> library(readxl)
>
> # 1. Importar "Full_new" en el objeto 'datos'
> ruta <- "C:/Users/abarl/OneDrive/Desktop/BioInformatica/Regresion, Modelos y metodos/PCOS_data_without_infertility.xlsx"
> datos <- read_excel(ruta, sheet = "Full_new")
>
> # 2. Eliminar columna 45 y quitar espacios al inicio y final de los nombres
> datos <- datos[, -45]
> names(datos) <- trimws(names(datos))
>
> # 3. Número de observaciones (filas) y variables (columnas)
> cat("Observaciones:", nrow(datos), "| Variables:", ncol(datos), "\n")
Observaciones: 541 | Variables: 44
> # 4. Comprobar duplicados en la variable identificadora ("Sl. No")
> id_col <- "Sl. No"
> cat("Valores únicos:", length(unique(datos[[id_col]])),
+ "| Duplicados:", sum(duplicated(datos[[id_col]])),
+ "| NA:", sum(is.na(datos[[id_col]])), "\n")
Valores únicos: 541 | Duplicados: 0 | NA: 0
Tras importar la hoja Full_new, eliminamos la columna 45 (que está vacía y no aporta información relevante) y limpiamos los espacios al inicio y al final de los nombres de las variables. La base de datos resultante contiene 541 observaciones y 44 variables. Además, al revisar la variable identificadora Sl. No, comprobamos que presenta 541 valores únicos, sin duplicados ni valores perdidos, por lo que cada fila corresponde a una paciente distinta.
> # 1. Paciente 124: buscamos la variable de beta-HCG que contiene "1.99."
> fila_124 <- which(datos$`Sl. No` == 124)
>
> # Buscamos qué columna(s) contienen "1.99." en esa fila
> cols_beta <- grep("HCG", names(datos), ignore.case = TRUE, value = TRUE)
> col_124 <- cols_beta[sapply(cols_beta, function(col) {
+ any(as.character(datos[fila_124, col]) == "1.99.", na.rm = TRUE)
+ })]
>
> # Si no se filtró por nombre, se revisan todas las columnas que contengan "1.99."
> if (length(col_124) == 0) {
+ col_124 <- names(datos)[sapply(datos, function(x) any(as.character(x) == "1.99.", na.rm = TRUE))]
+ }
>
> cat("Variable paciente 124:", paste(col_124, collapse = ", "), "\n")
Variable paciente 124: II beta-HCG(mIU/mL)
> # Corregir "1.99." por 1.99 y convertir a numérico
> for (col in col_124) {
+ datos[[col]][datos$`Sl. No` == 124 & as.character(datos[[col]]) == "1.99."] <- "1.99"
+ datos[[col]] <- as.numeric(as.character(datos[[col]]))
+ }
>
> # 2. Paciente 306: sustituir "a" por NA en AMH(ng/mL) y convertir a numérico
> datos$`AMH(ng/mL)`[datos$`Sl. No` == 306 & as.character(datos$`AMH(ng/mL)`) == "a"] <- NA
> datos$`AMH(ng/mL)` <- as.numeric(as.character(datos$`AMH(ng/mL)`))
>
> # 3. Paciente 513: en Cycle(R/I), los códigos válidos son 2 (regular) y 4 (irregular).
