Examen Grupal #1

---

Bases de Datos:

Se ha diseñado un ensayo clínico aleatorizado, doble-ciego y controlado con placebo, para estudiar el efecto de dos alternativas terapéuticas en el control de la hipertensión arterial. Se han reclutado 100 pacientes hipertensos y estos han sido distribuidos aleatoriamente en tres grupos de tratamiento. A uno de los grupos (control) se le administró un placebo, a otro grupo se le administró un inhibidor de la enzima conversora de la angiotensina (IECA) y al otro un tratamiento combinado de un diurético y un Antagonista del Calcio. Las variables respuesta final fueron las presiones arteriales sistólica y diastólica. Los datos con las claves de aleatorización han sido introducidos en una base de datos que reside en la central de aleatorización, mientras que los datos clínicos han sido archivados en dos archivos distintos, uno para cada uno de los dos centros participantes en el estudio. Las variables almacenadas en estos archivos clínicos son las siguientes:

• CLAVE: Clave de aleatorización.
• NOMBRE: Iniciales del paciente
• F NACIM: Fecha de Nacimiento.
• F INCLUS: Fecha de inclusión.
• SEXO: Sexo (0: Hombre, 1: Mujer).
• ALTURA: Altura en cm.
• PESO: Peso en Kg.
• PAD INI: Presión diastólica basal (inicial).
• PAD FIN: Presión diastólica final.
• PAS INI: Presión sistólica basal (inicial).
• PAS FIN: Presión sistólica final.

El archivo de claves de aleatorización contiene sólo dos variables:

• CLAVE: Clave de aleatorización.
• FARMACO: Fármaco administrado (0: Placebo, 1: IECA, 2:Ca Antagonista + diurético).

---

Importe las dos bases de datos y construye un solo data frame con las dos bases de datos:

Descargamos nuestras bases de datos de los hospitales A y B:

library(readxl)
hospitalA <- read_excel("C:/Users/Tatiana/Downloads/hospitalA.xlsm")
hospitalB <- read_excel("C:/Users/Tatiana/Downloads/hospitalB.xlsm")

Unimos ambas bases de datos utilizando la función merge:

hospitalAB <- merge(hospitalA, hospitalB, by=, all=TRUE)
library(DT)
datatable(hospitalAB)

---

Importe las claves de aleatorización y agrega a la base de datos el fármaco administrado a cada paciente:

Primero importamos la base de datos correspondiente:

library(readxl)
claves <- read_excel("C:/Users/Tatiana/Downloads/claves.xlsm")

Ahora añadimos a nuestra base de datos la variable "FARMACO":

Data<-merge(hospitalAB, claves, by=, all=TRUE)
library(DT)
datatable(Data)

---

Explore los datos y haga una pequeña explicación de lo que observas:

Para un resumen bastante completo de nuestra base de datos, utilizamos la función skim de la librería skimr:

skimr::skim(Data)

Data summary

Name	Data
Number of rows	100
Number of columns	13
_______________________
Column type frequency:
character	2
numeric	9
POSIXct	2
________________________
Group variables	None

Variable type: character

skim_variable	n_missing	complete_rate	min	max	empty	n_unique	whitespace
NOMBRE	0	1	3	3	0	98	0
FARMACO	0	1	4	26	0	3	0

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
CLAVE	0	1	50.50	29.01	1	25.75	50.5	75.25	100	▇▇▇▇▇
SEXO	0	1	0.46	0.50	0	0.00	0.0	1.00	1	▇▁▁▁▇
ALTURA	0	1	167.78	10.38	146	159.00	167.0	175.00	194	▂▇▇▅▂
PESO	0	1	73.33	16.65	39	62.00	73.0	85.00	116	▃▇▇▅▂
ESTRES	0	1	24.38	10.46	4	17.00	24.0	31.25	65	▅▇▆▁▁
PAD INI	0	1	88.42	8.02	70	82.00	89.0	94.00	108	▂▇▇▇▂
PAD FIN	0	1	86.66	18.01	42	73.75	87.0	102.00	135	▂▇▇▇▁
PAS INI	0	1	152.52	15.13	108	143.00	152.0	162.00	192	▁▃▇▆▁
PAS FIN	0	1	149.86	16.63	114	139.75	151.5	161.00	193	▃▆▇▃▁

Variable type: POSIXct

skim_variable	n_missing	complete_rate	min	max	median	n_unique
F NACIM	0	1	1939-02-25	1971-09-27	1955-11-21 00:00:00	100
F INCLUS	0	1	1998-01-11	2000-11-18	1999-06-20 12:00:00	96

• Estamos trabajando con la base de datos “Data”, la cuál cuenta con 100 observaciones representadas por los pacientes hipertensos y 13 variables, reconocidendo a 4 de ellas de tipo “caracter” y 9 de tipo “numérica”, lo que habría que modificar.

