Curs d’Estadística amb R per a Metges - Capítol 1: Introducció

Author

P. Loma-Osorio

Published

October 8, 2026

1 Introducció a R

Aquest primer capítol és un crash course d’R per començar a caminar. No pretén ser una guia ortodoxa ni exhaustiva d’enginyeria de programari, sinó que explica els conceptes i el codi mínim indispensable per desenvolupar les tasques d’estadística mèdica que utilitzarem al llarg del manual.

La regla del Meccano

R té desenes de formes diferents de fer exactament la mateixa operació. Al llarg d’aquest text n’explicarem gairebé sempre una de sola: la més entenedora, coherent i estandarditzada en recerca biomèdica (fonamentalment basada en l’ecosistema Tidyverse).

1.1 El llenguatge R en recerca biomèdica

En l’àmbit de les ciències de la salut, tradicionalment “fer estadística” s’ha associat a paquets comercials com SPSS, Stata o SAS. Tot i que són programes solvents, presenten tres desavantatges notables:

Cost i llicències: Són eines privades amb quotes sovint prohibitives fora dels servidors de les institucions.

Opacitat (“caixa negra”): Fomenten una dinàmica de navegació per menús desplegables on sovint s’obté un p-valor sense entendre quins supòsits s’estan assumint ni com s’han tractat les dades.
Dificultat de reproducció: Documentar el camí exacte que s’ha seguit des del full de càlcul brut fins a la taula final és complex si s’ha fet amb clics de ratolí.

La popularitat d’R no ha parat de créixer en la comunitat científica internacional per motius clars:

1. És gratuït i de codi obert: Tothom pot auditar el codi, instal·lar-lo a qualsevol ordinador i verificar els algorismes.

2. Reproduïbilitat i ètica en recerca: L’anàlisi queda escrita en un document (script o Quarto). Si l’any vinent entren 50 pacients més a la base de dades, es reexecuta el document i totes les taules i gràfics s’actualitzen en dos segons.

3. Potència en l’era dels models de llenguatge (IA): En ser un dels llenguatges més documentats i oberts d’Internet, les eines d’intel·ligència artificial (com Gemini o Claude) generen codi d’R —i especialment de Tidyverse— amb una precisió i netedat molt superior a la de qualsevol sintaxi propietària.

R serveix per calcular un senzill test de Student, però també per analitzar big data, construir quadres de comandament clínics en temps real (Shiny), escriure tesis doctorals, generar informes automàtics o redactar aquest mateix manual.

1.2 Instal·lació d’R i RStudio. Anatomia de l’IDE. Projectes en R

R “despullat” s’executa des d’una consola de terminal fosca i poc amigable. A la pràctica, ningú treballa directament sobre la terminal pura; ho fem a través d’un IDE (Integrated Development Environment o Entorn de Desenvolupament Integrat).

L’estàndard indiscutible en el nostre àmbit és RStudio Desktop (de l’empresa Posit).

1.2.1 L’anatomia de l’espai de treball (els 4 panells)

Quan obrim RStudio ens trobem amb una pantalla dividida en quatre quadrants interconnectats:

Editor / Script (superior esquerre): El nostre bloc de notes de treball. És on redactem el guió d’instruccions o els fitxers Quarto (.qmd). El que escrivim aquí queda guardat al disc dur per poder-ho recuperar demà.
Consola (inferior esquerre): El motor d’execució directa. És on s’envien les ordres per ser calculades immediatament. Els resultats numèrics ràpids i els missatges del sistema apareixen aquí.
Entorn / Environment (superior dret): La “memòria viva” de la sessió. Aquí R ens mostra les taules de dades de pacients que hem carregat, els models calculats, els vectors i les variables emmagatzemades.
Fitxers / Plots / Viewer (inferior dret): La sortida visual. Ens permet explorar les carpetes del nostre ordinador, visualitzar els gràfics que generem (Plots) i consultar la documentació d’ajuda (Help).

1.2.2 Què és un Projecte d’RStudio (`.Rproj`) i com es crea?

Treballar amb fitxers solts repartits pel disc dur és la font del 90% dels problemes de principiants (com el temut error No such file or directory).

