Fenómeno, problema o situación a trabajar y su contexto

El dolor de garganta postoperatorio (POST por sus siglas en inglés) es una complicación frecuente tras la intubación endotraqueal, teniendo una incidencia reportada de hasta el 62% después de la anestesia general (1). Este tipo de tubos, de mayor diámetro que los convencionales, generan un trauma mecánico en la mucosa faríngea y laríngea durante la laringoscopia y la intubación, desencadenando una respuesta inflamatoria local (2).

Las estrategias para reducir el POST se dividen en no farmacológicas y farmacológicas. Entre las primeras destacan:

Entre las intervenciones farmacológicas se han estudiado:

A pesar de estas opciones, ninguna ha demostrado eficacia absoluta ni se ha adoptado de manera universal en la práctica clínica (1).

Un estudio reciente sugirió que los enjuagues con extracto de regaliz (Glycyrrhiza glabra) podrían reducir el POST en un 50% tras intubación con tubos convencionales (9). Los principios activos del regaliz, como la glicirricina (antiinflamatoria), la liquiritigenina (antitusiva) y la glabridina (cicatrizante y antioxidante), promueven la reparación de la mucosa dañada (10).

Objetivo de investigación

Examinar la eficacia de realizar gargaras con una solución de extracto de regaliz inmediatamente antes de la inducción anestésica, como intervención para mitigar la incidencia de odinofagia (dolor de gargante) y tos post-extubación en pacientes sometidos a intubación con tubos de doble luz.

Fuente de información o procedencia de los datos

La información utilizada se encuentra disponible dentro de la librería medicaldata del entorno de programación R. La base de datos lleva el nombre de licorice_gargle. Considera una muestra de 236 pacientes adultos que fueron sometidos a cirugía torácica electiva, la cual requería el uso de un tubo endotraqueal de doble luz. Los datos recopilados incluyen diversas características como género, condición física, índice de masa corporal (IMC), edad, puntuación de Mallampati, hábitos de tabaquismo, presencia de dolor preoperatorio, extensión de la intervención quirúrgica, y los resultados clínicos relacionados (tos, dolor de garganta y dificultad al tragar en diferentes momentos postoperatorios).

Para utilizar esta herramienta, primero es necesario instalar y activar dicha librería. Una vez completados estos pasos, es posible acceder a la base de datos (BD) que contiene los datos necesarios para el análisis.

##### INSTALACIÓN#####

#install.packages("medicaldata")
#install.packages("gtsummary")
#install.packages("ggplot2")
#install.packages("corrplot")
#install.packages("kableExtra")

##### ACTIVACIÓN #####
library(medicaldata)
library(gtsummary)
library(ggplot2)
library(corrplot)
library(kableExtra)

##### CARGA DE DATOS #####

data(licorice_gargle)
datos <- licorice_gargle
datos <- na.omit(datos)
head(datos, 5)
##   preOp_gender preOp_asa preOp_calcBMI preOp_age preOp_mallampati preOp_smoking
## 1            0         3         32.98        67                2             1
## 2            0         2         23.66        76                2             2
## 3            0         2         26.83        58                2             1
## 4            0         2         28.39        59                2             1
## 5            0         1         30.45        73                1             2
##   preOp_pain treat intraOp_surgerySize extubation_cough pacu30min_cough
## 1          0     1                   2                0               0
## 2          0     1                   1                0               0
## 3          0     1                   2                0               0
## 4          0     1                   3                0               0
## 5          0     1                   2                0               0
##   pacu30min_throatPain pacu30min_swallowPain pacu90min_cough
## 1                    0                     0               0
## 2                    0                     0               0
## 3                    0                     0               0
## 4                    0                     0               0
## 5                    0                     0               0
##   pacu90min_throatPain postOp4hour_cough postOp4hour_throatPain pod1am_cough
## 1                    0                 0                      0            0
## 2                    0                 0                      0            0
## 3                    0                 0                      0            0
## 4                    0                 0                      0            0
## 5                    0                 0                      0            0
##   pod1am_throatPain
## 1                 0
## 2                 0
## 3                 0
## 4                 0
## 5                 0

Estrategia de análisis

Pacientes diagnosticados con sobrepeso y obesidad, definida como un índice de masa corporal (IMC) comprendido desde los 25 kg/m², que fueron sometidos a cirugía torácica electiva, la cual requería el uso de un tubo endotraqueal de doble luz.

datos25 <- datos[which(datos$preOp_calcBMI > 25),]
hist(datos25$preOp_calcBMI, main = "Histograma del IMC de interes (ICM > 25)", 
     xlab = "IMC", ylab = "Frecuencia")

Variables, factores o características asociadas a estudiar

Actualizamos los nombres de las variables con el objetivo de hacerlas más claras y comprensibles, facilitando así su interpretación y uso dentro de los análisis.

colnames(datos25) <- c(
  "Genero",                             # preOp_gender
  "Estado_Fisico",                      # preOp_asa
  "IMC",                                # preOp_calcBMI
  "Edad",                               # preOp_age
  "Mallampati",                         # preOp_mallampati
  "Habito_Fumar",                       # preOp_smoking
  "Dolor_Preoperatorio",                # preOp_pain
  "Tipo_Intervencion",                  # treat
  "Tamano_Cirugia",                     # intraOp_surgerySize
  "Tos_Inmed_Extubacion",               # extubation_cough
  "Tos_30min_PACU",                     # pacu30min_cough
  "Dolor_30min_PACU",                   # pacu30min_throatPain
  "Odinofagia_30min_PACU",              # pacu30min_swallowPain
  "Tos_90min_PACU",                     # pacu90min_cough
  "Dolor_90min_PACU",                   # pacu90min_throatPain
  "Tos_4horas_post",                    # postOp4hour_cough
  "Dolor_4horas_post",                  # postOp4hour_throatPain
  "Tos_1amanecer_post",                 # pod1am_cough
  "Dolor_1amanecer_post"                # pod1am_throatPain
)

