Analisis descriptivo trabajo Cistatina
Villalba Federico, Scapellato Jose Luis, Roca Ignacio
head(df)#Analisis de las variables
data.frame(table(df$AKI_48hs))# IC para la proporcion de pacientes con AKI a las 48 hs
binom.confint(80, 163, conf.level = 0.95, methods = "exact")# Sexo
plot(df$Sexo)
# Exploracion grafica
ggplot(df, aes(Sexo))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
sexo<-chisq.test(df$Sexo, df$AKI_48hs, correct = T)
str(sexo)## List of 9
## $ statistic: Named num 2.02
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.155
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$Sexo and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 37 46 26 54
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Sexo : chr [1:2] "Femenino" "Masculino"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 32.1 50.9 30.9 49.1
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Sexo : chr [1:2] "Femenino" "Masculino"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 0.869 -0.69 -0.885 0.702
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Sexo : chr [1:2] "Femenino" "Masculino"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 1.58 -1.58 -1.58 1.58
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Sexo : chr [1:2] "Femenino" "Masculino"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"sexo$expected # Los cumple## df$AKI_48hs
## df$Sexo 0 1
## Femenino 32.07975 30.92025
## Masculino 50.92025 49.07975sexo$observed## df$AKI_48hs
## df$Sexo 0 1
## Femenino 37 26
## Masculino 46 54sexo$p.value # p-valor = 0.154956## [1] 0.154956proportions(table(df$Sexo))##
## Femenino Masculino
## 0.3865031 0.6134969proportions(table(df$Sexo[df$AKI_48hs==0]))##
## Femenino Masculino
## 0.4457831 0.5542169proportions(table(df$Sexo[df$AKI_48hs==1]))##
## Femenino Masculino
## 0.325 0.675# Edad
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_edad<-lm(Edad_Tx ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_edad)
r_estandarizados <- rstandard(modelo_edad)
predichos <- fitted(modelo_edad)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # < 0.001##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.95628, p-value = 5.525e-05qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 90 49ggplot(data_residuos)+
geom_point(
mapping = aes(x=predichos, y=r_estandarizados))
#Evaluo la distribucion por grupo
boxplot(df$Edad_Tx~df$AKI_48hs)
hist(df$Edad_Tx[df$AKI_48hs==0])
hist(df$Edad_Tx[df$AKI_48hs==1]) 
# Hay evidencia de incumplimiento de la normalidad
# Hay evidencia de incumplimiento de homocedasticidad
# Por lo tanto test de la Mediana
Median.test(df$Edad_Tx, df$AKI_48hs) # p-valor = 0.5824378##
## The Median Test for df$Edad_Tx ~ df$AKI_48hs
##
## Chi Square = 0.3023101 DF = 1 P.Value 0.5824378
## Median = 55
##
## Median r Min Max Q25 Q75
## 0 56 83 21 73 44 62
## 1 55 80 27 70 48 61
##
## Post Hoc Analysis
##
## Groups according to probability of treatment differences and alpha level.
##
## Treatments with the same letter are not significantly different.
##
## df$Edad_Tx groups
## 0 56 a
## 1 55 amifuncion(df$Edad_Tx)## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 52.92638 12.06237 45.00000 55.00000 62.00000
## Min Max Rango1 Rango2 N
## 21.00000 73.00000 21.00000 73.00000 163.00000
## na N_total Porc_NA
## 0.00000 163.00000 0.00000# Causa Cirrosis
plot(df$Causa_cirrosis)
# Exploracion grafica
ggplot(df, aes(Causa_cirrosis))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
causa<-chisq.test(df$Causa_cirrosis, df$AKI_48hs, correct = T)
str(causa)## List of 9
## $ statistic: Named num 2.84
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 5
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.725
## $ method : chr "Pearson's Chi-squared test"
## $ data.name: chr "df$Causa_cirrosis and df$AKI_48hs"
## $ observed : 'table' int [1:6, 1:2] 18 7 17 21 13 7 15 8 12 18 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Causa_cirrosis: chr [1:6] "Alcohol" "CBP" "HAI" "HCV" ...
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ expected : num [1:6, 1:2] 16.8 7.64 14.77 19.86 14.26 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Causa_cirrosis: chr [1:6] "Alcohol" "CBP" "HAI" "HCV" ...
