ESTUDIOS TRANSVERSALES EN R
Msc Juan José Vindell
27/2/2021
INTRODUCCIÓN
Los estudios epidemiológicos clásicamente se dividen en Experimentales y No experimentales. En los estudios experimentales hay asignación de una exposición determinada osea que el investigador “impone” el factor al sujeto de investigación. Cuando el experimento no es posible se diseñan estudios no experimentales que simulan de alguna forma el experimento que no se ha podido realizar.
ESTUDIOS TRANSVERSALES
Se consideran transversales los estudios en los que los datos de cada sujeto representan esencialmente un momento del tiempo. Estos datos pueden corresponder a la presencia, ausencia o diferentes grados de una característica o enfermedad (como ocurre, por ejemplo, en los estudios de prevalencia de un problema de salud en una comunidad determinada), o bien examinar la relación entre diferentes variables en una población definida en un momento de tiempo determinado.
Dado que las variables se han medido de forma simultánea, no puede establecerse la existencia de una secuencia temporal entre ellas y, por tanto, estos diseños no permiten abordar el estudio de una presunta relación causa-efecto. Así pues, los estudios transversales son por definición descriptivos.
APLICACIÓN EN R
Instalando paquetes
#install.packages("Nombre del paquete que se desea utilizar")Abriendo paquetes
#library("Nombre el paquete que se desea utilizar")EJEMPLO
#install.packages("tidyverse")
library(tidyverse)## -- Attaching packages --------------------------------------------- tidyverse 1.3.0 --## v ggplot2 3.3.3 v purrr 0.3.3
## v tibble 3.0.0 v dplyr 1.0.0
## v tidyr 1.0.2 v stringr 1.4.0
## v readr 1.3.1 v forcats 0.5.0## -- Conflicts ------------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()IMPORTANDO LA BASE DE DATOS
Consideraciones:
Tener la base de datos en una carpeta.
Conocer el formato de la base de datos.
.xls
Instalando paquete readxl
Ahora, necesitamos instalar el paquete readxl para importar datos de Excel. Éste es, en mi opinión, el paquete más sencillo de usar para importar este tipo de datos.
Instalamos el paquete con el siguiente código:
#install.packages("readxl")
library(readxl)Por otra parte, necesitamos conocer la ruta del archivo de Excel. La ruta, o path en inglés, es la dirección/ubicación donde está el archivo en tu computadora u ordenador.
Ruta del archivo para importar de R a excel
Primero, veremos cómo sacar esta ruta con una función muy chévere de R (Es de esos secretos que revelamos aquí para ser mejores con R).
Así, la función se llama file.choose(). Luego, esta función te permite abrir una ventana de Windows para buscar un archivo y regresa una variable tipo carácter con la ruta del archivo. Por ejemplo, en R.
datos=file.choose()Antes de cargar los datos a R, veamos cuales son las hojas que tiene este Excel. Luego, podemos utilizar el código
excel_sheets(datos)## [1] "HOJA1"Para leer los datos de excel hacia R
data1=read_excel(datos)Para leer los encabezados de la data
head(data1)## # A tibble: 6 x 14
## EDAD GENERO ESCUELA HTA PESO TALLA calcimc IMC_REAL GLUCOSA GLICEMIA
## <dbl> <chr> <chr> <chr> <dbl> <dbl> <dbl> <chr> <dbl> <chr>
## 1 60 Mascu~ Admini~ Si 68.8 1.7 23.8 Normal 79.2 No
## 2 56 Mascu~ Admini~ No 68.8 1.6 26.9 Sobrepe~ 72.3 No
## 3 63 Mascu~ Admini~ No 69.9 1.58 28.0 Sobrepe~ 80.8 No
## 4 66 Mascu~ Admini~ No 57.9 1.61 22.3 Normal 81.4 No
## 5 64 Mascu~ Admini~ No 60 1.64 22.3 Normal 127. Si
## 6 45 Mascu~ Admini~ No 87.5 1.66 31.8 Obesida~ 89 No
## # ... with 4 more variables: COLESTEROL <dbl>, COLESTEROL_TOTAL <chr>,
## # TRIGLICÉRIDOS <dbl>, TRIGLICERIDOS_COD <chr>Para ver el nombre de las variables que tiene mi data
names(data1)## [1] "EDAD" "GENERO" "ESCUELA"
## [4] "HTA" "PESO" "TALLA"
## [7] "calcimc" "IMC_REAL" "GLUCOSA"
## [10] "GLICEMIA" "COLESTEROL" "COLESTEROL_TOTAL"
## [13] "TRIGLICÉRIDOS" "TRIGLICERIDOS_COD"Para ver que tipo de variable tiene mi data
str(data1)## tibble [210 x 14] (S3: tbl_df/tbl/data.frame)