##### COMPROBACIÓN #####
head(datos25, 5)
##   Genero Estado_Fisico   IMC Edad Mallampati Habito_Fumar Dolor_Preoperatorio
## 1      0             3 32.98   67          2            1                   0
## 3      0             2 26.83   58          2            1                   0
## 4      0             2 28.39   59          2            1                   0
## 5      0             1 30.45   73          1            2                   0
## 6      0             2 35.49   61          3            1                   0
##   Tipo_Intervencion Tamano_Cirugia Tos_Inmed_Extubacion Tos_30min_PACU
## 1                 1              2                    0              0
## 3                 1              2                    0              0
## 4                 1              3                    0              0
## 5                 1              2                    0              0
## 6                 1              3                    0              0
##   Dolor_30min_PACU Odinofagia_30min_PACU Tos_90min_PACU Dolor_90min_PACU
## 1                0                     0              0                0
## 3                0                     0              0                0
## 4                0                     0              0                0
## 5                0                     0              0                0
## 6                0                     0              0                0
##   Tos_4horas_post Dolor_4horas_post Tos_1amanecer_post Dolor_1amanecer_post
## 1               0                 0                  0                    0
## 3               0                 0                  0                    0
## 4               0                 0                  0                    0
## 5               0                 0                  0                    0
## 6               0                 0                  0                    0

Resulta fundamental identificar los tipos de variables que se emplearán en el análisis estadístico. En este caso, se utiliza la función factor() para especificar aquellas variables que serán categorizadas como factores, definiendo sus niveles y asignando etiquetas descriptivas a cada uno de estos niveles.

datos_25 <-data.frame(datos25)
# Asignar valores con factor a las variables categóricas
datos_25$Genero <- factor(datos_25$Genero, levels = c(0, 1), 
                          labels = c("Hombre", "Mujer"))
datos_25$Estado_Fisico <- factor(datos_25$Estado_Fisico, 
                                  levels = c(1, 2, 3), 
                                  labels = c("Paciente sano", 
                                             "Enfermedad sistémica leve", 
                                             "Enfermedad sistémica grave"))
datos_25$Habito_Fumar <- factor(datos_25$Habito_Fumar, 
                                 levels = c(1, 2, 3), 
                                 labels = c("Actual", "Pasado", "Nunca"))
datos_25$Tipo_Intervencion <- factor(datos_25$Tipo_Intervencion, 
                                     levels = c(0, 1), 
                                     labels = c("Azúcar 5g", "Regaliz 0.5g"))
datos25$Tipo_Intervencion <- factor(datos25$Tipo_Intervencion, 
                                     levels = c(0, 1), 
                                     labels = c("Azúcar 5g", "Regaliz 0.5g"))
datos_25$Tamano_Cirugia <- factor(datos_25$Tamano_Cirugia, 
                                   levels = c(1, 2, 3), 
                                   labels = c("Pequeño", 
                                              "Mediano", 
                                              "Grande"))
datos_25$Tos_Inmed_Extubacion <- factor(datos_25$Tos_Inmed_Extubacion, 
                                                 levels = c(0, 1, 2, 3), 
                                                 labels = c("Sin tos", "Leve",
                                                            "Moderada", "Grave"), 
                                        ordered = TRUE)
datos_25$Tos_30min_PACU <- factor(datos_25$Tos_30min_PACU, 
                                   levels = c(0, 1, 2, 3), 
                                   labels = c("Sin tos", "Leve", "Moderada", "Grave"),
                                  ordered = TRUE)
datos_25$Tos_90min_PACU <- factor(datos_25$Tos_90min_PACU, 
                                   levels = c(0, 1, 2, 3), 
                                   labels = c("Sin tos", "Leve", "Moderada", "Grave"),
                                  ordered = TRUE)
datos_25$Tos_4horas_post <- factor(datos_25$Tos_4horas_post, 
                                     levels = c(0, 1, 2, 3), 
                                     labels = c("Sin tos", "Leve", "Moderada", "Grave"),
                                   ordered = TRUE)
datos_25$Tos_1amanecer_post <- factor(datos_25$Tos_1amanecer_post, 
                                        levels = c(0, 1, 2, 3), 
                                        labels = c("Sin tos", "Leve", "Moderada", 
                                                   "Grave"), 
                                      ordered = TRUE)
datos_25$Mallampati <- factor(datos_25$Mallampati, 
                               levels = c(1, 2, 3, 4), 
                               labels = c("Clase 1", 
                                          "Clase 2", 
                                          "Clase 3", 
                                          "Clase 4"))
datos_25$Dolor_Preoperatorio <- factor(datos_25$Dolor_Preoperatorio, 
                                        levels = c(0, 1), 
                                        labels = c("No", "Sí"))
datos_25$Dolor_30min_PACU <- factor(datos_25$Dolor_30min_PACU, 
                                         levels = c(0:10), ordered = TRUE)
datos_25$Odinofagia_30min_PACU <- factor(datos_25$Odinofagia_30min_PACU, 
                                         levels = c(0:10), ordered = TRUE)
datos_25$Dolor_90min_PACU <- factor(datos_25$Dolor_90min_PACU, 
                                         levels = c(0:10), ordered = TRUE)
datos_25$Dolor_4horas_post <- factor(datos_25$Dolor_4horas_post, 
                                            levels = c(0:10), ordered = TRUE)
datos_25$Dolor_1amanecer_post <- factor(datos_25$Dolor_1amanecer_post, 
                                               levels = c(0:10), ordered = TRUE)
##### COMPROBACIÓN #####
head(datos_25, 5)
##   Genero              Estado_Fisico   IMC Edad Mallampati Habito_Fumar
## 1 Hombre Enfermedad sistémica grave 32.98   67    Clase 2       Actual
## 3 Hombre  Enfermedad sistémica leve 26.83   58    Clase 2       Actual
## 4 Hombre  Enfermedad sistémica leve 28.39   59    Clase 2       Actual
## 5 Hombre              Paciente sano 30.45   73    Clase 1       Pasado
## 6 Hombre  Enfermedad sistémica leve 35.49   61    Clase 3       Actual
##   Dolor_Preoperatorio Tipo_Intervencion Tamano_Cirugia Tos_Inmed_Extubacion
## 1                  No      Regaliz 0.5g        Mediano              Sin tos
## 3                  No      Regaliz 0.5g        Mediano              Sin tos
## 4                  No      Regaliz 0.5g         Grande              Sin tos
## 5                  No      Regaliz 0.5g        Mediano              Sin tos
## 6                  No      Regaliz 0.5g         Grande              Sin tos
##   Tos_30min_PACU Dolor_30min_PACU Odinofagia_30min_PACU Tos_90min_PACU
## 1        Sin tos                0                     0        Sin tos
## 3        Sin tos                0                     0        Sin tos
## 4        Sin tos                0                     0        Sin tos
## 5        Sin tos                0                     0        Sin tos
## 6        Sin tos                0                     0        Sin tos
##   Dolor_90min_PACU Tos_4horas_post Dolor_4horas_post Tos_1amanecer_post
## 1                0         Sin tos                 0            Sin tos
## 3                0         Sin tos                 0            Sin tos
## 4                0         Sin tos                 0            Sin tos
## 5                0         Sin tos                 0            Sin tos
## 6                0         Sin tos                 0            Sin tos
##   Dolor_1amanecer_post
## 1                    0
## 3                    0
## 4                    0
## 5                    0
## 6                    0