• En nuestra base de datos, no encontramos ningún valor faltante.

• Podemos ver que la altura promedio de los pacientes es de 167.78, el peso promedio de los pacientes es de 73.33, el nivel de estres promedio es de 24.38.

• Basándonos en los promedios de la presión diastólica y sistólica, tanto al principio como al final, podemos observar una disminucion en ambos casos. Los promedios iniciales y finales de la presión diastólica pasaron de 88.42 a 86.66, mientras que los promedios iniciales y finales de la presión sistólica pasaron de 152.52 a 149.86. Esto significa que, en promedio, la presión arterial, tanto diastólica como sistólica, disminuyó desde el inicio hasta el final del período experimental.

• Tras analizar los histogramas de nuestras variables cuantitativas, la mayoría parece cumplir con una distribución normal, a excepción de la variable “ESTRES”, la cual no podemos confirmar su normalidad a simple vista debido a la forma de su histograma.

---

Realice los cambios necesarios en los nombres de las columnas. Además, revise el tipo de dato de cada columna y haga los ajustes necesarios:

Para estandarizar y hacer únicos los nombres de nuestras variables, utilizamos la función clean_names del paquete janitor:

Data <- Data %>% 
            janitor::clean_names()
names(Data)

##  [1] "clave"    "nombre"   "f_nacim"  "f_inclus" "sexo"     "altura"  
##  [7] "peso"     "estres"   "pad_ini"  "pad_fin"  "pas_ini"  "pas_fin" 
## [13] "farmaco"

Para revisar el tipo de datos de nuestras variables utilizamos la función str:

str(Data)

## 'data.frame':    100 obs. of  13 variables:
##  $ clave   : num  1 2 3 4 5 6 7 8 9 10 ...
##  $ nombre  : chr  "SGL" "JCZ" "APZ" "NDG" ...
##  $ f_nacim : POSIXct, format: "1941-09-08" "1957-07-10" ...
##  $ f_inclus: POSIXct, format: "1998-07-13" "1998-05-09" ...
##  $ sexo    : num  1 1 0 0 1 0 1 0 1 0 ...
##  $ altura  : num  165 154 156 181 184 179 159 153 172 154 ...
##  $ peso    : num  78 74 81 82 78 80 60 70 57 54 ...
##  $ estres  : num  42 30 21 33 36 22 31 12 21 24 ...
##  $ pad_ini : num  78 95 93 86 89 74 94 94 74 89 ...
##  $ pad_fin : num  104 114 102 91 94 99 95 79 64 87 ...
##  $ pas_ini : num  176 162 141 162 165 141 168 133 149 147 ...
##  $ pas_fin : num  175 160 150 161 162 148 152 143 135 155 ...
##  $ farmaco : chr  "Ca Antagonista + Diuretico" "Ca Antagonista + Diuretico" "Placebo" "Ca Antagonista + Diuretico" ...

Tenemos que modificar las variables “sexo”, “farmaco”, “f_nacim” y “f_inclus”:

# Modificación para variable "sexo"
Data$sexo <- as.factor(Data$sexo)
levels(Data$sexo) <- c("Hombre", "Mujer")

# Modificación para variable "farmaco"
Data$farmaco <- as.factor(Data$farmaco)

# Modificaciones para variables "f_nacim" y "f_inclus"
library(dplyr)
Data <- Data %>% 
  mutate(f_nacim = as.Date(f_nacim, format = "%d/%m/%Y"))

Data <- Data %>% 
  mutate(f_nacim = as.Date(f_inclus, format = "%d/%m/%Y"))