> # Reemplazar código 5 con NA
> anomalia_513 <- datos[datos$`Sl. No` == 513, c("Sl. No", "Cycle(R/I)")]
> print(anomalia_513)
Sl. No Cycle(R/I)
513 513 5
> datos$`Cycle(R/I)`[datos$`Sl. No` == 513 & datos$`Cycle(R/I)` == 5] <- NA
>
> # 4. Comprobación de las correcciones e indicad los valores perdidos
> cat("\n--- Comprobación correcciones ---\n")
--- Comprobación correcciones ---
> print(datos[datos$`Sl. No` %in% c(124, 306, 513), c("Sl. No", col_124, "AMH(ng/mL)", "Cycle(R/I)")])
Sl. No II beta-HCG(mIU/mL) AMH(ng/mL) Cycle(R/I)
124 124 1.99 19.8 2
306 306 1.99 NA 2
513 513 1.99 5.5 NA
> cat("\n--- Valores perdidos de las variables modificadas ---\n")
--- Valores perdidos de las variables modificadas ---
> vars_modificadas <- unique(c(col_124, "AMH(ng/mL)", "Cycle(R/I)"))
> resumen_na <- data.frame(
+ variable = vars_modificadas,
+ clase = sapply(datos[vars_modificadas], function(x) paste(class(x), collapse = ",")),
+ n_na = sapply(datos[vars_modificadas], function(x) sum(is.na(x)))
+ )
> print(resumen_na, row.names = FALSE)
variable clase n_na
II beta-HCG(mIU/mL) numeric 0
AMH(ng/mL) numeric 1
Cycle(R/I) numeric 1
Se ha eliminado el punto de la entrada de datos 1.99. del paciente 124. Se reemplaza el valor a ya que no corresponde a un valor válido, y se reemplaza por NA para el paciente 306. Se reemplaza el valor 5 por NA, ya que esa variable solo puede tomar dos valores 2 o 4, para el paciente 513. Tras estas correcciones, II beta-HCG(mIU/mL) queda con 0 valores perdidos, mientras que AMH(ng/mL) y Cycle(R/I) presentan 1 valor perdido cada una.
> library(dplyr)
>
> # 1. Localizar variables de peso y altura y asegurar formato numérico
> var_peso <- grep("^Weight", names(datos), ignore.case = TRUE, value = TRUE)[1]
> var_altura <- grep("^Height", names(datos), ignore.case = TRUE, value = TRUE)[1]
>
> peso_kg <- as.numeric(datos[[var_peso]])
> altura_raw <- as.numeric(datos[[var_altura]])
> bmi_orig <- as.numeric(datos$BMI)
>
> # Convertir altura de cm a m si está en centímetros
> altura_m <- ifelse(!is.na(altura_raw) & altura_raw > 3, altura_raw / 100, altura_raw)
>
> # 2. Calcular IMC_calculado y la diferencia respecto al BMI original
> datos <- datos %>%
+ mutate(
+ IMC_calculado = peso_kg / (altura_m^2),
+ diferencia_IMC = IMC_calculado - bmi_orig
+ )
>
> # 3. Resumen de diferencias y correlación
> summary(datos$diferencia_IMC)
Min. 1st Qu. Median Mean 3rd Qu. Max.
-0.622863 0.000000 0.000000 0.008075 0.005332 1.575000
> cat("Correlación de Pearson:", round(cor(datos$IMC_calculado, bmi_orig, use = "complete.obs"), 4), "\n")
Correlación de Pearson: 0.9997
> # Top 5 de mayores diferencias en valor absoluto
> datos %>%
+ select(`Sl. No`, BMI, IMC_calculado, diferencia_IMC) %>%
+ arrange(desc(abs(diferencia_IMC))) %>%
+ head(5)
# A tibble: 5 × 4
`Sl. No` BMI IMC_calculado diferencia_IMC
<dbl> <dbl> <dbl> <dbl>
1 441 20.3 21.9 1.57
2 403 25 26.0 1.04
3 482 30.8 30.2 -0.623
4 413 23.2 23.8 0.605
5 518 25.2 25.5 0.337
> # 4. Gráfico de concordancia
> plot(
+ datos$BMI, datos$IMC_calculado,
+ xlab = "BMI original",
+ ylab = "IMC_calculado",
+ main = "Comparación entre BMI original e IMC_calculado",
+ pch = 19, col = rgb(0, 0, 0, 0.4)
+ )
> abline(0, 1, col = "red", lwd = 2, lty = 2)
El IMC_calculado muestra una concordancia casi total con el BMI original, salvo pequeñas diferencias puntuales atribuibles a redondeos o errores leves de registro (como en las pacientes 441 y 403).