Esta categorización permite manejar datos tanto numéricos como categóricos de manera efectiva. Al presentar la información de las variables, se ofrece un desglose completo que incluye nombres, definiciones, y, en el caso de las variables categóricas, sus correspondientes niveles y etiquetas.

Variable Descripción Breve Codificación
Genero Género del paciente. 0 = Hombre, 1 = Mujer
Estado_Fisico Estado físico según clasificación ASA. 1 = Paciente sano, 2 = Enfermedad leve, 3 = Grave
IMC Índice de masa corporal calculado kg/m². Valores numéricos continuos
Edad Edad del paciente (años). Valores numéricos continuos
Mallampati Clasificación Mallampati para vía aérea. 1 a 4 = Clases según evaluación
Habito_Fumar Historial de consumo de tabaco. 1 = Actual, 2 = Pasado, 3 = Nunca
Dolor_Preoperatorio Presencia de dolor antes de la operación. 0 = No, 1 = Sí
Tipo_Intervencion Tratamiento aplicado. 0 = Azúcar 5g, 1 = Regaliz 0.5g
Tamano_Cirugia Tamaño de la intervención quirúrgica. 1 = Pequeño, 2 = Mediano, 3 = Grande
Tos_Inmed_Extubacion Grado de tos inmediatamente después de la extubación. 0 = Sin tos, 1 = Leve, 2 = Moderada, 3 = Grave
Tos_30min_PACU Grado de tos a los 30 minutos en la unidad de recuperación. 0 = Sin tos, 1 = Leve, 2 = Moderada, 3 = Grave
Dolor_30min_PACU Intensidad de dolor de garganta a los 30 minutos en recuperación. 0 = Sin dolor - 10 = Peor dolor
Odinofagia_30min_PACU Intensidad de dolor al deglutir a los 30 minutos en recuperación. 0 = Sin dolor - 10 = Peor dolor
Tos_90min_PACU Grado de tos a los 90 minutos en la unidad de recuperación. 0 = Sin tos, 1 = Leve, 2 = Moderada, 3 = Grave
Dolor_90min_PACU Intensidad de dolor de garganta a los 90 minutos en recuperación. 0 = Sin dolor - 10 = Peor dolor
Tos_4horas_post Grado de tos a las 4 horas después de la operación. 0 = Sin tos, 1 = Leve, 2 = Moderada, 3 = Grave
Dolor_4horas_post Intensidad de dolor de garganta a las 4 horas posteriores. 0 = Sin dolor - 10 = Peor dolor
Tos_1amanecer_post Grado de tos al primer amanecer posterior a la operación. 0 = Sin tos, 1 = Leve, 2 = Moderada, 3 = Grave
Dolor_1amanecer_post Intensidad de dolor de garganta al primer amanecer posterior. 0 = Sin dolor - 10 = Peor dolor)

Tipo de estudio

El estudio fue un ensayo clínico aleatorizado, doble ciego y controlado diseñado para evaluar la efectividad de las gárgaras con extracto de regaliz en comparación con las gárgaras con agua azucarada. Se incluyeron 236 pacientes adultos sometidos a cirugías torácicas electivas, con tubos endotraqueales de doble lumen. Los pacientes fueron asignados aleatoriamente a uno de dos grupos: el primero recibió 0,5 g de regaliz, mientras que el segundo recibió 5 g de azúcar, esto antes de la inducción anestésica (9).

La investigación se desarrolló entre octubre de 2010 y mayo de 2011 en el Hospital General de Viena. A los participantes se les asignó aleatoriamente uno de los grupos antes de la intervención quirúrgica.

El dolor de garganta fue evaluado en diferentes momentos: a los 30 minutos y a la hora y media de su llegada a la Unidad de Cuidados Postanestésicos (PACU), cuatro horas después de la extubación y la mañana del primer día postoperatorio. Para ello, se utilizó una escala Likert de 11 puntos (donde 0 = sin dolor y 10 = el peor dolor imaginable). Además, la intensidad de la tos se evaluó en los mismos momentos. Por otro lado, el dolor al tragar fue valorado 30 minutos después de la llegada a la PACU, empleando la misma escala. El dolor de garganta se definió como cualquier puntuación superior a 0 en la escala de Likert.

El análisis que se llevará a cabo será de tipo descriptivo, comparativo y correlacional, con el objetivo de proporcionar una visión detallada y comprensiva de los datos obtenidos en el estudio. Este enfoque permitirá:

  1. Análisis descriptivo: Explorar las características principales de las variables estudiadas, como la incidencia del dolor de garganta, intensidad de la tos y dolor al tragar en los diferentes momentos evaluados. Se utilizarán medidas frecuencia, de tendencia central (media, mediana) y de dispersión (desviación estándar, rangos) para sintetizar y presentar estos datos de manera clara y concisa.

  2. Análisis comparativo: Comparar los grupos de intervención (gárgaras con regaliz frente a agua azucarada) en términos de su efectividad para reducir los síntomas postoperatorios.

