_results)))\
        .assign(_id=lambda x: range(len(x)))
    return df

Se necesita descargar el driver de MSOLAP (amd64): https://docs.microsoft.com/en-us/analysis-services/client-libraries?view=asallproducts-allversions&viewFallbackFrom=sql-server-2017. No he probado en otros sitemas operativos, pero me parece que solo se puede con Windows.

Es posible que también haya que instalar los drivers que especifica la páginas de DGIS en las instrucciones de instalación (a mí me funcionó sin estos).

Usamos adodbapi para establecer una conexión con el servidor
Es necesario especificar la base de datos que se va a consultar, por ejemplo, este es la de muertes maternas.

cubo = 'MATERNAS_2020'
conn = adodbapi.connect('Provider=MSOLAP.8;Password=Temp123!;Persist Security Info=True;User ID=SALUD\DGIS15;'
                        f'Data Source=pwidgis03.salud.gob.mx;Update Isolation Level=2;Initial Catalog={cubo}')
cursor = conn.cursor()

Una vez establecida la conexión, se pueden hacer queries usando el lenguaje MDX, que usa algunos comando básicos de SQL aunque es mucho más difícil.

https://docs.microsoft.com/en-us/analysis-services/multidimensional-models/mdx/mdx-query-the-basic-query?view=asallproducts-allversions

La siguiente query permite conocer todas las bases de datos disponibles:

cursor.execute("""SELECT [catalog_name] FROM $system.DBSCHEMA_CATALOGS""")
rows = cursor.fetchall()
list(rows)

[<SQLrow={catalog_name:'CLUES_2019'}>,
 <SQLrow={catalog_name:'CLUES_2019_C'}>,
 <SQLrow={catalog_name:'CONAPO_NACIMIENTOS'}>,
 <SQLrow={catalog_name:'Cubo solo sinba 2020'}>,
 <SQLrow={catalog_name:'Cubo solo sinba 2021'}>,
 <SQLrow={catalog_name:'Cubo solo sinba 2022'}>,
 <SQLrow={catalog_name:'cubo_lesiones_2017'}>,
 <SQLrow={catalog_name:'cubo_lesiones_2018'}>,
 <SQLrow={catalog_name:'Cubo_Lesiones2019'}>,
 <SQLrow={catalog_name:'Cubo_pobla_2019_DH'}>,
 <SQLrow={catalog_name:'CuboLesiones2020'}>,
 <SQLrow={catalog_name:'CuboLesiones2021'}>,
 <SQLrow={catalog_name:'CuboLesiones2022'}>,
 <SQLrow={catalog_name:'CuboSec_18_20'}>,
 <SQLrow={catalog_name:'CuboSectorial_18_19'}>,
 <SQLrow={catalog_name:'CuboSectorial_18_20'}>,
 <SQLrow={catalog_name:'Defunciones_hist'}>,
 <SQLrow={catalog_name:'DEFUNCIONES_PC_2020'}>,
 <SQLrow={catalog_name:'DERECHOHABIENCIA'}>,
 <SQLrow={catalog_name:'Detecciones'}>,
 <SQLrow={catalog_name:'EGRESOS'}>,
 <SQLrow={catalog_name:'egresos_procedimientos_sinba'}>,
 <SQLrow={catalog_name:'egresos_productos_sinba'}>,
 <SQLrow={catalog_name:'egresos_sinba'}>,
 <SQLrow={catalog_name:'EGRESOS2018'}>,
 <SQLrow={catalog_name:'Egresos2019_19'}>,
 <SQLrow={catalog_name:'Egresos2020'}>,
 <SQLrow={catalog_name:'Egresos2021'}>,
 <SQLrow={catalog_name:'Egresos2022'}>,
 <SQLrow={catalog_name:'IND_DEM_PROY'}>,
 <SQLrow={catalog_name:'Lesiones'}>,
 <SQLrow={catalog_name:'LESIONES_Historico'}>,
 <SQLrow={catalog_name:'lesiones_SINBA'}>,
 <SQLrow={catalog_name:'Maternas_2019'}>,
 <SQLrow={catalog_name:'Maternas_2020'}>,
 <SQLrow={catalog_name:'NACIMIENTOS_2018'}>,
 <SQLrow={catalog_name:'NACIMIENTOS_2019'}>,
 <SQLrow={catalog_name:'NACIMIENTOS_2020'}>,
 <SQLrow={catalog_name:'NACIMIENTOS_2021'}>,
 <SQLrow={catalog_name:'NACIMIENTOS_2022'}>,
 <SQLrow={catalog_name:'Personal_Salud'}>,
 <SQLrow={catalog_name:'Pob_2018_aseg_nov15'}>,
 <SQLrow={catalog_name:'POB_MIT_PROYECCIONES'}>,
 <SQLrow={catalog_name:'Poblacion'}>,
 <SQLrow={catalog_name:'PROCEDIMIENTOS'}>,
 <SQLrow={catalog_name:'PROCEDIMIENTOS_2019'}>,
 <SQLrow={catalog_name:'PROY_DEF_EDAD'}>,
 <SQLrow={catalog_name:'Recursos'}>,
 <SQLrow={catalog_name:'recursos_sector_ok_2'}>,
 <SQLrow={catalog_name:'Reporte_Diario'}>,
 <SQLrow={catalog_name:'saeh_sector_hist'}>,
 <SQLrow={catalog_name:'saeh2011'}>,
 <SQLrow={catalog_name:'saeh2012'}>,
 <SQLrow={catalog_name:'saeh2013'}>,
 <SQLrow={catalog_name:'saeh2016'}>,
 <SQLrow={catalog_name:'saeh2017'}>,
 <SQLrow={catalog_name:'saeh2018'}>,
 <SQLrow={catalog_name:'saeh2019'}>,
 <SQLrow={catalog_name:'SALUD_MENTAL'}>,
 <SQLrow={catalog_name:'SALUD_MENTAL_18'}>,
 <SQLrow={catalog_name:'seed2013'}>,
 <SQLrow={catalog_name:'seed2016'}>,
 <SQLrow={catalog_name:'seed2017_cierre'}>,
 <SQLrow={catalog_name:'SICUENTAS'}>,
 <SQLrow={catalog_name:'sinac_2015'}>,
 <SQLrow={catalog_name:'sinac_2016'}>,
 <SQLrow={catalog_name:'SINAC_SINBA_2017'}>,
 <SQLrow={catalog_name:'sinac2017'}>,
 <SQLrow={catalog_name:'SINERHIAS'}>,
 <SQLrow={catalog_name:'SIS_2017_NEW'}>,
 <SQLrow={catalog_name:'SIS_2018_NEW2'}>,
 <SQLrow={catalog_name:'SIS_2019_2'}>,
 <SQLrow={catalog_name:'SIS_SECTORIAL'}>,
 <SQLrow={catalog_name:'sis2010'}>,
 <SQLrow={catalog_name:'sis2011'}>,
 <SQLrow={catalog_name:'sis2012'}>,
 <SQLrow={catalog_name:'SIS2014'}>,
 <SQLrow={catalog_name:'sis2015'}>,
 <SQLrow={catalog_name:'sis2016'}>,
 <SQLrow={catalog_name:'TEF_NAC_PROYECCIONES'}>,
 <SQLrow={catalog_name:'Urgencias_SINBA'}>,
 <SQLrow={catalog_name:'urgencias2011'}>,
 <SQLrow={catalog_name:'urgencias2012'}>,
 <SQLrow={catalog_name:'urgencias2013'}>,
 <SQLrow={catalog_name:'URGENCIAS2017'}>,
 <SQLrow={catalog_name:'URGENCIAS2018'}>,
 <SQLrow={catalog_name:'Urgencias2019'}>,
 <SQLrow={catalog_name:'Urgencias2020'}>,
 <SQLrow={catalog_name:'Urgencias2021'}>,
 <SQLrow={catalog_name:'Urgencias2022'}>]

