La actividad física, en nuestro LatAm-FINGERS, es evaluada vía un ‘checklist’ que recorre los dos años de intervención, semana-a-semana y que solicita - o permite - completar hasta cuatro días de actividad.
La forma que toma la entidad [ef_week] se deja ver en sus dos elementos constitutivos:
# Instalamos librerías y cargamos los datos.
library(data.table)
library(ggplot2)
library(dplyr)
data<-fread("Bases de datos/df_27_10_2026.csv")
# Construimos la columna de ejercicio físico
# Ejercicio físico
vector_ef <- paste0("ef_week_",rep(1:52, each=4),"_",rep(1:4,times=52))
# Ya existe una cuenta predeterminada, contenida en ef_count
adherencia <- data %>%
filter(Arm == "Systematic") %>%
group_by(id) %>%
summarise(
center = first(center),
suma_inicial = sum(ef_count[Eventos == "base"],na.rm = TRUE),
suma_posterior = sum(ef_count[Eventos == "12m"],na.rm = TRUE),
.groups = "drop") %>%
mutate(
ef_adh_row = suma_inicial + suma_posterior,
# Año 1: 48 semanas + Año 2: 52 semanas (todo x 4) = 400
# Perú: 48 semanas + 48 semanas (todo x 4) = 384
denominador = if_else(center == "Perú", 384, 400),
adh_ef = (ef_adh_row / denominador) * 100)
data <- data %>%
left_join(adherencia %>%
select(
id,ef_adh_row,
denominador,adh_ef),by = "id")
¿Qué quisiera - en un inicio - visualizar? Quiero ver en principio el mapa en su totalidad.
library(patchwork)
# Me restrinjo a un evento [es, por ahora, lo mismo] y a un brazo
data_base <- data %>% filter(Eventos=="24m" & Arm == "Systematic")
# Gráfico número 1.
total <- ggplot(data_base,aes(x = adh_ef,
y= 0))+ # X --> el % de adherencia
geom_point(position=position_jitter(width=0.1,height=0.1),
alpha=0.7, size = 2.5)+
geom_boxplot(alpha=0)+
theme_bw()+
labs(title="Distribución del % de EF",
x="Porcentaje de sesiones de EF completadas por ID")
partido <- ggplot(data_base,aes(x = adh_ef,
y= 0, color = EsDropout))+ # X --> el % de adherencia
geom_point(position=position_jitter(width=0.1,height=0.1),
alpha=0.7, size = 2.5)+
geom_boxplot(alpha=0)+
theme_bw()+
labs(title="Distribución del % de EF - Drop status",
x="Porcentaje de sesiones de EF completadas por ID")+
scale_color_manual(values=c("Dropout"="#CD2626",
"No-Dropout"="#458B00"))
(total / partido)
Hasta acá el número inicial. La media, considerando a todos, es: 55.73 (desviación= 29.00, mediana = 62.76, rango = 0.0 - 98.5). Empecemos a modular este número y a variar este criterio al momento crudo.
La idea es suavizar el criterio. Relajarlo. Hacerle unos masajes. Está contracturado el criterio, parece. En fin, vamos a componerlo del siguiente modo: en primer lugar, cambiamos la unidad: de día a semana; en segundo lugar, el estatus de ‘completo’ pasará a exigir haber asistido al menos a una de las cuatro posibilidades.