Un Projecte d’RStudio és simplement una carpeta del teu ordinador vinculada a un fitxer amb extensió .Rproj. Quan fas doble clic a aquest fitxer: * S’obre RStudio situant automàticament aquesta carpeta com el centre de treball (working directory). * No cal escriure rutes llargues com C:/Users/Nom/Documents/.... * Si passes la carpeta sencera a un company de recerca, a ell li funcionarà exactament igual sense tocar cap ruta.

Com crear un Projecte nou pas a pas:

Al menú superior d’RStudio, fes clic a File $\rightarrow$ New Project…
Tria New Directory (carpeta nova) $\rightarrow$ New Project.
Posa un nom a la carpeta (per exemple: curs_r_trueta) i tria on desar-la (a l’Escriptori o a Documents).
Fes clic a Create Project.
A partir d’ara, per treballar, fes sempre doble clic directament sobre el fitxer curs_r_trueta.Rproj.

1.2.3 Què és un Script (`.R`) i com es treballa amb ell?

La consola s’assembla a una conversa oral: li demanes un càlcul, te’l respon i, si tanques RStudio, aquella feina s’ha perdut.

Un Script (arxiu acabat en .R) és la teva “recepta mèdica escrita”: un fitxer de text pla on guardes ordenadament totes les línies de codi del teu estudi per poder-lo desar, corregir, compartir i tornar a executar mesos després.

Com crear i utilitzar el teu primer script:

Ves al menú: File $\rightarrow$ New File $\rightarrow$ R Script (o la drecera Ctrl + Shift + N / Cmd + Shift + N).
S’obrirà una pestanya en blanc al panell superior esquerre anomenada Untitled1.
Desa’l immediatament amb un nom clar: fes clic a la icona del disquet o prem Ctrl + S i anomena’l, per exemple, 01_proves.R.

1.2.3.1 Com s’executa el codi des de l’script?

No cal copiar i enganxar les línies cap a la consola: * Posa el cursor a sobre de la línia de codi que vulguis provar. * Prem la drecera clau: Ctrl + Enter (a Windows/Linux) o Cmd + Enter (a Mac). * R enviarà automàticament aquella línia a la consola, l’executarà i baixarà el cursor a la línia següent. * Si vols afegir notes explicatives que R ignori, posa sempre el símbol del coixinet (#):

# Això és un comentari clínic: R no l'executa
tas <- 140 # pressió sistòlica basal

La regla dels projectes .Rproj

Treballar amb fitxers solts dispersos per carpetes és la font del 90% dels errors de principiants (No such file or directory).

En obrir sempre el fitxer .Rproj de la carpeta d’estudi: * RStudio situa automàticament el directori de treball a l’arrel de la carpeta. * No cal escriure rutes llargues com C:/Users/Nom/Documents/dades/. * Totes les rutes de dades es tornen relatives i funcionaran igual a l’ordinador de la feina o al de casa.

1.3 La consola: R com a calculadora i gestió de missatges

La forma més senzilla d’entendre la consola és com una calculadora científica avançada. Escrivim una expressió, premem Enter i R en retorna el resultat:

2 + 2

[1] 4

(140 - 90) / 3

[1] 16.66667

sqrt(16)

[1] 4

2^3

[1] 8

El símbol [1] que precedeix la resposta indica simplement que el resultat comença en el primer element del vector de sortida.

Advertències vs. Errors: No entrar en pànic

Quan treballem a la consola, R ens parla a través de tres tipus de text:

* Missatge (message): Purament informatiu (per exemple, avisar quines llibreries s’han carregat). El càlcul s’ha fet sense problemes.

* Advertència (warning): El càlcul s’ha completat amb èxit, però R ens avisa que ha hagut de prendre una decisió per nosaltres (per exemple: “hi havia 3 valors buits (NA) i s’han descartat”).

* Error (error): L’execució s’ha aturat i no s’ha generat cap resultat perquè alguna instrucció està mal escrita o falta un fitxer.

1.4 Creem els primers objectes a R: Atributs i reassignació

A R, pràcticament tot és un objecte. Per guardar un valor o el resultat d’un càlcul a la memòria, fem servir l’operador d’assignació <- (format pel signe menor i un guió, que s’assembla a una fletxa cap a l’esquerra).