  3. Análisis correlacional: Examinar las relaciones entre las variables relevantes, como la relación entre el uso de regaliz o agua azucarada y la reducción de síntomas postoperatorios. Las pruebas de correlación permitirán determinar la intensidad y dirección de estas relaciones.

Hipótesis de investigación

Realizar gargaras con una solución de extracto de regaliz inmediatamente antes de la inducción anestésica, previene la incidencia de odinofagia (dolor de gargante) y tos post-extubación en pacientes sometidos a intubación con tubos de doble luz.

Hipótesis estadística

El objetivo principal del estudio radica en evaluar si existen diferencias estadísticamente significativas entre las medias de los grupos sometidos a las intervenciones de regaliz y azúcar en relación con las variables seleccionadas. Estas variables incluyen: Tos_Inmed_Extubacion, Tos_30min_PACU, Dolor_30min_PACU, Odinofagia_30min_PACU (dolor al tragar), Tos_90min_PACU, Dolor_90min_PACU, Tos_4horas_post, Dolor_4horas_post, Tos_1amanecer_post y Dolor_1amanecer_post. Cada una de estas variables se analizará de forma independiente, considerando que representan distintos momentos y aspectos de la experiencia clínica postoperatoria.

Para esto, se propone usar la prueba U de Mann-Whitney ya que cumple con los supuestos necesarios:

De esta prueba se plantean las siguientes hipótesis:

Exploración de datos

El análisis exploratorio de datos es esencial para comprender la estructura y las características de los datos recolectados. A continuación, se detalla el proceso seguido, dividiendo los datos entre cuantitativos y cualitativos, así como aspectos específicos de interés como la distribución de escalas de tos y el dolor asociado.

Análisis de Datos Cuantitativos

Para iniciar, se realizó un análisis descriptivo de los datos cuantitativos. Utilizando la función tbl_summary, obtenemos estadísticos clave como la media, desviación estándar (SD), mediana, valores mínimo y máximo, así como el rango intercuartil (IQR) en las variables seleccionadas. Esto nos permite una visión general de la dispersión y tendencia central:

datos_25 |>
  tbl_summary(
    by = Tipo_Intervencion, 
    include = c(IMC, Edad),
    type = list(IMC = "continuous2", Edad = "continuous2"),
    statistic = list(
      all_continuous2() ~ c(
        "{mean} ({sd})", 
        "{median} [{p25}, {p75}]", 
        "{min} - {max}"
      )
    )
  ) |>
  modify_header(label ~ "**Variable**") |>
  modify_caption("Distribución de características físicas de los pacientes.")
Distribución de características físicas de los pacientes.
Variable Azúcar 5g
N = 68		 Regaliz 0.5g
N = 67
IMC

    Mean (SD) 28.53 (2.47) 28.62 (2.69)
    Median [Q1, Q3] 27.77 [26.52, 30.63] 28.06 [26.30, 30.12]
    Min - Max 25.04 - 34.11 25.01 - 36.33
Edad

    Mean (SD) 62 (11) 61 (10)
    Median [Q1, Q3] 64 [54, 69] 64 [55, 68]
    Min - Max 35 - 84 29 - 80

Este análisis es crucial para identificar patrones iniciales en las variables cuantitativas y determinar posibles irregularidades o distribuciones específicas.

Análisis de Datos Preoperatorios

Se evaluaron las distribuciones de las variables preoperatorias. Esto incluye la frecuencia de categorías y proporciones dentro de cada una de las variables analizadas, y estadísticos de posición y dispersión para variables continuas, brindando una perspectiva clara sobre la composición y homogeneidad de la muestra:

datos_25 |>
  tbl_summary(
    by = Tipo_Intervencion,
    include = c(Genero, Estado_Fisico, Mallampati, Habito_Fumar, Edad, IMC),
    label = list(
      Estado_Fisico = "Estado Fisico (ASA)",
      Mallampati = "Clasificación de Mallampati",
      Habito_Fumar = "Hábito de fumar",
      Edad = "Edad (años)",
      IMC = "Índice de Masa Corporal (IMC)"
    ),
    statistic = list(
      all_continuous() ~ "{mean} ± {sd}, ({IQR})" # Especifica media y desviación estándar para las variables continuas
    )
  ) |>
  modify_header(label ~ "**Variable**") |>
  modify_caption("Distribución de características preoperatorias de los pacientes.")
Distribución de características preoperatorias de los pacientes.
Variable Azúcar 5g
N = 681		 Regaliz 0.5g
N = 671
Genero

    Hombre 45 (66%) 46 (69%)
    Mujer 23 (34%) 21 (31%)
Estado Fisico (ASA)

    Paciente sano 5 (7.4%) 7 (10%)
    Enfermedad sistémica leve 44 (65%) 39 (58%)
    Enfermedad sistémica grave 19 (28%) 21 (31%)
Clasificación de Mallampati

    Clase 1 12 (18%) 16 (24%)
    Clase 2 42 (62%) 43 (64%)
    Clase 3 13 (19%) 8 (12%)
    Clase 4 1 (1.5%) 0 (0%)
Hábito de fumar

    Actual 25 (37%) 22 (33%)
    Pasado 27 (40%) 25 (37%)
    Nunca 16 (24%) 20 (30%)
Edad (años) 62 ± 11, (15) 61 ± 10, (13)
Índice de Masa Corporal (IMC) 28.53 ± 2.47, (4.03) 28.62 ± 2.69, (3.76)
1 n (%); Mean ± SD, (IQR)

Esta etapa nos permite identificar la representación de las categorías dentro de las variables y detectar cualquier desequilibrio o sesgo que pueda influir en el estudio.