# Primero *pensamos*: ¿cómo hago esto?
# Creo que la mejor forma es vía un condicional.
# Ej. si empieza con "ef_week_1" ~ 1
# Adicional --> pensado desde los eventos (baseline y 12m)
library(stringr)
library(stringi)
library(tidyverse)
## Warning: package 'readr' was built under R version 4.5.2
## Warning: package 'lubridate' was built under R version 4.5.3
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ readr 2.2.0
## ✔ lubridate 1.9.5 ✔ tibble 3.3.0
## ✔ purrr 1.1.0 ✔ tidyr 1.3.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::between() masks data.table::between()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::first() masks data.table::first()
## ✖ lubridate::hour() masks data.table::hour()
## ✖ lubridate::isoweek() masks data.table::isoweek()
## ✖ dplyr::lag() masks stats::lag()
## ✖ dplyr::last() masks data.table::last()
## ✖ lubridate::mday() masks data.table::mday()
## ✖ lubridate::minute() masks data.table::minute()
## ✖ lubridate::month() masks data.table::month()
## ✖ lubridate::quarter() masks data.table::quarter()
## ✖ lubridate::second() masks data.table::second()
## ✖ purrr::transpose() masks data.table::transpose()
## ✖ lubridate::wday() masks data.table::wday()
## ✖ lubridate::week() masks data.table::week()
## ✖ lubridate::yday() masks data.table::yday()
## ✖ lubridate::year() masks data.table::year()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
data_extenso <- data %>%
filter(Eventos %in% c("base","12m"))%>%
select(id, center, adh_ef,Eventos,Arm,EsDropout,
all_of(starts_with("ef_week")),ef_count)%>%
pivot_longer(cols=starts_with("ef_week"),
names_to = "semana_bruto",
values_to = "estatus_actividad")
# Removemos el patrón: "ef_week"
data_extension_v2 <- data_extenso%>%
mutate(
patron_semana=str_remove(semana_bruto,"ef_week_"))
# Me quedo con 12_1, etc. Y lo separo en dos columnas (ualá)
data_lista <- data_extension_v2%>%
separate(patron_semana, into= c("Semana","Dia"))
# Agrupo por id, por evento y por semana y calculo la suma y clasifico.
data_semanal_v2 <- data_lista %>%
group_by(id, Eventos, Semana)%>%
filter(Arm =="Systematic")%>%
mutate(estatus_actividad = as.numeric(estatus_actividad))%>%
mutate(cumplimiento=sum(estatus_actividad,na.rm=TRUE))%>%
group_by(Semana)%>%
mutate(check_semanal=ifelse(cumplimiento>0,1,0),
check_semanal = ifelse(is.na(estatus_actividad),0,check_semanal))%>%
ungroup()
# Paso a formato largo la columna "Día" porque me molesta.
# Creamos las cuentas.
semanal <- data_semanal_v2 %>%
select(-c("semana_bruto","ef_count"))%>%
pivot_wider(names_from=Dia,
values_from=estatus_actividad)%>%
group_by(id)%>%
summarise(
center=first(center),
EsDropout=first(EsDropout),
suma_inicial=sum(check_semanal[Eventos=="base"],na.rm=TRUE),
suma_posterior=sum(check_semanal[Eventos=="12m"],na.rm=TRUE),
.groups="drop")%>%
ungroup()%>%
mutate(ef_adh_sem = suma_inicial+suma_posterior,
denominador=if_else(center=="Perú",96,100),
ef_adh_sem_perc =(ef_adh_sem/denominador)*100)
head(semanal)
## # A tibble: 6 × 8
## id center EsDropout suma_inicial suma_posterior ef_adh_sem denominador
## <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 312-10 Argentina No-Dropo… 43 14 57 100
## 2 312-101 Argentina No-Dropo… 40 46 86 100
## 3 312-103 Argentina No-Dropo… 38 39 77 100
## 4 312-11 Argentina Dropout 21 0 21 100
## 5 312-110 Argentina No-Dropo… 44 44 88 100
## 6 312-115 Argentina Dropout 44 1 45 100
## # ℹ 1 more variable: ef_adh_sem_perc <dbl>
# Corregimos algo de NA (checkear después)
semanal <- semanal %>%
mutate(EsDropout = ifelse(is.na(EsDropout),"Dropout",EsDropout))
# Graficamos.
total <- ggplot(semanal,aes(x=ef_adh_sem_perc,
y= 0))+
geom_boxplot(alpha=0)+
geom_point(position=position_jitter(width=0.1,height=0.1),
size = 2.5, alpha = 0.6)+
labs(title = "Distribución % de cumplimiento (semanal)",
subtitle = "Criterio = al menos 1 vez por semana",
x= "% por id y por semana")+
theme_bw()
partido <- ggplot(semanal,aes(x=ef_adh_sem_perc,
y= 0, color = EsDropout))+
geom_boxplot(alpha=0)+
geom_point(position=position_jitter(width=0.1,height=0.1),
size = 2.5, alpha = 0.6)+
labs(title = "Distribución % de cumplimiento (semanal)",
subtitle = "Criterio = al menos 1 vez por semana",
x= "% por id y por semana")+
theme_bw()+
labs(title="Distribución % de cumplimiento (semanal)",
subtitle = "Criterio = al menos 1 vez por semana",
x="Porcentaje de sesiones de EF completadas por ID x semana")+
scale_color_manual(values=c("Dropout"="#CD2626",
"No-Dropout"="#458B00"))
(total / partido)
La cosa parece mejorar: la media es de 71.14 (desviación estándar = 31.63, mediana = 86, rango = 0 - 100).