En nuestro caso, ya escogimos la base de datos "MATERNAS_2020" con los datos de mortalidad materna del año 2022.

La siguiente query sirve para conocer los cubos y dimensiones de esta base de datos:

cursor.execute("""
SELECT [CATALOG_NAME] as [DATABASE],
CUBE_NAME AS [CUBE], DIMENSION_CAPTION AS [DIMENSION]
FROM $system.MDSchema_Dimensions
WHERE DIMENSION_CAPTION='Measures'
""")
rows = cursor.fetchall()
df_cubos_maternas = rows_to_df(rows)
df_cubos_maternas

de estos cubos, casi todos empiezan con el símbolo $ \$ $, excepto uno. Lo que he notado es que este cubo es el que tenemos que usar para hacer las consultas de los datos de interés. En este caso, por ejemplo, se trata del cubo "MUERTES MATERNAS"

df_cubos_maternas['cube'].loc[lambda x: ~ x.str.contains(r'\$')]

20    MUERTES MATERNAS
Name: cube, dtype: object

MDX permite hacer consultas con gran nivel de detalle, pero a mí me parece complicado. Considero más fácil descargar toda la información y luego hacer las agregaciones usando Python:

cursor.execute("""
SELECT *
FROM [MUERTES MATERNAS].[Measures]
""")
rows = cursor.fetchall()
df = rows_to_df(rows)
df

Los datos que obtuvimos son los 21124 registros individuales de mortalidad materna en 2020, para cada uno de ellos tenemos datos como el lugar de ocurrencia, causa, escolaridad, etc.
revisamos los nombres de columnas del DataFrame

df.columns

Index(['[totales].[$afiliacion.afiliación derechohabiencia]',
       '[totales].[$año certificacion.año de certificación]',
       '[totales].[$año defuncion.año de la defunción]',
       '[totales].[$año registro.año de registro]',
       '[totales].[$asistencia medica.asistencia médica]',
       '[totales].[$entidad defuncion.entidad de defunción]',
       '[totales].[$entidad residencia.entidad de residencia]',
       '[totales].[$escolaridad.escolaridad]',
       '[totales].[$estado civil.estado civil]',
       '[totales].[$mes certificacion.mes de la certificación]',
       '[totales].[$mes defuncion.mes de la defunción]',
       '[totales].[$mes registro.mes de registro]',
       '[totales].[$certifico.quién certificó]',
       '[totales].[$razon mortalidad.razón mortalidad materna]',
       '[totales].[$sitio ocurrencia.sitio de ocurrencia]',
       '[totales].[$tamaño localidad.tamaño de localidad]',
       '[totales].[$edad.edad quinquenal]', '[totales].[$edadd.edad]',
       '[totales].[$causa basica.cve causa 4]',
       '[totales].[$principales causas.clave pcm]',
       '[totales].[muertes maternas]', '_id'],
      dtype='object')

