Semana 5- Aseguramiento de datos

PRINCIPIOS DE ASEGURAMIENTO: ANÁLISIS EXPLORATORIO DE DATOS

Parte 1: Desarrollo de la Guía de clase

1. Instalación y cargar paquetes que vamos a usar

library(egg)

## Warning: package 'egg' was built under R version 4.5.3

## Cargando paquete requerido: gridExtra

## Warning: package 'gridExtra' was built under R version 4.5.2

## Cargando paquete requerido: ggplot2

## Warning: package 'ggplot2' was built under R version 4.5.3

# Instalar y cargar paquetes
pacman::p_load(
  readxl,          # Importar archivos de Excel
  dlookr,          # Diagnóstico y exploración de datos
  DataExplorer,    # Exploración de datos
  ggplot2,         # Visualización
  gtsummary,       # Resúmenes estadísticos
  skimr,           # Resumen de datos
  visdat,          # Visualización de valores NA
  corrplot,        # Matriz de correlación
  plotly,          # Gráficos interactivos
  missRanger,      # Imputación de valores faltantes
  flextable,       # Tablas para informes
  tidyverse        # Colección de paquetes para ciencia de datos
)

2. Establecer Directorio de trabajo

setwd("~/MAESTRIA EPIDEMIOLOGIA ICESI/aseguramiento_datos/semana5-6")

2.1 Cargar Base de Datos

library(readxl)
cardiology_dataset <- read_excel("cardiology_dataset.xlsx")
View(cardiology_dataset)

Cambiar nombre de BD a data

data <-cardiology_dataset

2.2 Estructura y contenido del conjunto de datos

head(data, 10)

## # A tibble: 10 × 23
##    patient_id   age sex      bmi systolic_bp diastolic_bp chol_total   ldl   hdl
##         <dbl> <dbl> <chr>  <dbl>       <dbl>        <dbl>      <dbl> <dbl> <dbl>
##  1          1    71 Male    23.8         124           66        120    85    15
##  2          2    63 Male    30.8         117           83        188   131    34
##  3          3    73 Female  27.8         105           65        226   129    37
##  4          4    85 Female  20           119           93        229    99    52
##  5          5    62 Female  30.1         102           78        203   120    53
##  6          6    62 Female  25.1         172           92        236   166    60
##  7          7    86 Male    32.4         130           75        302    91    NA
##  8          8    75 Male    28           129           83        268    61    30
##  9          9    59 Female  30           142           82        179   134    NA
## 10         10    72 Female  23.2         149           80        142   117    NA
## # ℹ 14 more variables: triglycerides <dbl>, ejection_fraction <dbl>,
## #   troponin <dbl>, creatinine <dbl>, diabetes <chr>, hypertension <chr>,
## #   heart_failure <chr>, smoking_status <chr>, treat_statin <chr>,
## #   treat_beta_blocker <chr>, treat_acei <chr>, length_of_stay <dbl>,
## #   mortality_30d <chr>, readmission_30d <chr>

data %>% dplyr::glimpse()

## Rows: 2,506
## Columns: 23
## $ patient_id         <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, …
## $ age                <dbl> 71, 63, 73, 85, 62, 62, 86, 75, 59, 72, 59, 59, 68,…
## $ sex                <chr> "Male", "Male", "Female", "Female", "Female", "Fema…
## $ bmi                <dbl> 23.8, 30.8, 27.8, 20.0, 30.1, 25.1, 32.4, 28.0, 30.…
## $ systolic_bp        <dbl> 124, 117, 105, 119, 102, 172, 130, 129, 142, 149, 1…
## $ diastolic_bp       <dbl> 66, 83, 65, 93, 78, 92, 75, 83, 82, 80, 76, 84, 71,…
## $ chol_total         <dbl> 120, 188, 226, 229, 203, 236, 302, 268, 179, 142, 1…
## $ ldl                <dbl> 85, 131, 129, 99, 120, 166, 91, 61, 134, 117, 99, 1…
## $ hdl                <dbl> 15, 34, 37, 52, 53, 60, NA, 30, NA, NA, 31, NA, 41,…
## $ triglycerides      <dbl> 70, 125, 192, 170, 124, 150, 108, 148, 357, 258, 15…
## $ ejection_fraction  <dbl> 49.9, 67.5, 74.0, 66.7, 60.6, 62.6, 73.6, 62.6, 49.…
## $ troponin           <dbl> 0.045, 0.036, 0.089, 0.060, 0.060, 0.057, 0.079, 0.…
## $ creatinine         <dbl> 0.96, 0.95, 0.98, NA, 0.93, NA, 0.96, 0.77, NA, NA,…
## $ diabetes           <chr> "Yes", "No", "Yes", "No", "No", "Yes", "No", "Yes",…
## $ hypertension       <chr> "No", "No", "Yes", "Yes", "No", "Yes", "No", "Yes",…
## $ heart_failure      <chr> "No", "No", "No", "No", "No", "No", "Yes", "Yes", "…
## $ smoking_status     <chr> "Never", "Former", NA, NA, "Never", "Never", "Forme…
## $ treat_statin       <chr> "No", "Yes", "No", "Yes", "Yes", "Yes", "No", "Yes"…
## $ treat_beta_blocker <chr> "Yes", "Yes", "Yes", "Yes", "Yes", "No", "Yes", "Ye…
## $ treat_acei         <chr> "No", "No", "No", "Yes", "No", "No", "No", "No", "Y…
## $ length_of_stay     <dbl> 4, 3, 6, 7, 6, 8, 5, 7, 6, 6, 7, 7, 7, 4, 6, 6, 6, …
## $ mortality_30d      <chr> "No", "Yes", "No", "Yes", "No", "Yes", "Yes", "No",…
## $ readmission_30d    <chr> "No", "No", "No", "Yes", "No", "Yes", "No", "No", "…

3. Diagnóstico de datos

Podemos pensar en diagnosticar nuestros datos de manera similar al diagnóstico de una enfermedad: solo tratamos de descubrir qué es lo que está mal.

El diagnóstico de datos es un proceso importante para conocer la estructura y calidad de los datos antes de realizar cualquier análisis.

data %>%  
  diagnose() %>%
  flextable()

variables	types	missing_count	missing_percent	unique_count	unique_rate
patient_id	numeric	0	0.0000000	2,500	0.9976057462
age	numeric	0	0.0000000	72	0.0287310455
sex	character	0	0.0000000	2	0.0007980846
bmi	numeric	10	0.3990423	261	0.1041500399
systolic_bp	numeric	0	0.0000000	103	0.0411013567
diastolic_bp	numeric	0	0.0000000	62	0.0247406225
chol_total	numeric	451	17.9968077	192	0.0766161213
ldl	numeric	10	0.3990423	157	0.0626496409
hdl	numeric	448	17.8770950	83	0.0331205108
triglycerides	numeric	0	0.0000000	239	0.0953711093
ejection_fraction	numeric	0	0.0000000	422	0.1683958500
troponin	numeric	10	0.3990423	276	0.1101356744
creatinine	numeric	451	17.9968077	143	0.0570630487
diabetes	character	0	0.0000000	2	0.0007980846
hypertension	character	0	0.0000000	2	0.0007980846
heart_failure	character	0	0.0000000	2	0.0007980846
smoking_status	character	449	17.9169992	4	0.0015961692
treat_statin	character	0	0.0000000	2	0.0007980846
treat_beta_blocker	character	0	0.0000000	2	0.0007980846
treat_acei	character	0	0.0000000	2	0.0007980846
length_of_stay	numeric	0	0.0000000	15	0.0059856345
mortality_30d	character	0	0.0000000	2	0.0007980846
readmission_30d	character	0	0.0000000	2	0.0007980846

3.2 Variables categóricas

Hablando de variables categóricas: usando la función diagnostic_category() podemos diagnosticar todas las variables categóricas de nuestro conjunto de datos a la vez. Dicho diagnóstico revela los nombres de las categorías, sus conteos y porcentajes e incluso el número de clasificación de la categoría más grande a la más pequeña.

variables: nombres de variables

levels: nombres de niveles/categorias

N: número de observaciones

freq: número de observación en los niveles/categorias

ratio: porcentaje de observación en los niveles

rank: rango de tasa de ocupación de los niveles

data %>% 
  diagnose_category() %>%
  flextable()

variables	levels	N	freq	ratio	rank
sex	Male	2,506	1,341	53.511572	1
sex	Female	2,506	1,165	46.488428	2
diabetes	No	2,506	1,756	70.071828	1
diabetes	Yes	2,506	750	29.928172	2
hypertension	Yes	2,506	1,508	60.175579	1
hypertension	No	2,506	998	39.824421	2
heart_failure	No	2,506	1,868	74.541101	1
heart_failure	Yes	2,506	638	25.458899	2
smoking_status	Never	2,506	939	37.470072	1
smoking_status	Former	2,506	713	28.451716	2
smoking_status		2,506	449	17.916999	3
smoking_status	Current	2,506	405	16.161213	4
treat_statin	Yes	2,506	1,770	70.630487	1
treat_statin	No	2,506	736	29.369513	2
treat_beta_blocker	Yes	2,506	1,467	58.539505	1
treat_beta_blocker	No	2,506	1,039	41.460495	2
treat_acei	Yes	2,506	1,255	50.079808	1
treat_acei	No	2,506	1,251	49.920192	2
mortality_30d	No	2,506	2,282	91.061453	1
mortality_30d	Yes	2,506	224	8.938547	2
readmission_30d	No	2,506	2,113	84.317638	1
readmission_30d	Yes	2,506	393	15.682362	2