Escalas de Tos en Diferentes Tiempos del Estudio

Se exploraron las variables relacionadas con las escalas de tos en momentos especificos despues de la intubación. Mediante un análisis de resumen, se pueden observar patrones de cambio o persistencia en las medidas asociadas a esta condición:

datos_25 |>
  tbl_summary(by = Tipo_Intervencion, 
              include = c(Tos_Inmed_Extubacion, Tos_30min_PACU, Tos_90min_PACU, 
                          Tos_4horas_post, Tos_1amanecer_post),
              label = list(Tos_Inmed_Extubacion = "Tos inmediata después de 
                           la extubación",
                           Tos_30min_PACU = "Tos a los 30 minutos (en PACU)", 
                           Tos_90min_PACU = "Tos a los 90 minutos (en PACU)", 
                           Tos_4horas_post = "Tos a las 4 horas postoperatorias", 
                           Tos_1amanecer_post = "Tos en la primera mañana 
                           postoperatoria")) |>
  modify_header(label ~ "**Variable**") |>
  modify_caption("Distribución de la cantidad de tos de los pacientes 
                 en momentos especificos despues de la intubación.")
Distribución de la cantidad de tos de los pacientes en momentos especificos despues de la intubación.
Variable Azúcar 5g
N = 681		 Regaliz 0.5g
N = 671
Tos inmediata después de la extubación

    Sin tos 41 (60%) 51 (76%)
    Leve 17 (25%) 13 (19%)
    Moderada 10 (15%) 3 (4.5%)
    Grave 0 (0%) 0 (0%)
Tos a los 30 minutos (en PACU)

    Sin tos 55 (81%) 59 (88%)
    Leve 11 (16%) 8 (12%)
    Moderada 2 (2.9%) 0 (0%)
    Grave 0 (0%) 0 (0%)
Tos a los 90 minutos (en PACU)

    Sin tos 54 (79%) 63 (94%)
    Leve 13 (19%) 4 (6.0%)
    Moderada 1 (1.5%) 0 (0%)
    Grave 0 (0%) 0 (0%)
Tos a las 4 horas postoperatorias

    Sin tos 44 (65%) 54 (81%)
    Leve 21 (31%) 13 (19%)
    Moderada 3 (4.4%) 0 (0%)
    Grave 0 (0%) 0 (0%)
Tos en la primera mañana postoperatoria

    Sin tos 35 (51%) 51 (76%)
    Leve 29 (43%) 14 (21%)
    Moderada 3 (4.4%) 1 (1.5%)
    Grave 1 (1.5%) 1 (1.5%)
1 n (%)

Dolor de Garganta y Dolor al Deglutir (Odinofagia)

Finalmente, se analizaron las variables relacionadas con el dolor de garganta y la odinofagia en diversos momentos despues de la intubación. Los estadísticos descriptivos obtenidos proporcionan una perspectiva sobre la intensidad y distribución de estas condiciones entre los participantes:

var <- c("Dolor de garganta a los 30 minutos (en PACU)",
         "Intensidad de odinofagia a los 30 minutos (en PACU)",
         "Dolor de garganta a los 90 minutos (en PACU)",
         "Dolor de garganta a las 4 horas postoperatorias",
         "Dolor de garganta en la primera mañana postoperatoria")
datos_25 |>
  tbl_summary(by = Tipo_Intervencion, 
              include = c(Dolor_30min_PACU, Odinofagia_30min_PACU, Dolor_90min_PACU, 
                          Dolor_4horas_post, Dolor_1amanecer_post),
              label = list(Dolor_30min_PACU = var[1],
                           Odinofagia_30min_PACU = var[2],
                           Dolor_90min_PACU = var[3], 
                           Dolor_4horas_post = var[4], 
                           Dolor_1amanecer_post = var[5])) |>
  modify_header(label ~ "**Variable**") |>
  modify_caption("Distribución de la intensidad del dolor de garganta y odinofagia de 
                 los pacientes en momentos especificos despues de la intubación.") |>
  as_kable_extra(longtable = TRUE, booktabs = TRUE) |>
  kable_styling(full_width = FALSE, position = "center")
Distribución de la intensidad del dolor de garganta y odinofagia de
los pacientes en momentos especificos despues de la intubación.
Variable Azúcar 5g
N = 68 		Regaliz 0.5g
N = 67
Dolor de garganta a los 30 minutos (en PACU)
0 44 (65%) 54 (81%)
1 1 (1.5%) 9 (13%)
2 11 (16%) 1 (1.5%)
3 6 (8.8%) 2 (3.0%)
4 5 (7.4%) 1 (1.5%)
5 0 (0%) 0 (0%)
6 1 (1.5%) 0 (0%)
7 0 (0%) 0 (0%)
8 0 (0%) 0 (0%)
9 0 (0%) 0 (0%)
10 0 (0%) 0 (0%)
Intensidad de odinofagia a los 30 minutos (en PACU)
0 44 (65%) 55 (82%)
1 1 (1.5%) 8 (12%)
2 7 (10%) 2 (3.0%)
3 4 (5.9%) 0 (0%)
4 5 (7.4%) 1 (1.5%)
5 2 (2.9%) 0 (0%)
6 1 (1.5%) 1 (1.5%)
7 1 (1.5%) 0 (0%)
8 1 (1.5%) 0 (0%)
9 1 (1.5%) 0 (0%)
10 1 (1.5%) 0 (0%)
Dolor de garganta a los 90 minutos (en PACU)
0 44 (65%) 59 (88%)
1 5 (7.4%) 6 (9.0%)
2 13 (19%) 1 (1.5%)
3 1 (1.5%) 1 (1.5%)
4 5 (7.4%) 0 (0%)
5 0 (0%) 0 (0%)
6 0 (0%) 0 (0%)
7 0 (0%) 0 (0%)
8 0 (0%) 0 (0%)
9 0 (0%) 0 (0%)
10 0 (0%) 0 (0%)
Dolor de garganta a las 4 horas postoperatorias
0 37 (54%) 50 (75%)
1 16 (24%) 6 (9.0%)
2 8 (12%) 9 (13%)
3 5 (7.4%) 2 (3.0%)
4 2 (2.9%) 0 (0%)
5 0 (0%) 0 (0%)
6 0 (0%) 0 (0%)
7 0 (0%) 0 (0%)
8 0 (0%) 0 (0%)
9 0 (0%) 0 (0%)
10 0 (0%) 0 (0%)
Dolor de garganta en la primera mañana postoperatoria
0 38 (56%) 50 (75%)
1 18 (26%) 10 (15%)
2 10 (15%) 4 (6.0%)
3 1 (1.5%) 3 (4.5%)
4 1 (1.5%) 0 (0%)
5 0 (0%) 0 (0%)
6 0 (0%) 0 (0%)
7 0 (0%) 0 (0%)
8 0 (0%) 0 (0%)
9 0 (0%) 0 (0%)
10 0 (0%) 0 (0%)
1 n (%)