Podemos hacer cruces entre variables o graficxar la distribución de las variables:

pd.crosstab(df.iloc[:, 0], df.iloc[:, 4])

df['[totales].[$afiliacion.afiliación derechohabiencia]'].value_counts().plot.barh()

<AxesSubplot:>

df['[totales].[$escolaridad.escolaridad]'].value_counts().plot.barh()

<AxesSubplot:>

df['[totales].[$edad.edad quinquenal]'].value_counts().plot.barh()

<AxesSubplot:>

Con MDX podemos hacer consultas seleccionando filtrando algunas columnas con SELECT y o también filtrando filas con WHERE:

cursor.execute("""
SELECT [$mes registro.mes de registro], [$afiliacion.afiliación derechohabiencia]
FROM [MUERTES MATERNAS].[MEASURES]
WHERE [$mes registro.mes de registro]="MAYO"
""")
rows = cursor.fetchall()
rows_to_df(rows)

Segundo ejemplo: cubo de nacimientos

De la lista de cubos disponibles, seleccionamos el de NACIMIENTOS_2022

cubo2 = 'NACIMIENTOS_2022'
conn2 = adodbapi.connect('Provider=MSOLAP.8;Password=Temp123!;Persist Security Info=True;User ID=SALUD\DGIS15;'
                        f'Data Source=pwidgis03.salud.gob.mx;Update Isolation Level=2;Initial Catalog={cubo2}')
cursor2 = conn2.cursor()

revisamos las dimensiones que tiene este cubo:

cursor2.execute("""
SELECT [CATALOG_NAME] as [DATABASE],
CUBE_NAME AS [CUBE], DIMENSION_CAPTION AS [DIMENSION]
FROM $system.MDSchema_Dimensions
""")
rows = cursor2.fetchall()
df_cubos_nacimiento = rows_to_df(rows)
df_cubos_nacimiento

el cubo de interés es "NACIMIENTOS_2022"

df_cubos_nacimiento.query('cube=="NACIMIENTOS_2022"')

Si intentamos seleccionar todos los datos del cubo, nos aparece un error porque parece que la carga es mucha y el tiempo de consulta se agota.

cursor2.execute("""
SELECT *
FROM [NACIMIENTOS_2022].[Measures]
""")
rows = cursor2.fetchall()
rows_to_df(rows)

---------------------------------------------------------------------------
com_error                                 Traceback (most recent call last)
~\anaconda3\lib\site-packages\adodbapi\adodbapi.py in _execute_command(self)
    681             else: #pywin32
--> 682                 recordset, count = self.cmd.Execute()
    683             # ----- ------------------------------- ---

~\anaconda3\lib\site-packages\win32com\client\dynamic.py in Execute(self, RecordsAffected, Parameters, Options)

~\anaconda3\lib\site-packages\win32com\client\dynamic.py in _ApplyTypes_(self, dispid, wFlags, retType, argTypes, user, resultCLSID, *args)
    286         def _ApplyTypes_(self, dispid, wFlags, retType, argTypes, user, resultCLSID, *args):
--> 287                 result = self._oleobj_.InvokeTypes(*(dispid, LCID, wFlags, retType, argTypes) + args)
    288                 return self._get_good_object_(result, user, resultCLSID)

com_error: (-2147352567, 'Ocurrió una excepción.', (0, 'Microsoft OLE DB Provider for Analysis Services.', 'XML for Analysis parser: The XML for Analysis request timed out before it was completed.', None, 0, -2147467259), None)

During handling of the above exception, another exception occurred:

DatabaseError                             Traceback (most recent call last)
<ipython-input-16-01a61da22894> in <module>
----> 1 cursor2.execute("""
      2 SELECT *
      3 FROM [NACIMIENTOS_2022].[Measures]
      4 """)
      5 rows = cursor2.fetchall()

~\anaconda3\lib\site-packages\adodbapi\adodbapi.py in execute(self, operation, parameters)
    873         if verbose > 3:
    874             print('Params=', format_parameters(self.cmd.Parameters, True))
--> 875         self._execute_command()
    876 
    877     def executemany(self, operation, seq_of_parameters):

~\anaconda3\lib\site-packages\adodbapi\adodbapi.py in _execute_command(self)
    688                                                             format_parameters(self.cmd.Parameters, True))
    689             klass = self.connection._suggest_error_class()
--> 690             self._raiseCursorError(klass, _message)
    691         try:
    692             self.rowcount = recordset.RecordCount

~\anaconda3\lib\site-packages\adodbapi\adodbapi.py in _raiseCursorError(self, errorclass, errorvalue)
    561         if eh is None:
    562             eh = api.standardErrorHandler
--> 563         eh(self.connection, self, errorclass, errorvalue)
    564 
    565     def build_column_info(self, recordset):

~\anaconda3\lib\site-packages\adodbapi\apibase.py in standardErrorHandler(connection, cursor, errorclass, errorvalue)
     55             cursor.messages.append(err)
     56         except: pass
---> 57     raise errorclass(errorvalue)
     58 
     59 # Note: _BaseException is defined differently between Python 2.x and 3.x