Un buen check de seguridad: contar dropouts.
table(semanal$EsDropout)
##
## Dropout No-Dropout
## 82 457
Buenísimo, coincide con el paper.
Me interesa revisar esto por centro, para ver inconsistencias posibles.
partido <- ggplot(semanal,aes(x=ef_adh_sem_perc,
y= 0, color = EsDropout))+
geom_boxplot(alpha=0)+
geom_point(position=position_jitter(width=0.1,height=0.1),
size = 2.5, alpha = 0.6)+
labs(title = "Distribución % de cumplimiento (semanal)",
subtitle = "Criterio = al menos 1 vez por semana",
x= "% por id y por semana")+
theme_bw()+
facet_wrap(~center)+
labs(title="Distribución % de cumplimiento (semanal)",
subtitle = "Criterio = al menos 1 vez por semana",
x="Porcentaje de sesiones de EF completadas por ID x semana")+
scale_color_manual(values=c("Dropout"="#CD2626",
"No-Dropout"="#458B00"))
partido
Acá la intención es que la unidad de tiempo sea el mes. O sea, la semana 1-2-3-y-4 corresponden al mes 1. Y así sucesivamente.
# Miramos panorama.
data_mensual <- data_lista %>%
group_by(id, Eventos, Semana)%>%
filter(Arm =="Systematic")%>%
summarise(
center = first(center),
EsDropout= first(EsDropout),
cumplimiento = sum(estatus_actividad,na.rm = TRUE),
check_semanal = as.numeric(cumplimiento > 0),
.groups="drop"
)
#View(data_mensual)
data_mensual <- data_mensual %>%
mutate(EsDropout = ifelse(is.na(EsDropout),"Dropout",EsDropout))
data_mensual <- data_mensual %>%
mutate(Mes = case_when(
# Patrón 4-4-5...
Semana %in% 1:4 ~ 1, #4
Semana %in% 5:8 ~ 2, #4
Semana %in% 9:13 ~ 3, #5
Semana %in% 14:17 ~ 4,
Semana %in% 18:21 ~ 5,
Semana %in% 22:26 ~ 6,
Semana %in% 27:30 ~ 7,
Semana %in% 31:34 ~ 8,
Semana %in% 35:39 ~ 9,
Semana %in% 40:43 ~ 10,
Semana %in% 44:47 ~ 11,
Semana %in% 48:52 ~ 12
)) %>%
group_by(id, Eventos, Mes) %>%
summarise(
center= first(center),
EsDropout= first(EsDropout),
cumplimiento_mensual = sum(check_semanal, na.rm = TRUE),
check_mensual = as.numeric(cumplimiento_mensual > 0),
.groups = "drop"
)
mensual_v4 <- data_mensual %>%
group_by(id)%>%
summarise(
center= first(center),
EsDropout= first(EsDropout),
denominador = 23, # Son 23 meses...
suma_inicial = sum(check_mensual[Eventos=="base"],na.rm=TRUE),
suma_posterior = sum(check_mensual[Eventos=="12m"],na.rm=TRUE),
adh_mensual = suma_inicial + suma_posterior,
mes_porcentaje = (adh_mensual / denominador) * 100,
.groups="drop"
)
global <- ggplot(mensual_v4,aes(x= mes_porcentaje,
y = 0))+
geom_boxplot(alpha = 0)+
geom_point(position=position_jitter(width=0.1,
height=0.1),
alpha = 0.6, size = 2.5)+
theme_bw()+
labs(title = "Adherencia a ejercicio físico",
subtitle = "Criterio = Hacé algo una vez al mes",
x = "Porcentaje de % mensual")
partido <- ggplot(mensual_v4,aes(x= mes_porcentaje,
y = 0, color = EsDropout))+
geom_boxplot(alpha = 0)+
geom_point(position=position_jitter(width=0.1,
height=0.1),
alpha = 0.6, size = 2.5)+
theme_bw()+
labs(title = "Adherencia a ejercicio físico - Según Drop",
subtitle = "Criterio = Hacé algo una vez al mes",
x = "Porcentaje de % mensual")+
scale_color_manual(values=c("Dropout"="#CD2626",
"No-Dropout"="#458B00"))
(global / partido)
Acá los números progresivamente mejoran: media = 79.09, mediana = 95.65, desviación estándar = 32.13, rango = 0 - 100.