Prueba U de Mann-Whitney

Observamos una diferencia entre las frecuencias de los mediciones de las variables de interes (tos, dolor y odinofagia postoperatoria) de cada intervencion, por lo que se procede a realizar la prueba de hipotesis, utilizando la prueba U de Mann-whitney con un nivel de significancia de \(\alpha = 0.05\) para una prueba de una cola

# Lista de variables a analizar
variables <- c(
  "Tos_Inmed_Extubacion", 
  "Tos_30min_PACU", 
  "Dolor_30min_PACU", 
  "Odinofagia_30min_PACU", 
  "Tos_90min_PACU", 
  "Dolor_90min_PACU", 
  "Tos_4horas_post", 
  "Dolor_4horas_post", 
  "Tos_1amanecer_post", 
  "Dolor_1amanecer_post"
)

# Crear dataframe para almacenar resultados
resultados <- data.frame(
  Variable = character(),
  p.value = numeric(),
  stringsAsFactors = FALSE
)

# Realizar pruebas para cada variable
for (var in variables) {
  # Dividir los datos por grupo de tratamiento y convertir a numérico
  grupo_azucar <- datos25[datos25$Tipo_Intervencion == "Azúcar 5g", var]
  grupo_regaliz <- datos25[datos25$Tipo_Intervencion == "Regaliz 0.5g", var]
  
  # Realizar prueba U de Mann-Whitney de una cola
  prueba <- wilcox.test(grupo_regaliz, grupo_azucar, alternative = "less", exact = FALSE)
  
  # Almacenar resultados
  resultados <- rbind(resultados, data.frame(
    Variable = var,
    p.value = prueba$p.value
  ))
}

# Formatear p-values para mejor visualización
resultados$p.value <- format.pval(resultados$p.value, digits = 3, eps = 0.001)

# Mejorar los nombres de las variables
nombres_descriptivos <- c(
  "Tos_Inmed_Extubacion" = "Tos inmediata post-extubación",
  "Tos_30min_PACU" = "Tos a 30 min en PACU",
  "Dolor_30min_PACU" = "Dolor a 30 min en PACU",
  "Odinofagia_30min_PACU" = "Dolor al tragar a 30 min",
  "Tos_90min_PACU" = "Tos a 90 min en PACU",
  "Dolor_90min_PACU" = "Dolor a 90 min en PACU",
  "Tos_4horas_post" = "Tos a 4 horas post-op",
  "Dolor_4horas_post" = "Dolor a 4 horas post-op",
  "Tos_1amanecer_post" = "Tos al 1er amanecer post-op",
  "Dolor_1amanecer_post" = "Dolor al 1er amanecer post-op"
)

resultados$Variable <- nombres_descriptivos[resultados$Variable]

# Formatear como tabla con kable
knitr::kable(
  resultados,
  col.names = c("Variable", "Valor p"),
  caption = "Resultados de pruebas U de Mann-Whitney (una cola)",
  align = c("l", "c"),
  row.names = FALSE
)
Resultados de pruebas U de Mann-Whitney (una cola)
Variable Valor p
Tos inmediata post-extubación 0.01597
Tos a 30 min en PACU 0.11560
Dolor a 30 min en PACU 0.00528
Dolor al tragar a 30 min 0.00266
Tos a 90 min en PACU 0.00623
Dolor a 90 min en PACU < 0.001
Tos a 4 horas post-op 0.01531
Dolor a 4 horas post-op 0.01114
Tos al 1er amanecer post-op 0.00174
Dolor al 1er amanecer post-op 0.01548

Se procede a organizar los datos necesarios para representar gráficamente el valor medio junto con el margen de error, a fin de visualizar de manera clara y precisa las diferencias entre los valores medios obtenidos. Este paso incluye la selección adecuada de las variables relevantes, el cálculo de los promedios y sus respectivos errores, y la estructuración de los datos en un formato que facilite su graficación. Además, se busca que la representación gráfica no solo muestre las diferencias numéricas, sino que también permita interpretar patrones o tendencias, asegurando una comunicación efectiva de los resultados.

# Definir variables de interés
variables_tos <- c("Tos_Inmed_Extubacion", "Tos_30min_PACU", "Tos_90min_PACU", 
                   "Tos_4horas_post", "Tos_1amanecer_post")
variables_dolor <- c("Dolor_30min_PACU", "Odinofagia_30min_PACU", 
                     "Dolor_90min_PACU", "Dolor_4horas_post", "Dolor_1amanecer_post")

# Función para calcular estadísticos descriptivos
calcular_estadisticos <- function(datos, vars) {
  resultados <- data.frame()
  
  for(var in vars) {
    # Convertir a numérico
    valores <- datos[[var]]
    
    # Calcular estadísticos por grupo
    stats <- aggregate(valores ~ Tipo_Intervencion, data = datos,
                      FUN = function(x) c(media = mean(x), sd = sd(x), n = length(x)))
    
    # Convertir a dataframe
    stats_df <- data.frame(
      Variable = var,
      Tipo_Intervencion = stats$Tipo_Intervencion,
      Media = stats$valores[, "media"],
      Desviacion = stats$valores[, "sd"],
      N = stats$valores[, "n"],
      Error = stats$valores[, "sd"]/sqrt(stats$valores[, "n"])
    )
    
    resultados <- rbind(resultados, stats_df)
  }
  
  return(resultados)
}

# Calcular estadísticos para tos y dolor
datos_tos <- calcular_estadisticos(datos25, variables_tos)
datos_dolor <- calcular_estadisticos(datos25, variables_dolor)

Una vez estructurada la información, el siguiente paso es crear las gráficas que representen los valores medios de las frecuencias de cada variable relacionada con la tos postoperatoria.