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ residuals: 'table' num [1:6, 1:2] 0.292 -0.231 0.581 0.256 -0.333 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Causa_cirrosis: chr [1:6] "Alcohol" "CBP" "HAI" "HCV" ...
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ stdres : 'table' num [1:6, 1:2] 0.466 -0.346 0.915 0.419 -0.522 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Causa_cirrosis: chr [1:6] "Alcohol" "CBP" "HAI" "HCV" ...
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"causa$expected # Los cumple## df$AKI_48hs
## df$Causa_cirrosis 0 1
## Alcohol 16.803681 16.196319
## CBP 7.638037 7.361963
## HAI 14.766871 14.233129
## HCV 19.858896 19.141104
## NASH 14.257669 13.742331
## Otras 9.674847 9.325153causa$observed## df$AKI_48hs
## df$Causa_cirrosis 0 1
## Alcohol 18 15
## CBP 7 8
## HAI 17 12
## HCV 21 18
## NASH 13 15
## Otras 7 12causa$p.value # p-valor = 0.7251559## [1] 0.7251559fisher.test(df$Causa_cirrosis, df$AKI_48hs) # p-valor = 0.7319##
## Fisher's Exact Test for Count Data
##
## data: df$Causa_cirrosis and df$AKI_48hs
## p-value = 0.7319
## alternative hypothesis: two.sided# Grupo
plot(df$Grupo)
# Exploracion grafica
ggplot(df, aes(Grupo))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
grupo<-chisq.test(df$Grupo, df$AKI_48hs, correct = T)
str(grupo)## List of 9
## $ statistic: Named num 0.794
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 3
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.851
## $ method : chr "Pearson's Chi-squared test"
## $ data.name: chr "df$Grupo and df$AKI_48hs"
## $ observed : 'table' int [1:4, 1:2] 33 35 10 5 35 31 11 3
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Grupo : chr [1:4] "0" "1" "2" "3"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ expected : num [1:4, 1:2] 34.63 33.61 10.69 4.07 33.37 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Grupo : chr [1:4] "0" "1" "2" "3"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ residuals: 'table' num [1:4, 1:2] -0.276 0.24 -0.212 0.459 0.281 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Grupo : chr [1:4] "0" "1" "2" "3"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ stdres : 'table' num [1:4, 1:2] -0.517 0.445 -0.324 0.672 0.517 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Grupo : chr [1:4] "0" "1" "2" "3"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"grupo$expected # No los cumple## df$AKI_48hs
## df$Grupo 0 1
## 0 34.62577 33.37423
## 1 33.60736 32.39264
## 2 10.69325 10.30675
## 3 4.07362 3.92638grupo$observed## df$AKI_48hs
## df$Grupo 0 1
## 0 33 35
## 1 35 31
## 2 10 11
## 3 5 3grupo$p.value # p-valor = 0.8509205## [1] 0.8509205fisher.test(df$Grupo, df$AKI_48hs) # p-valor = 0.8632##
## Fisher's Exact Test for Count Data
##
## data: df$Grupo and df$AKI_48hs
## p-value = 0.8632
## alternative hypothesis: two.sided# HCC
plot(df$HCC)
# Exploracion grafica
ggplot(df, aes(HCC))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
hcc<-chisq.test(df$HCC, df$AKI_48hs, correct = T)
str(hcc)## List of 9
## $ statistic: Named num 1.68
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.194
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$HCC and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 49 34 56 24
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$HCC : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 53.5 29.5 51.5 28.5
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$HCC : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] -0.611 0.822 0.622 -0.837
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$HCC : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] -1.46 1.46 1.46 -1.46
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$HCC : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"hcc$expected # Los cumple## df$AKI_48hs
## df$HCC 0 1
## 0 53.46626 51.53374
## 1 29.53374 28.46626hcc$observed## df$AKI_48hs
## df$HCC 0 1
## 0 49 56
## 1 34 24hcc$p.value # p-valor = 0.1942925## [1] 0.1942925proportions(table(df$HCC))##
## 0 1
## 0.6441718 0.3558282proportions(table(df$HCC[df$AKI_48hs==0]))##
## 0 1
## 0.5903614 0.4096386proportions(table(df$HCC[df$AKI_48hs==1]))##
## 0 1
## 0.7 0.3# BMI
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_bmi<-lm(BMI ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_bmi)
r_estandarizados <- rstandard(modelo_bmi)
predichos <- fitted(modelo_bmi)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # 0.2511##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.98925, p-value = 0.2511qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 6 10ggplot(data_residuos)+
