Arritmias cardiacas

Las arritmias cardíacas son trastornos del ritmo cardíaco que afectan la frecuencia o el patrón regular de los latidos del corazón. Pueden manifestarse como latidos cardíacos demasiado rápidos (taquicardia), demasiado lentos (bradicardia) o de forma irregular. Estas irregularidades pueden surgir debido a una amplia variedad de causas, que van desde problemas estructurales del corazón hasta desequilibrios en los electrolitos del cuerpo.

Las arritmias cardíacas representan un fenómeno de interés en el ámbito de la probabilidad y la estadística, ya que su estudio implica la evaluación de la frecuencia y la distribución de estos eventos dentro de una población determinada.

Por lo cual, para el presente proyecto se procede a analizar un conjunto de datos con el fin de identificar las relaciones entre las variables físicas de un paciente y su diagnóstico.

Analisis general de datos

summary(datos)
##       age             sex             height          weight      
##  Min.   : 3.00   Min.   :0.0000   Min.   :105.0   Min.   : 12.00  
##  1st Qu.:36.00   1st Qu.:0.0000   1st Qu.:160.0   1st Qu.: 59.00  
##  Median :47.00   Median :1.0000   Median :164.0   Median : 68.00  
##  Mean   :46.71   Mean   :0.5536   Mean   :163.9   Mean   : 68.54  
##  3rd Qu.:58.00   3rd Qu.:1.0000   3rd Qu.:170.0   3rd Qu.: 79.00  
##  Max.   :83.00   Max.   :1.0000   Max.   :190.0   Max.   :176.00  
##       qrs            heart_rate       diagnosis     
##  Min.   :-172.00   Min.   : 44.00   Min.   : 1.000  
##  1st Qu.:   3.75   1st Qu.: 65.00   1st Qu.: 1.000  
##  Median :  40.00   Median : 72.00   Median : 1.000  
##  Mean   :  33.26   Mean   : 74.06   Mean   : 3.866  
##  3rd Qu.:  66.00   3rd Qu.: 81.00   3rd Qu.: 6.000  
##  Max.   : 169.00   Max.   :124.00   Max.   :16.000

Estadisticas descriptivas

Estadisticas descriptivas
Estadisticas descriptivas

Graficas

ggplot(datos, mapping = aes(heart_rate))+
  geom_boxplot(fill="skyblue")+
  labs(title="Diagrama de cajas")

ggplot(datos, mapping = aes(qrs))+
  geom_boxplot(fill="skyblue")+
  labs(title="Diagrama de cajas")

ggplot(datos, mapping = aes(age))+
  geom_boxplot(fill="skyblue")+
  labs(title="Diagrama de cajas")

ggplot(datos, mapping = aes(heart_rate))+
  geom_histogram(fill="skyblue")+
  labs(title="Histograma")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

ggplot(datos, mapping = aes(age))+
  geom_histogram(fill="skyblue")+
  labs(title="Histograma")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

ggplot(datos, mapping = aes(qrs))+
  geom_histogram(fill="skyblue")+
  labs(title="Histograma")
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

recodificacion = as.factor(datos$diagnosis)
table(recodificacion)
## recodificacion
##   1   2   3   4   5   6   7   8   9  10  14  15  16 
## 245  44  15  15  10  25   2   2   9  50   4   5  22
barplot(table(recodificacion),col = "skyblue")

Correlación Pearson

cor(datos$age, datos$weight)
## [1] 0.3366884
plot(datos$age, datos$weight)

Para esta correlación utilizamos las variables “age” y “weight” las cuales no presentan un comportamiento lineal y como la correlación da un número fuera del rango de [0.8 - 1] se concluye que ambas variables están débilmente correlacionadas.

Matriz de correlación

datosNuevos = cbind(datos$age,datos$height, datos$weight, datos$qrs, datos$heart_rate)
cor(datosNuevos)
##            [,1]       [,2]       [,3]        [,4]        [,5]
## [1,]  1.0000000  0.2115151  0.3366884 -0.23907204 -0.12270696
## [2,]  0.2115151  1.0000000  0.5574265 -0.10317475 -0.17760373
## [3,]  0.3366884  0.5574265  1.0000000 -0.13780159 -0.07900210
## [4,] -0.2390720 -0.1031747 -0.1378016  1.00000000 -0.04350103
## [5,] -0.1227070 -0.1776037 -0.0790021 -0.04350103  1.00000000
plot(datos$height, datos$weight)

plot(datos$age, datos$weight)

plot(datos$heart_rate, datos$qrs)

En general se observa un correlación débil entre las variables, sin embargo se puede resaltar que la correlación más fuerte se presenta entre las variables 2 y 3 que corresponden a “height” y “weight” respectivamente.

Correlación Eta

library(lsr)
mod = aov(datos$heart_rate ~ datos$diagnosis)
etaSquared(mod)
##                       eta.sq  eta.sq.part
## datos$diagnosis 1.635616e-06 1.635616e-06
boxplot(datos$heart_rate ~ datos$diagnosis)

Ya que el valor de eta es un número muy pequeño, cercano a cero, se puede concluir que no existe ninguna correlación entre la variable cuantitativa y cualitativa seleccionada, en este caso el diagnóstico no tiene correlación con el ritmo cardiaco.

Sin embargo se cree que el resultado no corresponde a lo observado en la gráfica, hay que tomar en cuenta que las patologías se encuentran divididas en grupos numerados, por lo cual puede que no se esté llevando a cabo el análisis correcto.