# Gráfico para Tos
ggplot(datos_tos, aes(x = Variable, y = Media, fill = Tipo_Intervencion)) +
  geom_errorbar(
    aes(ymin = Media - Error, ymax = Media + Error),
    width = 0.2,
    position = position_dodge(width = 0.9)
  ) +
  geom_point(
    aes(color = Tipo_Intervencion),
    position = position_dodge(width = 0.9),
    size = 2
  ) +
  theme_minimal() +
  labs(
    title = "Gráfico descriptivo: Variables de Tos",
    x = "Variables",
    y = "Valores promedio"
  ) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Una vez organizada la información sobre las variables relacionadas con la tos postoperatoria, se sigue un procedimiento similar para las variables de dolor y odinofagia.

# Gráfico para Dolor|Odinofagia
ggplot(datos_dolor, aes(x = Variable, y = Media, fill = Tipo_Intervencion)) +
  geom_errorbar(
    aes(ymin = Media - Error, ymax = Media + Error),
    width = 0.2,
    position = position_dodge(width = 0.9)
  ) +
  geom_point(
    aes(color = Tipo_Intervencion),
    position = position_dodge(width = 0.9),
    size = 2
  ) +
  theme_minimal() +
  labs(
    title = "Gráfico descriptivo: Variables de Dolor y Odinofagia",
    x = "Variables",
    y = "Valores promedio"
  ) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Analisis de correlación

El coeficiente de correlación de Spearman (\(\rho\)) es adecuado para este análisis porque:

  1. No requiere normalidad de los datos ni relaciones lineales, siendo robusto para variables ordinales como escalas de dolor (0-10) y tos (0-3).
  2. Evalúa relaciones monótonas (crecientes o decrecientes consistentes), ideal para rangos ordinales donde las distancias entre categorías no son uniformes.
  3. Maneja outliers mejor que Pearson, crucial en datos clínicos con posibles valores extremos.

Ademas:

  • No asume intervalos iguales entre categorías (ej.: diferencia entre “Leve” (1) y “Moderado” (2) puede no ser igual que entre “Moderado” (2) y “Grave” (3)).

  • Apropiado para pequeñas muestras y datos no paramétricos.

vars <- c("Genero", "Estado_Fisico", "IMC", "Edad", "Mallampati", "Habito_Fumar", 
          "Tamano_Cirugia", "Tos_Inmed_Extubacion", "Tos_30min_PACU", "Dolor_30min_PACU",
          "Odinofagia_30min_PACU", "Tos_90min_PACU", "Dolor_90min_PACU", "Tos_4horas_post",
          "Dolor_4horas_post", "Tos_1amanecer_post", "Dolor_1amanecer_post")
datos_cor <- datos25[, vars]

# Calcular matriz de correlación de Spearman
cor_matrix <- cor(datos_cor, method = "spearman", use = "complete.obs")

# Nombres descriptivos para las variables
nombres_descriptivos <- c(
  "Genero" = "Género",
  "Estado_Fisico" = "Estado Físico (ASA)",
  "IMC" = "Índice Masa Corporal",
  "Edad" = "Edad",
  "Mallampati" = "Clase Mallampati",
  "Habito_Fumar" = "Hábito de Fumar",
  "Tamano_Cirugia" = "Tamaño Cirugía",
  "Tos_Inmed_Extubacion" = "Tos Post-Extubación",
  "Tos_30min_PACU" = "Tos 30 min PACU",
  "Dolor_30min_PACU" = "Dolor 30 min PACU",
  "Odinofagia_30min_PACU" = "Odinofagia 30 min",
  "Tos_90min_PACU" = "Tos 90 min PACU",
  "Dolor_90min_PACU" = "Dolor 90 min PACU",
  "Tos_4horas_post" = "Tos 4h Post-Op",
  "Dolor_4horas_post" = "Dolor 4h Post-Op",
  "Tos_1amanecer_post" = "Tos Día+1",
  "Dolor_1amanecer_post" = "Dolor Día+1"
)

# Aplicar nombres descriptivos
colnames(cor_matrix) <- rownames(cor_matrix) <- nombres_descriptivos[colnames(cor_matrix)]

# Crear gráfico de correlación
corrplot(cor_matrix,
         method = "color",        # Método de visualización
         type = "upper",          # Mostrar solo triangular superior
         order = "original",        # Ordenar por cluster jerárquico
         tl.col = "black",        # Color del texto
         tl.srt = 45,            # Rotación de etiquetas (45°)
         tl.cex = 0.7,           # Tamaño del texto de las etiquetas
         addCoef.col = "black",  # Color de los coeficientes
         number.cex = 0.5,       # Tamaño de los coeficientes
         diag = FALSE,           # Omitir diagonal (autocorrelaciones)
         title = "Matriz de Correlación Spearman\nVariables Clínicas y Postoperatorias",
         mar = c(0, 0, 2, 0))   # Márgenes (inferior, izquierdo, superior, derecho)

Recordemos los rangos relación:

  • 0 - 0.25: Escasa o nula

  • 0.26 - 0.50: Débil

  • 0.51 - 0.75: Entre moderada y fuerte

  • 0.76 - 1.00: Entre fuerte y perfecta 5 (11).

Interpretación de resultados

Analisis Exploratorio

Al analizar las variables preoperatorias categóricas, se identificó una notable similitud en las frecuencias de datos registradas. Esto sugiere que los patrones de distribución en las variables categóricas son consistentes entre ambos grupos de tratamiento, lo que podría reflejar condiciones iniciales comparables o equilibradas en términos de estas características específicas.

De igual manera, al examinar las variables continuas, también se observa una distribución similar en ambos grupos. Este comportamiento consistente en las variables continuas refuerza la idea de que las características preoperatorias presentan un nivel de homogeneidad que facilita una base adecuada para realizar comparaciones entre los grupos.

Estos hallazgos permiten suponer que los dos grupos se encuentran en condiciones similares antes de la intervención, aportando confianza en la validez del análisis comparativo que se derive de los datos. Además, esta distribución consistente podría ser indicativa de una metodología robusta en la selección y recopilación de los datos preoperatorios.

Prueba de hipótesis

Hipótesis evaluada: El grupo de Regaliz tiene valores menores (menos tos/dolor) que el grupo Azúcar, con un nivel de significancia de \(\alpha = 0.05\).