3.3 Variables numéricas

El diagnóstico de todas las variables numéricas a la vez es igualmente fácil. La función diagnostic_numeric() no solo calcula las estadísticas descriptivas más comunes, como mínimo, primer cuartil, promedio, mediana, tercer cuartil y máximo, sino que también le brinda la cantidad de ceros, valores negativos e incluso la cantidad de posibles valores atípicos para cada variable numérica.

data %>% 
  dplyr::select(
    patient_id,
    age,
    bmi,
    systolic_bp,
    diastolic_bp,
    chol_total,
    ldl,
    hdl,
    triglycerides,
    ejection_fraction,
    troponin,
    creatinine,
    length_of_stay
  ) %>% 
  diagnose_numeric() %>% 
  flextable()

variables	min	Q1	mean	median	Q3	max	zero	minus	outlier
patient_id	1.00	626.25000	1,251.07501995	1,251.500	1,875.750	2,500.00	0	0	0
age	-5.00	57.00000	65.38268156	65.000	74.000	160.00	0	1	15
bmi	-3.00	24.40000	27.85729167	27.800	31.300	95.00	0	1	12
systolic_bp	-20.00	117.00000	130.40502793	130.000	144.000	198.00	0	1	10
diastolic_bp	50.00	73.00000	79.76217079	80.000	86.000	114.00	0	0	29
chol_total	120.00	173.00000	201.19805353	201.000	228.000	337.00	0	0	9
ldl	50.00	100.00000	120.71634615	121.000	141.000	250.00	0	0	6
hdl	15.00	40.00000	50.20505345	50.000	61.000	100.00	0	0	5
triglycerides	50.00	121.00000	155.31843575	149.000	182.000	439.00	0	0	40
ejection_fraction	18.40	47.82500	54.68599362	54.900	61.400	120.00	0	0	6
troponin	-0.50	0.02975	0.09874279	0.051	0.085	75.00	0	1	167
creatinine	0.42	0.83000	1.02418978	0.990	1.190	2.31	0	0	24
length_of_stay	1.00	4.00000	6.03711093	6.000	7.000	15.00	0	0	43

#3.4 Valores atípicos (outliers) #

Esto incluye la identificación de valores extremos o anómalos en el conjunto de datos que puedan afectar los resultados de los análisis.

data %>%
  dplyr::select(-patient_id) %>%
  diagnose_outlier() %>%
  flextable()

variables	outliers_cnt	outliers_ratio	outliers_mean	with_mean	without_mean
age	15	0.5985634	35.0000000	65.38268156	65.56563629
bmi	12	0.4788508	43.4250000	27.85729167	27.78208535
systolic_bp	10	0.3990423	168.6000000	130.40502793	130.25200321
diastolic_bp	29	1.1572227	68.9655172	79.76217079	79.88857489
chol_total	9	0.3591381	324.7777778	201.19805353	200.65444770
ldl	6	0.2394254	214.5000000	120.71634615	120.49036145
hdl	5	0.1995211	96.0000000	50.20505345	50.09352168
triglycerides	40	1.5961692	304.2000000	155.31843575	152.90348743
ejection_fraction	6	0.2394254	40.0333333	54.68599362	54.72116000
troponin	167	6.6640064	0.6913353	0.09874279	0.05625118
creatinine	24	0.9577015	1.9158333	1.02418978	1.01365337
length_of_stay	43	1.7158819	12.7209302	6.03711093	5.92042225

#3.4.1 Gráfico de valores atípicos #

Los gráficos de valores atípicos son herramientas útiles para identificar valores extremos o anómalos en un conjunto de datos. En Rstudio, hay varias formas de crear gráficos para identificar valores atípicos, tales como:

Gráfico de caja y bigote: Este gráfico muestra la distribución de los datos y permite identificar valores atípicos fuera de los límites de la caja que contiene la mayoría de los datos.

Histograma: Este gráfico muestra la frecuencia de ocurrencia de los valores en un conjunto de datos y permite identificar valores atípicos que están fuera de la distribución normal.

Gráfico de dispersión: Este gráfico muestra la relación entre dos variables y permite identificar valores atípicos que se alejan de la tendencia general.

data %>%
  plot_outlier(triglycerides)

## Warning: The `size` argument of `element_line()` is deprecated as of ggplot2 3.4.0.
## ℹ Please use the `linewidth` argument instead.
## ℹ The deprecated feature was likely used in the dlookr package.
##   Please report the issue at <https://github.com/choonghyunryu/dlookr/issues>.
## This warning is displayed once per session.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

En el Boxplot con Outliers, se observan varios pacientes con concentraciones de triglicéridos mucho más altas que el resto, alcanzando aproximadamente 450 mg/dL. En el histograma con outliers, la mayoría de los pacientes presenta valores entre 100 y 200 mg/dL. Existe una cola hacia la derecha (asimetría positiva), causada por algunos pacientes con valores muy elevados. En el boxplot sin outliers, desaparecen los puntos extremos y la caja mantiene una posición similar. En el hisrograma sin outliers, la mayor concentración de pacientes continúa entre 100 y 200 mg/dL, y la forma general de la distribución se conserva.

data %>%
  plot_outlier(troponin)

3.5 Valores faltantes/perdidos

En primer lugar, debemos asegurarnos de que tenemos valores faltantes en nuestro conjunto de datos. Usando la función plot_na_pareto() del paquete {dlookr} podemos producir un gráfico de Pareto, que muestra los recuentos y las proporciones de los valores faltantes en cada variable. Si tiene muchas variables y desea mostrar solo las que tienen valores faltantes, use el argumento only_na = TRUE. El único problema con el gráfico de Pareto es que no sabemos si los valores faltantes en diferentes columnas pertenecen a la misma observación.

data %>%  
  plot_na_pareto(., only_na = TRUE)

## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## ℹ The deprecated feature was likely used in the dlookr package.
##   Please report the issue at <https://github.com/choonghyunryu/dlookr/issues>.
## This warning is displayed once per session.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Estas cuatro variables concentran prácticamente todos los datos faltantes del conjunto de datos. Aunque el porcentaje no supera el 20 %, es suficientemente alto como para requerir un tratamiento antes del análisis, por ejemplo mediante imputación o evaluando si la ausencia de datos es aleatoria.

La función plot_na_intersect() del paquete {dlookr} visualiza las combinaciones de valores faltantes en las columnas. El eje x muestra las variables con valores faltantes, mientras que los recuentos de valores faltantes se muestran en la parte superior de la gráfica como barras. El eje y representa la combinación de variables y sus frecuencias.

data %>% 
  plot_na_intersect()

data %>% 
  vis_miss() 

Este 3.2 % representa el porcentaje de celdas con datos faltantes en toda la matriz de datos, no el porcentaje de pacientes con algún NA.

4. Estadística descriptiva

La estadística descriptiva es un conjunto de técnicas que se utilizan para resumir y describir las características de un conjunto de datos. En Rstudio, existen muchas funciones y paquetes que permiten realizar estadística descriptiva de un dataset. Algunas de las técnicas más comunes incluyen calcular la media, la mediana, la desviación estándar, el percentil y el rango. También se pueden generar gráficos de barras, histogramas, box plots, etc., para visualizar la distribución de los datos.

4.1 Usando el comando skim

data %>%
  dplyr::select(-patient_id) %>% 
  skimr::skim()  # resumen descriptivo de datos

Data summary

Name	Piped data
Number of rows	2506
Number of columns	22
_______________________
Column type frequency:
character	10
numeric	12
________________________
Group variables	None

Variable type: character

skim_variable	n_missing	complete_rate	min	max	empty	n_unique	whitespace
sex	0	1.00	4	6	0	2	0
diabetes	0	1.00	2	3	0	2	0
hypertension	0	1.00	2	3	0	2	0
heart_failure	0	1.00	2	3	0	2	0
smoking_status	449	0.82	5	7	0	3	0
treat_statin	0	1.00	2	3	0	2	0
treat_beta_blocker	0	1.00	2	3	0	2	0
treat_acei	0	1.00	2	3	0	2	0
mortality_30d	0	1.00	2	3	0	2	0
readmission_30d	0	1.00	2	3	0	2	0

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
age	0	1.00	65.38	12.87	-5.00	57.00	65.00	74.00	160.00	▁▅▇▁▁
bmi	10	1.00	27.86	5.24	-3.00	24.40	27.80	31.30	95.00	▁▇▁▁▁
systolic_bp	0	1.00	130.41	20.04	-20.00	117.00	130.00	144.00	198.00	▁▁▂▇▁
diastolic_bp	0	1.00	79.76	9.84	50.00	73.00	80.00	86.00	114.00	▁▅▇▃▁
chol_total	451	0.82	201.20	39.56	120.00	173.00	201.00	228.00	337.00	▃▇▇▂▁
ldl	10	1.00	120.72	29.84	50.00	100.00	121.00	141.00	250.00	▂▇▆▁▁
hdl	448	0.82	50.21	14.88	15.00	40.00	50.00	61.00	100.00	▂▇▇▂▁
triglycerides	0	1.00	155.32	47.14	50.00	121.00	149.00	182.00	439.00	▅▇▂▁▁
ejection_fraction	0	1.00	54.69	9.75	18.40	47.82	54.90	61.40	120.00	▁▇▅▁▁
troponin	10	1.00	0.10	1.50	-0.50	0.03	0.05	0.09	75.00	▇▁▁▁▁
creatinine	451	0.82	1.02	0.26	0.42	0.83	0.99	1.19	2.31	▃▇▃▁▁
length_of_stay	0	1.00	6.04	2.23	1.00	4.00	6.00	7.00	15.00	▂▇▅▁▁

