library("knitr")
library("ggplot2")
library("gridExtra")
library("dplyr")
##
## Attaching package: 'dplyr'
## The following object is masked from 'package:gridExtra':
##
## combine
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
# Instalar y cargar la biblioteca readxl si no está instalada
# install.packages("readxl")
library(readxl)
# Ruta del archivo xlsx
ruta <- "C:/MBI-LAPTOP-0INCCQ8F/4- Procesamiento y Simulación de Datos Biológicos/2. Bioestadística médica aplicada/Tarea/clinical_trial_data.xlsx"
# Cargar la base de datos desde el archivo xlsx
clinical_trial_data <- read_excel(ruta)
# Verificar que se haya cargado correctamente (puedes imprimir las primeras filas)
head(clinical_trial_data)
## # A tibble: 6 × 4
## ID Dias Volumen Metastasis
## <chr> <dbl> <dbl> <dbl>
## 1 a203 0 45000000 0
## 2 a203 5 48508468 0
## 3 a203 10 51852437 1
## 4 a203 15 52777870 1
## 5 a203 20 55173336 1
## 6 a203 25 56793208 1
# Cargar biblioteca readxl si no está instalada
# install.packages("readxl")
library(readxl)
# Ruta de la base de datos drug_data_mouse
ruta_drug_data <- "C:/MBI-LAPTOP-0INCCQ8F/4- Procesamiento y Simulación de Datos Biológicos/2. Bioestadística médica aplicada/Tarea/drug_data_mouse.xlsx"
# Cargar la base de datos drug_data_mouse desde el archivo xlsx
drug_data_mouse <- read_excel(ruta_drug_data)
# Verificar que se haya cargado correctamente (puedes imprimir las primeras filas)
head(drug_data_mouse)
## # A tibble: 6 × 2
## ID Farmaco
## <chr> <chr>
## 1 a203 Infubinol
## 2 a251 Infubinol
## 3 a262 Placebo
## 4 a275 Ceftamin
## 5 a366 Stelasyn
## 6 a401 Zoniferol
# Ruta de la base de datos metadata_mouse
ruta_metadata <- "C:/MBI-LAPTOP-0INCCQ8F/4- Procesamiento y Simulación de Datos Biológicos/2. Bioestadística médica aplicada/Tarea/metadata_mouse.xlsx"
# Cargar la base de datos metadata_mouse desde el archivo xlsx
metadata_mouse <- read_excel(ruta_metadata)
# Verificar que se haya cargado correctamente (puedes imprimir las primeras filas)
head(metadata_mouse)
## # A tibble: 6 × 4
## ID Sex Age Weight
## <chr> <chr> <dbl> <dbl>
## 1 a203 Female 20 23
## 2 a251 Female 21 25
## 3 a262 Female 17 29
## 4 a275 Female 20 28
## 5 a366 Female 16 29
## 6 a401 Female 8 25
names(clinical_trial_data)
## [1] "ID" "Dias" "Volumen" "Metastasis"
str(clinical_trial_data)
## tibble [1,888 × 4] (S3: tbl_df/tbl/data.frame)
## $ ID : chr [1:1888] "a203" "a203" "a203" "a203" ...
## $ Dias : num [1:1888] 0 5 10 15 20 25 30 35 40 45 ...
## $ Volumen : num [1:1888] 45000000 48508468 51852437 52777870 55173336 ...
## $ Metastasis: num [1:1888] 0 0 1 1 1 1 1 2 2 2 ...
names(drug_data_mouse)
## [1] "ID" "Farmaco"
str(drug_data_mouse)
## tibble [249 × 2] (S3: tbl_df/tbl/data.frame)
## $ ID : chr [1:249] "a203" "a251" "a262" "a275" ...
## $ Farmaco: chr [1:249] "Infubinol" "Infubinol" "Placebo" "Ceftamin" ...
names(metadata_mouse)
## [1] "ID" "Sex" "Age" "Weight"
str(metadata_mouse)