Resultados significativos (\(p < 0.05\))

  1. Tos inmediata post-extubación (\(p = 0.016\)): El grupo Regaliz tuvo significativamente menos tos justo después de la extubación en comparación con Azúcar.

  2. Dolor a 30 min en PACU (\(p = 0.005\)): El dolor reportado a los 30 minutos postoperatorios fue menor en el grupo Regaliz.

  3. Dolor al tragar a 30 min (\(p = 0.003\)): La odinofagia (dolor al tragar) fue significativamente menos severa en el grupo Regaliz.

  4. Tos a 90 min en PACU (\(p = 0.006\)): Reducción significativa en la tos a los 90 minutos postoperatorios con Regaliz.

  5. Dolor a 90 min en PACU (\(p < 0.001\)): Fuerte evidencia de que el Regaliz redujo el dolor a los 90 minutos (el resultado más significativo del estudio).

  6. Tos a 4 horas post-op (\(p = 0.015\)): Efecto persistente: menos tos incluso a las 4 horas postoperatorias.

  7. Dolor a 4 horas post-op (\(p = 0.011\)): Dolor significativamente menor en el grupo Regaliz a las 4 horas.

  8. Tos al 1er amanecer post-op (\(p = 0.002\)): Beneficio prolongado hasta el primer día postoperatorio.

  9. Dolor al 1er amanecer post-op (\(p = 0.015\)): Dolor reducido al despertar después de la cirugía.

Resultado no significativo

  1. Tos a 30 min en PACU (\(p = 0.116\)): No hubo diferencia significativa entre grupos a los 30 minutos (aunque la tendencia favorece a Regaliz, no alcanza significancia estadística).

Análisis de correlación

La matriz de correlación nos proporciona una visión cuantitativa de las relaciones entre diferentes variables medidas en el estudio. Algunas conclusiones clave son las siguientes:

  • Mallampati e IMC: Se observa una correlación moderada positiva (0.27) entre el índice de Mallampati y el IMC, lo que podría sugerir que pacientes con mayor IMC tienden a obtener puntuaciones más altas en Mallampati.

  • Dolor y Tos en la PACU: Las variables relacionadas con el dolor y la tos en diferentes momentos en la PACU están altamente correlacionadas. Por ejemplo, la correlación entre Dolor_30min_PACU y Odinofagia_30min_PACU es de 0.94, lo que indica una fuerte relación entre ambas variables. Esto sugiere que el dolor de garganta y el dolor al tragar podrían estar asociados en estos pacientes.

  • Tamaño de la cirugía: La variable Tamaño_Cirugía muestra correlaciones positivas moderadas con las variables relacionadas al dolor postoperatorio, como Dolor_30min_PACU (0.23) y Dolor_90min_PACU (0.23). Esto podría implicar que procedimientos quirúrgicos más grandes se asocian con mayores niveles de dolor.

  • Relación en el tiempo: Las mismas variables en diferentes momentos postoperatorios tienden a correlacionarse entre sí, lo cual es esperable. Por ejemplo, Dolor_30min_PACU está relacionado con Dolor_90min_PACU (0.87) y Dolor_4horas_post (0.33).

Conclusiones

El análisis exploratorio muestra una distribución homogénea en las variables preoperatorias categóricas y continuas, lo que respalda una base equilibrada para comparar ambos grupos. Los resultados de hipótesis validan que el grupo de Regaliz experimentó menores síntomas postoperatorios, destacando su eficacia en comparación con Azúcar. Las correlaciones refuerzan patrones relevantes.

Bibliografía

1.
El-Boghdadly K, Bailey C, Wiles M. Postoperative sore throat: A systematic review. Anaesthesia. 2016;71(6):706–17.
2.
Prokakis C, Koletsis EN, Dedeilias P, Fligou F, Filos K, Dougenis D. Airway trauma: A review on epidemiology, mechanisms of injury, diagnosis and treatment. Journal of cardiothoracic surgery. 2014;9:1–8.
3.
Hu B, Bao R, Wang X, Liu S, Tao T, Xie Q, et al. The size of endotracheal tube and sore throat after surgery: A systematic review and meta-analysis. PloS one. 2013;8(10):e74467.
4.
Liao AHW, Yeoh SR, Yu-Cih L, Lam F, Ta-Liang C, Chien-Yu C. Lidocaine lubricants for intubation-related complications: A systematic review and meta-analysis. Canadian Journal of Anesthesia. 2019;66(10):1221–39.
5.
Lewis S, Butler A, Parker J, Cook T, Schofield-Robinson O, Smith A. Videolaryngoscopy versus direct laryngoscopy for adult patients requiring tracheal intubation: A cochrane systematic review. BJA: British Journal of Anaesthesia. 2017;119(3):369–83.
6.
Tazeh-Kand NF, Eslami B, Mohammadian K. Inhaled fluticasone propionate reduces postoperative sore throat, cough, and hoarseness. Anesthesia & Analgesia. 2010;111(4):895–8.
7.
Canbay O, Celebi N, Sahin A, Celiker V, Ozgen S, Aypar U. Ketamine gargle for attenuating postoperative sore throat. British journal of anaesthesia. 2008;100(4):490–3.
8.
Wang HW, Chao PZ, Lee FP, Wang JY. Benzydamine oral spray inhibiting parasympathetic function of tracheal smooth muscle. Clinical and experimental otorhinolaryngology. 2015;8(1):65.
9.
Agarwal A, Gupta D, Yadav G, Goyal P, Singh PK, Singh U. An evaluation of the efficacy of licorice gargle for attenuating postoperative sore throat: A prospective, randomized, single-blind study. Anesthesia & Analgesia. 2009;109(1):77–81.
10.
Yang R, Yuan BC, Ma YS, Zhou S, Liu Y. The anti-inflammatory activity of licorice, a widely used chinese herb. Pharmaceutical biology. 2017;55(1):5–18.
11.
Martı́nez Ortega RM, Tuya Pendás LC, Martı́nez Ortega M, Pérez Abreu A, Cánovas AM. El coeficiente de correlación de los rangos de spearman caracterización. Revista Habanera de Ciencias Médicas. 2009;8(2):0–0.