geom_point(
mapping = aes(x=predichos, y=r_estandarizados))
#Evaluo homocedasticidad H0: varianzas iguales solo con Levene
leveneTest(BMI ~ df$AKI_48hs, data = df) #No hay evidencia de homocedasticidad - 0.01206# No hay evidencia de incumplimiento de la normalidad
# Hay evidencia de incumplimiento de homocedasticidad
# Por lo tanto prueba Test-t para varianzas distintas (Welch)
t.test(Edad_Tx~AKI_48hs, var.equal = F, data = df) # p-value = 0.4063##
## Welch Two Sample t-test
##
## data: Edad_Tx by AKI_48hs
## t = -0.83266, df = 154.95, p-value = 0.4063
## alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
## 95 percent confidence interval:
## -5.289172 2.152425
## sample estimates:
## mean in group 0 mean in group 1
## 52.15663 53.72500# DM
plot(df$DM)
# Exploracion grafica
ggplot(df, aes(DM))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
dm<-chisq.test(df$DM, df$AKI_48hs, correct = T)
str(dm)## List of 9
## $ statistic: Named num 1.52
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.217
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$DM and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 67 16 57 23
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$DM : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 63.1 19.9 60.9 19.1
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$DM : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 0.486 -0.866 -0.495 0.882
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$DM : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 1.42 -1.42 -1.42 1.42
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$DM : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"dm$expected # Los cumple## df$AKI_48hs
## df$DM 0 1
## 0 63.1411 60.8589
## 1 19.8589 19.1411dm$observed## df$AKI_48hs
## df$DM 0 1
## 0 67 57
## 1 16 23dm$p.value # p-valor = 0.217377## [1] 0.217377# HTA
plot(df$HTA)
# Exploracion grafica
ggplot(df, aes(HTA))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
hta<-chisq.test(df$HTA, df$AKI_48hs, correct = T)
str(hta)## List of 9
## $ statistic: Named num 0.00643
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.936
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$HTA and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 75 8 71 9
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$HTA : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 74.34 8.66 71.66 8.34
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$HTA : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 0.0761 -0.2231 -0.0775 0.2273
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$HTA : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 0.337 -0.337 -0.337 0.337
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$HTA : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"hta$expected # Los cumple## df$AKI_48hs
## df$HTA 0 1
## 0 74.343558 71.656442
## 1 8.656442 8.343558hta$observed## df$AKI_48hs
## df$HTA 0 1
## 0 75 71
## 1 8 9hta$p.value # p-valor = 0.9360819## [1] 0.9360819# EPS
plot(df$EPS)
# Exploracion grafica
ggplot(df, aes(EPS))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
eps<-chisq.test(df$EPS, df$AKI_48hs, correct = T)
str(eps)## List of 9
## $ statistic: Named num 2.21
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.137
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$EPS and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 47 36 35 45
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$EPS : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 41.8 41.2 40.2 39.8
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$EPS : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 0.812 -0.817 -0.827 0.832
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$EPS : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 1.64 -1.64 -1.64 1.64
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$EPS : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"eps$expected # Los cumple## df$AKI_48hs
## df$EPS 0 1
## 0 41.7546 40.2454
## 1 41.2454 39.7546eps$observed## df$AKI_48hs
## df$EPS 0 1
## 0 47 35
## 1 36 45eps$p.value # p-valor = 0.1370061## [1] 0.1370061# Ascitis
plot(df$Ascitis)
# Exploracion grafica
ggplot(df, aes(Ascitis))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
ascitis<-chisq.test(df$Ascitis, df$AKI_48hs, correct = T)
str(ascitis)## List of 9
## $ statistic: Named num 1.42
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.233
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$Ascitis and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 30 53 21 59