# Assignem valors a variables
edat <- 64
tas <- 155

# Podem operar amb els objectes directament
tas_mitjana <- tas - 10
tas_mitjana

[1] 145

Dreceres de teclat indispensables

A RStudio, pots escriure l’operador d’assignació <- d’un sol cop prement: * Alt + - (a Windows i Linux) * Option + - (a macOS)

1.4.1 Bones pràctiques en anomenar objectes

R és sensible a les majúscules i minúscules (edat no és el mateix que Edat ni que EDAT). A l’hora de posar noms a les vostres variables i taules:

1. Eviteu espais i caràcters especials: Utilitzeu el guió baix (edat_pacient, no pas edat pacient ni edat-pacient).

2. Eviteu accents i la lletra ç/ñ: Tot i que R els tolera en versions modernes, solen donar problemes d’interpretació en canviar de sistema operatiu.

3. Noms descriptius però curts: Millor tas_ingres que tensio_arterial_sistolica_a_larribada_a_urgencies o que una lletra aïllada com x.

1.5 Funcions matemàtiques i operadors lògics

Les funcions són instruccions empaquetades que reben un o més arguments entre parèntesis i en retornen un resultat: nom_de_la_funcio(argument1, argument2).

# Arrodonir valors
round(3.141592, digits = 2)

[1] 3.14

# Logaritmes i exponencials (habituals per transformar Odds Ratios o marcadors)
log(10)

[1] 2.302585

exp(2.302585)

[1] 9.999999

1.5.1 Operadors de comparació i lògics

Per seleccionar pacients segons criteris d’inclusió o exclusió necessitem que R avaluï condicions (retornant TRUE o FALSE):

Operador	Significat clínic	Exemple	Resultat
`==`	Exactament igual a	`sexe == "Dona"`	Comparació d’igualtat
`!=`	Diferent de	`estadi != "IV"`	Descarta el valor
`>`, `<`	Més gran / Més petit que	`edat >= 65`	Criteri d’edat
`&`	I lògic (totes dues certes)	`edat > 65 & hta == "Sí"`	Pacient d’edat amb HTA
`\\|`	O lògic (com a mínim una certa)	`diabetis == "Sí" \\| hta == "Sí"`	Risc cardiovascular present
`%in%`	Dins d’un llistat de valors	`diagnostic %in% c("IAM", "Angina")`	Filtre múltiple

L’error clàssic de l’igual doble

Per comparar si una variable val quelcom, s’ha d’escriure sempre == (dos iguals). Si poseu un sol =, R intentarà assignar el valor en lloc de contrastar-lo i us donarà un error o alterarà la dada.

1.6 Estructures de dades: Vectors i Dataframes

En recerca biomèdica treballem bàsicament amb dues estructures:

1.6.1 El vector: La columna d’una variable

Un vector és una col·lecció unidimensional d’elements del mateix tipus. Es construeix amb la funció de combinar c():

troponina <- c(12, 45, 120, 8, 350)
troponina

[1]  12  45 120   8 350

1.6.2 El Dataframe (o Tibble): La història clínica rectangular

Un dataframe és una taula bidimensional que agrupa múltiples vectors de la mateixa longitud. És l’equivalent digital al full de dades d’Excel, però subjecte a les regles de les dades netes (tidy data): * Cada fila representa una observació única (un pacient). * Cada columna representa una variable clínica mesurada.

# Creació d'una petita base de dades clínica
pacients <- data.frame(
  id = 1:4,
  edat = c(58, 72, 63, 81),
  sexe = c("Home", "Dona", "Home", "Dona"),
  exitus = c(FALSE, TRUE, FALSE, FALSE)
)

pacients

  id edat sexe exitus
1  1   58 Home  FALSE
2  2   72 Dona   TRUE
3  3   63 Home  FALSE
4  4   81 Dona  FALSE

Podem extreure una columna aïllada d’un dataframe fent servir el símbol del dòlar $:

pacients$edat

[1] 58 72 63 81

mean(pacients$edat)

[1] 68.5

1.7 Tipus de dades (datatypes) i coerció

R assigna automàticament un tipus de dada a cada columna. Els quatre tipus clínics essencials són:

Numèric (numeric / double / integer): Valors continus o enters (edat, filtrat glomerular, tensió arterial).
Text (character): Paraules o cadenes de caràcters tancades entre cometes ("Home", "Cardiopatia isquèmica").
Lògic (logical): Valors booleans binaris (TRUE o FALSE).
Factor (factor): Variables categòriques amb nivells prefixats (levels). És fonamental per a variables clíniques qualitatives ordinals o nominals (com ara l’estadi funcional NYHA: I, II, III, IV), ja que permet establir quin és el grup de referència per als models de regressió.