DatabaseError: (-2147352567, 'Ocurrió una excepción.', (0, 'Microsoft OLE DB Provider for Analysis Services.', 'XML for Analysis parser: The XML for Analysis request timed out before it was completed.', None, 0, -2147467259), None)
Command:

SELECT *
FROM [NACIMIENTOS_2022].[Measures]

Parameters:
[]

Para poder hacer la consulta, la opción es hacer varias consultas más pequeñas, por ejemplo, una para cada entidad federativa. Revisemos las entidades federativas disponibles

cursor2.execute("""
SELECT entidadresidenciad
FROM [NACIMIENTOS_2022].[$ENTIDAD_RESIDENCIA]
""")
rows = cursor2.fetchall()
rows_to_df(rows)

entonces ahora solo seleccionamos la de un estado en particular, por ejemplo, Chiapas

cursor2.execute("""
SELECT *
FROM [NACIMIENTOS_2022].[Measures]
WHERE [$ENTIDAD_RESIDENCIA.entidadresidenciad]="07 CHIAPAS"
""")
rows = cursor2.fetchall()
df_nacimientos_chis = rows_to_df(rows)
df_nacimientos_chis

df_nacimientos_chis.columns

Index(['[nacimientos].[$atencion prenatal.atencion prenatal]',
       '[nacimientos].[$certificado por.certificado por]',
       '[nacimientos].[$condicionhijoanterior.condicion hijo anterior]',
       '[nacimientos].[$producto.productoembarazo]',
       '[nacimientos].[$entidad de captura.entidad de captura]',
       '[nacimientos].[$estado conyugal.situacion conyugal]',
       '[nacimientos].[$se considera indigena.seconsideraindigena]',
       '[nacimientos].[$lugar nacimiento.lugar de nacimiento]',
       '[nacimientos].[$personal atendio.personal que atendio]',
       '[nacimientos].[$tamiz y vacunas.tamizauditivo]',
       '[nacimientos].[$sexo.sexo]',
       '[nacimientos].[$sobrevivio parto.sobrevivio al parto]',
       '[nacimientos].[$trabaja actualmente.trabaja actualmente]',
       '[nacimientos].[$trimestre primer consulta.trimestre primer consulta]',
       '[nacimientos].[$hijos nacidos muertos.hijosnacidosmuertosc]',
       '[nacimientos].[$hijos sobrevivientes.hijos sobrevivientes]',
       '[nacimientos].[$hijos nacidos vivos.hijos nacidos vivos]',
       '[nacimientos].[$02 fecha de nacimiento.fechanacimiento]',
       '[nacimientos].[$numero_embarazos.numerodeembarazos]',
       '[nacimientos].[$edad de la madre.edad de la madre]',
       '[nacimientos].[$principales causas lm.cie causa]',
       '[nacimientos].[$grupo edad.grupoedad]', '[nacimientos].[$peso.peso]',
       '[nacimientos].[$grupo de peso.grupopeso]',
       '[nacimientos].[$grupo edad gestacional.grupoedadgestacional]',
       '[nacimientos].[$grupo talla.grupotalla]',
       '[nacimientos].[$orden nacimiento.ordendenacimiento]',
       '[nacimientos].[$apgarh.apgar]', '[nacimientos].[$silverman.silverman]',
       '[nacimientos].[$01 unidad medica parto.clues]',
       '[nacimientos].[$vive hijo anterior.vive hijo anterior]',
       '[nacimientos].[$codigo cie.codigocieanomalia1]',
       '[nacimientos].[$cuenta con curp.cuenta con curp]',
       '[nacimientos].[$numero total de consultas.numero total de consultas]',
       '[nacimientos].[$ocupacion_habitual.ocupacion habitual]',
       '[nacimientos].[$entidad_parto.entidadfederativaparto]',
       '[nacimientos].[$entidad_residencia.entidadresidencia]',
       '[nacimientos].[$entidad_nacimiento_madre.entidadnacimiento]',
       '[nacimientos].[$edad gestacional.edad gestacional]',
       '[nacimientos].[$derechohabiencia.derechohabiencia]',
       '[nacimientos].[$escolaridad.escolaridad]',
       '[nacimientos].[$pais_origen.pais de origen]',
       '[nacimientos].[nacimientos]', '_id'],
      dtype='object')

En este último caso quizá convenga aprender mejor MDX para hacer consultas más detalladas y con menos resultados. La verdad a mí me pareció un lenguaje complicado, pero es necesario entenderlo un poco para poder usar los cubos dinámicos. Yo tuve muchísimos errores antes de poder dar con las consultas correctas que hice arriba.