## tibble [249 × 4] (S3: tbl_df/tbl/data.frame)
## $ ID : chr [1:249] "a203" "a251" "a262" "a275" ...
## $ Sex : chr [1:249] "Female" "Female" "Female" "Female" ...
## $ Age : num [1:249] 20 21 17 20 16 8 3 10 11 20 ...
## $ Weight: num [1:249] 23 25 29 28 29 25 22 25 30 25 ...
# Cargar biblioteca dplyr para manipulación de datos
library(dplyr)
# Combinar los datos de clinical_trial_data y drug_data_mouse basados en ID
datos_combinados <- left_join(clinical_trial_data, drug_data_mouse, by = "ID")
# Combinar los datos combinados anteriormente con metadata_mouse basados en ID
datos_combinados <- left_join(datos_combinados, metadata_mouse, by = "ID")
# Verificar la tabla combinada
head(datos_combinados)
## # A tibble: 6 × 8
## ID Dias Volumen Metastasis Farmaco Sex Age Weight
## <chr> <dbl> <dbl> <dbl> <chr> <chr> <dbl> <dbl>
## 1 a203 0 45000000 0 Infubinol Female 20 23
## 2 a203 5 48508468 0 Infubinol Female 20 23
## 3 a203 10 51852437 1 Infubinol Female 20 23
## 4 a203 15 52777870 1 Infubinol Female 20 23
## 5 a203 20 55173336 1 Infubinol Female 20 23
## 6 a203 25 56793208 1 Infubinol Female 20 23
# Cargar biblioteca dplyr para manipulación de datos
library(dplyr)
# Cargar biblioteca dplyr para manipulación de datos
library(dplyr)
# Supongamos que "datos_combinados" es la tabla que hemos creado anteriormente
# Análisis descriptivo para la variable "Dias"
summary(datos_combinados$Dias)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0 5.0 20.0 19.6 30.0 45.0
# Análisis descriptivo para la variable "Volumen"
summary(datos_combinados$Volumen)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3632135 45000000 48951421 50431097 56324075 78567014
# Análisis descriptivo para la variable "Metastasis"
summary(datos_combinados$Metastasis)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 0.000 1.000 1.023 2.000 4.000
# Análisis descriptivo para la variable "Farmaco"
table(datos_combinados$Farmaco)
##
## Capomulin Ceftamin Infubinol Ketapril Naftisol Placebo Propriva Ramicane
## 230 178 178 188 186 181 156 228
## Stelasyn Zoniferol
## 181 182
# Análisis descriptivo para la variable "Sexo"
table(datos_combinados$Sex)
##
## Female Male
## 930 958
# Análisis descriptivo para la variable "Age"
summary(datos_combinados$Age)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 7.00 13.00 12.79 20.00 24.00
# Análisis descriptivo para la variable "Weight"
summary(datos_combinados$Weight)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 15.00 25.00 27.00 25.66 29.00 30.00
– ¿ Cuántos ratones hembra y macho han participado en este estudio ?
# Tabla de frecuencias para la variable Sexo
tabla_sexo <- table(datos_combinados$Sex)
print(tabla_sexo)
##
## Female Male
## 930 958
– ¿ Cuántos ratones han sido tratados con cada fármaco (los 10 fármacos) ?
# Tabla de frecuencias para la variable Farmaco
tabla_farmaco <- table(datos_combinados$Farmaco)
print(tabla_farmaco)
##
## Capomulin Ceftamin Infubinol Ketapril Naftisol Placebo Propriva Ramicane
## 230 178 178 188 186 181 156 228
## Stelasyn Zoniferol
## 181 182
– ¿ Cuántos ratones macho han sido tratados con cada fármaco (los 10 fármacos) ?
# Filtrar los datos para ratones macho
ratones_macho <- datos_combinados %>% filter(Sex == "Male")
# Tabla de frecuencias para la variable Farmaco solo para ratones macho
tabla_farmaco_macho <- table(ratones_macho$Farmaco)
print(tabla_farmaco_macho)
##
## Capomulin Ceftamin Infubinol Ketapril Naftisol Placebo Propriva Ramicane
## 102 86 83 130 100 79 87 154
## Stelasyn Zoniferol
## 74 63
– Calcula el volumen del tumor al final del tratamiento para cada fármaco.