4.1.1 Análisis descriptivo agrupado

En el análisis descriptivo agrupado, podemos utilizar la función skim() junto con datos agrupados creados mediante dplyr::group_by(). En este caso, se agrega la variable “stroke” para realizar un análisis descriptivo agrupado:

data %>%
  dplyr::select(-patient_id) %>% 
  dplyr::group_by(sex) %>% 
  skimr::skim()  # resumen descriptivo de datos agrupados

Data summary

Name	Piped data
Number of rows	2506
Number of columns	22
_______________________
Column type frequency:
character	9
numeric	12
________________________
Group variables	sex

Variable type: character

skim_variable	sex	n_missing	complete_rate	min	max	empty	n_unique	whitespace
diabetes	Female	0	1.00	2	3	0	2	0
diabetes	Male	0	1.00	2	3	0	2	0
hypertension	Female	0	1.00	2	3	0	2	0
hypertension	Male	0	1.00	2	3	0	2	0
heart_failure	Female	0	1.00	2	3	0	2	0
heart_failure	Male	0	1.00	2	3	0	2	0
smoking_status	Female	211	0.82	5	7	0	3	0
smoking_status	Male	238	0.82	5	7	0	3	0
treat_statin	Female	0	1.00	2	3	0	2	0
treat_statin	Male	0	1.00	2	3	0	2	0
treat_beta_blocker	Female	0	1.00	2	3	0	2	0
treat_beta_blocker	Male	0	1.00	2	3	0	2	0
treat_acei	Female	0	1.00	2	3	0	2	0
treat_acei	Male	0	1.00	2	3	0	2	0
mortality_30d	Female	0	1.00	2	3	0	2	0
mortality_30d	Male	0	1.00	2	3	0	2	0
readmission_30d	Female	0	1.00	2	3	0	2	0
readmission_30d	Male	0	1.00	2	3	0	2	0

Variable type: numeric

skim_variable	sex	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
age	Female	0	1.00	65.32	12.61	23.00	56.00	65.00	74.00	95.00	▁▂▇▇▂
age	Male	0	1.00	65.44	13.10	-5.00	57.00	65.00	74.00	160.00	▁▅▇▁▁
bmi	Female	6	0.99	27.83	5.47	-3.00	24.45	27.80	31.30	95.00	▁▇▁▁▁
bmi	Male	4	1.00	27.88	5.03	15.00	24.40	27.80	31.30	45.60	▂▇▇▂▁
systolic_bp	Female	0	1.00	129.86	20.53	-20.00	117.00	129.00	143.00	198.00	▁▁▂▇▁
systolic_bp	Male	0	1.00	130.88	19.60	90.00	117.00	131.00	145.00	193.00	▃▇▇▃▁
diastolic_bp	Female	0	1.00	80.25	9.92	50.00	73.00	80.00	87.00	114.00	▁▅▇▃▁
diastolic_bp	Male	0	1.00	79.34	9.76	50.00	73.00	79.00	86.00	113.00	▁▆▇▃▁
chol_total	Female	212	0.82	202.09	38.89	120.00	175.00	201.00	228.00	324.00	▃▇▇▃▁
chol_total	Male	239	0.82	200.43	40.14	120.00	172.00	200.00	228.00	337.00	▃▇▇▂▁
ldl	Female	6	0.99	121.31	29.55	50.00	100.00	122.00	141.00	250.00	▂▇▆▁▁
ldl	Male	4	1.00	120.20	30.10	50.00	100.00	120.00	140.00	214.00	▂▇▇▃▁
hdl	Female	200	0.83	49.71	15.06	15.00	39.00	50.00	60.00	96.00	▂▇▇▃▁
hdl	Male	248	0.82	50.64	14.72	15.00	41.00	51.00	61.00	100.00	▂▇▇▃▁
triglycerides	Female	0	1.00	155.80	46.72	50.00	122.00	148.00	183.00	439.00	▅▇▂▁▁
triglycerides	Male	0	1.00	154.90	47.53	57.00	120.00	149.00	181.00	437.00	▆▇▂▁▁
ejection_fraction	Female	0	1.00	54.81	9.70	22.00	48.00	54.70	61.60	75.00	▁▂▇▇▃
ejection_fraction	Male	0	1.00	54.58	9.79	18.40	47.70	54.90	61.40	120.00	▁▇▅▁▁
troponin	Female	4	1.00	0.13	2.20	0.00	0.03	0.05	0.09	75.00	▇▁▁▁▁
troponin	Male	6	1.00	0.07	0.06	-0.50	0.03	0.05	0.09	0.65	▁▁▇▁▁
creatinine	Female	215	0.82	1.03	0.26	0.51	0.84	1.00	1.20	2.31	▅▇▃▁▁
creatinine	Male	236	0.82	1.02	0.26	0.42	0.83	0.99	1.17	2.19	▃▇▃▁▁
length_of_stay	Female	0	1.00	5.96	2.31	1.00	4.00	6.00	7.00	15.00	▂▇▅▁▁
length_of_stay	Male	0	1.00	6.10	2.15	1.00	5.00	6.00	7.00	15.00	▂▇▆▁▁

4.2 Visualización de datos

Analisis univariado (variables numericas) En esta sección, nos enfocaremos en el análisis univariado de variables numéricas. El análisis univariado se centra en examinar una variable a la vez, sin considerar las relaciones con otras variables. Al explorar variables numéricas, podemos utilizar diversas técnicas de visualización para obtener una comprensión más profunda de la distribución, la tendencia central, la dispersión y la presencia de valores atípicos.

Edad (en años)

library(ggplot2)

gg <- ggplot(data)

p1 <- gg +
  geom_histogram(aes(x = age),
                 color = "black",
                 fill = "white",
                 binwidth = 5) +
  ggtitle("Edad") +
  xlab("Edad") +
  ylab("Conteo") +
  geom_vline(xintercept = mean(data$age, na.rm = TRUE),
             color = "red") +
  geom_vline(xintercept = median(data$age, na.rm = TRUE),
             color = "blue")

p2 <- ggplot(data, aes(x = "", y = age)) +
  geom_boxplot() +
  coord_flip()

p1

p2

#Analisis univariado (variables categoricas) #

En esta sección, nos centraremos en el análisis univariado de variables categóricas, lo cual implica examinar una variable a la vez sin considerar su relación con otras variables. A través de diversas técnicas de visualización podemos revelar patrones, frecuencias y distribuciones de categorías en nuestros conjuntos de datos.

data %>%
  dplyr::select(
    sex,
    diabetes,
    hypertension,
    heart_failure,
    smoking_status,
    treat_statin,
    treat_beta_blocker,
    treat_acei,
    mortality_30d,
    readmission_30d
  ) %>%
  dplyr::mutate(across(everything(), as.factor)) %>%
  dlookr::plot_bar_category()

La línea azul punteada representa el promedio de frecuencias entre las categorías de esa variable. Sirve como referencia visual para identificar qué categorías tienen más o menos observaciones que el promedio.

4.3 Comprobación de normalidad

La comprobación de normalidad se utiliza para determinar si un conjunto de datos se distribuye de manera normal o no. La normalidad es una suposición importante en muchos métodos estadísticos, por lo que es crucial verificar si los datos cumplen con esta condición antes de continuar con el análisis.

data %>% 
  dplyr::select(-patient_id) %>% 
  dplyr::select_if(is.numeric) %>% 
  normality()

## # A tibble: 12 × 4
##    vars              statistic  p_value sample
##    <chr>                 <dbl>    <dbl>  <dbl>
##  1 age                  0.991  2.57e-11   2506
##  2 bmi                  0.963  8.44e-25   2506
##  3 systolic_bp          0.989  9.16e-13   2506
##  4 diastolic_bp         0.998  4.51e- 3   2506
##  5 chol_total           0.994  2.06e- 7   2506
##  6 ldl                  0.998  5.48e- 4   2506
##  7 hdl                  0.997  1.51e- 3   2506
##  8 triglycerides        0.961  2.33e-25   2506
##  9 ejection_fraction    0.992  3.96e-10   2506
## 10 troponin             0.0122 8.50e-78   2506
## 11 creatinine           0.969  1.67e-20   2506
## 12 length_of_stay       0.967  1.10e-23   2506

data %>%
  dplyr::select(-patient_id) %>% 
  dplyr::select_if(is.numeric) %>% 
  plot_normality()

# 4.4 Análisis bivariado de las características #

El objetivo es descubrir las relaciones y los patrones entre cada par de características. Preguntas, cómo:

¿Hay multicolinealidad en las características continuas?

¿Son independientes las variables categóricas?

En general, ¿hay alguna relación entre estas características médicas?

4.4.1 Variables númericas

Matriz de correlación La matriz de correlación se representa en forma de una tabla cuadrada, donde las filas y columnas representan las variables y los valores en cada celda representan el coeficiente de correlación entre esas dos variables. Los coeficientes de correlación varían entre -1 y 1, donde -1 indica una correlación negativa perfecta, 1 indica una correlación positiva perfecta y un valor de cero indica la ausencia de correlación.