## $ EDAD : num [1:210] 60 56 63 66 64 45 72 68 38 48 ...
## $ GENERO : chr [1:210] "Masculino" "Masculino" "Masculino" "Masculino" ...
## $ ESCUELA : chr [1:210] "Administrativo" "Administrativo" "Administrativo" "Administrativo" ...
## $ HTA : chr [1:210] "Si" "No" "No" "No" ...
## $ PESO : num [1:210] 68.8 68.8 69.9 57.9 60 87.5 80.6 66.5 65.3 74.7 ...
## $ TALLA : num [1:210] 1.7 1.6 1.58 1.61 1.64 1.66 1.71 1.56 1.61 1.64 ...
## $ calcimc : num [1:210] 23.8 26.9 28 22.3 22.3 ...
## $ IMC_REAL : chr [1:210] "Normal" "Sobrepeso" "Sobrepeso" "Normal" ...
## $ GLUCOSA : num [1:210] 79.2 72.3 80.8 81.4 127.4 ...
## $ GLICEMIA : chr [1:210] "No" "No" "No" "No" ...
## $ COLESTEROL : num [1:210] 221 181 247 236 201 ...
## $ COLESTEROL_TOTAL : chr [1:210] "Si" "No" "Si" "Si" ...
## $ TRIGLICÉRIDOS : num [1:210] 192.5 80.5 241 108.2 124.2 ...
## $ TRIGLICERIDOS_COD: chr [1:210] "Si" "No" "Si" "No" ...ANÁLISIS DESCRIPTIVO
Variables cualitativas
Frecuencia table()
Proporciones prop.table()
EJEMPLO
table(data1$GENERO)##
## Femenino Masculino
## 110 100prop.table(table(data1$GENERO))*100##
## Femenino Masculino
## 52.38095 47.61905Si por ejemplo quisieramos hacer una tabla de contingencia ocupamos el siguiente comando
table(data1$GENERO,data1$HTA)##
## No Si
## Femenino 100 9
## Masculino 77 23Variable cuantitativa
Un cuadro resumen summary()
Medidas descriptivas como mean() y sd()
EJEMPLO
summary(data1)## EDAD GENERO ESCUELA HTA
## Min. :22.00 Length:210 Length:210 Length:210
## 1st Qu.:38.00 Class :character Class :character Class :character
## Median :48.00 Mode :character Mode :character Mode :character
## Mean :47.66
## 3rd Qu.:56.00
## Max. :77.00
##
## PESO TALLA calcimc IMC_REAL
## Min. : 47.50 Min. :1.440 Min. :19.54 Length:210
## 1st Qu.: 65.78 1st Qu.:1.530 1st Qu.:26.42 Class :character
## Median : 74.10 Median :1.600 Median :29.02 Mode :character
## Mean : 75.84 Mean :1.601 Mean :29.49
## 3rd Qu.: 86.08 3rd Qu.:1.670 3rd Qu.:32.07
## Max. :122.60 Max. :1.800 Max. :50.91
##
## GLUCOSA GLICEMIA COLESTEROL COLESTEROL_TOTAL
## Min. : 54.10 Length:210 Min. : 67.4 Length:210
## 1st Qu.: 70.80 Class :character 1st Qu.:110.8 Class :character
## Median : 77.90 Mode :character Median :133.8 Mode :character
## Mean : 82.57 Mean :137.4
## 3rd Qu.: 86.40 3rd Qu.:152.8
## Max. :253.90 Max. :275.3
## NA's :1 NA's :1
## TRIGLICÉRIDOS TRIGLICERIDOS_COD
## Min. : 29.1 Length:210
## 1st Qu.:113.0 Class :character
## Median :152.1 Mode :character
## Mean :166.8
## 3rd Qu.:198.9
## Max. :478.7
## NA's :1mean(data1$EDAD)## [1] 47.65714sd(data1$EDAD)## [1] 11.91704Para facilitarnos todo este trabajo ocuparemos el comando tableone()
¿Qué es tableone?