> # 1. Construir el data.frame 'd' con las variables requeridas
> d <- data.frame(
+ ID = datos$`Sl. No`,
+ AMH = as.numeric(datos$`AMH(ng/mL)`),
+ Edad = as.numeric(datos$`Age (yrs)`),
+ IMC = datos$IMC_calculado,
+ Ciclo = factor(datos$`Cycle(R/I)`, levels = c(2, 4), labels = c("Regular", "Irregular")),
+ Foliculos = as.numeric(datos$`Follicle No. (L)`) + as.numeric(datos$`Follicle No. (R)`),
+ SOP = factor(datos$`PCOS (Y/N)`, levels = c(0, 1), labels = c("No", "Si"))
+ )
>
>
> # Asegurar categorías de referencia ("Regular" y "No")
> d$Ciclo <- relevel(d$Ciclo, ref = "Regular")
> d$SOP <- relevel(d$SOP, ref = "No")
>
> # 2. Eliminar observaciones con valores perdidos
> d <- na.omit(d)
>
> # 3. Comprobaciones de tamaño muestral y valores positivos de AMH
> cat("Observaciones disponibles para el análisis:", nrow(d), "\n")
Observaciones disponibles para el análisis: 539
> cat("Valor mínimo de AMH:", min(d$AMH), "| Todos los valores > 0:", all(d$AMH > 0), "\n")
Valor mínimo de AMH: 0.1 | Todos los valores > 0: TRUE
Creamos el conjunto d seleccionando las variables indicadas en el enunciado y codificando Ciclo y SOP como factores con categorías de referencia Regular y No, respectivamente. Al eliminar las filas con valores perdidos (2 casos en total, correspondientes a las pacientes 306 y 513), disponemos de 539 observaciones completas. Además, comprobamos que todos los valores de AMH son positivos (mínimo de 0,10 ng/mL, por lo que podemos usar la transformación logarítmica.
> # 1. Resumen numérico de AMH
> summary(d$AMH)
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.100 2.010 3.700 5.624 6.950 66.000
> cat("Desviación típica AMH:", round(sd(d$AMH), 2), "| IQR AMH:", round(IQR(d$AMH), 2), "\n")
Desviación típica AMH: 5.89 | IQR AMH: 4.94
> # Gráficos de distribución de AMH y log(AMH)
> par(mfrow = c(1, 3))
> hist(d$AMH, main = "Histograma de AMH", xlab = "AMH (ng/mL)", col = "lightblue", border = "white")
> boxplot(d$AMH, main = "Boxplot de AMH", ylab = "AMH (ng/mL)", col = "lightblue")
> hist(log(d$AMH), main = "Histograma de log(AMH)", xlab = "log(AMH)", col = "lightgreen", border = "white")
> par(mfrow = c(1, 1))
>
> # 2. Correlaciones de Pearson de AMH y log(AMH) con Edad, IMC y Foliculos
> vars_cor <- data.frame(
+ AMH = d$AMH,
+ logAMH = log(d$AMH),
+ Edad = d$Edad,
+ IMC = d$IMC,
+ Foliculos = d$Foliculos
+ )
> round(cor(vars_cor)[c("AMH", "logAMH"), c("Edad", "IMC", "Foliculos")], 3)
Edad IMC Foliculos
AMH -0.180 0.057 0.207
logAMH -0.188 0.067 0.237
> # 3. Comparación de AMH según SOP y Ciclo
> tapply(d$AMH, d$SOP, summary)
$No
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.160 1.900 3.200 4.541 5.335 26.800
$Si
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.100 2.583 5.950 7.858 10.213 66.000
> tapply(d$AMH, d$Ciclo, summary)
$Regular
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.16 1.90 3.30 4.91 5.80 66.00
$Irregular
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.100 2.757 5.680 7.476 9.950 32.000
> par(mfrow = c(1, 2))
> boxplot(AMH ~ SOP, data = d, main = "AMH según SOP", xlab = "SOP", ylab = "AMH (ng/mL)", col = c("grey85", "salmon"))
> boxplot(AMH ~ Ciclo, data = d, main = "AMH según Ciclo", xlab = "Ciclo", ylab = "AMH (ng/mL)", col = c("grey85", "skyblue"))
> par(mfrow = c(1, 1))
>
> # 4. Dispersión de log(AMH) frente a Foliculos distinguiendo por SOP
> colores <- ifelse(d$SOP == "Si", "firebrick", "steelblue")
> plot(
+ d$Foliculos, log(d$AMH),
+ col = colores, pch = 19,
+ xlab = "Número total de folículos",
+ ylab = "log(AMH)",
+ main = "log(AMH) frente a Foliculos según SOP"
+ )
> abline(lm(log(AMH) ~ Foliculos, data = subset(d, SOP == "No")), col = "steelblue", lwd = 2)
> abline(lm(log(AMH) ~ Foliculos, data = subset(d, SOP == "Si")), col = "firebrick", lwd = 2)
> legend("bottomright", legend = c("SOP: No", "SOP: Sí"), col = c("steelblue", "firebrick"), pch = 19, lwd = 2)
Distribución de AMH: está muy sesgada hacia valores altos (mediana de \(3,70\text{ ng/mL}\), media de \(5,62\text{ ng/mL}\) y máximo de \(66\text{ ng/mL}\)). Al aplicar el logaritmo (log(AMH)), los datos quedan mucho más repartidos y simétricos.