Es importante tener en cuenta que la matriz de correlación sólo mide la correlación lineal entre las variables y no puede determinar la causalidad entre ellas. Es una herramienta útil para explorar las relaciones entre las variables y para seleccionar las variables que deben incluirse en un modelo estadístico.

data %>%
  dplyr::select(where(is.numeric)) %>%
  dlookr::correlate()

## # A tibble: 156 × 3
##    var1              var2       coef_corr
##    <fct>             <fct>          <dbl>
##  1 age               patient_id  -0.00197
##  2 bmi               patient_id  -0.00507
##  3 systolic_bp       patient_id  -0.00972
##  4 diastolic_bp      patient_id  -0.00381
##  5 chol_total        patient_id  -0.00189
##  6 ldl               patient_id   0.00859
##  7 hdl               patient_id  -0.00879
##  8 triglycerides     patient_id   0.0129 
##  9 ejection_fraction patient_id   0.0285 
## 10 troponin          patient_id  -0.0112 
## # ℹ 146 more rows

library(dlookr)

corr <- data %>%
  dplyr::select(
    age,
    bmi,
    systolic_bp,
    diastolic_bp,
    chol_total,
    ldl,
    hdl,
    triglycerides,
    ejection_fraction,
    troponin,
    creatinine,
    length_of_stay
  ) %>%
  correlate()

corr

## # A tibble: 132 × 3
##    var1              var2  coef_corr
##    <fct>             <fct>     <dbl>
##  1 bmi               age      0.0110
##  2 systolic_bp       age     -0.0246
##  3 diastolic_bp      age      0.0282
##  4 chol_total        age      0.0196
##  5 ldl               age     -0.0272
##  6 hdl               age     -0.0327
##  7 triglycerides     age     -0.0256
##  8 ejection_fraction age      0.0652
##  9 troponin          age      0.0128
## 10 creatinine        age      0.0498
## # ℹ 122 more rows

#mattriz dee correlacion #

matriz <- data %>%
  dplyr::select(where(is.numeric), -patient_id) %>%
  cor(use = "pairwise.complete.obs")

corrplot(matriz, method = "color")

La matriz de correlación de las variables numéricas muestra que la mayoría de los coeficientes de correlación son cercanos a cero, lo que indica relaciones lineales débiles entre las variables analizadas. No se identifican correlaciones positivas o negativas de gran magnitud fuera de la diagonal principal.

#4.4.2 Variables categóricas #

En este caso, utilizamos la estadística de Cramer’s V como medida de asociación para evaluar la relación entre dos variables categóricas. Cramer’s V es una medida que nos indica la fuerza y dirección de la asociación entre estas variables, y su valor puede oscilar entre 0 y 1. Un valor de Cramer’s V cercano a 0 indica una asociación débil, mientras que un valor cercano a 1 indica una asociación fuerte. De esta manera, podemos analizar cuán significativa y sólida es la relación entre las variables en cuestión.

library(DescTools)

## Warning: package 'DescTools' was built under R version 4.5.3

df_cat <- data %>% 
  dplyr::select(sex,
                hypertension,
                heart_failure,
                diabetes)

m <- DescTools::PairApply(df_cat, DescTools::CramerV)

corrplot::corrplot(
  m,
  is.corr = FALSE,
  method = "circle",
  tl.col = "black",
  tl.cex = 0.6,      
  tl.srt = 45      
)

# 5. Tabla 1. #

El objetivo general de la tabla 1. es proporcionar una visión general de la población o muestra estudiada y de las variables relevantes en el estudio, permitiendo al lector comprender de manera clara y concisa los resultados y la metodología utilizada.

theme_gtsummary_language("en", big.mark = "")

## Setting theme "language: en"

# Tabla 1 con mmissings
 data %>% 
   dplyr::select(-patient_id) %>% 
    gtsummary::tbl_summary(
            by = NULL,
            missing = "ifany", 
            missing_text = "(Missing)", 
            statistic = list(all_continuous() ~ "{median} ({p25}, {p75})"), 
            digits = list(all_categorical() ~ c(0, 1), 
            all_continuous() ~ c(1, 1))) %>% 
      gtsummary::modify_header(label = "**Variable**") %>% 
      gtsummary::add_n() %>% 
      gtsummary::bold_labels()

Variable	N	N = 25061
age	2506	65.0 (57.0, 74.0)
sex	2506
Female		1165 (46.5%)
Male		1341 (53.5%)
bmi	2496	27.8 (24.4, 31.3)
(Missing)		10
systolic_bp	2506	130.0 (117.0, 144.0)
diastolic_bp	2506	80.0 (73.0, 86.0)
chol_total	2055	201.0 (173.0, 228.0)
(Missing)		451
ldl	2496	121.0 (100.0, 141.0)
(Missing)		10
hdl	2058	50.0 (40.0, 61.0)
(Missing)		448
triglycerides	2506	149.0 (121.0, 182.0)
ejection_fraction	2506	54.9 (47.8, 61.4)
troponin	2496	0.1 (0.0, 0.1)
(Missing)		10
creatinine	2055	1.0 (0.8, 1.2)
(Missing)		451
diabetes	2506	750 (29.9%)
hypertension	2506	1508 (60.2%)
heart_failure	2506	638 (25.5%)
smoking_status	2057
Current		405 (19.7%)
Former		713 (34.7%)
Never		939 (45.6%)
(Missing)		449
treat_statin	2506	1770 (70.6%)
treat_beta_blocker	2506	1467 (58.5%)
treat_acei	2506	1255 (50.1%)
length_of_stay	2506	6.0 (4.0, 7.0)
mortality_30d	2506	224 (8.9%)
readmission_30d	2506	393 (15.7%)
1 Median (Q1, Q3); n (%)

#5.1 Tabla 1. Estratificada

theme_gtsummary_language("en", big.mark = "")

## Setting theme "language: en"

data %>% 
           dplyr::select(-patient_id) %>% 
           gtsummary::tbl_summary(by = "sex", 
                                  missing = "ifany",
                                  missing_text = "(Missing)",
           digits = list(all_categorical() ~ c(0, 1),
                         all_continuous() ~ c(1, 1))) %>%
           gtsummary::add_n() %>%
           gtsummary::add_overall() %>% 
           gtsummary::modify_header(label = "**Variable**") %>% 
           gtsummary::modify_spanning_header(all_stat_cols() ~ "**stroke**") %>% 
           gtsummary::bold_labels()

Variable	N	stroke
		Overall N = 25061	Female N = 11651	Male N = 13411
age	2506	65.0 (57.0, 74.0)	65.0 (56.0, 74.0)	65.0 (57.0, 74.0)
bmi	2496	27.8 (24.4, 31.3)	27.8 (24.4, 31.3)	27.8 (24.4, 31.3)
(Missing)		10	6	4
systolic_bp	2506	130.0 (117.0, 144.0)	129.0 (117.0, 143.0)	131.0 (117.0, 145.0)
diastolic_bp	2506	80.0 (73.0, 86.0)	80.0 (73.0, 87.0)	79.0 (73.0, 86.0)
chol_total	2055	201.0 (173.0, 228.0)	201.0 (175.0, 228.0)	200.0 (172.0, 228.0)
(Missing)		451	212	239
ldl	2496	121.0 (100.0, 141.0)	122.0 (100.0, 141.0)	120.0 (100.0, 140.0)
(Missing)		10	6	4
hdl	2058	50.0 (40.0, 61.0)	50.0 (39.0, 60.0)	51.0 (41.0, 61.0)
(Missing)		448	200	248
triglycerides	2506	149.0 (121.0, 182.0)	148.0 (122.0, 183.0)	149.0 (120.0, 181.0)
ejection_fraction	2506	54.9 (47.8, 61.4)	54.7 (48.0, 61.6)	54.9 (47.7, 61.4)
troponin	2496	0.1 (0.0, 0.1)	0.1 (0.0, 0.1)	0.1 (0.0, 0.1)
(Missing)		10	4	6
creatinine	2055	1.0 (0.8, 1.2)	1.0 (0.8, 1.2)	1.0 (0.8, 1.2)
(Missing)		451	215	236
diabetes	2506	750 (29.9%)	345 (29.6%)	405 (30.2%)
hypertension	2506	1508 (60.2%)	695 (59.7%)	813 (60.6%)
heart_failure	2506	638 (25.5%)	277 (23.8%)	361 (26.9%)
smoking_status	2057
Current		405 (19.7%)	183 (19.2%)	222 (20.1%)
Former		713 (34.7%)	341 (35.7%)	372 (33.7%)
Never		939 (45.6%)	430 (45.1%)	509 (46.1%)
(Missing)		449	211	238
treat_statin	2506	1770 (70.6%)	827 (71.0%)	943 (70.3%)
treat_beta_blocker	2506	1467 (58.5%)	679 (58.3%)	788 (58.8%)
treat_acei	2506	1255 (50.1%)	600 (51.5%)	655 (48.8%)
length_of_stay	2506	6.0 (4.0, 7.0)	6.0 (4.0, 7.0)	6.0 (5.0, 7.0)
mortality_30d	2506	224 (8.9%)	105 (9.0%)	119 (8.9%)
readmission_30d	2506	393 (15.7%)	176 (15.1%)	217 (16.2%)
1 Median (Q1, Q3); n (%)

5.2 Características basales estratificadas por [grupo] y pruebas de comparación

data %>%
        gtsummary::tbl_summary(by = sex, 
                               missing = "ifany",
                               missing_text = "(Missing)",
        digits = list(all_categorical() ~ c(0, 1),
                      all_continuous() ~ c(1, 1))) %>%
        gtsummary::add_n() %>%
        gtsummary::add_overall() %>% 
        gtsummary::add_p(list(all_continuous() ~ "wilcox.test", 
                                all_categorical() ~ "chisq.test")) %>% 
        gtsummary::modify_header(label = "**Variable**") %>% 
        gtsummary::bold_p() %>% 
        gtsummary::modify_spanning_header(all_stat_cols() ~ "**sex**") %>% 
        gtsummary::bold_labels()