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Ascitis : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 26 57 25 55
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Ascitis : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 0.791 -0.534 -0.806 0.544
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Ascitis : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 1.36 -1.36 -1.36 1.36
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Ascitis : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"ascitis$expected # Los cumple## df$AKI_48hs
## df$Ascitis 0 1
## 0 25.96933 25.03067
## 1 57.03067 54.96933ascitis$observed## df$AKI_48hs
## df$Ascitis 0 1
## 0 30 21
## 1 53 59ascitis$p.value # p-valor = 0.2328473## [1] 0.2328473proportions(table(df$Ascitis))##
## 0 1
## 0.3128834 0.6871166proportions(table(df$Ascitis[df$AKI_48hs==0]))##
## 0 1
## 0.3614458 0.6385542proportions(table(df$Ascitis[df$AKI_48hs==1]))##
## 0 1
## 0.2625 0.7375# Grado Ascitis
plot(df$Grado_Ascitis)
# Exploracion grafica
ggplot(df, aes(Grado_Ascitis))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
grado_ascitis<-chisq.test(df$Grado_Ascitis, df$AKI_48hs, correct = T)
str(grado_ascitis)## List of 9
## $ statistic: Named num 2.93
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 3
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.403
## $ method : chr "Pearson's Chi-squared test"
## $ data.name: chr "df$Grado_Ascitis and df$AKI_48hs"
## $ observed : 'table' int [1:4, 1:2] 31 19 21 12 20 22 25 13
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Grado_Ascitis: chr [1:4] "0" "1" "2" "3"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ expected : num [1:4, 1:2] 26 20.9 23.4 12.7 25 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Grado_Ascitis: chr [1:4] "0" "1" "2" "3"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ residuals: 'table' num [1:4, 1:2] 0.987 -0.411 -0.501 -0.205 -1.006 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Grado_Ascitis: chr [1:4] "0" "1" "2" "3"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ stdres : 'table' num [1:4, 1:2] 1.7 -0.678 -0.844 -0.317 -1.7 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Grado_Ascitis: chr [1:4] "0" "1" "2" "3"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"grado_ascitis$expected # Los cumple## df$AKI_48hs
## df$Grado_Ascitis 0 1
## 0 25.96933 25.03067
## 1 20.87730 20.12270
## 2 23.42331 22.57669
## 3 12.73006 12.26994grado_ascitis$observed## df$AKI_48hs
## df$Grado_Ascitis 0 1
## 0 31 20
## 1 19 22
## 2 21 25
## 3 12 13grado_ascitis$p.value # p-valor = 0.403229## [1] 0.403229proportions(table(df$Grado_Ascitis))##
## 0 1 2 3
## 0.3128834 0.2515337 0.2822086 0.1533742proportions(table(df$Grado_Ascitis[df$AKI_48hs==0]))##
## 0 1 2 3
## 0.3734940 0.2289157 0.2530120 0.1445783proportions(table(df$Grado_Ascitis[df$AKI_48hs==1]))##
## 0 1 2 3
## 0.2500 0.2750 0.3125 0.1625# AKI previas
plot(df$AKI_previas)
# Exploracion grafica
ggplot(df, aes(AKI_previas))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
aki_previas<-chisq.test(df$AKI_previas, df$AKI_48hs, correct = T)
str(aki_previas)## List of 9
## $ statistic: Named num 0.725
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.394
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$AKI_previas and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 64 19 56 24
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$AKI_previas: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 61.1 21.9 58.9 21.1
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$AKI_previas: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 0.37 -0.619 -0.377 0.63
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$AKI_previas: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 1.03 -1.03 -1.03 1.03
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$AKI_previas: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"aki_previas$expected # Los cumple## df$AKI_48hs
## df$AKI_previas 0 1
## 0 61.10429 58.89571
## 1 21.89571 21.10429aki_previas$observed## df$AKI_48hs
## df$AKI_previas 0 1
## 0 64 56
## 1 19 24aki_previas$p.value # p-valor = 0.3943596## [1] 0.3943596proportions(table(df$AKI_previas))##
## 0 1
## 0.7361963 0.2638037proportions(table(df$AKI_previas[df$AKI_48hs==0]))##
## 0 1
## 0.7710843 0.2289157proportions(table(df$AKI_previas[df$AKI_48hs==1]))##
## 0 1
## 0.7 0.3# Grado AKI previas
plot(df$Grado_AKI_previas)
# Exploracion grafica
ggplot(df, aes(Grado_AKI_previas))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