Correlaciones: AMH y log(AMH) suben ligeramente con los folículos (\(r = 0,21\) y \(0,24\)), bajan un poco con la edad (\(r = -0,18\) y \(-0,19\)) y apenas tienen relación con el IMC (\(r = 0,06\) y \(0,07\)).
Por grupos: la AMH es claramente más alta en mujeres con SOP (mediana \(5,95\) frente a \(3,20\text{ ng/mL}\)) y en mujeres con ciclo irregular (mediana \(5,68\) frente a \(3,30\text{ ng/mL}\)).
Gráfico log(AMH) frente a folículos: en mujeres sin SOP la hormona sube al aumentar los folículos, mientras que en mujeres con SOP la línea es casi plana. Esta diferencia entre grupos sugiere una posible interacción entre SOP y Foliculos.
> # 1. Ajustar el modelo inicial con AMH sin transformar
> modelo_ini <- lm(AMH ~ Edad + IMC + Foliculos + SOP + Ciclo, data = d)
> summary(modelo_ini)
Call:
lm(formula = AMH ~ Edad + IMC + Foliculos + SOP + Ciclo, data = d)
Residuals:
Min 1Q Median 3Q Max
-7.773 -3.112 -1.391 1.470 58.651
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 9.004099 2.065334 4.360 1.56e-05 ***
Edad -0.149746 0.045518 -3.290 0.00107 **
IMC -0.006703 0.061866 -0.108 0.91376
Foliculos 0.031593 0.039189 0.806 0.42050
SOPSi 2.156972 0.723459 2.981 0.00300 **
CicloIrregular 1.376260 0.597086 2.305 0.02155 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 5.612 on 533 degrees of freedom
Multiple R-squared: 0.09959, Adjusted R-squared: 0.09114
F-statistic: 11.79 on 5 and 533 DF, p-value: 7.858e-11
> # 2. Gráficos de diagnóstico (residuos frente a ajustados y Q-Q normal)
> par(mfrow = c(1, 2))
> plot(modelo_ini, which = 1)
> plot(modelo_ini, which = 2)
> par(mfrow = c(1, 1))
>
> # 3. Método de Box-Cox para elegir la transformación de la respuesta
> bc <- MASS::boxcox(modelo_ini, lambda = seq(-0.5, 0.5, by = 0.05))
> bc$x[which.max(bc$y)]
[1] 0.1262626
El modelo sin transformar no es adecuado: en el gráfico de residuos frente a valores ajustados los puntos se abren en abanico (la varianza aumenta con la media) y en el gráfico Q-Q normal los residuos se alejan mucho de la recta en la cola superior, por lo que no se cumple la normalidad ni la homocedasticidad. Al aplicar boxcox(), el máximo de verosimilitud se alcanza en \(\hat{\lambda} \approx 0,13\) (muy cercano a \(0\)). Esto justifica aplicar la transformación logarítmica log(AMH) como variable respuesta en los apartados siguientes.