	[totales].[$afiliacion.afiliación derechohabiencia]	[totales].[$año certificacion.año de certificación]	[totales].[$año defuncion.año de la defunción]	[totales].[$año registro.año de registro]	[totales].[$asistencia medica.asistencia médica]	[totales].[$entidad defuncion.entidad de defunción]	[totales].[$entidad residencia.entidad de residencia]	[totales].[$escolaridad.escolaridad]	[totales].[$estado civil.estado civil]	[totales].[$mes certificacion.mes de la certificación]	...	[totales].[$certifico.quién certificó]	[totales].[$razon mortalidad.razón mortalidad materna]	[totales].[$sitio ocurrencia.sitio de ocurrencia]	[totales].[$tamaño localidad.tamaño de localidad]	[totales].[$edad.edad quinquenal]	[totales].[$edadd.edad]	[totales].[$causa basica.cve causa 4]	[totales].[$principales causas.clave pcm]	[totales].[muertes maternas]	_id
0	NO ESPECIFICADA	2019	2019	2019	NO ESPECIFICADO	CHIAPAS	CHIAPAS	NO ESPECIFICADA	SE IGNORA	SEPTIEMBRE	...	NO ESPECIFICADO	MUERTES MATERNAS PARA LA RAZÓN DE MORTALIDAD M...	OTRO LUGAR	1000 A 1999 HABITANTES	30 a 34 años	None	O432 PLACENTA ANORMALMENTE ADHERIDA	43G	1	0
1	SEGURO POPULAR	2019	2019	2019	SIN ATENCION MEDICA	CHIHUAHUA	CHIHUAHUA	NINGUNA	UNION LIBRE	OCTUBRE	...	MEDICO LEGISTA	MUERTES MATERNAS PARA LA RAZÓN DE MORTALIDAD M...	VIA PUBLICA	1 A 999 HABITANTES	30 a 34 años	None	O720 HEMORRAGIA DEL TERCER PERÍODO DEL PARTO	43K	1	1
2	IMSS	2019	2019	2019	CON ATENCION MEDICA	JALISCO	JALISCO	BACHILLERATO O PREPARATORIA COMPLETA	CASADO	ABRIL	...	OTRO MEDICO	MUERTES MATERNAS PARA LA RAZÓN DE MORTALIDAD M...	IMSS	1000000 A 1499999 HABITANTES	35 a 39 años	None	O021 ABORTO RETENIDO	43C	1	2
3	SEGURO POPULAR	2019	2019	2019	CON ATENCION MEDICA	JALISCO	JALISCO	SECUNDARIA COMPLETA	CASADO	MARZO	...	OTRO MEDICO	MUERTES MATERNAS EXCLUIDAS PARA LA RAZÓN DE MO...	OTRO LUGAR	10000 A 14999 HABITANTES	20 a 24 años	None	O961 MUERTE POR CAUSA OBSTÉTRICA INDIRECTA QUE...	4543	1	3
4	SEGURO POPULAR	2019	2019	2019	CON ATENCION MEDICA	JALISCO	JALISCO	SECUNDARIA COMPLETA	CASADO	ABRIL	...	MEDICO TRATANTE	MUERTES MATERNAS PARA LA RAZÓN DE MORTALIDAD M...	SECRETARIA DE SALUD	10000 A 14999 HABITANTES	30 a 34 años	None	O223 FLEBOTROMBOSIS PROFUNDA EN EL EMBARAZO	43N	1	4
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
21119	NO ESPECIFICADA	2020	2020	2020	CON ATENCION MEDICA	SINALOA	SINALOA	PROFESIONAL	CASADO	JULIO	...	OTRO MEDICO	MUERTES MATERNAS PARA LA RAZÓN DE MORTALIDAD M...	IMSS	500000 A 999999 HABITANTES	20 a 24 años	None	O985 OTRAS ENFERMEDADES VIRALES QUE COMPLICAN ...	45	1	21119
21120	IMSS	2020	2020	2020	CON ATENCION MEDICA	SINALOA	SINALOA	PROFESIONAL	SE IGNORA	OCTUBRE	...	OTRO MEDICO	MUERTES MATERNAS PARA LA RAZÓN DE MORTALIDAD M...	IMSS	500000 A 999999 HABITANTES	30 a 34 años	None	O996 ENFERMEDADES DEL SISTEMA DIGESTIVO QUE CO...	45	1	21120
21121	IMSS	2020	2020	2020	CON ATENCION MEDICA	SINALOA	SINALOA	BACHILLERATO O PREPARATORIA COMPLETA	CASADO	ENERO	...	MEDICO LEGISTA	MUERTES MATERNAS PARA LA RAZÓN DE MORTALIDAD M...	IMSS	250000 A 499999 HABITANTES	35 a 39 años	None	O721 OTRAS HEMORRAGIAS POSTPARTO INMEDIATAS	43K	1	21121
21122	IMSS	2020	2020	2020	CON ATENCION MEDICA	SINALOA	SINALOA	BACHILLERATO O PREPARATORIA COMPLETA	UNION LIBRE	SEPTIEMBRE	...	MEDICO TRATANTE	MUERTES MATERNAS PARA LA RAZÓN DE MORTALIDAD M...	IMSS	250000 A 499999 HABITANTES	25 a 29 años	None	O985 OTRAS ENFERMEDADES VIRALES QUE COMPLICAN ...	45	1	21122
21123	OTRA	2020	2020	2020	CON ATENCION MEDICA	SINALOA	SINALOA	PRIMARIA COMPLETA	UNION LIBRE	JUNIO	...	OTRO MEDICO	MUERTES MATERNAS PARA LA RAZÓN DE MORTALIDAD M...	SECRETARIA DE SALUD	1 A 999 HABITANTES	35 a 39 años	None	O432 PLACENTA ANORMALMENTE ADHERIDA	43G	1	21123