grado_aki_previas<-chisq.test(df$Grado_AKI_previas, df$AKI_48hs, correct = T)
str(grado_aki_previas)## List of 9
## $ statistic: Named num 3.13
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 3
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.372
## $ method : chr "Pearson's Chi-squared test"
## $ data.name: chr "df$Grado_AKI_previas and df$AKI_48hs"
## $ observed : 'table' int [1:4, 1:2] 64 12 7 0 56 16 6 2
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Grado_AKI_previas: chr [1:4] "0" "1" "2" "3"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ expected : num [1:4, 1:2] 61.1 14.26 6.62 1.02 58.9 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Grado_AKI_previas: chr [1:4] "0" "1" "2" "3"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ residuals: 'table' num [1:4, 1:2] 0.37 -0.598 0.148 -1.009 -0.377 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Grado_AKI_previas: chr [1:4] "0" "1" "2" "3"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ stdres : 'table' num [1:4, 1:2] 1.03 -0.938 0.22 -1.449 -1.03 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Grado_AKI_previas: chr [1:4] "0" "1" "2" "3"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"grado_aki_previas$expected # No los cumple## df$AKI_48hs
## df$Grado_AKI_previas 0 1
## 0 61.104294 58.8957055
## 1 14.257669 13.7423313
## 2 6.619632 6.3803681
## 3 1.018405 0.9815951grado_aki_previas$observed## df$AKI_48hs
## df$Grado_AKI_previas 0 1
## 0 64 56
## 1 12 16
## 2 7 6
## 3 0 2grado_aki_previas$p.value # p-valor = 0.3723775## [1] 0.3723775proportions(table(df$Grado_AKI_previas))##
## 0 1 2 3
## 0.73619632 0.17177914 0.07975460 0.01226994proportions(table(df$Grado_AKI_previas[df$AKI_48hs==0]))##
## 0 1 2 3
## 0.77108434 0.14457831 0.08433735 0.00000000proportions(table(df$Grado_AKI_previas[df$AKI_48hs==1]))##
## 0 1 2 3
## 0.700 0.200 0.075 0.025fisher.test(df$Grado_AKI_previas, df$AKI_48hs) # p-valor = 0.4248##
## Fisher's Exact Test for Count Data
##
## data: df$Grado_AKI_previas and df$AKI_48hs
## p-value = 0.4248
## alternative hypothesis: two.sided# RIN
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_rin<-lm(RIN ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_rin)
r_estandarizados <- rstandard(modelo_rin)
predichos <- fitted(modelo_rin)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # < 0.001##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.70062, p-value < 2.2e-16qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 11 100ggplot(data_residuos)+
geom_point(
mapping = aes(x=predichos, y=r_estandarizados))
#Distribucion por grupo
boxplot(df$RIN~df$AKI_48hs)
hist(df$RIN[df$AKI_48hs==0])
hist(df$RIN[df$AKI_48hs==1]) 
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones se asemejan
# Por lo tanto Test de Mann Whitney
wilcox.test(df$RIN ~ df$AKI_48hs) # p-value = 0.008143##
## Wilcoxon rank sum test with continuity correction
##
## data: df$RIN by df$AKI_48hs
## W = 2522.5, p-value = 0.008143
## alternative hypothesis: true location shift is not equal to 0# BT
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_bt<-lm(BT ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_bt)
r_estandarizados <- rstandard(modelo_bt)
predichos <- fitted(modelo_bt)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # < 0.001##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.70557, p-value < 2.2e-16qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 28 58ggplot(data_residuos)+
geom_point(
mapping = aes(x=predichos, y=r_estandarizados))
#Distribucion por grupo
boxplot(df$BT~df$AKI_48hs)
hist(df$BT[df$AKI_48hs==0])
hist(df$BT[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones se asemejan
# Por lo tanto test de la Mann-Whitney
wilcox.test(BT ~ AKI_48hs, data = df, paired = F) # p-valor = 0.0019##
## Wilcoxon rank sum test with continuity correction
##
## data: BT by AKI_48hs
## W = 2384, p-value = 0.0019
## alternative hypothesis: true location shift is not equal to 0# NA
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_na<-lm(Na ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_na)
r_estandarizados <- rstandard(modelo_na)
predichos <- fitted(modelo_na)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # < 0.01##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.97695, p-value = 0.008003qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 132 158ggplot(data_residuos)+
geom_point(
mapping = aes(x=predichos, y=r_estandarizados))
#Distribucion por grupo
boxplot(df$Na~df$AKI_48hs)
hist(df$Na[df$AKI_48hs==0])
hist(df$Na[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones se asemejan
