ST_final

Conclusions generals i informe

🧩 Resumeix en 3 o 4 frases els patrons principals que has observat a les dades. Pensa en edat, sexe, ús de recursos i resultats clínics (ingrés, alta…).

Analitzem una bbdd amb 300 pacients amb 8 variables recollides com són edat, sexe, nivell de complexitat, visites el darrer any, si ha estat ingressat o no amb els dies d’estada, la prioritat i el temps d’espera en dies.

En el cas d’edat, l’edat mitjana és de 60,8 anys, amb una sd de 14,4 anys. Observo amb boxplot(dades$edat, horizontal = T, col = "red") i amb boxplot.stats(dades$edat) que hi ha 3 outliers (11, 101 i 118 anys). Decideixo no elimar-los ja que són molt pocs outliers. Revisant el df amb colSums(is.na(dades)), veig que només hi ha “NA a la columna edat (n10) i prioritat (n8). Faig una taula amb les 2 columnes i veig que els NA no coincideixen pel que decideixo deixar-los a l’anàlisi. En el cas de sexe, hi ha recollits alguns casos com a H i D i la majoria com a Home i Dona el que m’ha fet recodificar el dataframe fent servir mutate el que m’ha permès observar que la distribució és similar.

{{< dades <- dades %>% mutate(sexe=case_when( sexe== "D" ~ "Dona", sexe== "H" ~ "Home", TRUE ~ sexe )) >}}

L’edat mitjana és de 60,8 anys pels dos sexes, sense observar-se diferències significatives (p=0.9985)_test aplicat t.test(edat ~ sexe, data = dades, var.equal = TRUE).

Un 23% de pacients acaben ingressant dels quals el 51% són dones (Figura). No hi ha una diferència significativa entre el sexe i el recurs utilitzat (p=1)_test aplicat Chi-quadrat (adequat per variables categòriques) chisq.test(taula_creuada), tampoc hi ha diferència en la proporció d’ingressos entre els diferents nivells de prioritat (p=0.3867)_test aplicat chisq.test(taula), ni entre les edats mitjanes dels grups de complexitat (p=0.108)_test aplicat aov(edat ~ complexitat, data = dades)

Tampoc s’observa diferència significativa entre l’edat i els dies d’estada (p=0.4863)_test aplicat cor.test(dades$edat, dades$dies_estada, method = "pearson"), ni entre el sexe i els dies d’estada (p=0.6846)_test aplicat t.test(dies_estada ~ sexe, data = dades), ni entre la complexitat i els dies d’estada

🧩 Hi ha alguna diferència rellevant entre grups (per exemple, segons prioritat o complexitat) que pugui tenir implicacions operatives o d’organització?

No trobo diferències significatives que puguin tenir implicacions operatives o funcionals.

🧩 Proposa una variable addicional que hauria estat útil tenir en aquest estudi per comprendre millor els resultats. Justifica per què.

Propossaria: Comorbiditats o índex de gravetat clínica (p. ex. nombre o tipus de malalties associades)

Justificació:

Tant la complexitat com els dies d’estada poden estar influenciats per la presència i la gravetat de comorbiditats en el pacient, que no s’ha considerat explícitament.

L’edat i el sexe per si sols no sempre expliquen adequadament la variabilitat en l’estada o la complexitat; afegir una mesura clínica que reflecteixi la gravetat o multiplicitat de problemes de salut podria revelar associacions ocultes.

Aquest tipus de variable podria ajudar a estratificar els pacients segons risc real i, per tant, a interpretar millor les relacions entre recursos utilitzats i resultats clínics.

També podria ser útil per detectar si la manca d’associació entre complexitat i dies d’estada es deu a que la complexitat mesurada no incorpora factors clínics rellevants.

🧩 Redacta un breu informe (5–7 línies) com si haguessis de presentar-ho a la direcció mèdica o a l’equip gestor. Explica què s’ha analitzat, què s’ha observat i què recomanaries revisar.

Informe breu per a direcció mèdica:

S’ha realitzat una anàlisi descriptiva i estadística d’una base de dades amb 300 pacients, amb variables clau com edat, sexe, complexitat, ingressos, dies d’estada, prioritat i temps d’espera. No s’han trobat diferències estadísticament significatives entre grups segons sexe, prioritat o complexitat respecte a ingressos, dies d’estada o edat, fet que indica una certa homogeneïtat en aquests aspectes. Tot i això, es detecten valors atípics en edat i presència de dades mancants, que s’han mantingut per evitar biaixos. Es recomana incorporar a futurs estudis variables que reflecteixin la gravetat clínica o comorbiditats, ja que podrien aportar informació rellevant per comprendre millor la variabilitat en la complexitat i els recursos utilitzats, i ajudar a optimitzar la planificació assistencial.

René Robles Cedeño
25/05/2025