Данные об образцах представлены в таблице в формате xls (Data\2023-11-13_UMOD_4VVEgorov.xlsx).
Описательная статистика для загруженных данных
| Characteristic | N = 431 |
|---|---|
| Gender | |
| Female | 14 (33%) |
| Male | 29 (67%) |
| Age | 67 (61, 72) |
| Age_Diap | |
| < 70 | 26 (60%) |
| > 70 | 17 (40%) |
| CHF | |
| 0 | 10 (23%) |
| 1 | 33 (77%) |
| Ejection_Fraction | |
| high | 1 (2.3%) |
| low | 14 (33%) |
| normal | 28 (65%) |
| Diabetes | |
| 0 | 24 (56%) |
| 1 | 19 (44%) |
| Control | |
| 0 | 39 (91%) |
| 1 | 4 (9.3%) |
| ELISA_UMOD_Serum | 136 (82, 185) |
| ELISA_UMOD_Urea | 3,638 (2,186, 5,823) |
| 1 n (%); Median (IQR) | |
Сравним группы по признаку хроническая сердечная недостаточность (ХСН, CHF)
## Warning for variable 'Age':
## simpleWarning in wilcox.test.default(x = DATA[[1L]], y = DATA[[2L]], ...): не могу подсчитать точное p-значение при наличии повторяющихся наблюдений
## Warning for variable 'ELISA_UMOD_Urea':
## simpleWarning in wilcox.test.default(x = DATA[[1L]], y = DATA[[2L]], ...): не могу подсчитать точное p-значение при наличии повторяющихся наблюдений
| Characteristic | 0, N = 101 | 1, N = 331 | p-value2 |
|---|---|---|---|
| Gender | 0.7 | ||
| Female | 4 (40%) | 10 (30%) | |
| Male | 6 (60%) | 23 (70%) | |
| Age | 57 (51, 63) | 69 (63, 72) | 0.004 |
| Age_Diap | 0.061 | ||
| < 70 | 9 (90%) | 17 (52%) | |
| > 70 | 1 (10%) | 16 (48%) | |
| Ejection_Fraction | 0.023 | ||
| high | 0 (0%) | 1 (3.0%) | |
| low | 0 (0%) | 14 (42%) | |
| normal | 10 (100%) | 18 (55%) | |
| Diabetes | 0.7 | ||
| 0 | 5 (50%) | 19 (58%) | |
| 1 | 5 (50%) | 14 (42%) | |
| Control | 0.002 | ||
| 0 | 6 (60%) | 33 (100%) | |
| 1 | 4 (40%) | 0 (0%) | |
| ELISA_UMOD_Serum | 184 (162, 207) | 102 (80, 163) | 0.013 |
| ELISA_UMOD_Urea | 3,955 (2,212, 5,497) | 3,638 (2,232, 6,143) | >0.9 |
| 1 n (%); Median (IQR) | |||
| 2 Fisher’s exact test; Wilcoxon rank sum test; Wilcoxon rank sum exact test | |||
ОБратим внимание, на распределение в группах по возрасту
Можно отметить, что выборка неоднородна по возрасту (что также видно на данных описательной статистики).
Тем не менее приведем визуализацию данных по концентрации уромодулина в сыворотке крови для исследованной группы добровольцев.
Далее приведены данные по концентрации уромодулина в сыворотке крови с учетом следущих признаков: слева-направо группы разбитые по наличию-отсутсвию диабета (0 - нет, 1 - есть), сверху вниз разбивка по возрасту (старше 70 лет или младше). Выборку по возрасту сделал, чтобы оценить насколько влияет неоднородность групп. Отличия не достигают статистической значимости на уровне 0.05 в первую очередь за счет уменьшения числа испытуемых в каждой из групп (а также мы используем Т - критерий Вилкоксона).
Если построить регрессионные кривые (в системе координат “возраст - конценртация уромодулина в сыворотке”) для двух групп также обнаружим существтенные отличия между группами, также можно отметить, что концентрация уромодулина внутри групп не зависит от возраста (‘R^2’ < 0.01).
Конценртации уромодулина в сыворокте крови отличаются в группах с ХСН и без нее. К сожалению группы не очень удачно подобраны по возрасту, а разбивка на подгруппы с учетом идентичных возрастных групп приводит к тому, что мы не обнаруживаем отличий на заданном уровне значимости (0.05). Тем не менее, регрессионные кривые показывают, что концентрация уромодулина не скоррелированна с возрастом (правда и тут группа с ХСН и без патологии дают несколько отличающиеся коэффициенты при построении линейной модели).
P.S. На всякий пожарный вот описательная статистика при разбивке по диабету, можно отметить, что отличий не выявлено (для доверительного интервала в 2 сигмы).
## Warning for variable 'Age':
## simpleWarning in wilcox.test.default(x = DATA[[1L]], y = DATA[[2L]], ...): не могу подсчитать точное p-значение при наличии повторяющихся наблюдений
## Warning for variable 'ELISA_UMOD_Urea':
## simpleWarning in wilcox.test.default(x = DATA[[1L]], y = DATA[[2L]], ...): не могу подсчитать точное p-значение при наличии повторяющихся наблюдений
| Characteristic | 0, N = 241 | 1, N = 191 | p-value2 |
|---|---|---|---|
| Gender | >0.9 | ||
| Female | 8 (33%) | 6 (32%) | |
| Male | 16 (67%) | 13 (68%) | |
| Age | 66 (61, 71) | 69 (62, 72) | 0.4 |
| Age_Diap | 0.3 | ||
| < 70 | 16 (67%) | 10 (53%) | |
| > 70 | 8 (33%) | 9 (47%) | |
| CHF | 0.7 | ||
| 0 | 5 (21%) | 5 (26%) | |
| 1 | 19 (79%) | 14 (74%) | |
| Ejection_Fraction | >0.9 | ||
| high | 1 (4.2%) | 0 (0%) | |
| low | 8 (33%) | 6 (32%) | |
| normal | 15 (63%) | 13 (68%) | |
| Control | 0.12 | ||
| 0 | 20 (83%) | 19 (100%) | |
| 1 | 4 (17%) | 0 (0%) | |
| ELISA_UMOD_Serum | 156 (95, 192) | 93 (76, 158) | 0.12 |
| ELISA_UMOD_Urea | 4,091 (2,952, 5,503) | 2,566 (1,821, 6,250) | 0.2 |
| 1 n (%); Median (IQR) | |||
| 2 Pearson’s Chi-squared test; Wilcoxon rank sum test; Fisher’s exact test; Wilcoxon rank sum exact test | |||