# Por lo tanto test de la Mann-Whitney
wilcox.test(Na ~ AKI_48hs, data = df, paired = F) # p-valor = 0.07745##
## Wilcoxon rank sum test with continuity correction
##
## data: Na by AKI_48hs
## W = 3851, p-value = 0.07745
## alternative hypothesis: true location shift is not equal to 0# Albumina
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_Alb<-lm(Alb ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_Alb)
r_estandarizados <- rstandard(modelo_Alb)
predichos <- fitted(modelo_Alb)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # 0.9195##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.99534, p-value = 0.9195qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 51 44ggplot(data_residuos)+
geom_point(
mapping = aes(x=predichos, y=r_estandarizados))
#Evaluo homocedasticidad H0: varianzas iguales solo con Levene
leveneTest(Alb ~ df$AKI_48hs, data = df) # No hay evidencia de heterocedasticidad - 0.7057# No hay evidencia de incumplimiento de la normalidad
# No hay evidencia de incumplimiento de homocedasticidad
# Por lo tanto Test-t
t.test(Alb~AKI_48hs, data = df) # p-value = 0.01606##
## Welch Two Sample t-test
##
## data: Alb by AKI_48hs
## t = 2.4357, df = 146.96, p-value = 0.01606
## alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
## 95 percent confidence interval:
## 0.0480606 0.4614776
## sample estimates:
## mean in group 0 mean in group 1
## 2.995325 2.740556# MELD Na
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_meld<-lm(MELD_Na ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_meld)
r_estandarizados <- rstandard(modelo_meld)
predichos <- fitted(modelo_meld)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # 0.01704##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.9797, p-value = 0.01704qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 67 12ggplot(data_residuos)+
geom_point(
mapping = aes(x=predichos, y=r_estandarizados))
#Distribucion por grupo
boxplot(df$MELD_Na~df$AKI_48hs)
hist(df$MELD_Na[df$AKI_48hs==0])
hist(df$MELD_Na[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones parecen similares
# Por lo tanto Test de Mann Whitney
wilcox.test(MELD_Na ~ AKI_48hs, data = df, paired = F) # p-valor = 0.00663##
## Wilcoxon rank sum test with continuity correction
##
## data: MELD_Na by AKI_48hs
## W = 2502.5, p-value = 0.00663
## alternative hypothesis: true location shift is not equal to 0# Cistatina
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_cistatina<-lm(Cistatina ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_cistatina)
r_estandarizados <- rstandard(modelo_cistatina)
predichos <- fitted(modelo_cistatina)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # < 0.001##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.94862, p-value = 1.148e-05qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 67 145#Distribucion por grupo
boxplot(df$Cistatina~df$AKI_48hs)
hist(df$Cistatina[df$AKI_48hs==0])
hist(df$Cistatina[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones parecen similares
# Por lo tanto Test de Mann Whitney
wilcox.test(Cistatina ~ AKI_48hs, data = df, paired = F) # p-valor = 0.003483##
## Wilcoxon rank sum test with continuity correction
##
## data: Cistatina by AKI_48hs
## W = 2439.5, p-value = 0.003483
## alternative hypothesis: true location shift is not equal to 0# Creatinina
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_crea<-lm(Creatinina ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_crea)
r_estandarizados <- rstandard(modelo_crea)
predichos <- fitted(modelo_crea)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # < 0.001 (2.543e-16)##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.71751, p-value = 2.436e-16qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 67 91#Distribucion por grupo
boxplot(df$Creatinina~df$AKI_48hs)
hist(df$Creatinina[df$AKI_48hs==0])
hist(df$Creatinina[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones parecen similares
# Por lo tanto Test de Mann Whitney
wilcox.test(Creatinina ~ AKI_48hs, data = df, paired = F) # p-valor = 0.5413##
## Wilcoxon rank sum test with continuity correction
##
## data: Creatinina by AKI_48hs
## W = 3135.5, p-value = 0.5413
## alternative hypothesis: true location shift is not equal to 0mifuncion(df$Creatinina)## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 0.8563190 0.3995738 0.6350000 0.7800000 1.0000000
## Min Max Rango1 Rango2 N
## 0.3200000 4.2000000 0.3200000 4.2000000 163.0000000
## na N_total Porc_NA
## 0.0000000 163.0000000 0.0000000# WIT_min
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_wit<-lm(WIT_min ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_wit)