Variable	N	sex			p-value2
		Overall N = 25061	Female N = 11651	Male N = 13411
patient_id	2506	1251.5 (626.0, 1876.0)	1249.0 (639.0, 1875.0)	1254.0 (615.0, 1878.0)	0.9
age	2506	65.0 (57.0, 74.0)	65.0 (56.0, 74.0)	65.0 (57.0, 74.0)	>0.9
bmi	2496	27.8 (24.4, 31.3)	27.8 (24.4, 31.3)	27.8 (24.4, 31.3)	0.8
(Missing)		10	6	4
systolic_bp	2506	130.0 (117.0, 144.0)	129.0 (117.0, 143.0)	131.0 (117.0, 145.0)	0.2
diastolic_bp	2506	80.0 (73.0, 86.0)	80.0 (73.0, 87.0)	79.0 (73.0, 86.0)	0.019
chol_total	2055	201.0 (173.0, 228.0)	201.0 (175.0, 228.0)	200.0 (172.0, 228.0)	0.3
(Missing)		451	212	239
ldl	2496	121.0 (100.0, 141.0)	122.0 (100.0, 141.0)	120.0 (100.0, 140.0)	0.4
(Missing)		10	6	4
hdl	2058	50.0 (40.0, 61.0)	50.0 (39.0, 60.0)	51.0 (41.0, 61.0)	0.13
(Missing)		448	200	248
triglycerides	2506	149.0 (121.0, 182.0)	148.0 (122.0, 183.0)	149.0 (120.0, 181.0)	0.5
ejection_fraction	2506	54.9 (47.8, 61.4)	54.7 (48.0, 61.6)	54.9 (47.7, 61.4)	0.6
troponin	2496	0.1 (0.0, 0.1)	0.1 (0.0, 0.1)	0.1 (0.0, 0.1)	0.5
(Missing)		10	4	6
creatinine	2055	1.0 (0.8, 1.2)	1.0 (0.8, 1.2)	1.0 (0.8, 1.2)	0.2
(Missing)		451	215	236
diabetes	2506	750 (29.9%)	345 (29.6%)	405 (30.2%)	0.8
hypertension	2506	1508 (60.2%)	695 (59.7%)	813 (60.6%)	0.7
heart_failure	2506	638 (25.5%)	277 (23.8%)	361 (26.9%)	0.079
smoking_status	2057				0.6
Current		405 (19.7%)	183 (19.2%)	222 (20.1%)
Former		713 (34.7%)	341 (35.7%)	372 (33.7%)
Never		939 (45.6%)	430 (45.1%)	509 (46.1%)
(Missing)		449	211	238
treat_statin	2506	1770 (70.6%)	827 (71.0%)	943 (70.3%)	0.7
treat_beta_blocker	2506	1467 (58.5%)	679 (58.3%)	788 (58.8%)	0.8
treat_acei	2506	1255 (50.1%)	600 (51.5%)	655 (48.8%)	0.2
length_of_stay	2506	6.0 (4.0, 7.0)	6.0 (4.0, 7.0)	6.0 (5.0, 7.0)	0.045
mortality_30d	2506	224 (8.9%)	105 (9.0%)	119 (8.9%)	>0.9
readmission_30d	2506	393 (15.7%)	176 (15.1%)	217 (16.2%)	0.5
1 Median (Q1, Q3); n (%)
2 Wilcoxon rank sum test; Pearson’s Chi-squared test

# *************************************************************************************************** #

PARTE 2: DESAROLLO DEL TALLER SEMANA 5

1. cargar paquetes

library(janitor)

## Warning: package 'janitor' was built under R version 4.5.3

## 
## Adjuntando el paquete: 'janitor'

## The following objects are masked from 'package:stats':
## 
##     chisq.test, fisher.test

library(gtsummary)

(Los demás paquetes ya fueron cargados en el desarrollo de la guía de clase en la parte superioe)

2. Cargar Base de datos, limpiar los nombres de las variables y ver variables

data <- read_excel("cardiology_dataset.xlsx") %>%
  clean_names()

dim(data)

## [1] 2506   23

glimpse(data)

## Rows: 2,506
## Columns: 23
## $ patient_id         <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, …
## $ age                <dbl> 71, 63, 73, 85, 62, 62, 86, 75, 59, 72, 59, 59, 68,…
## $ sex                <chr> "Male", "Male", "Female", "Female", "Female", "Fema…
## $ bmi                <dbl> 23.8, 30.8, 27.8, 20.0, 30.1, 25.1, 32.4, 28.0, 30.…
## $ systolic_bp        <dbl> 124, 117, 105, 119, 102, 172, 130, 129, 142, 149, 1…
## $ diastolic_bp       <dbl> 66, 83, 65, 93, 78, 92, 75, 83, 82, 80, 76, 84, 71,…
## $ chol_total         <dbl> 120, 188, 226, 229, 203, 236, 302, 268, 179, 142, 1…
## $ ldl                <dbl> 85, 131, 129, 99, 120, 166, 91, 61, 134, 117, 99, 1…
## $ hdl                <dbl> 15, 34, 37, 52, 53, 60, NA, 30, NA, NA, 31, NA, 41,…
## $ triglycerides      <dbl> 70, 125, 192, 170, 124, 150, 108, 148, 357, 258, 15…
## $ ejection_fraction  <dbl> 49.9, 67.5, 74.0, 66.7, 60.6, 62.6, 73.6, 62.6, 49.…
## $ troponin           <dbl> 0.045, 0.036, 0.089, 0.060, 0.060, 0.057, 0.079, 0.…
## $ creatinine         <dbl> 0.96, 0.95, 0.98, NA, 0.93, NA, 0.96, 0.77, NA, NA,…
## $ diabetes           <chr> "Yes", "No", "Yes", "No", "No", "Yes", "No", "Yes",…
## $ hypertension       <chr> "No", "No", "Yes", "Yes", "No", "Yes", "No", "Yes",…
## $ heart_failure      <chr> "No", "No", "No", "No", "No", "No", "Yes", "Yes", "…
## $ smoking_status     <chr> "Never", "Former", NA, NA, "Never", "Never", "Forme…
## $ treat_statin       <chr> "No", "Yes", "No", "Yes", "Yes", "Yes", "No", "Yes"…
## $ treat_beta_blocker <chr> "Yes", "Yes", "Yes", "Yes", "Yes", "No", "Yes", "Ye…
## $ treat_acei         <chr> "No", "No", "No", "Yes", "No", "No", "No", "No", "Y…
## $ length_of_stay     <dbl> 4, 3, 6, 7, 6, 8, 5, 7, 6, 6, 7, 7, 7, 4, 6, 6, 6, …
## $ mortality_30d      <chr> "No", "Yes", "No", "Yes", "No", "Yes", "Yes", "No",…
## $ readmission_30d    <chr> "No", "No", "No", "Yes", "No", "Yes", "No", "No", "…

2.1 Ver distribución

skim(data)

Data summary

Name	data
Number of rows	2506
Number of columns	23
_______________________
Column type frequency:
character	10
numeric	13
________________________
Group variables	None

Variable type: character

skim_variable	n_missing	complete_rate	min	max	empty	n_unique	whitespace
sex	0	1.00	4	6	0	2	0
diabetes	0	1.00	2	3	0	2	0
hypertension	0	1.00	2	3	0	2	0
heart_failure	0	1.00	2	3	0	2	0
smoking_status	449	0.82	5	7	0	3	0
treat_statin	0	1.00	2	3	0	2	0
treat_beta_blocker	0	1.00	2	3	0	2	0
treat_acei	0	1.00	2	3	0	2	0
mortality_30d	0	1.00	2	3	0	2	0
readmission_30d	0	1.00	2	3	0	2	0

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
patient_id	0	1.00	1251.08	721.58	1.00	626.25	1251.50	1875.75	2500.00	▇▇▇▇▇
age	0	1.00	65.38	12.87	-5.00	57.00	65.00	74.00	160.00	▁▅▇▁▁
bmi	10	1.00	27.86	5.24	-3.00	24.40	27.80	31.30	95.00	▁▇▁▁▁
systolic_bp	0	1.00	130.41	20.04	-20.00	117.00	130.00	144.00	198.00	▁▁▂▇▁
diastolic_bp	0	1.00	79.76	9.84	50.00	73.00	80.00	86.00	114.00	▁▅▇▃▁
chol_total	451	0.82	201.20	39.56	120.00	173.00	201.00	228.00	337.00	▃▇▇▂▁
ldl	10	1.00	120.72	29.84	50.00	100.00	121.00	141.00	250.00	▂▇▆▁▁
hdl	448	0.82	50.21	14.88	15.00	40.00	50.00	61.00	100.00	▂▇▇▂▁
triglycerides	0	1.00	155.32	47.14	50.00	121.00	149.00	182.00	439.00	▅▇▂▁▁
ejection_fraction	0	1.00	54.69	9.75	18.40	47.82	54.90	61.40	120.00	▁▇▅▁▁
troponin	10	1.00	0.10	1.50	-0.50	0.03	0.05	0.09	75.00	▇▁▁▁▁
creatinine	451	0.82	1.02	0.26	0.42	0.83	0.99	1.19	2.31	▃▇▃▁▁
length_of_stay	0	1.00	6.04	2.23	1.00	4.00	6.00	7.00	15.00	▂▇▅▁▁