Chequeamos de nuevo si en los centro esto es consistente (asumo que sí)
ggplot(mensual_v4,aes(x= mes_porcentaje,
y = 0, color = EsDropout))+
geom_boxplot(alpha = 0)+
geom_point(position=position_jitter(width=0.1,
height=0.1),
alpha = 0.6, size = 2.5)+
theme_bw()+
labs(title = "Adherencia a ejercicio físico",
subtitle = "Criterio = Hacé algo una vez al mes",
x = "Porcentaje de % mensual")+
facet_wrap(~center)+
scale_color_manual(values=c("Dropout"="#CD2626",
"No-Dropout"="#458B00"))
Bueno, nuestra nueva unidad de tiempo será el trimestre. Mes 1,2,3 forman el primer trimestre y así sucesivamente.
#View(data_mensual)
#colnames(data_mensual)
# Creamos la columna de Trimestre.
data_trimestral <- data_mensual %>%
mutate(
Trimestre = case_when(
Mes %in% c(1,2,3) & Eventos == "base" ~ 1,
Mes %in% c(4,5,6) & Eventos == "base" ~ 2,
Mes %in% c(7,8,9) & Eventos == "base" ~ 3,
Mes %in% c(10,11,12) & Eventos == "base" ~ 4,
Mes %in% c(1,2,3) & Eventos == "12m" ~ 1,
Mes %in% c(4,5,6) & Eventos == "12m" ~ 2,
Mes %in% c(7,8,9) & Eventos == "12m" ~ 3,
Mes %in% c(10,11,12) & Eventos == "12m" ~ 4,
TRUE ~ NA_real_))
#View(data_trimestral)
#
trimestral <- data_trimestral %>%
group_by(id, Trimestre, Eventos)%>%
summarise(
Eventos = first(Eventos),
EsDropout = first(EsDropout),
cumplimiento_mensual = first(cumplimiento_mensual),
check_mensual = first(check_mensual),
suma_trimestral = sum(check_mensual, na.rm=TRUE),
check_trimestral = ifelse(suma_trimestral > 0, 1, 0),
.groups="drop"
)
#View(trimestral)
# Vamos a las cuentas
trimestral <- data_trimestral %>%
group_by(id, Trimestre, Eventos) %>%
summarise(
EsDropout = first(EsDropout),
check_trimestral = as.integer(any(check_mensual == 1, na.rm = TRUE)),
.groups = "drop"
) %>%
group_by(id) %>%
summarise(
EsDropout = first(EsDropout),
suma_inicial = sum(check_trimestral[Eventos == "base"], na.rm = TRUE),
suma_posterior = sum(check_trimestral[Eventos == "12m"], na.rm = TRUE),
suma_adh_tri = suma_inicial + suma_posterior,
denominador = 8,
adh_porc_tri = (suma_adh_tri / denominador) * 100,
.groups = "drop"
)