[totales].[$asistencia medica.asistencia médica]	CON ATENCION MEDICA	NO ESPECIFICADO	SIN ATENCION MEDICA
[totales].[$afiliacion.afiliación derechohabiencia]
IMSS	3918	118	130
IMSS OPORTUNIDADES	84	7	18
IMSS PROSPERA	26	3	1
ISSSTE	578	26	16
NINGUNA	6013	235	977
NO ESPECIFICADA	1383	280	284
OTRA	354	4	30
PEMEX	36	2	2
SECRETARIA DE LA DEFENSA NACIONAL	98	2	2
SECRETARIA DE MARINA	82	2	8
SEGURO POPULAR	5673	272	460

	[totales].[$mes registro.mes de registro]	[totales].[$afiliacion.afiliación derechohabiencia]	_id
0	MAYO	SEGURO POPULAR	0
1	MAYO	SEGURO POPULAR	1
2	MAYO	SEGURO POPULAR	2
3	MAYO	IMSS PROSPERA	3
4	MAYO	SEGURO POPULAR	4
...	...	...	...
1686	MAYO	OTRA	1686
1687	MAYO	NINGUNA	1687
1688	MAYO	IMSS	1688
1689	MAYO	IMSS	1689
1690	MAYO	SEGURO POPULAR	1690

	database	cube	dimension	_id
0	NACIMIENTOS_2022	$01 UNIDADMEDICA PARTO	01 UNIDADMEDICA PARTO	0
1	NACIMIENTOS_2022	$01 UNIDADMEDICA PARTO	Measures	1
2	NACIMIENTOS_2022	$02 FECHA DE NACIMIENTO	02 FECHA DE NACIMIENTO	2
3	NACIMIENTOS_2022	$02 FECHA DE NACIMIENTO	Measures	3
4	NACIMIENTOS_2022	$APGARH	APGARH	4
...	...	...	...	...
124	NACIMIENTOS_2022	NACIMIENTOS_2022	SOBREVIVIO PARTO	124
125	NACIMIENTOS_2022	NACIMIENTOS_2022	TAMIZ Y VACUNAS	125
126	NACIMIENTOS_2022	NACIMIENTOS_2022	TRABAJA ACTUALMENTE	126
127	NACIMIENTOS_2022	NACIMIENTOS_2022	TRIMESTRE PRIMER CONSULTA	127
128	NACIMIENTOS_2022	NACIMIENTOS_2022	VIVE HIJO ANTERIOR	128

	[$entidad_residencia].[entidadresidenciad]	_id
0	00 NO ESPECIFICADO	0
1	01 AGUASCALIENTES	1
2	02 BAJA CALIFORNIA	2
3	03 BAJA CALIFORNIA SUR	3
4	04 CAMPECHE	4
5	05 COAHUILA DE ZARAGOZA	5
6	06 COLIMA	6
7	07 CHIAPAS	7
8	08 CHIHUAHUA	8
9	09 CIUDAD DE MEXICO	9
10	10 DURANGO	10
11	11 GUANAJUATO	11
12	12 GUERRERO	12
13	13 HIDALGO	13
14	14 JALISCO	14
15	15 MEXICO	15
16	16 MICHOACAN DE OCAMPO	16
17	17 MORELOS	17
18	18 NAYARIT	18
19	19 NUEVO LEON	19
20	20 OAXACA	20
21	21 PUEBLA	21
22	22 QUERETARO	22
23	23 QUINTANA ROO	23
24	24 SAN LUIS POTOSI	24
25	25 SINALOA	25
26	26 SONORA	26
27	27 TABASCO	27
28	28 TAMAULIPAS	28
29	29 TLAXCALA	29
30	30 VERACRUZ DE IGNACIO DE LA LLAVE	30
31	31 YUCATAN	31
32	32 ZACATECAS	32
33	88 NO APLICA	33
34	99 SE IGNORA	34

Blog de Juan Santos

Conexión a cubos dinámicos de la DGIS de la Secretaría de Salud (México)

Introducción

Pasos para la conexión

Segundo ejemplo: cubo de nacimientos

	database	cube	dimension	_id
0	Maternas_2020	$AFILIACION	Measures	0
1	Maternas_2020	$AÑO CERTIFICACION	Measures	1
2	Maternas_2020	$AÑO DEFUNCION	Measures	2
3	Maternas_2020	$AÑO REGISTRO	Measures	3
4	Maternas_2020	$ASISTENCIA MEDICA	Measures	4
5	Maternas_2020	$CAUSA BASICA	Measures	5
6	Maternas_2020	$CERTIFICO	Measures	6
7	Maternas_2020	$EDAD	Measures	7
8	Maternas_2020	$EDADD	Measures	8
9	Maternas_2020	$ENTIDAD DEFUNCION	Measures	9
10	Maternas_2020	$ENTIDAD RESIDENCIA	Measures	10
11	Maternas_2020	$ESCOLARIDAD	Measures	11
12	Maternas_2020	$ESTADO CIVIL	Measures	12
13	Maternas_2020	$MES CERTIFICACION	Measures	13
14	Maternas_2020	$MES DEFUNCION	Measures	14
15	Maternas_2020	$MES REGISTRO	Measures	15
16	Maternas_2020	$PRINCIPALES CAUSAS	Measures	16
17	Maternas_2020	$RAZON MORTALIDAD	Measures	17
18	Maternas_2020	$SITIO OCURRENCIA	Measures	18
19	Maternas_2020	$TAMAÑO LOCALIDAD	Measures	19
20	Maternas_2020	MUERTES MATERNAS	Measures	20