#3. Limpieza de base de datos #

3.1 Identificar la cantidad de valores faltantes por variable

colSums(is.na(data))

##         patient_id                age                sex                bmi 
##                  0                  0                  0                 10 
##        systolic_bp       diastolic_bp         chol_total                ldl 
##                  0                  0                451                 10 
##                hdl      triglycerides  ejection_fraction           troponin 
##                448                  0                  0                 10 
##         creatinine           diabetes       hypertension      heart_failure 
##                451                  0                  0                  0 
##     smoking_status       treat_statin treat_beta_blocker         treat_acei 
##                449                  0                  0                  0 
##     length_of_stay      mortality_30d    readmission_30d 
##                  0                  0                  0

o tambien mediante el comando de diagnostico suministrado en la guía de clase

#Diagnóstico general de la calidad de los datos
data %>%  
  diagnose() %>%
  flextable()

variables	types	missing_count	missing_percent	unique_count	unique_rate
patient_id	numeric	0	0.0000000	2,500	0.9976057462
age	numeric	0	0.0000000	72	0.0287310455
sex	character	0	0.0000000	2	0.0007980846
bmi	numeric	10	0.3990423	261	0.1041500399
systolic_bp	numeric	0	0.0000000	103	0.0411013567
diastolic_bp	numeric	0	0.0000000	62	0.0247406225
chol_total	numeric	451	17.9968077	192	0.0766161213
ldl	numeric	10	0.3990423	157	0.0626496409
hdl	numeric	448	17.8770950	83	0.0331205108
triglycerides	numeric	0	0.0000000	239	0.0953711093
ejection_fraction	numeric	0	0.0000000	422	0.1683958500
troponin	numeric	10	0.3990423	276	0.1101356744
creatinine	numeric	451	17.9968077	143	0.0570630487
diabetes	character	0	0.0000000	2	0.0007980846
hypertension	character	0	0.0000000	2	0.0007980846
heart_failure	character	0	0.0000000	2	0.0007980846
smoking_status	character	449	17.9169992	4	0.0015961692
treat_statin	character	0	0.0000000	2	0.0007980846
treat_beta_blocker	character	0	0.0000000	2	0.0007980846
treat_acei	character	0	0.0000000	2	0.0007980846
length_of_stay	numeric	0	0.0000000	15	0.0059856345
mortality_30d	character	0	0.0000000	2	0.0007980846
readmission_30d	character	0	0.0000000	2	0.0007980846

3.2 Verificar el número de registros duplicados

sum(duplicated(data))

## [1] 6

3.3 Eliminar registros duplicados

dataclean <- data %>% distinct()

3.4 Confirmar que ya no existen duplicados

sum(duplicated(dataclean))

## [1] 0

4. Verificar los tipos de datos de las variaables con la base sin duplicados

# Verificar los tipos de datos de las variables
glimpse(dataclean)

## Rows: 2,500
## Columns: 23
## $ patient_id         <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, …
## $ age                <dbl> 71, 63, 73, 85, 62, 62, 86, 75, 59, 72, 59, 59, 68,…
## $ sex                <chr> "Male", "Male", "Female", "Female", "Female", "Fema…
## $ bmi                <dbl> 23.8, 30.8, 27.8, 20.0, 30.1, 25.1, 32.4, 28.0, 30.…
## $ systolic_bp        <dbl> 124, 117, 105, 119, 102, 172, 130, 129, 142, 149, 1…
## $ diastolic_bp       <dbl> 66, 83, 65, 93, 78, 92, 75, 83, 82, 80, 76, 84, 71,…
## $ chol_total         <dbl> 120, 188, 226, 229, 203, 236, 302, 268, 179, 142, 1…
## $ ldl                <dbl> 85, 131, 129, 99, 120, 166, 91, 61, 134, 117, 99, 1…
## $ hdl                <dbl> 15, 34, 37, 52, 53, 60, NA, 30, NA, NA, 31, NA, 41,…
## $ triglycerides      <dbl> 70, 125, 192, 170, 124, 150, 108, 148, 357, 258, 15…
## $ ejection_fraction  <dbl> 49.9, 67.5, 74.0, 66.7, 60.6, 62.6, 73.6, 62.6, 49.…
## $ troponin           <dbl> 0.045, 0.036, 0.089, 0.060, 0.060, 0.057, 0.079, 0.…
## $ creatinine         <dbl> 0.96, 0.95, 0.98, NA, 0.93, NA, 0.96, 0.77, NA, NA,…
## $ diabetes           <chr> "Yes", "No", "Yes", "No", "No", "Yes", "No", "Yes",…
## $ hypertension       <chr> "No", "No", "Yes", "Yes", "No", "Yes", "No", "Yes",…
## $ heart_failure      <chr> "No", "No", "No", "No", "No", "No", "Yes", "Yes", "…
## $ smoking_status     <chr> "Never", "Former", NA, NA, "Never", "Never", "Forme…
## $ treat_statin       <chr> "No", "Yes", "No", "Yes", "Yes", "Yes", "No", "Yes"…
## $ treat_beta_blocker <chr> "Yes", "Yes", "Yes", "Yes", "Yes", "No", "Yes", "Ye…
## $ treat_acei         <chr> "No", "No", "No", "Yes", "No", "No", "No", "No", "Y…
## $ length_of_stay     <dbl> 4, 3, 6, 7, 6, 8, 5, 7, 6, 6, 7, 7, 7, 4, 6, 6, 6, …
## $ mortality_30d      <chr> "No", "Yes", "No", "Yes", "No", "Yes", "Yes", "No",…
## $ readmission_30d    <chr> "No", "No", "No", "Yes", "No", "Yes", "No", "No", "…

# O, de forma alternativa
str(dataclean)

## tibble [2,500 × 23] (S3: tbl_df/tbl/data.frame)
##  $ patient_id        : num [1:2500] 1 2 3 4 5 6 7 8 9 10 ...
##  $ age               : num [1:2500] 71 63 73 85 62 62 86 75 59 72 ...
##  $ sex               : chr [1:2500] "Male" "Male" "Female" "Female" ...
##  $ bmi               : num [1:2500] 23.8 30.8 27.8 20 30.1 25.1 32.4 28 30 23.2 ...
##  $ systolic_bp       : num [1:2500] 124 117 105 119 102 172 130 129 142 149 ...
##  $ diastolic_bp      : num [1:2500] 66 83 65 93 78 92 75 83 82 80 ...
##  $ chol_total        : num [1:2500] 120 188 226 229 203 236 302 268 179 142 ...
##  $ ldl               : num [1:2500] 85 131 129 99 120 166 91 61 134 117 ...
##  $ hdl               : num [1:2500] 15 34 37 52 53 60 NA 30 NA NA ...
##  $ triglycerides     : num [1:2500] 70 125 192 170 124 150 108 148 357 258 ...
##  $ ejection_fraction : num [1:2500] 49.9 67.5 74 66.7 60.6 62.6 73.6 62.6 49.1 58.9 ...
##  $ troponin          : num [1:2500] 0.045 0.036 0.089 0.06 0.06 0.057 0.079 0.04 0.194 0.019 ...
##  $ creatinine        : num [1:2500] 0.96 0.95 0.98 NA 0.93 NA 0.96 0.77 NA NA ...
##  $ diabetes          : chr [1:2500] "Yes" "No" "Yes" "No" ...
##  $ hypertension      : chr [1:2500] "No" "No" "Yes" "Yes" ...
##  $ heart_failure     : chr [1:2500] "No" "No" "No" "No" ...
##  $ smoking_status    : chr [1:2500] "Never" "Former" NA NA ...
##  $ treat_statin      : chr [1:2500] "No" "Yes" "No" "Yes" ...
##  $ treat_beta_blocker: chr [1:2500] "Yes" "Yes" "Yes" "Yes" ...
##  $ treat_acei        : chr [1:2500] "No" "No" "No" "Yes" ...
##  $ length_of_stay    : num [1:2500] 4 3 6 7 6 8 5 7 6 6 ...
##  $ mortality_30d     : chr [1:2500] "No" "Yes" "No" "Yes" ...
##  $ readmission_30d   : chr [1:2500] "No" "No" "No" "Yes" ...

5. Corregir tipos de datos si es necesario (por ejemplo, convertir una variable de texto a factor o una fecha al formato Date).