El paquete tableone es un paquete R que facilita la construcción de la “Tabla 1”, es decir , la tabla de características iniciales del paciente que se encuentra comúnmente en los artículos de investigación biomédica.
Los paquetes pueden resumir variables continuas y categóricas mezcladas en una tabla. Las variables categóricas se pueden resumir como recuentos y / o porcentajes. Las variables continuas se pueden resumir de forma “normal” (medias y desviaciones estándar) o “no normal” (medianas y rangos intercuartílicos).
#install.packages("tableone")
library(tableone)Resumen de un solo grupo
Caso de uso más simple
El caso de uso más simple es resumir todo el conjunto de datos. Puede simplemente alimentar en el marco de datos a la función principal CreateTableOne(). Puede ver que hay 210 pacientes en el conjunto de datos.
tab=CreateTableOne(data = data1)
tab##
## Overall
## n 210
## EDAD (mean (SD)) 47.66 (11.92)
## GENERO = Masculino (%) 100 (47.6)
## ESCUELA (%)
## Administrativo 112 (53.3)
## Escuela de Medicina 45 (21.4)
## ETM 53 (25.2)
## HTA = Si (%) 32 (15.3)
## PESO (mean (SD)) 75.84 (14.87)
## TALLA (mean (SD)) 1.60 (0.08)
## calcimc (mean (SD)) 29.49 (4.79)
## IMC_REAL (%)
## Normal 38 (18.1)
## Obesidad I 66 (31.4)
## Obesidad II 16 ( 7.6)
## Obesidad Mórbida 7 ( 3.3)
## Sobrepeso 83 (39.5)
## GLUCOSA (mean (SD)) 82.57 (24.05)
## GLICEMIA = Si (%) 14 ( 6.7)
## COLESTEROL (mean (SD)) 137.37 (38.41)
## COLESTEROL_TOTAL = Si (%) 18 ( 8.6)
## TRIGLICÉRIDOS (mean (SD)) 166.82 (78.89)
## TRIGLICERIDOS_COD = Si (%) 107 (51.2)Como observamos en la tabla tab no muestra todos los niveles de las variables categóricas por lo tanto debemos de ocupar un comando que nos muestre todos esos niveles, el comando a utilizar es print()
print(tab,showAllLevels=T)##
## level Overall
## n 210
## EDAD (mean (SD)) 47.66 (11.92)
## GENERO (%) Femenino 110 (52.4)
## Masculino 100 (47.6)
## ESCUELA (%) Administrativo 112 (53.3)
## Escuela de Medicina 45 (21.4)
## ETM 53 (25.2)
## HTA (%) No 177 (84.7)
## Si 32 (15.3)
## PESO (mean (SD)) 75.84 (14.87)
## TALLA (mean (SD)) 1.60 (0.08)
## calcimc (mean (SD)) 29.49 (4.79)
## IMC_REAL (%) Normal 38 (18.1)
## Obesidad I 66 (31.4)
## Obesidad II 16 ( 7.6)
## Obesidad Mórbida 7 ( 3.3)
## Sobrepeso 83 (39.5)
## GLUCOSA (mean (SD)) 82.57 (24.05)
## GLICEMIA (%) No 195 (93.3)
## Si 14 ( 6.7)
## COLESTEROL (mean (SD)) 137.37 (38.41)
## COLESTEROL_TOTAL (%) No 191 (91.4)
## Si 18 ( 8.6)
## TRIGLICÉRIDOS (mean (SD)) 166.82 (78.89)
## TRIGLICERIDOS_COD (%) No 102 (48.8)
## Si 107 (51.2)Si necesita información más detallada, incluido el número / proporción que falta. Utilice el método summary() en el objeto de resultado. Las variables continuas se muestran primero y las variables categóricas se muestran en segundo lugar.