	database	cube	dimension	_id
86	NACIMIENTOS_2022	NACIMIENTOS_2022	01 UNIDAD MEDICA PARTO	86
87	NACIMIENTOS_2022	NACIMIENTOS_2022	02 FECHA DE NACIMIENTO	87
88	NACIMIENTOS_2022	NACIMIENTOS_2022	APGARH	88
89	NACIMIENTOS_2022	NACIMIENTOS_2022	ATENCION PRENATAL	89
90	NACIMIENTOS_2022	NACIMIENTOS_2022	CERTIFICADO POR	90
91	NACIMIENTOS_2022	NACIMIENTOS_2022	CODIGO CIE	91
92	NACIMIENTOS_2022	NACIMIENTOS_2022	CONDICIONHIJOANTERIOR	92
93	NACIMIENTOS_2022	NACIMIENTOS_2022	CUENTA CON CURP	93
94	NACIMIENTOS_2022	NACIMIENTOS_2022	DERECHOHABIENCIA	94
95	NACIMIENTOS_2022	NACIMIENTOS_2022	EDAD DE LA MADRE	95
96	NACIMIENTOS_2022	NACIMIENTOS_2022	EDAD GESTACIONAL	96
97	NACIMIENTOS_2022	NACIMIENTOS_2022	ENTIDAD DE CAPTURA	97
98	NACIMIENTOS_2022	NACIMIENTOS_2022	ENTIDAD_NACIMIENTO_MADRE	98
99	NACIMIENTOS_2022	NACIMIENTOS_2022	ENTIDAD_PARTO	99
100	NACIMIENTOS_2022	NACIMIENTOS_2022	ENTIDAD_RESIDENCIA	100
101	NACIMIENTOS_2022	NACIMIENTOS_2022	ESCOLARIDAD	101
102	NACIMIENTOS_2022	NACIMIENTOS_2022	ESTADO CONYUGAL	102
103	NACIMIENTOS_2022	NACIMIENTOS_2022	GRUPO DE PESO	103
104	NACIMIENTOS_2022	NACIMIENTOS_2022	GRUPO EDAD	104
105	NACIMIENTOS_2022	NACIMIENTOS_2022	GRUPO EDAD GESTACIONAL	105
106	NACIMIENTOS_2022	NACIMIENTOS_2022	GRUPO TALLA	106
107	NACIMIENTOS_2022	NACIMIENTOS_2022	HIJOS NACIDOS MUERTOS	107
108	NACIMIENTOS_2022	NACIMIENTOS_2022	HIJOS NACIDOS VIVOS	108
109	NACIMIENTOS_2022	NACIMIENTOS_2022	HIJOS SOBREVIVIENTES	109
110	NACIMIENTOS_2022	NACIMIENTOS_2022	LUGAR NACIMIENTO	110
111	NACIMIENTOS_2022	NACIMIENTOS_2022	Measures	111
112	NACIMIENTOS_2022	NACIMIENTOS_2022	NUMERO TOTAL DE CONSULTAS	112
113	NACIMIENTOS_2022	NACIMIENTOS_2022	NUMERO_EMBARAZOS	113
114	NACIMIENTOS_2022	NACIMIENTOS_2022	OCUPACION_HABITUAL	114
115	NACIMIENTOS_2022	NACIMIENTOS_2022	ORDEN NACIMIENTO	115
116	NACIMIENTOS_2022	NACIMIENTOS_2022	PAIS_ORIGEN	116
117	NACIMIENTOS_2022	NACIMIENTOS_2022	PERSONAL ATENDIO	117
118	NACIMIENTOS_2022	NACIMIENTOS_2022	PESO	118
119	NACIMIENTOS_2022	NACIMIENTOS_2022	PRINCIPALES CAUSAS LM	119
120	NACIMIENTOS_2022	NACIMIENTOS_2022	PRODUCTO	120
121	NACIMIENTOS_2022	NACIMIENTOS_2022	SE CONSIDERA INDIGENA	121
122	NACIMIENTOS_2022	NACIMIENTOS_2022	SEXO	122
123	NACIMIENTOS_2022	NACIMIENTOS_2022	SILVERMAN	123
124	NACIMIENTOS_2022	NACIMIENTOS_2022	SOBREVIVIO PARTO	124
125	NACIMIENTOS_2022	NACIMIENTOS_2022	TAMIZ Y VACUNAS	125
126	NACIMIENTOS_2022	NACIMIENTOS_2022	TRABAJA ACTUALMENTE	126
127	NACIMIENTOS_2022	NACIMIENTOS_2022	TRIMESTRE PRIMER CONSULTA	127
128	NACIMIENTOS_2022	NACIMIENTOS_2022	VIVE HIJO ANTERIOR	128