# Normalizar valores faltantes en variables de texto
datacleanN <- dataclean %>%
  mutate(
    across(
      where(is.character),
      ~ na_if(na_if(., "NA"), "")
    )
  )

# Definir las variables categóricas
cat_vars <- c(
  "sex", "diabetes", "hypertension", "heart_failure",
  "smoking_status", "treat_statin", "treat_beta_blocker",
  "treat_acei", "mortality_30d", "readmission_30d"
)

# Convertir las variables categóricas a factor
datacleanN <- datacleanN %>%
  mutate(across(all_of(cat_vars), as.factor))

# Verificar los cambios realizados
glimpse(datacleanN)

## Rows: 2,500
## Columns: 23
## $ patient_id         <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, …
## $ age                <dbl> 71, 63, 73, 85, 62, 62, 86, 75, 59, 72, 59, 59, 68,…
## $ sex                <fct> Male, Male, Female, Female, Female, Female, Male, M…
## $ bmi                <dbl> 23.8, 30.8, 27.8, 20.0, 30.1, 25.1, 32.4, 28.0, 30.…
## $ systolic_bp        <dbl> 124, 117, 105, 119, 102, 172, 130, 129, 142, 149, 1…
## $ diastolic_bp       <dbl> 66, 83, 65, 93, 78, 92, 75, 83, 82, 80, 76, 84, 71,…
## $ chol_total         <dbl> 120, 188, 226, 229, 203, 236, 302, 268, 179, 142, 1…
## $ ldl                <dbl> 85, 131, 129, 99, 120, 166, 91, 61, 134, 117, 99, 1…
## $ hdl                <dbl> 15, 34, 37, 52, 53, 60, NA, 30, NA, NA, 31, NA, 41,…
## $ triglycerides      <dbl> 70, 125, 192, 170, 124, 150, 108, 148, 357, 258, 15…
## $ ejection_fraction  <dbl> 49.9, 67.5, 74.0, 66.7, 60.6, 62.6, 73.6, 62.6, 49.…
## $ troponin           <dbl> 0.045, 0.036, 0.089, 0.060, 0.060, 0.057, 0.079, 0.…
## $ creatinine         <dbl> 0.96, 0.95, 0.98, NA, 0.93, NA, 0.96, 0.77, NA, NA,…
## $ diabetes           <fct> Yes, No, Yes, No, No, Yes, No, Yes, No, No, Yes, No…
## $ hypertension       <fct> No, No, Yes, Yes, No, Yes, No, Yes, No, Yes, Yes, Y…
## $ heart_failure      <fct> No, No, No, No, No, No, Yes, Yes, No, Yes, No, No, …
## $ smoking_status     <fct> Never, Former, NA, NA, Never, Never, Former, Curren…
## $ treat_statin       <fct> No, Yes, No, Yes, Yes, Yes, No, Yes, Yes, No, Yes, …
## $ treat_beta_blocker <fct> Yes, Yes, Yes, Yes, Yes, No, Yes, Yes, Yes, Yes, No…
## $ treat_acei         <fct> No, No, No, Yes, No, No, No, No, Yes, Yes, Yes, Yes…
## $ length_of_stay     <dbl> 4, 3, 6, 7, 6, 8, 5, 7, 6, 6, 7, 7, 7, 4, 6, 6, 6, …
## $ mortality_30d      <fct> No, Yes, No, Yes, No, Yes, Yes, No, No, Yes, No, No…
## $ readmission_30d    <fct> No, No, No, Yes, No, Yes, No, No, No, No, Yes, Yes,…

6.Definir rangos clínicamente plausibles para las variables numéricas

rangos <- tibble::tribble(
  ~variable,           ~minimo, ~maximo,
  "age",                   18,     110,
  "bmi",                   10,      70,
  "systolic_bp",           60,     250,
  "diastolic_bp",          40,     160,
  "ejection_fraction",     10,      90,
  "troponin",               0,      50,
  "creatinine",             0,       8,
  "chol_total",           100,     450,
  "ldl",                   30,     300,
  "hdl",                   10,     120,
  "triglycerides",         30,     800
)
rangos

## # A tibble: 11 × 3
##    variable          minimo maximo
##    <chr>              <dbl>  <dbl>
##  1 age                   18    110
##  2 bmi                   10     70
##  3 systolic_bp           60    250
##  4 diastolic_bp          40    160
##  5 ejection_fraction     10     90
##  6 troponin               0     50
##  7 creatinine             0      8
##  8 chol_total           100    450
##  9 ldl                   30    300
## 10 hdl                   10    120
## 11 triglycerides         30    800

7. Detectar valores atípicos (outliers) de los rangos

reporte_fuera <- rangos %>%
  mutate(n_fuera_rango = purrr::pmap_int(
    list(variable, minimo, maximo),
    ~ sum(!dplyr::between(datacleanN[[..1]], ..2, ..3), na.rm = TRUE)
  ))

reporte_fuera %>% arrange(desc(n_fuera_rango))

## # A tibble: 11 × 4
##    variable          minimo maximo n_fuera_rango
##    <chr>              <dbl>  <dbl>         <int>
##  1 age                   18    110             2
##  2 bmi                   10     70             2
##  3 troponin               0     50             2
##  4 systolic_bp           60    250             1
##  5 ejection_fraction     10     90             1
##  6 diastolic_bp          40    160             0
##  7 creatinine             0      8             0
##  8 chol_total           100    450             0
##  9 ldl                   30    300             0
## 10 hdl                   10    120             0
## 11 triglycerides         30    800             0

8. Recodificar los valores fuera de rango a NA

datacleanNfinal <- datacleanN %>%
  mutate(
    age               = if_else(between(age, 18, 110), age, NA_real_),
    bmi               = if_else(between(bmi, 10, 70), bmi, NA_real_),
    systolic_bp       = if_else(between(systolic_bp, 60, 250), systolic_bp, NA_real_),
    diastolic_bp      = if_else(between(diastolic_bp, 40, 160), diastolic_bp, NA_real_),
    ejection_fraction = if_else(between(ejection_fraction, 10, 90), ejection_fraction, NA_real_),
    troponin          = if_else(between(troponin, 0, 50), troponin, NA_real_),
    creatinine        = if_else(between(creatinine, 0, 8), creatinine, NA_real_),
    chol_total        = if_else(between(chol_total, 100, 450), chol_total, NA_real_),
    ldl               = if_else(between(ldl, 30, 300), ldl, NA_real_),
    hdl               = if_else(between(hdl, 10, 120), hdl, NA_real_),
    triglycerides     = if_else(between(triglycerides, 30, 800), triglycerides, NA_real_)
  )

8.1 Verificar los valores faltantes después de reemplazar los valores fuera de rango

colSums(is.na(datacleanNfinal))

##         patient_id                age                sex                bmi 
##                  0                  2                  0                 12 
##        systolic_bp       diastolic_bp         chol_total                ldl 
##                  1                  0                450                 10 
##                hdl      triglycerides  ejection_fraction           troponin 
##                448                  0                  1                 12 
##         creatinine           diabetes       hypertension      heart_failure 
##                450                  0                  0                  0 
##     smoking_status       treat_statin treat_beta_blocker         treat_acei 
##                449                  0                  0                  0 
##     length_of_stay      mortality_30d    readmission_30d 
##                  0                  0                  0

9. Para conocer el promedio, la media , rangos IQ, histograma, minimos y maximos uso Skim

skimr::skim(datacleanNfinal)

Data summary

Name	datacleanNfinal
Number of rows	2500
Number of columns	23
_______________________
Column type frequency:
factor	10
numeric	13
________________________
Group variables	None

Variable type: factor

skim_variable	n_missing	complete_rate	ordered	n_unique	top_counts
sex	0	1.00	FALSE	2	Mal: 1340, Fem: 1160
diabetes	0	1.00	FALSE	2	No: 1751, Yes: 749
hypertension	0	1.00	FALSE	2	Yes: 1506, No: 994
heart_failure	0	1.00	FALSE	2	No: 1863, Yes: 637
smoking_status	449	0.82	FALSE	3	Nev: 936, For: 712, Cur: 403
treat_statin	0	1.00	FALSE	2	Yes: 1766, No: 734
treat_beta_blocker	0	1.00	FALSE	2	Yes: 1462, No: 1038
treat_acei	0	1.00	FALSE	2	Yes: 1252, No: 1248
mortality_30d	0	1.00	FALSE	2	No: 2276, Yes: 224
readmission_30d	0	1.00	FALSE	2	No: 2108, Yes: 392

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
patient_id	0	1.00	1250.50	721.83	1.00	625.75	1250.50	1875.25	2500.00	▇▇▇▇▇
age	2	1.00	65.38	12.65	23.00	57.00	65.00	74.00	95.00	▁▂▇▇▂
bmi	12	1.00	27.84	5.03	15.00	24.40	27.80	31.30	45.60	▂▇▇▂▁
systolic_bp	1	1.00	130.45	19.82	90.00	117.00	130.00	144.00	198.00	▃▇▆▂▁
diastolic_bp	0	1.00	79.77	9.85	50.00	73.00	80.00	86.00	114.00	▁▅▇▃▁
chol_total	450	0.82	201.19	39.57	120.00	173.00	201.00	228.00	337.00	▃▇▇▂▁
ldl	10	1.00	120.69	29.84	50.00	100.00	121.00	141.00	250.00	▂▇▆▁▁
hdl	448	0.82	50.21	14.90	15.00	40.00	50.00	61.00	100.00	▂▇▇▂▁
triglycerides	0	1.00	155.32	47.19	50.00	121.00	149.00	182.00	439.00	▅▇▂▁▁
ejection_fraction	1	1.00	54.65	9.66	18.40	47.80	54.90	61.40	75.00	▁▂▆▇▃
troponin	12	1.00	0.07	0.06	0.00	0.03	0.05	0.09	0.65	▇▁▁▁▁
creatinine	450	0.82	1.02	0.26	0.42	0.83	0.99	1.19	2.31	▃▇▃▁▁
length_of_stay	0	1.00	6.04	2.22	1.00	4.00	6.00	7.00	15.00	▂▇▅▁▁