# Convertim la variable sexe en factor especificant categories
pacients$sexe <- factor(pacients$sexe, levels = c("Home", "Dona"))
class(pacients$sexe)

[1] "factor"

levels(pacients$sexe)

[1] "Home" "Dona"

El parany de la coerció automàtica

R exigeix que tots els elements d’una mateixa columna siguin del mateix tipus. Si en una columna numèrica de glucèmies algú ha escrit a l’Excel "pendent" o "sense mostra", R convertirà tota la columna a text.

Quan intenteu calcular mean(dades$glucemia), R us dirà: argument is not numeric or logical: returning NA.

::::::

1.8 Paquets, llibreries i funcions

Quan instal·lem R disposem d’una dotació bàsica d’eines (R base). La veritable força de la comunitat científica, però, resideix en els paquets (packages): mòduls amb funcions especialitzades desenvolupades per altres investigadors i publicades al repositori oficial CRAN.

La metàfora de la bombeta i l’interruptor

Instal·lar un paquet (install.packages("nom")): Equival a comprar una bombeta a la botiga i caragolar-la a la làmpada. Només es fa un sol cop a la vida per a cada ordinador.
Carregar una llibreria (library(nom)): Equival a prémer l’interruptor per encendre el llum. S’ha de fer cada vegada que obrim una nova sessió d’R o al principi de cada fitxer d’anàlisi.

# S'instal·la una sola vegada des de la consola (ull a les cometes!):
install.packages("tidyverse")
install.packages("readxl")

# Es carrega a l'inici de cada script (sense cometes):
library(tidyverse)
library(readxl)

L’error típic de la funció no trobada

Si executeu una ordre com read_excel() o filter() i R us respon: Error in read_excel(...) : could not find function "read_excel" El motiu és sempre que heu oblidat executar la línia library(...) corresponent al principi de la sessió.

1.9 Dades d’entrenament a R

Un dels grans avantatges didàctics d’R és que incorpora conjunts de dades clíniques i científiques preinstal·lats llestos per practicar sense haver de descarregar cap fitxer extern.

Alguns exemples clàssics disponibles directament: * iris: Dades biomètriques clàssiques de botànica. * mtcars: Proves de rendiment de vehicles de motor. * Dades del Titanic (Titanic o via paquets docents). Per veure tots els que venen carregats amb rbase feu a la consola data(). Despres els podeu veure directament escrivint el nom o amb View()per exemple.

# Visualitzem les primeres línies d'un dataset intern
head(iris, n = 4)

  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa

View(women)

1.10 Importació de dades: Excel, CSV, SPSS i Stata

A la pràctica hospitalària, el 95% de les dades de recerca arriben en formats d’altres programes.

1.10.1 Fitxers de text pla (.csv)

És el format més universal i estable per a recerca:

# Amb Tidyverse (readr):
dades <- read_csv("data/pacients.csv")

# Si el CSV prové d'un sistema europeu/català on els decimals són comes (,) i els separadors són punts i comes (;):
dades <- read_csv2("data/pacients_excel.csv")

1.10.2 Fulls de càlcul d’Excel (.xlsx, .xls)

Gràcies al paquet readxl:

library(readxl)

# Llegeix el primer full per defecte
dades_excel <- read_excel("data/registre_clinica.xlsx")

# Si volem triar un full concret del fitxer:
dades_excel <- read_excel("data/registre_clinica.xlsx", sheet = "UCI")

1.10.3 Altres programes estadístics (SPSS, Stata, SAS)

El paquet haven permet importar arxius privatius preservant fins i tot les etiquetes originals:

library(haven)

# Fitxer d'SPSS (.sav)
dades_spss <- read_sav("data/estudi.sav")

Per què no falla la ruta del fitxer?

Fixeu-vos que la ruta sempre comença amb un nom relatiu com "data/pacients.csv" o "titanic.csv".