# Para ver cambios
str(Data)

## 'data.frame':    100 obs. of  13 variables:
##  $ clave   : num  1 2 3 4 5 6 7 8 9 10 ...
##  $ nombre  : chr  "SGL" "JCZ" "APZ" "NDG" ...
##  $ f_nacim : Date, format: "1998-07-13" "1998-05-09" ...
##  $ f_inclus: POSIXct, format: "1998-07-13" "1998-05-09" ...
##  $ sexo    : Factor w/ 2 levels "Hombre","Mujer": 2 2 1 1 2 1 2 1 2 1 ...
##  $ altura  : num  165 154 156 181 184 179 159 153 172 154 ...
##  $ peso    : num  78 74 81 82 78 80 60 70 57 54 ...
##  $ estres  : num  42 30 21 33 36 22 31 12 21 24 ...
##  $ pad_ini : num  78 95 93 86 89 74 94 94 74 89 ...
##  $ pad_fin : num  104 114 102 91 94 99 95 79 64 87 ...
##  $ pas_ini : num  176 162 141 162 165 141 168 133 149 147 ...
##  $ pas_fin : num  175 160 150 161 162 148 152 143 135 155 ...
##  $ farmaco : Factor w/ 3 levels "Ca Antagonista + Diuretico",..: 1 1 3 1 1 3 2 3 2 3 ...

---

Crea dos nuevas variables con el nombre que consideres para analizar la evolución de la presión arterial diastólica y sistólica, respectivamente:

Para analizar cómo cambia la presión arterial diastólica y sistólica en nuestros pacientes, creamos una nueva variable para cada una utilizando la función mutate. Calculamos la diferencia entre la presión final y la presión inicial para ambos tipos de presión arterial en los pacientes:

Data <- mutate(Data,evo_pad=pad_fin-pad_ini)
Data <- mutate(Data,evo_pas=pas_fin-pas_ini)

library(DT)
datatable(Data)

---

Crea dos nuevas variables que indiquen si aumentó o disminuyó la presión arterial diastólica o sistólica, respectivamente:

Para crear esta nueva variable que refleje si la presión arterial diastólica o sistólica ha experimentado un aumento o una disminución, implementamos la función mutate en R, utilizando como fórmula los vectores previamente creados, y dividiéndolos entre valores positivos y negativos:

# Nuevas variables:
Data <- mutate(Data, camb_pad=ifelse(evo_pad<0, "Disminuyo", "Aumento"))
Data <- mutate(Data, camb_pas=ifelse(evo_pas<0, "Disminuyo", "Aumento"))

# Convertirlas tipo factor: 
Data$camb_pad <- as.factor(Data$camb_pad)
Data$camb_pas <- as.factor(Data$camb_pas)

library(DT)
datatable(Data)

---

Crea tablas resúmenes por grupo para hombres y mujeres. ¿Qué puedes concluir?:

Promedio de la evolución de ambos tipos de presión arterial para hombres:

resumen_hombres <-Data %>%
  filter(sexo=="Hombre") %>%
  summarise(mean_evo_pad=mean(evo_pad),
            mean_evo_pas=mean(evo_pas))
head(resumen_hombres)

##   mean_evo_pad mean_evo_pas
## 1    -2.907407    -2.537037

Promedio de la evolución de ambos tipos de presión arterial para mujeres:

resumen_mujeres <-Data %>%
  filter(sexo=="Mujer") %>%
  summarise(mean_evo_pad=mean(evo_pad),
            mean_evo_pas=mean(evo_pas))
head(resumen_mujeres)

##   mean_evo_pad mean_evo_pas
## 1   -0.4130435    -2.804348

• Después de revisar los datos anteriores, se observa que entre los pacientes hombres, la disminución en la presión arterial diastólica fue más pronunciada que la disminución en la presión arterial sistólica. Por otro lado, entre las pacientes mujeres, la reducción en la presión arterial sistólica fue mayor que la disminución en la presión arterial diastólica. Hubo una mayor disminución en ambos tipos de presión arterial en el grupo de pacientes hombres que en el de mujeres.

---

Realice gráficas dinámicas de las diferentes variables, donde puedas explicar a grandes rasgos las diferencias que se presentan por grupo. (No es necesario hacer una gráfica por variable):

library(plotly)
plot_ly(Data, x = ~sexo, color = ~camb_pas) 

plot_ly(Data, x = ~sexo, color = ~camb_pad) 

Podemos observar que tanto hombres como mujeres experimentaron una disminución en la presión arterial sistólica. Sin embargo, en cuanto a la presión arterial diastólica, solo los hombres registraron una reducción significativa, mientras que la mayoría de las mujeres no experimentaron esa disminución.

Queremos ver gráficamente las diferencias existentes entre los grupos de pacientes que se sometieron a tratamientos diferentes, esto con el fin de determinar cuál de los tratamientos terminó siendo el más efectivo:

prop_pas <- sum(Data$camb_pas == "Disminuyo") / length(Data$camb_pas)
prop_pad <- sum(Data$camb_pad == "Disminuyo") / length(Data$camb_pad)

pie <- plot_ly() %>% 
       add_pie(Data, values = prop_pas, labels = Data$farmaco)
pie

pie1 <- plot_ly() %>% 
       add_pie(Data, values = prop_pad, labels = Data$farmaco)
pie1

• En estas gráficas, podemos observar que el grupo de pacientes tratados con “IECA” mostró la mayor reducción en sus mediciones de presión arterial, tanto diastólica como sistólica, con un 34%. Sin embargo, la diferencia con los otros dos grupos no es muy significativa.