10. Tabla 1. Descriptiva

tabla1 <- datacleanNfinal %>%
  dplyr::select(-patient_id) %>%
  gtsummary::tbl_summary(
    by = sex,
    missing = "ifany",
    missing_text = "(Missing)",
    digits = list(
      all_categorical() ~ c(0, 1),
      all_continuous() ~ c(1, 1)
    )
  ) %>%
  gtsummary::add_n() %>%
  gtsummary::add_overall() %>%
  gtsummary::modify_header(label = "**Variable**") %>%
  gtsummary::modify_spanning_header(all_stat_cols() ~ "**Sex**") %>%
  gtsummary::bold_labels()

tabla1

Variable	N	Sex
		Overall N = 25001	Female N = 11601	Male N = 13401
age	2498	65.0 (57.0, 74.0)	65.0 (56.0, 74.0)	65.0 (57.0, 74.0)
(Missing)		2	0	2
bmi	2488	27.8 (24.4, 31.3)	27.8 (24.4, 31.3)	27.8 (24.4, 31.3)
(Missing)		12	8	4
systolic_bp	2499	130.0 (117.0, 144.0)	129.0 (117.0, 143.0)	131.0 (117.0, 145.0)
(Missing)		1	1	0
diastolic_bp	2500	80.0 (73.0, 86.0)	80.0 (73.0, 87.0)	79.0 (73.0, 86.0)
chol_total	2050	201.0 (173.0, 228.0)	201.0 (175.0, 228.0)	200.0 (172.0, 228.0)
(Missing)		450	211	239
ldl	2490	121.0 (100.0, 141.0)	122.0 (100.0, 141.0)	120.0 (100.0, 140.5)
(Missing)		10	6	4
hdl	2052	50.0 (40.0, 61.0)	50.0 (39.0, 60.0)	51.0 (41.0, 61.0)
(Missing)		448	200	248
triglycerides	2500	149.0 (121.0, 182.0)	148.0 (122.0, 183.0)	149.0 (120.0, 181.0)
ejection_fraction	2499	54.9 (47.8, 61.4)	54.7 (48.0, 61.5)	54.9 (47.7, 61.4)
(Missing)		1	0	1
troponin	2488	0.1 (0.0, 0.1)	0.1 (0.0, 0.1)	0.1 (0.0, 0.1)
(Missing)		12	5	7
creatinine	2050	1.0 (0.8, 1.2)	1.0 (0.8, 1.2)	1.0 (0.8, 1.2)
(Missing)		450	215	235
diabetes	2500	749 (30.0%)	344 (29.7%)	405 (30.2%)
hypertension	2500	1506 (60.2%)	693 (59.7%)	813 (60.7%)
heart_failure	2500	637 (25.5%)	276 (23.8%)	361 (26.9%)
smoking_status	2051
Current		403 (19.6%)	181 (19.1%)	222 (20.1%)
Former		712 (34.7%)	341 (35.9%)	371 (33.7%)
Never		936 (45.6%)	427 (45.0%)	509 (46.2%)
(Missing)		449	211	238
treat_statin	2500	1766 (70.6%)	823 (70.9%)	943 (70.4%)
treat_beta_blocker	2500	1462 (58.5%)	675 (58.2%)	787 (58.7%)
treat_acei	2500	1252 (50.1%)	598 (51.6%)	654 (48.8%)
length_of_stay	2500	6.0 (4.0, 7.0)	6.0 (4.0, 7.0)	6.0 (5.0, 7.0)
mortality_30d	2500	224 (9.0%)	105 (9.1%)	119 (8.9%)
readmission_30d	2500	392 (15.7%)	175 (15.1%)	217 (16.2%)
1 Median (Q1, Q3); n (%)

#11. Tabla descriptiva estratificada

tabla1_mortalidad <- datacleanNfinal %>%
  dplyr::select(-patient_id) %>%
  gtsummary::tbl_summary(
    by = mortality_30d,
    missing = "ifany",
    missing_text = "(Missing)",
    digits = list(
      all_categorical() ~ c(0, 1),
      all_continuous() ~ c(1, 1)
    )
  ) %>%
  gtsummary::add_n() %>%
  gtsummary::add_overall() %>%
  gtsummary::add_p() %>%
  gtsummary::modify_header(label = "**Variable**") %>%
  gtsummary::modify_spanning_header(all_stat_cols() ~ "**Mortalidad a 30 días**") %>%
  gtsummary::bold_labels()
tabla1_mortalidad

Variable	N	Mortalidad a 30 días			p-value2
		Overall N = 25001	No N = 22761	Yes N = 2241
age	2498	65.0 (57.0, 74.0)	65.0 (56.0, 73.0)	71.5 (62.0, 79.5)	<0.001
(Missing)		2	2	0
sex	2500				0.9
Female		1160 (46.4%)	1055 (46.4%)	105 (46.9%)
Male		1340 (53.6%)	1221 (53.6%)	119 (53.1%)
bmi	2488	27.8 (24.4, 31.3)	27.8 (24.4, 31.3)	28.5 (24.7, 31.5)	0.2
(Missing)		12	12	0
systolic_bp	2499	130.0 (117.0, 144.0)	130.0 (117.0, 144.0)	129.5 (116.0, 145.0)	0.8
(Missing)		1	1	0
diastolic_bp	2500	80.0 (73.0, 86.0)	80.0 (73.0, 86.0)	79.0 (72.0, 87.0)	0.6
chol_total	2050	201.0 (173.0, 228.0)	200.0 (173.0, 227.0)	205.0 (173.0, 236.0)	0.092
(Missing)		450	400	50
ldl	2490	121.0 (100.0, 141.0)	121.0 (100.0, 141.0)	121.0 (103.5, 139.0)	0.5
(Missing)		10	10	0
hdl	2052	50.0 (40.0, 61.0)	50.0 (40.0, 61.0)	50.0 (41.0, 59.0)	0.7
(Missing)		448	418	30
triglycerides	2500	149.0 (121.0, 182.0)	148.5 (122.0, 182.0)	149.0 (118.5, 189.0)	>0.9
ejection_fraction	2499	54.9 (47.8, 61.4)	54.8 (47.8, 61.3)	55.7 (48.5, 62.8)	0.2
(Missing)		1	1	0
troponin	2488	0.1 (0.0, 0.1)	0.1 (0.0, 0.1)	0.0 (0.0, 0.1)	0.2
(Missing)		12	10	2
creatinine	2050	1.0 (0.8, 1.2)	1.0 (0.8, 1.2)	1.0 (0.8, 1.2)	0.3
(Missing)		450	413	37
diabetes	2500	749 (30.0%)	687 (30.2%)	62 (27.7%)	0.4
hypertension	2500	1506 (60.2%)	1364 (59.9%)	142 (63.4%)	0.3
heart_failure	2500	637 (25.5%)	578 (25.4%)	59 (26.3%)	0.8
smoking_status	2051				>0.9
Current		403 (19.6%)	366 (19.7%)	37 (19.4%)
Former		712 (34.7%)	646 (34.7%)	66 (34.6%)
Never		936 (45.6%)	848 (45.6%)	88 (46.1%)
(Missing)		449	416	33
treat_statin	2500	1766 (70.6%)	1601 (70.3%)	165 (73.7%)	0.3
treat_beta_blocker	2500	1462 (58.5%)	1332 (58.5%)	130 (58.0%)	0.9
treat_acei	2500	1252 (50.1%)	1142 (50.2%)	110 (49.1%)	0.8
length_of_stay	2500	6.0 (4.0, 7.0)	6.0 (4.0, 7.0)	6.0 (5.0, 7.0)	0.9
readmission_30d	2500	392 (15.7%)	353 (15.5%)	39 (17.4%)	0.5
1 Median (Q1, Q3); n (%)
2 Wilcoxon rank sum test; Pearson’s Chi-squared test

RESULTADOS

Para el desarrollo de este taller contamos con una base de datos de cardiología que contaba inicialmente con 2506 filas y 23 columnas. Para la limpieza de la base de datos primero, se hizo un diagnóstico en la que se determinó que el tabaquismo era la variable con mayor cantidad de missings (449), seguida por creatinina y colesterol total (451), colesterol HDL (448), colesterol ldl e índice de masa corporal (10). Después, se identificaron la cantidad de números duplicados por el ID de cada paciente, los cuales fueron 6 y posteriormente fueron eliminados. Después, se corrigió el tipo de dato según la variable, en este caso las variables categóricas se cambiaron a factor. Luego, se definieron los rangos según el documento de la base de datos y a partir de este rango se detectaron los outliers que no son clínicamente plausibles. Posteriormente, esos valores fuera de rango se recodificaron a NA.

Luego después de haber eliminado los duplicados y recodificado los outliers a NA, el tabaquismo se mantuvo con 449 NA, la creatinina y colesterol total con 450, el hdl se mantuvo con 448, el bmi aumento a 12 junto con la troponina , el colesterol LDL con 10 , la edad con 2 y finalmente la presión sistólica con 1. Finalmente, se obtuvo una base de datos limpia a la cual se le aplico el comando skim para observar las medidas de tendencia central, y la distribución de las variables categóricas. Se obtuvo una base de datos de 2500 filas. Finalmente se tabuló en una tabla con con la mediana y el rango intercuartil para variables cuantitativas, y la frecuencia y porcentajes para variables cualitativas. De igual forma sobre la población total, luego se estratifico por sexo y finalmente por el desenlace de mortalidad a 30 días.

La población tiene una mediana de 65 años, con sobrepeso grado II (IMC de 27.8), una presión arterial con mediana de 130 mmHG con valores para perfil lipídico, fracción de eyección, creatinina, y comorbilidades con distribución similar para ambos sexos. En cuanto a la estratificación por el desenlace de mortalidad a 30 días, la edad de pacientes fallecidos fue ligeramente mayor (71,5 años) que aquellos no fallecidos (65 años) con una significancia estadística p <0.001. Otra variable importante, fue la hipertensión aunque esta no alcanzo una significancia estadística p < 0.3.