Com que treballem dins d’un Projecte d’RStudio (.Rproj), R busca automàticament a partir de la carpeta del projecte. No cal escriure camins absoluts personals com C:/Users/pablo/Documents/..., que fallarien en compartir el codi amb un altre company.

1.11 R base vs. Tidyverse: El salt de llegibilitat

Per fer una mateixa transformació de dades, a R hi ha dues filosofies: 1. R base: Sintaxi clàssica, sovint plena de claudàtors imbricats [ ] i funcions acumulades de dins cap a fora, difícil de llegir per a qui no és programador. 2. Tidyverse: Un dialecte modern dissenyat per humans on el codi s’escriu d’esquerra a dreta, seguint el fil del pensament clínic.

1.11.1 L’operador de canonada (pipe): `%>%` o `|>`

La “canonada” agafa el resultat de l’operació anterior i el passa com a primer argument a la funció següent. Es llegeix com: “…i després fes…”.

Imaginem un cas clínic: volem agafar el registre de pacients, filtrar els més grans de 65 anys i seleccionar només el seu identificador i la troponina:

Forma clàssica (R base - difícil de llegir):

# Llegit de dins cap a fora:
dades_subgrup <- dades[dades$edat > 65, c("id", "troponina")]

Forma moderna (Tidyverse - seqüència clínica natural):

dades_subgrup <- dades %>% 
  filter(edat > 65) %>% 
  select(id, troponina)

La sintaxi Tidyverse no només és més intuïtiva per als professionals de la salut, sinó que és exactament el patró que els models d’intel·ligència artificial generen amb més fiabilitat i claredat.

1.12 Cercant ajuda i la IA com a copilot crític

Un dels principis de la recerca amb R és que ningú memoritza totes les opcions de totes les funcions. Saber com documentar-se i resoldre errors és la competència més útil a llarg termini.

1.12.1 L’ajuda integrada d’R

Davant de qualsevol funció desconeguda, només cal escriure un signe d’interrogant (?) seguit del nom de la comanda a la consola:

?mean
?read_csv

S’obrirà la documentació oficial al panell inferior dret (Help), on sempre trobareu la mateixa estructura: 1. Description: Breu resum del propòsit de la funció. 2. Usage: Com s’escriu la funció i quins arguments espera. 3. Arguments: Descripció detallada de cada paràmetre. 4. Examples: Exemples de codi a punt per copiar i provar.

1.12.2 La IA com a assistent d’aprenentatge: El mètode estructurat

Els models de llenguatge (com Gemini, ChatGPT o Claude) són excel·lents generant codi d’R i explicant missatges d’error. No obstant això, si es fan preguntes generals o imprecises, la IA acostuma a assumir dades que no existeixen o a inventar-se noms de variables.

Les 4 regles per obtenir bon codi amb IA

Dóna-li l’estructura real: Mai li demanis codi sense abans ensenyar-li què té la teva taula. Executa glimpse(les_teves_dades) a la consola d’R i copia el resultat al xat.
Explicita el dialecte: Especifica sempre: “Escriu el codi exclusivament amb R i Tidyverse”. Si no, et barrejarà codi obsolet d’R base amb sintaxi moderna.
Retorna-li els errors complets: Si un bloc de codi falla, copia exactament la línia d’error en vermell que t’ha donat la consola.
Audita el resultat: Pregunta’t sempre: Té sentit clínic aquesta sortida? El número total de pacients coincideix?

1.12.2.1 Exemple de prompt clínic eficaç:

“Sóc investigador mèdic i estic analitzant una cohort clínica a RStudio utilitzant Tidyverse.

Aquest és el resultat de fer glimpse(pacients):
Rows: 150
Columns: 4
$ id        <int> 1, 2, 3...
$ edat      <dbl> 64, 72, 58...
$ sexe      <fct> Home, Dona, Home...
$ complicacio <fct> No, Sí, No...
Objectiu: Genera un script per comprovar si hi ha diferències d’edat segons la presència de complicacions, mostrant mitjana i desviació típica per grup, i comprova els supòsits d’aplicació.”