r_estandarizados <- rstandard(modelo_wit)
predichos <- fitted(modelo_wit)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # 0.05177##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.98364, p-value = 0.05177qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 107 149#Evaluo homocedasticidad H0: varianzas iguales solo con Levene
leveneTest(WIT_min ~ df$AKI_48hs, data = df) # Hay evidencia de heterocedasticidad - 0.02928# No hay evidencia de incumplimiento de la normalidad
# Hay evidencia de incumplimiento de homocedasticidad
# Por lo tanto prueba Test-t para varianzas distintas (Welch)
t.test(WIT_min~AKI_48hs, var.equal = F, data = df) # p-value = 0.9148##
## Welch Two Sample t-test
##
## data: WIT_min by AKI_48hs
## t = -0.10717, df = 148.36, p-value = 0.9148
## alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
## 95 percent confidence interval:
## -3.185056 2.857345
## sample estimates:
## mean in group 0 mean in group 1
## 45.03614 45.20000# CIT hs
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_cit<-lm(CIT_hs ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_cit)
r_estandarizados <- rstandard(modelo_cit)
predichos <- fitted(modelo_cit)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # <0.001##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.30886, p-value < 2.2e-16qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 107 157#Distribucion por grupo
boxplot(df$CIT_hs~df$AKI_48hs)
hist(df$CIT_hs[df$AKI_48hs==0])
hist(df$CIT_hs[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones parecen similares
# Por lo tanto Test de Mann Whitney
wilcox.test(CIT_hs~ AKI_48hs, data = df, paired = F) # p-valor = 0.7014##
## Wilcoxon rank sum test with continuity correction
##
## data: CIT_hs by AKI_48hs
## W = 3436, p-value = 0.7014
## alternative hypothesis: true location shift is not equal to 0mifuncion(df$CIT_hs)## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 7.354847 4.423671 6.010000 7.020000 8.225000
## Min Max Rango1 Rango2 N
## 4.100000 60.000000 4.100000 60.000000 163.000000
## na N_total Porc_NA
## 0.000000 163.000000 0.000000mifuncion(df$CIT_hs[df$AKI_48hs==0])## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 7.099639 1.598487 6.085000 7.030000 8.240000
## Min Max Rango1 Rango2 N
## 4.100000 10.550000 4.100000 10.550000 83.000000
## na N_total Porc_NA
## 0.000000 83.000000 0.000000mifuncion(df$CIT_hs[df$AKI_48hs==1])## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 7.619625 6.110396 6.000000 7.010000 8.182500
## Min Max Rango1 Rango2 N
## 4.100000 60.000000 4.100000 60.000000 80.000000
## na N_total Porc_NA
## 0.000000 80.000000 0.000000# Sme reperfusion
plot(df$Sme_reperfusion)
# Exploracion grafica
ggplot(df, aes(Sme_reperfusion))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
reperf<-chisq.test(df$Sme_reperfusion, df$AKI_48hs, correct = T)
str(reperf)## List of 9
## $ statistic: Named num 1.03
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.31
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$Sme_reperfusion and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 46 37 37 43
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Sme_reperfusion: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 42.3 40.7 40.7 39.3
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Sme_reperfusion: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 0.575 -0.585 -0.585 0.596
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Sme_reperfusion: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 1.17 -1.17 -1.17 1.17
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Sme_reperfusion: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"reperf$expected # No los cumple## df$AKI_48hs
## df$Sme_reperfusion 0 1
## 0 42.2638 40.7362
## 1 40.7362 39.2638reperf$observed## df$AKI_48hs
## df$Sme_reperfusion 0 1
## 0 46 37
## 1 37 43reperf$p.value # p-valor = 0.3104599## [1] 0.3104599proportions(table(df$Sme_reperfusion))##
## 0 1
## 0.5092025 0.4907975proportions(table(df$Sme_reperfusion[df$AKI_48hs==0]))##
## 0 1
## 0.5542169 0.4457831proportions(table(df$Sme_reperfusion[df$AKI_48hs==1]))##
## 0 1
## 0.4625 0.5375# Inotropicos
plot(df$Inotropicos_qx)
# Exploracion grafica
ggplot(df, aes(Inotropicos_qx))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
inotropicos<-chisq.test(df$Inotropicos_qx, df$AKI_48hs, correct = T)
str(inotropicos)## List of 9
## $ statistic: Named num 0.1
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.751