	[nacimientos].[$atencion prenatal.atencion prenatal]	[nacimientos].[$certificado por.certificado por]	[nacimientos].[$condicionhijoanterior.condicion hijo anterior]	[nacimientos].[$producto.productoembarazo]	[nacimientos].[$entidad de captura.entidad de captura]	[nacimientos].[$estado conyugal.situacion conyugal]	[nacimientos].[$se considera indigena.seconsideraindigena]	[nacimientos].[$lugar nacimiento.lugar de nacimiento]	[nacimientos].[$personal atendio.personal que atendio]	[nacimientos].[$tamiz y vacunas.tamizauditivo]	...	[nacimientos].[$ocupacion_habitual.ocupacion habitual]	[nacimientos].[$entidad_parto.entidadfederativaparto]	[nacimientos].[$entidad_residencia.entidadresidencia]	[nacimientos].[$entidad_nacimiento_madre.entidadnacimiento]	[nacimientos].[$edad gestacional.edad gestacional]	[nacimientos].[$derechohabiencia.derechohabiencia]	[nacimientos].[$escolaridad.escolaridad]	[nacimientos].[$pais_origen.pais de origen]	[nacimientos].[nacimientos]	_id
0	SI	OTRO MÉDICO	NO HA TENIDO OTROS HIJOS(AS)	ÚNICO	07 CHIAPAS	UNION LIBRE	NO	SECRETARÍA DE SALUD	MÉDICO	NO	...	NO REMUNERADO, AMA DE CASA	0001 TUXTLA GUTIERREZ	0062	061	40	NINGUNA	BACHILLERATO O PREPARATORIA COMPLETA	MEXICO	1	0
1	SI	OTRO MÉDICO	VIVO	ÚNICO	07 CHIAPAS	UNION LIBRE	NO	SECRETARÍA DE SALUD	MÉDICO	NO	...	NO REMUNERADO, AMA DE CASA	0001 TUXTLA GUTIERREZ	0001	003	41	NINGUNA	PRIMARIA COMPLETA	MEXICO	1	1
2	SI	OTRO MÉDICO	NO HA TENIDO OTROS HIJOS(AS)	ÚNICO	07 CHIAPAS	UNION LIBRE	NO	HOGAR	PARTERA	NO	...	NO REMUNERADO, AMA DE CASA	0001 MOTOZINTLA DE MENDOZA	0001	070	40	NINGUNA	BACHILLERATO O PREPARATORIA COMPLETA	MEXICO	1	2
3	SI	PERSONA AUTORIZADA POR LA SECRETARÍA DE SALUD	VIVO	ÚNICO	07 CHIAPAS	UNION LIBRE	NO	IMSS BIENESTAR	MÉDICO	NO	...	NO REMUNERADO, AMA DE CASA	0001 MOTOZINTLA DE MENDOZA	0063	057	39	SE IGNORA	BACHILLERATO O PREPARATORIA COMPLETA	MEXICO	1	3
4	SI	OTRO MÉDICO	VIVO	ÚNICO	07 CHIAPAS	UNION LIBRE	SI	SECRETARÍA DE SALUD	MÉDICO	NO	...	NO ESPECIFICADO	0001 CHALCHIHUITAN	0043	022	39	NINGUNA	SECUNDARIA COMPLETA	MEXICO	1	4
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
35819	SI	OTRO MÉDICO	VIVO	ÚNICO	07 CHIAPAS	UNION LIBRE	NO	SECRETARÍA DE SALUD	MÉDICO	NO	...	NO REMUNERADO, AMA DE CASA	0001 TUXTLA GUTIERREZ	1017	020	40	NINGUNA	BACHILLERATO O PREPARATORIA COMPLETA	MEXICO	1	35819
35820	SI	OTRO MÉDICO	VIVO	ÚNICO	07 CHIAPAS	UNION LIBRE	NO	SECRETARÍA DE SALUD	MÉDICO	NO	...	NO REMUNERADO, AMA DE CASA	0001 HUIXTLA	0225	071	39	NINGUNA	SECUNDARIA COMPLETA	MEXICO	1	35820
35821	SI	MÉDICO PEDIATRA	VIVO	ÚNICO	07 CHIAPAS	UNION LIBRE	NO	SECRETARÍA DE SALUD	MÉDICO	NO	...	NO REMUNERADO, AMA DE CASA	0001 TAPACHULA DE CORDOVA Y ORDOÑEZ	0001	997	40	NINGUNA	PRIMARIA COMPLETA	GUATEMALA	1	35821
35822	SI	MÉDICO PEDIATRA	NO HA TENIDO OTROS HIJOS(AS)	ÚNICO	07 CHIAPAS	CASADO(A)	NO	SECRETARÍA DE SALUD	MÉDICO	NO	...	NO REMUNERADO, AMA DE CASA	0001 COMITAN DE DOMINGUEZ	0085	104	38	NINGUNA	BACHILLERATO O PREPARATORIA COMPLETA	MEXICO	1	35822
35823	SI	PERSONA AUTORIZADA POR LA SECRETARÍA DE SALUD	VIVO	ÚNICO	07 CHIAPAS	UNION LIBRE	NO	IMSS BIENESTAR	MÉDICO	NO	...	NO REMUNERADO, AMA DE CASA	0001 MOTOZINTLA DE MENDOZA	0130	089	39	SE IGNORA	PRIMARIA COMPLETA	MEXICO	1	35823