# # Cargar la biblioteca dplyr si no está instalada
if (!require("dplyr")) {
install.packages("dplyr")
}
library(dplyr)
# Filtrar los datos para obtener solo los registros correspondientes al día 45
datos_dia_45 <- datos_combinados %>% filter(Dias == 45)
# Calcular el volumen del tumor al final del tratamiento para cada fármaco
volumen_final_tratamiento <- datos_dia_45 %>%
group_by(Farmaco) %>%
summarize(Volumen_Final = median(Volumen)) # Usar la mediana como medida resumen
# Mostrar el resultado
print(volumen_final_tratamiento)
## # A tibble: 10 × 2
## Farmaco Volumen_Final
## <chr> <dbl>
## 1 Capomulin 37311846
## 2 Ceftamin 64299830
## 3 Infubinol 66083066
## 4 Ketapril 69872251
## 5 Naftisol 69563621
## 6 Placebo 69042841
## 7 Propriva 64957562
## 8 Ramicane 34848627
## 9 Stelasyn 69299149
## 10 Zoniferol 65684689
# Cargar la biblioteca ggplot2 si no está instalada
if (!require("ggplot2")) {
install.packages("ggplot2")
}
library(ggplot2)
# Calcular estadísticas descriptivas para el volumen del tumor por tratamiento
estadisticas_volumen <- datos_combinados %>%
group_by(Farmaco) %>%
summarize(
Min = min(Volumen),
Max = max(Volumen),
Media = mean(Volumen),
Mediana = median(Volumen),
Varianza = var(Volumen),
Desviacion_Estandar = sd(Volumen)
)
# Crear diagrama de caja para comparar los tratamientos con el volumen del tumor
boxplot <- ggplot(datos_combinados, aes(x = Farmaco, y = Volumen)) +
geom_boxplot(fill = "lightblue") +
labs(title = "Comparación del Volumen del Tumor por Tratamiento",
x = "Tratamiento",
y = "Volumen del Tumor") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
# Imprimir estadísticas descriptivas
print(estadisticas_volumen)
## # A tibble: 10 × 7
## Farmaco Min Max Media Mediana Varianza Desviacion_Estandar
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Capomulin 23343598 48158209 40675741. 41557809 2.49e13 4994774.
## 2 Ceftamin 45000000 68923185 52591172. 51776158. 3.93e13 6268188.
## 3 Infubinol 3632135 72226731 52701148. 51820584. 5.53e13 7433035.
## 4 Ketapril 45000000 78567014 55235638. 53698742. 6.86e13 8279709.
## 5 Naftisol 45000000 76668817 54331565. 52509284. 6.62e13 8134708.
## 6 Placebo 45000000 73212939 54033581. 52288934 6.12e13 7821003.
## 7 Propriva 45000000 72455421 52382993. 50783528. 4.32e13 6574208.
## 8 Ramicane 22050126 47622816 40216745. 40673236 2.35e13 4846308.
## 9 Stelasyn 45000000 75123690 54233149. 52431737 5.95e13 7710419.
## 10 Zoniferol 45000000 73324432 53236507. 51818479 4.85e13 6966588.
# Mostrar el diagrama de caja
print(boxplot)
# Calcula la variación del volumen del tumor al final del tratamiento
para cada fármaco.
# Unir los datos correspondientes al día 0 y al día 45 por el ID del ratón y el Farmaco
datos_dia_0 <- datos_combinados %>% filter(Dias == 0)
datos_dia_0_45 <- left_join(datos_dia_0, datos_dia_45, by = c("ID", "Farmaco"), suffix = c("_inicio", "_final"))
# Calcular la variación del volumen del tumor para cada ratón
datos_dia_0_45$Variacion_Volumen <- datos_dia_0_45$Volumen_final - datos_dia_0_45$Volumen_inicio
# Calcular la variación del volumen del tumor al final del tratamiento para cada fármaco
variacion_volumen_por_farmaco <- datos_dia_0_45 %>%
group_by(Farmaco) %>%
summarize(
Variacion_Media = mean(Variacion_Volumen, na.rm = TRUE),
Variacion_Mediana = median(Variacion_Volumen, na.rm = TRUE),
Variacion_Min = min(Variacion_Volumen, na.rm = TRUE),
Variacion_Max = max(Variacion_Volumen, na.rm = TRUE),
Variacion_Var = var(Variacion_Volumen, na.rm = TRUE),
Variacion_SD = sd(Variacion_Volumen, na.rm = TRUE)
)
# Imprimir el resultado
print(variacion_volumen_por_farmaco)
## # A tibble: 10 × 7
## Farmaco Variacion_Media Variacion_Mediana Variacion_Min Variacion_Max
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Capomulin -8763886. -7688154 -21656402 2685963
## 2 Ceftamin 19132421. 19299830 14741901 23923185
## 3 Infubinol 20755562. 21083066 15918767 27226731
## 4 Ketapril 25662958. 24872251 17909441 33567014
## 5 Naftisol 24265506. 24563621 17670759 31668817
## 6 Placebo 23084082. 24042841 13634971 28212939
## 7 Propriva 21258529. 19957562 13633404 27455421
## 8 Ramicane -10044405. -10151373 -22949874 220869
## 9 Stelasyn 23438310. 24299149 15122011 30123690
## 10 Zoniferol 20960888. 20684689 15752704 28324432
## # ℹ 2 more variables: Variacion_Var <dbl>, Variacion_SD <dbl>