Histogramas múltiples para apreciar y comparar evolución de presión diastólica para cada grupo de personas sometidos a los diferentes tratamientos:

p1  <- filter(Data, farmaco=="Ca Antagonista + Diuretico") %>% select(evo_pad) %>% as.vector()
p2  <- filter(Data, farmaco=="IECA") %>% select(evo_pad) %>% as.vector()
p3  <- filter(Data, farmaco=="Placebo") %>% select(evo_pad) %>% as.vector()


plot_ly(alpha = 0.6) %>% 
  add_histogram(x=~p1$evo_pad, name = "Ca Antagonista + Diuretico") %>% 
  add_histogram(x=~p2$evo_pad, name = "IECA") %>% 
  add_histogram(x=~p3$evo_pad, name = "Placebo") %>%
  layout(barmode = "stack", legend = list(orientation = "h", x = 5, y = 5))

• Observamos que el tratamiento “IECA” destaca como el más efectivo, ya que predominan los valores negativos en el gráfico. Esto indica que contiene la mayoría de las observaciones que representan una disminución en la presión arterial diastólica. Es decir, más pacientes tratados con “IECA” experimentan una reducción en su presión arterial diastólica en comparación con otros tratamientos.

Histogramas multiples para apreciar y comparar evolución de presión sistólica para cada grupo de personas sometidos a los diferentes tratamientos:

p11  <- filter(Data, farmaco=="Ca Antagonista + Diuretico") %>% select(evo_pas) %>% as.vector()
p12  <- filter(Data, farmaco=="IECA") %>% select(evo_pas) %>% as.vector()
p13  <- filter(Data, farmaco=="Placebo") %>% select(evo_pas) %>% as.vector()


plot_ly(alpha = 0.6) %>% 
  add_histogram(x=~p11$evo_pas, name = "Ca Antagonista + Diuretico") %>% 
  add_histogram(x=~p12$evo_pas, name = "IECA") %>% 
  add_histogram(x=~p13$evo_pas, name = "Placebo") %>%
  layout(barmode = "stack", legend = list(orientation = "h", x = 5, y = 5))

• Nuevamente, observamos que en los pacientes tratados con IECA, se registran reducciones más significativas en las mediciones de presión sistólica en comparación con otras medidas. Esto sugiere que el tratamiento con IECA podría ser más efectivo para reducir la presión arterial sistólica.

También podemos hacer el mismo análisis mediante un diagrama de dispersión:

plot_ly(Data, x = ~evo_pas, y = ~evo_pad, color = ~farmaco)

• Una vez más, se destaca que el grupo de pacientes tratados con “IECA” presenta la mayor cantidad de reducciones en las mediciones de presión arterial, tanto diastólica como sistólica.

---

Redacta una conclusión general de todos los hallazgos encontrados, donde puedas explicar las diferencias importantes de cada grupo y que se puede concluir sobre el efecto de las dos alternativas terapéuticas en el control de la hipertensión arterial:

• Después de analizar detalladamente los datos, se han identificado diferencias significativas entre los distintos grupos de tratamiento en relación con el control de la hipertensión arterial tanto diastólica como sistólica. Específicamente, se observó que el tratamiento con inhibidores de la enzima convertidora de angiotensina (IECA) demostró una mayor eficacia en la reducción tanto de la presión arterial diastólica como sistólica en comparación con el tratamiento combinado de un diurético y un Antagonista del Calcio. Además, se notó una diferencia en la respuesta al tratamiento entre hombres y mujeres: mientras ambos grupos mostraron una reducción en la presión arterial sistólica, la disminución en la presión arterial diastólica fue más pronunciada en hombres que en mujeres. Estos resultados sugieren que una estrategia terapéutica individualizada, que tome en cuenta tanto las características del paciente como las particularidades de su género, puede ser esencial para lograr un control efectivo de la hipertensión arterial. Entonces para concluir, aunque el tratamiento con IECA parece ser más efectivo, cómo responde cada persona al tratamiento puede ser diferente. Esto destaca lo importante que es tener un enfoque adaptado a las necesidades de cada individuo.