# Pasamos al gráfico.
arriba <- ggplot(trimestral,aes(x = adh_porc_tri,
y = 0))+
geom_point(position = position_jitter(width=0.2,height=0.2),
size=2.5,alpha = 0.6)+
geom_boxplot(alpha = 0)+
theme_bw()+
labs(title = "Distribución de % de adherencia trimestral",
subtitle= "Criterio = haber hecho [algo] en el trimestre",
x = "Porcentaje de adherencia trimestral")
abajo <- ggplot(trimestral,aes(x = adh_porc_tri,
y = 0, color = EsDropout))+
geom_point(position = position_jitter(width=0.2,height=0.2),
size=2.5,alpha = 0.6)+
geom_boxplot(alpha = 0)+
theme_bw()+
labs(title = "Distribución de % de adherencia trimestral - drop status",
subtitle= "Criterio = haber hecho [algo] en el trimestre",
x = "Porcentaje de adherencia trimestral")+
scale_color_manual(values=c("Dropout"="#CD2626",
"No-Dropout"="#458B00"))
(arriba / abajo)
Sería de utilidad comprobar si la cantidad de sujetos en los extremos de los gráficos son equivalentes. Entiendo que podría variar levemente de acuerdo al criterio. Pero debería haber, de todos modos, cierto solapamiento.
# Primero y principal:
# Cuántos ceros tengo en el criterio día-a-día?
# Base: data_base
cero_diario <- data_base %>% count(adh_ef == 0)
cero_diario
## adh_ef == 0 n
## <lgcl> <int>
## 1: FALSE 513
## 2: TRUE 26
# Respuesta = 26.
# Segundo y secundario (?):
# Cuántos ceros tengo en el criterio semana-a-semana?
#semanal ef_adh_sem_perc
cero_semanal <- semanal %>% count(ef_adh_sem_perc == 0)
cero_semanal
## # A tibble: 2 × 2
## `ef_adh_sem_perc == 0` n
## <lgl> <int>
## 1 FALSE 513
## 2 TRUE 26
# Respuesta = 26 (llamativo)
# Tercero y terciario:
# Cuántos ceros tengo en el criterio mensual?
# mensual_v4 mes_porcentaje
cero_mensual <- mensual_v4 %>% count(mes_porcentaje == 0)
cero_mensual
## # A tibble: 2 × 2
## `mes_porcentaje == 0` n
## <lgl> <int>
## 1 FALSE 513
## 2 TRUE 26
# Respuesta = 26
# Cuarto y cuaternario
# Cuántos ceros tengo en el criterio trimestral?
#trimestral adh_porc_tri
cero_trimestral <- trimestral %>% count(adh_porc_tri==0)
cero_trimestral
## # A tibble: 2 × 2
## `adh_porc_tri == 0` n
## <lgl> <int>
## 1 FALSE 513
## 2 TRUE 26
# Respuesta = 26
Me gustaría ver el patrón temporal. Cómo evoluciona. Esto es: si pudiese ver el promedio del % de adherencia semana tras semana, ¿cómo se vería?
# Empecemos por mensual.
#View(mensual_v4)
#View(data_mensual)
# Yo necesito calcular el promedio por mes
# Check_mensual es si hizo algo en el mes.
# De todos los ids, cuántos tienen un 1.
data_mensual_v2 <- data_lista %>%
group_by(id, Eventos, Semana)%>%
filter(Arm =="Systematic")%>%
summarise(
center = first(center),
EsDropout= first(EsDropout),
cumplimiento = sum(estatus_actividad,na.rm = TRUE),
check_semanal = as.numeric(cumplimiento > 0),
.groups="drop"
)
data_mensual_v2 <- data_mensual_v2 %>%
mutate(EsDropout = ifelse(is.na(EsDropout),"Dropout",EsDropout))
