Métodos estadísticos

Los datos fueron procesados con R version 3.3.3 (2017-03-06). La comparación entre pacientes con cultivo positivo o negativo de variables cuantitativas fue realizada con el test no paramétrico de Mann Whitney. Las variables cualitativas se compararon con el test de \(\chi^2\) o exacto de Fischer según correspondiese.
Las variables que la comparación anterior tuvieron una P\(\leq\) 0.1 fueron incluidas en un modelo de regresión logística multivariado. Luego, siguiendo el principio de parsimonia se realizó una eliminación de variables no significativas manualmente, comparando la deviance de los modelos anidados con un likelihood ratio test, hasta observar un cambio significativo.

La tabla 1 muestra la comparación de variables entre pacientes con sospecha de infección del tracto urinanio con cultivo de orina positivo o negativo.

Tabla 1

Datos comparativos entre pacientes con cultivo positivo y negativo.

Negativo Positivo All Missing P
(n=33) (n=95) (n=128)
EDAD 84 (72-88) 87 (80-89) 87 (79-89) 0 0.157
Sexo_masculino 6 (18.18%) 10 (10.53%) 16 (12.5%) 0 0.358
Estadia_larga 22 (66.67%) 81 (85.26%) 103 (80.47%) 0 0.039
INTERNADO_EN_LOS_ULTIMOS_3_MESES_ 5 (15.15%) 4 (4.21%) 9 (7.03%) 0 0.049
SONDA_AL_EVENTO 0 (0%) 4 (4.21%) 4 (3.12%) 0 0.572
fiebre 4 (12.12%) 8 (8.42%) 12 (9.38%) 0 0.505
confusion 14 (42.42%) 43 (45.26%) 57 (44.53%) 0 0.841
descarga_purulenta 0 (0%) 2 (2.11%) 2 (1.56%) 0 1
disuria 11 (33.33%) 16 (16.84%) 27 (21.09%) 0 0.081
macroscopia_orina 1 (3.03%) 18 (19.15%) 19 (14.96%) 1 0.024
urgencia 0 (0%) 4 (4.21%) 4 (3.12%) 0 0.572
polaquiuria 2 (6.06%) 2 (2.11%) 4 (3.12%) 0 0.273
dolor_lumbar 1 (3.12%) 1 (1.08%) 2 (1.6%) 3 0.448
incontinencia 1 (3.03%) 8 (8.42%) 9 (7.03%) 0 0.445
hematuria 1 (3.03%) 4 (4.21%) 5 (3.91%) 0 1
ardor_agudo_inflamacion_testicular_o_epididimo 0 (0%) 1 (1.06%) 1 (0.79%) 1 1

Regresión logística

Las variables que en la tabla 1 tuviesen una P\(\leq\) 0.1 fueron incluidas en un modelo de regresión logística multivariado. La tabla 2 muestra el resultado de este análisis.

Tabla 2:

Modelo de regresión logística con todos los predictores.

Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.5548657 0.5279227 1.051036 0.2932421
Estadia_largaTRUE 0.7328505 0.5728019 1.279414 0.2007514
INTERNADO_EN_LOS_ULTIMOS_3_MESES_TRUE -0.9379217 0.9210499 -1.018318 0.3085269
disuriaTRUE -0.6343766 0.4971929 -1.275916 0.2019851
macroscopia_orinaTRUE 1.8872174 1.0879005 1.734733 0.0827880

A continuación, siguiendo el principio de parsimonia se realizó una eliminación de variables no significativas una a una manualmente, comparando la deviance de los modelos anidados con un likelihood ratio test, hasta observar un cambio significativo.

## Analysis of Deviance Table
## 
## Model 1: cultivo ~ Estadia_larga + INTERNADO_EN_LOS_ULTIMOS_3_MESES_ + 
##     disuria + macroscopia_orina
## Model 2: cultivo ~ Estadia_larga + disuria + macroscopia_orina
## Model 3: cultivo ~ Estadia_larga + macroscopia_orina
## Model 4: cultivo ~ Estadia_larga
##   Resid. Df Resid. Dev Df Deviance Pr(>Chi)  
## 1       118     127.24                       
## 2       119     128.30 -1  -1.0597   0.3033  
## 3       120     130.45 -1  -2.1507   0.1425  
## 4       121     136.13 -1  -5.6862   0.0171 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

El resultado del modelo final es el que figura en la tabla 3.

Tabla 3

Modelo de regresión logística óptimo.

Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.0633247 0.4189337 0.1511569 0.8798520
Estadia_largaTRUE 1.0612772 0.4849052 2.1886281 0.0286239
macroscopia_orinaTRUE 1.9669912 1.0595927 1.8563654 0.0634015