summary(tab)##
## ### Summary of continuous variables ###
##
## strata: Overall
## n miss p.miss mean sd median p25 p75 min max skew kurt
## EDAD 210 0 0.0 48 11.92 48 38 56 22 77 0.09 -0.6
## PESO 210 0 0.0 76 14.87 74 66 86 48 123 0.60 0.2
## TALLA 210 0 0.0 2 0.08 2 2 2 1 2 0.09 -0.9
## calcimc 210 0 0.0 29 4.79 29 26 32 20 51 0.86 1.8
## GLUCOSA 210 1 0.5 83 24.05 78 71 86 54 254 4.06 21.3
## COLESTEROL 210 1 0.5 137 38.41 134 111 153 67 275 1.05 1.1
## TRIGLICÉRIDOS 210 1 0.5 167 78.89 152 113 199 29 479 1.28 2.0
##
## =======================================================================================
##
## ### Summary of categorical variables ###
##
## strata: Overall
## var n miss p.miss level freq percent cum.percent
## GENERO 210 0 0.0 Femenino 110 52.4 52.4
## Masculino 100 47.6 100.0
##
## ESCUELA 210 0 0.0 Administrativo 112 53.3 53.3
## Escuela de Medicina 45 21.4 74.8
## ETM 53 25.2 100.0
##
## HTA 210 1 0.5 No 177 84.7 84.7
## Si 32 15.3 100.0
##
## IMC_REAL 210 0 0.0 Normal 38 18.1 18.1
## Obesidad I 66 31.4 49.5
## Obesidad II 16 7.6 57.1
## Obesidad Mórbida 7 3.3 60.5
## Sobrepeso 83 39.5 100.0
##
## GLICEMIA 210 1 0.5 No 195 93.3 93.3
## Si 14 6.7 100.0
##
## COLESTEROL_TOTAL 210 1 0.5 No 191 91.4 91.4
## Si 18 8.6 100.0
##
## TRIGLICERIDOS_COD 210 1 0.5 No 102 48.8 48.8
## Si 107 51.2 100.0
## Resumiendo variables no normales
Parece que la mayoría de las variables continuas están muy sesgadas, excepto el EDAD.
Por lo tanto, las demás variables son no normales por lo que ocuparemos el comando nonormal de print()
clinico <- c("PESO","TALLA","calcimc","GLUCOSA","COLESTEROL","TRIGLICÉRIDOS")
print(tab, nonnormal = clinico)##
## Overall
## n 210
## EDAD (mean (SD)) 47.66 (11.92)
## GENERO = Masculino (%) 100 (47.6)
## ESCUELA (%)
## Administrativo 112 (53.3)
## Escuela de Medicina 45 (21.4)
## ETM 53 (25.2)
## HTA = Si (%) 32 (15.3)
## PESO (median [IQR]) 74.10 [65.78, 86.07]
## TALLA (median [IQR]) 1.60 [1.53, 1.67]
## calcimc (median [IQR]) 29.02 [26.42, 32.07]
## IMC_REAL (%)
## Normal 38 (18.1)
## Obesidad I 66 (31.4)
## Obesidad II 16 ( 7.6)
## Obesidad Mórbida 7 ( 3.3)
## Sobrepeso 83 (39.5)
## GLUCOSA (median [IQR]) 77.90 [70.80, 86.40]
## GLICEMIA = Si (%) 14 ( 6.7)
## COLESTEROL (median [IQR]) 133.80 [110.80, 152.80]
## COLESTEROL_TOTAL = Si (%) 18 ( 8.6)
## TRIGLICÉRIDOS (median [IQR]) 152.10 [113.00, 198.90]
## TRIGLICERIDOS_COD = Si (%) 107 (51.2)Resumen de dos grupos
Ahora bien, si lo que deseamos es comparar todo este conjunto de datos con una variable dependiente, utilizamos el comando strata