data_mensual_v2 <- data_mensual_v2 %>%
mutate(Mes = case_when(
# Patrón 4-4-5...
Semana %in% 1:4 & Eventos == "base" ~ 1, #4
Semana %in% 5:8 & Eventos == "base" ~ 2, #4
Semana %in% 9:13 & Eventos == "base" ~ 3, #5
Semana %in% 14:17 & Eventos == "base" ~ 4,
Semana %in% 18:21 & Eventos == "base" ~ 5,
Semana %in% 22:26 & Eventos == "base" ~ 6,
Semana %in% 27:30 & Eventos == "base" ~ 7,
Semana %in% 31:34 & Eventos == "base" ~ 8,
Semana %in% 35:39 & Eventos == "base" ~ 9,
Semana %in% 40:43 & Eventos == "base" ~ 10,
Semana %in% 44:47 & Eventos == "base" ~ 11,
Semana %in% 48:52 & Eventos == "base" ~ 12,
Semana %in% 1:4 & Eventos == "12m" ~ 13, #4
Semana %in% 5:8 & Eventos == "12m" ~ 14, #4
Semana %in% 9:13 & Eventos == "12m" ~ 15, #5
Semana %in% 14:17 & Eventos == "12m" ~ 16,
Semana %in% 18:21 & Eventos == "12m" ~ 17,
Semana %in% 22:26 & Eventos == "12m" ~ 18,
Semana %in% 27:30 & Eventos == "12m" ~ 19,
Semana %in% 31:34 & Eventos == "12m" ~ 20,
Semana %in% 35:39 & Eventos == "12m" ~ 21,
Semana %in% 40:43 & Eventos == "12m" ~ 22,
Semana %in% 44:47 & Eventos == "12m" ~ 23,
Semana %in% 48:52 & Eventos == "12m" ~ 24
)) %>%
group_by(id, Eventos, Mes) %>%
summarise(
center= first(center),
EsDropout= first(EsDropout),
cumplimiento_mensual = sum(check_semanal, na.rm = TRUE),
check_mensual = as.numeric(cumplimiento_mensual > 0),
.groups = "drop"
)
#View(data_mensual_v2)
mes_a_mes <- data_mensual_v2%>%group_by(Mes)%>%
summarise(
denominador = n(),
suma = sum(check_mensual,na.rm=TRUE),
porcentaje = (suma/denominador)*100
)
#View(mes_a_mes)
# Graficamos.
# -------------------- MES
colnames(mes_a_mes)
## [1] "Mes" "denominador" "suma" "porcentaje"
grafico_por_mes <- ggplot(mes_a_mes,aes(x= Mes,
y= porcentaje))+
geom_point(color = "#104E8B",size = 3)+
geom_line(color = "#EEB422")+
theme_bw()+
scale_x_continuous(breaks=seq(0, 24,by=1))+
labs(x = "Mes",y= "Porcentaje promedio de asistencia por mes",
title = "Porcentaje por mes de asistencia",
subtitle = "Criterio = % de sujetos que hicieron algo cada mes")+
theme(legend.position = "center",
plot.title = element_text(face = "bold"),
plot.subtitle = element_text(face = "italic"))
grafico_por_mes
Estamos, en buena medida, corriendo en vista del artículo “The effect of adherence on cognition in a multidomain lifestyle intervention (FINGER)”.
La dirección que toma este artículo se bifurca en dos direcciones:
En principio, lo piensan en sesiones: The prespecified definition was applied as non-adherent (0 sessions; 0 points), partially adherent (<50% completed; 1 point), or adherent (≥50% completed; 2 points) for each intervention component, summed to reflect multi-participation (range 0–8).
Los vamos a imitar desde tres puntos de vista:
A. Sesión individual.
B. Sesión semanal.
C. Sesión mensual.
# Criterio
# No adherente --> 0%
# Parcialmente adherente --> 1-49%
# Adherente --> 50-100%
#View(data_base)
# Criterio n° 1 --> Sesión-por-sesión
criterio1 <- data_base %>%
mutate(
adherencia = case_when(
adh_ef == 0 ~ "No adherente",
adh_ef > 0 & adh_ef < 50 ~ "Parcialmente adherente",
adh_ef > 49 ~ "Adherente"
),
adherencia = factor(adherencia,
levels=c("No adherente",
"Parcialmente adherente",
"Adherente")))%>%
group_by(adherencia)%>%
count(adherencia)%>%
summarise(cantidad = 539,
n = first(n),
porcentaje = (n / cantidad)*100)
criterio1
## # A tibble: 3 × 4
## adherencia cantidad n porcentaje
## <fct> <dbl> <int> <dbl>
## 1 No adherente 539 26 4.82
## 2 Parcialmente adherente 539 172 31.9
## 3 Adherente 539 341 63.3
sesion_por_sesion <- ggplot(criterio1, aes(x = adherencia,