1.13 Exercicis pràctics del Capítol 1

Posa en pràctica els conceptes treballats amb el teu propi script (.R):

1.13.1 Exercici 1: Gestió de variables i operadors

Crea un objecte anomenat pes_kg amb el valor 78 i un altre anomenat talla_m amb el valor 1.75.
Calcula l’índex de massa corporal ($IMC = \frac{pes}{talla^2}$) i desa el resultat a l’objecte imc.
Arrodoneix el resultat a un sol decimal amb la funció round().
Avalua amb un operador lògic si aquest pacient té un $IMC \ge 25$ (sobrepès).

1.13.2 Exercici 2: Treballant amb vectors clínics

Construeix un vector anomenat tas que contingui les pressions arterials sistòliques de 5 pacients: 120, 145, 160, 115, 138.
Calcula la mitjana (mean()) i la desviació típica (sd()) d’aquest vector.
Esbrina quants pacients tenen una $TAS \ge 140$ avaluant la condició lògica.

1.13.3 Exercici 3: El primer dataframe

Construeix un petit dataframe de recerca anomenat estudi amb les següents 3 columnes:
- id: valors de l’1 al 4.
- tractament: factor amb dos nivells (“Control”, “Fàrmac”).
- pressio: valors 135, 122, 140, 118.
Mostra la informació general de la taula fent servir glimpse(estudi) (recorda carregar library(tidyverse) prèviament).
Selecciona únicament els pacients assignats al grup “Fàrmac” utilitzant la funció filter().

1.13.4 Exercici 4: Crear un full d’Excel i importar-lo

Aquest exercici reprodueix exactament el flux habitual a la pràctica clínica diària: 1. Obre el teu programa de fulls de càlcul (Excel, LibreOffice Calc o Google Sheets). 2. Construeix una taula petita de 4 pacients amb les següents columnes:

* id: 1, 2, 3, 4

* edat: 55, 68, 49, 73

* sexe: Dona, Home, Dona, Home

* colesterol_total: 210, 185, 240, 195

3.Guarda el document amb el nom pacients_prova.xlsx dins de la subcarpeta data del teu projecte (si no tens la carpeta data, crea-la abans).

4. Obre el teu script d’R i carrega la llibreria readxl.

5. Importa el fitxer amb la funció read_excel() guardant-lo en un objecte anomenat dades_cliniques.

6. Comprova l’estructura de la taula importada amb glimpse() i calcula la mitjana de la columna colesterol_total.

Solucions als exercicis (fes clic per desplegar)

library(tidyverse)
library(readxl)

# Exercici 1
pes_kg <- 78
talla_m <- 1.75
imc <- pes_kg / (talla_m^2)
imc_arrodonit <- round(imc, digits = 1)
imc_arrodonit

[1] 25.5

imc_arrodonit >= 25

[1] TRUE

# Exercici 2
tas <- c(120, 145, 160, 115, 138)
mean(tas)

[1] 135.6

sd(tas)

[1] 18.4201

tas >= 140

[1] FALSE  TRUE  TRUE FALSE FALSE

# Exercici 3
estudi <- tibble(
  id = 1:4,
  tractament = factor(c("Control", "Fàrmac", "Control", "Fàrmac")),
  pressio = c(135, 122, 140, 118)
)

glimpse(estudi)

Rows: 4
Columns: 3
$ id         <int> 1, 2, 3, 4
$ tractament <fct> Control, Fàrmac, Control, Fàrmac
$ pressio    <dbl> 135, 122, 140, 118

estudi %>% 
  filter(tractament == "Fàrmac")

# A tibble: 2 × 3
     id tractament pressio
  <int> <fct>        <dbl>
1     2 Fàrmac         122
2     4 Fàrmac         118

# Exercici 4
# (Aquest codi s'executa un cop creat el fitxer Excel a la subcarpeta data/)
dades_cliniques <- read_excel("data/pacients_prova.xlsx")

glimpse(dades_cliniques)

mean(dades_cliniques$colesterol_total, na.rm = TRUE)

2 Exercici 4

3 (Assegura’t d’haver desat prèviament l’arxiu pacients_prova.xlsx dins de la carpeta data/)

#| eval: false dades_cliniques <- read_excel(“data/pacients_prova.xlsx”)

glimpse(dades_cliniques)

mean(dades_cliniques$colesterol_total, na.rm = TRUE) ```