tab1=CreateTableOne(data = data1,strata = "HTA")
tab1## Stratified by HTA
## No Si p test
## n 177 32
## EDAD (mean (SD)) 47.00 (11.56) 51.09 (13.53) 0.074
## GENERO = Masculino (%) 77 (43.5) 23 ( 71.9) 0.006
## ESCUELA (%) 0.305
## Administrativo 90 (50.8) 21 ( 65.6)
## Escuela de Medicina 40 (22.6) 5 ( 15.6)
## ETM 47 (26.6) 6 ( 18.8)
## HTA = Si (%) 0 ( 0.0) 32 (100.0) <0.001
## PESO (mean (SD)) 74.34 (13.69) 84.19 (18.52) 0.001
## TALLA (mean (SD)) 1.60 (0.08) 1.63 (0.09) 0.044
## calcimc (mean (SD)) 29.09 (4.49) 31.58 (5.90) 0.007
## IMC_REAL (%) 0.072
## Normal 34 (19.2) 4 ( 12.5)
## Obesidad I 55 (31.1) 10 ( 31.2)
## Obesidad II 11 ( 6.2) 5 ( 15.6)
## Obesidad Mórbida 4 ( 2.3) 3 ( 9.4)
## Sobrepeso 73 (41.2) 10 ( 31.2)
## GLUCOSA (mean (SD)) 82.34 (23.90) 83.42 (25.51) 0.816
## GLICEMIA = Si (%) 13 ( 7.4) 1 ( 3.1) 0.616
## COLESTEROL (mean (SD)) 136.09 (38.52) 143.46 (38.03) 0.319
## COLESTEROL_TOTAL = Si (%) 15 ( 8.5) 3 ( 9.4) 1.000
## TRIGLICÉRIDOS (mean (SD)) 166.71 (79.67) 169.09 (76.31) 0.876
## TRIGLICERIDOS_COD = Si (%) 92 (52.3) 15 ( 46.9) 0.712print(tab1,nonnormal=clinico,showAllLevels=T)## Stratified by HTA
## level No
## n 177
## EDAD (mean (SD)) 47.00 (11.56)
## GENERO (%) Femenino 100 ( 56.5)
## Masculino 77 ( 43.5)
## ESCUELA (%) Administrativo 90 ( 50.8)
## Escuela de Medicina 40 ( 22.6)
## ETM 47 ( 26.6)
## HTA (%) No 177 (100.0)
## Si 0 ( 0.0)
## PESO (median [IQR]) 73.30 [64.20, 84.70]
## TALLA (median [IQR]) 1.60 [1.53, 1.66]
## calcimc (median [IQR]) 28.73 [26.14, 31.75]
## IMC_REAL (%) Normal 34 ( 19.2)
## Obesidad I 55 ( 31.1)
## Obesidad II 11 ( 6.2)
## Obesidad Mórbida 4 ( 2.3)
## Sobrepeso 73 ( 41.2)
## GLUCOSA (median [IQR]) 77.45 [70.45, 86.32]
## GLICEMIA (%) No 163 ( 92.6)
## Si 13 ( 7.4)
## COLESTEROL (median [IQR]) 131.80 [108.42, 152.25]
## COLESTEROL_TOTAL (%) No 161 ( 91.5)
## Si 15 ( 8.5)
## TRIGLICÉRIDOS (median [IQR]) 153.10 [112.35, 199.62]
## TRIGLICERIDOS_COD (%) No 84 ( 47.7)
## Si 92 ( 52.3)
## Stratified by HTA
## Si p test
## n 32
## EDAD (mean (SD)) 51.09 (13.53) 0.074
## GENERO (%) 9 ( 28.1) 0.006
## 23 ( 71.9)
## ESCUELA (%) 21 ( 65.6) 0.305
## 5 ( 15.6)
## 6 ( 18.8)
## HTA (%) 0 ( 0.0) <0.001
## 32 (100.0)
## PESO (median [IQR]) 83.90 [68.65, 99.70] 0.007 nonnorm
## TALLA (median [IQR]) 1.63 [1.56, 1.70] 0.063 nonnorm
## calcimc (median [IQR]) 31.11 [27.78, 