y = n))+
geom_col(fill = "#104E8B", color = "#EEB422")+
geom_text(aes(label = porcentaje), color ="white",
vjust = 1.5, size = 5)+
theme_bw()+
labs(x = "Niveles de adherencia",
title = "Niveles de adherencia por sesión",
subtitle = "No adherente (n=26), Parcialmente adherente (n = 172), Adherente (n = 341)")
# Criterio n° 2 --> Sesión-por-sesión
criterio2 <- semanal %>%
mutate(
adherencia = case_when(
ef_adh_sem_perc == 0 ~ "No adherente",
ef_adh_sem_perc > 0 & ef_adh_sem_perc < 50 ~ "Parcialmente adherente",
ef_adh_sem_perc > 49 ~ "Adherente"
),
adherencia = factor(adherencia,
levels=c("No adherente",
"Parcialmente adherente",
"Adherente")))%>%
group_by(adherencia)%>%
count(adherencia)%>%
summarise(cantidad = 539,
n = first(n),
porcentaje = (n / cantidad)*100)
criterio2
## # A tibble: 3 × 4
## adherencia cantidad n porcentaje
## <fct> <dbl> <int> <dbl>
## 1 No adherente 539 26 4.82
## 2 Parcialmente adherente 539 97 18.0
## 3 Adherente 539 416 77.2
semana_por_semana <- ggplot(criterio2, aes(x = adherencia,
y = n))+
geom_col(fill = "#104E8B", color = "#EEB422")+
geom_text(aes(label = porcentaje), color ="white",
vjust = 1.5, size = 5)+
theme_bw()+
labs(x = "Niveles de adherencia",
title = "Niveles de adherencia por semana",
subtitle = "No adherente (n=26), Parcialmente adherente (n = 97), Adherente (n = 416)")
# Criterio n° 3 --> Mes-por-mes
criterio3<- mensual_v4 %>%
mutate(
adherencia = case_when(
mes_porcentaje == 0 ~ "No adherente",
mes_porcentaje > 0 & mes_porcentaje < 50 ~ "Parcialmente adherente",
mes_porcentaje > 49 ~ "Adherente"
),
adherencia = factor(adherencia,
levels=c("No adherente",
"Parcialmente adherente",
"Adherente")))%>%
group_by(adherencia)%>%
count(adherencia)%>%
summarise(cantidad = 539,
n = first(n),
porcentaje = (n / cantidad)*100)
criterio3
## # A tibble: 3 × 4
## adherencia cantidad n porcentaje
## <fct> <dbl> <int> <dbl>
## 1 No adherente 539 26 4.82
## 2 Parcialmente adherente 539 81 15.0
## 3 Adherente 539 432 80.1
mes_por_mes <- ggplot(criterio3, aes(x = adherencia,
y = n))+
geom_col(fill = "#104E8B", color = "#EEB422")+
geom_text(aes(label = porcentaje), color ="white",
vjust = 1.5, size = 5)+
theme_bw()+
labs(x = "Niveles de adherencia",
title = "Niveles de adherencia por mes",
subtitle = "No adherente (n=26), Parcialmente adherente (n = 81), Adherente (n = 432)")
sesion_por_sesion
semana_por_semana
mes_por_mes
criterio_tra <- data %>%
filter(Arm == "Systematic")%>%
mutate(
adherencia = case_when(
adh_ef == 0 ~ "No adherente",
adh_ef > 0 & adh_ef < 50 ~ "Parcialmente adherente",
adh_ef > 49 ~ "Adherente"
),
adherencia = factor(adherencia,
levels=c("No adherente",
"Parcialmente adherente",
"Adherente")))
criterio_tra <- criterio_tra%>%
filter(Eventos%in%c("base","6m","12m","18m","24m"))%>%
mutate(Eventos = factor(Eventos,
levels=c("base","6m","12m",
"18m","24m")))
ggplot(criterio_tra,
aes(x = Eventos,
y = global_composite,
color = adherencia,
group = adherencia)) +
stat_summary(fun = mean,
geom = "line",
linewidth = 1.2) +
stat_summary(fun = mean,
geom = "point",
size = 2) +
theme_bw() +
scale_color_manual(values=c("No adherente"="#104E8B",
"Parcialmente adherente"="#CDAD00",
"Adherente"="#EEB422"))+
labs(
x = "Visita",
y = "Promedio - compuesto global",
color = "Clase Adherencia"
)
## Warning: Removed 326 rows containing non-finite outside the scale range
## (`stat_summary()`).
## Removed 326 rows containing non-finite outside the scale range
## (`stat_summary()`).
““, color =””