34.65] 0.020 nonnorm
## IMC_REAL (%) 4 ( 12.5) 0.072
## 10 ( 31.2)
## 5 ( 15.6)
## 3 ( 9.4)
## 10 ( 31.2)
## GLUCOSA (median [IQR]) 80.90 [72.57, 86.27] 0.459 nonnorm
## GLICEMIA (%) 31 ( 96.9) 0.616
## 1 ( 3.1)
## COLESTEROL (median [IQR]) 136.20 [117.15, 154.40] 0.249 nonnorm
## COLESTEROL_TOTAL (%) 29 ( 90.6) 1.000
## 3 ( 9.4)
## TRIGLICÉRIDOS (median [IQR]) 145.50 [125.27, 196.70] 0.767 nonnorm
## TRIGLICERIDOS_COD (%) 17 ( 53.1) 0.712
## 15 ( 46.9)Exportar la tabla a Excel
La forma rápida y sucia que hacemos es copiar y pegar. Ahora bien utilicemos el argumento quote = TRUE para mostrar las comillas y noSpaces = TRUE para eliminar los espacios utilizados para alinear el texto en la consola R (este último es opcional).
print(tab1, nonnormal = clinico, exact = "stage", quote = TRUE, noSpaces = TRUE)## "Stratified by HTA"
## "" "No"
## "n" "177"
## "EDAD (mean (SD))" "47.00 (11.56)"
## "GENERO = Masculino (%)" "77 (43.5)"
## "ESCUELA (%)" ""
## " Administrativo" "90 (50.8)"
## " Escuela de Medicina" "40 (22.6)"
## " ETM" "47 (26.6)"
## "HTA = Si (%)" "0 (0.0)"
## "PESO (median [IQR])" "73.30 [64.20, 84.70]"
## "TALLA (median [IQR])" "1.60 [1.53, 1.66]"
## "calcimc (median [IQR])" "28.73 [26.14, 31.75]"
## "IMC_REAL (%)" ""
## " Normal" "34 (19.2)"
## " Obesidad I" "55 (31.1)"
## " Obesidad II" "11 (6.2)"
## " Obesidad Mórbida" "4 (2.3)"
## " Sobrepeso" "73 (41.2)"
## "GLUCOSA (median [IQR])" "77.45 [70.45, 86.32]"
## "GLICEMIA = Si (%)" "13 (7.4)"
## "COLESTEROL (median [IQR])" "131.80 [108.42, 152.25]"
## "COLESTEROL_TOTAL = Si (%)" "15 (8.5)"
## "TRIGLICÉRIDOS (median [IQR])" "153.10 [112.35, 199.62]"
## "TRIGLICERIDOS_COD = Si (%)" "92 (52.3)"
## "Stratified by HTA"
## "" "Si" "p" "test"
## "n" "32" "" ""
## "EDAD (mean (SD))" "51.09 (13.53)" "0.074" ""
## "GENERO = Masculino (%)" "23 (71.9)" "0.006" ""
## "ESCUELA (%)" "" "0.305" ""
## " Administrativo" "21 (65.6)" "" ""
## " Escuela de Medicina" "5 (15.6)" "" ""
## " ETM" "6 (18.8)" "" ""
## "HTA = Si (%)" "32 (100.0)" "<0.001" ""
## "PESO (median [IQR])" "83.90 [68.65, 99.70]" "0.007" "nonnorm"
## "TALLA (median [IQR])" "1.63 [1.56, 1.70]" "0.063" "nonnorm"
## "calcimc (median [IQR])" "31.11 [27.78, 34.65]" "0.020" "nonnorm"
## "IMC_REAL (%)" "" "0.072" ""
## " Normal" "4 (12.5)" "" ""
## " Obesidad I" "10 (31.2)" "" ""
## " Obesidad II" "5 (15.6)" "" ""
## " Obesidad Mórbida" "3 (9.4)" "" ""
## " Sobrepeso" "10 (31.2)" "" ""
## "GLUCOSA (median [IQR])" "80.90 [72.57, 86.27]" "0.459" "nonnorm"
## "GLICEMIA = Si (%)" "1 (3.1)" "0.616" ""
## "COLESTEROL (median [IQR])" "136.20 [117.15, 154.40]" "0.249" "nonnorm"
## "COLESTEROL_TOTAL = Si (%)" "3 (9.4)" "1.000" ""
## "TRIGLICÉRIDOS (median [IQR])" "145.50 [125.27, 196.70]" "0.767" "nonnorm"
## "TRIGLICERIDOS_COD = Si (%)" "15 (46.9)" "0.712" ""No usamos el argumento de comillas en este caso, el argumento noSpaces es nuevamente opcional
tab2Mat <- print(tab1, showAllLevels=T, nonnormal = clinico, exact = "stage", quote = FALSE, noSpaces = TRUE,
printToggle = FALSE)
## Save to a CSV file
write.csv(tab2Mat, file = "JUANVINDELL.csv")Solo variables categóricas o continuas
Es posible que desee ver solo las variables categóricas o continuas. Puede hacer esto accediendo a la parte CatTable y la parte ContTable del objeto TableOne de la siguiente manera. Los métodos summary () se definen para ambos, así como el método print () con varios argumento
#Solamente la parte categórica
print(tab1$CatTable,showAllLevels=T)## Stratified by HTA
## level No Si p
## n 177 32
## GENERO (%) Femenino 100 ( 56.5) 9 ( 28.1) 0.006
## Masculino 77 ( 43.5) 23 ( 71.9)
## ESCUELA (%) Administrativo 90 ( 50.8) 21 ( 65.6) 0.305
## Escuela de Medicina 40 ( 22.6) 5 ( 15.6)
## ETM 47 ( 26.6) 6 ( 18.8)
## HTA (%) No 177 (100.0) 0 ( 0.0) <0.001
## Si 0 ( 0.0) 32 (100.0)
## IMC_REAL (%) Normal 34 ( 19.2) 4 ( 12.5) 0.072
## Obesidad I 55 ( 31.1) 10 ( 31.2)
## Obesidad II 11 ( 6.2) 5 ( 15.6)
## Obesidad Mórbida 4 ( 2.3) 3 ( 9.4)
## Sobrepeso 73 ( 41.2) 10 ( 31.2)
## GLICEMIA (%) No 163 ( 92.6) 31 ( 96.9) 0.616
## Si 13 ( 7.4) 1 ( 3.1)
## COLESTEROL_TOTAL (%) No 161 ( 91.5) 29 ( 90.6) 1.000
## Si 15 ( 8.5) 3 ( 9.4)
## TRIGLICERIDOS_COD (%) No 84 ( 47.7) 17 ( 53.1) 0.712
## Si 92 ( 52.3) 15 ( 46.9)
## Stratified by HTA
## test
## n
## GENERO (%)
##
## ESCUELA (%)
##
##
## HTA (%)
##
## IMC_REAL (%)
##
##
##
##
## GLICEMIA (%)
##
## COLESTEROL_TOTAL (%)
##
## TRIGLICERIDOS_COD (%)
## #Solamente la parte continua
print(tab1$ContTable)## Stratified by HTA
## No Si p test
## n 177 32
## EDAD (mean (SD)) 47.00 (11.56) 51.09 (13.53) 0.074
## PESO (mean (SD)) 74.34 (13.69) 84.19 (18.52) 0.001
## TALLA (mean (SD)) 1.60 (0.08) 1.63 (0.09) 0.044
## calcimc (mean (SD)) 29.09 (4.49) 31.58 (5.90) 0.007
## GLUCOSA (mean (SD)) 82.34 (23.90) 83.42 (25.51) 0.816
## COLESTEROL (mean (SD)) 136.09 (38.52) 143.46 (38.03) 0.319
## TRIGLICÉRIDOS (mean (SD)) 166.71 (79.67) 169.09 (76.31) 0.876