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$Inotropicos_qx and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 68 15 68 12
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Inotropicos_qx: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 69.3 13.7 66.7 13.3
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Inotropicos_qx: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] -0.15 0.338 0.153 -0.344
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Inotropicos_qx: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] -0.527 0.527 0.527 -0.527
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Inotropicos_qx: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"inotropicos$expected # Los cumple## df$AKI_48hs
## df$Inotropicos_qx 0 1
## 0 69.25153 66.74847
## 1 13.74847 13.25153inotropicos$observed## df$AKI_48hs
## df$Inotropicos_qx 0 1
## 0 68 68
## 1 15 12inotropicos$p.value # p-valor = 0.7514455## [1] 0.7514455proportions(table(df$Inotropicos_qx))##
## 0 1
## 0.8343558 0.1656442proportions(table(df$Sme_reperfusion[df$AKI_48hs==0]))##
## 0 1
## 0.5542169 0.4457831proportions(table(df$Sme_reperfusion[df$AKI_48hs==1]))##
## 0 1
## 0.4625 0.5375# Globulos rojos
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_gr<-lm(Globulos_Rojos ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_gr)
r_estandarizados <- rstandard(modelo_gr)
predichos <- fitted(modelo_gr)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # <0.001##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.88934, p-value = 1.109e-09qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 149 150#Distribucion por grupo
boxplot(df$Globulos_Rojos~df$AKI_48hs)
hist(df$Globulos_Rojos[df$AKI_48hs==0])
hist(df$Globulos_Rojos[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones son distintas
# Por lo tanto Test de la Mediana
Median.test(df$Globulos_Rojos, df$AKI_48hs) # p-value = 0.005226603##
## The Median Test for df$Globulos_Rojos ~ df$AKI_48hs
##
## Chi Square = 7.799316 DF = 1 P.Value 0.005226603
## Median = 2
##
## Median r Min Max Q25 Q75
## 0 1 83 0 6 0 2.50
## 1 2 80 0 16 0 5.25
##
## Post Hoc Analysis
##
## Groups according to probability of treatment differences and alpha level.
##
## Treatments with the same letter are not significantly different.
##
## df$Globulos_Rojos groups
## 1 2 a
## 0 1 bmifuncion(df$Globulos_Rojos)## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 2.325153 2.752963 0.000000 2.000000 3.000000
## Min Max Rango1 Rango2 N
## 0.000000 16.000000 0.000000 16.000000 163.000000
## na N_total Porc_NA
## 0.000000 163.000000 0.000000mifuncion(df$Globulos_Rojos[df$AKI_48hs==0])## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 1.578313 1.646285 0.000000 1.000000 2.500000
## Min Max Rango1 Rango2 N
## 0.000000 6.000000 0.000000 6.000000 83.000000
## na N_total Porc_NA
## 0.000000 83.000000 0.000000mifuncion(df$Globulos_Rojos[df$AKI_48hs==1])## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 3.1000 3.3962 0.0000 2.0000 5.2500
## Min Max Rango1 Rango2 N
## 0.0000 16.0000 0.0000 16.0000 80.0000
## na N_total Porc_NA
## 0.0000 80.0000 0.0000# Hemoderivados
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_hem<-lm(Hemoderivados ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_hem)
r_estandarizados <- rstandard(modelo_hem)
predichos <- fitted(modelo_hem)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # <0.001##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.87065, p-value = 1.177e-10qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 129 4#Distribucion por grupo
boxplot(df$Hemoderivados~df$AKI_48hs)
hist(df$Hemoderivados[df$AKI_48hs==0])
hist(df$Hemoderivados[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones son distintas
# Por lo tanto Test de la Mediana
Median.test(df$Hemoderivados, df$AKI_48hs) # p-value = 0.1012783##
## The Median Test for df$Hemoderivados ~ df$AKI_48hs
##
## Chi Square = 2.685297 DF = 1 P.Value 0.1012783
## Median = 5
##
## Median r Min Max Q25 Q75
## 0 3.0 83 0 48 0 13.00
## 1 6.5 80 0 50 0 23.25
##
## Post Hoc Analysis
##
## Groups according to probability of treatment differences and alpha level.
##
## Treatments with the same letter are not significantly different.
##
## df$Hemoderivados groups
## 1 6.5 a
## 0 3.0 amifuncion(df$Hemoderivados)## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 10.11043 12.43204 0.00000 5.00000 17.00000
## Min Max Rango1 Rango2 N
## 0.00000 50.00000 0.00000 50.00000 163.00000
## na N_total Porc_NA
## 0.00000 163.00000 0.00000mifuncion(df$Hemoderivados[df$AKI_48hs==0])## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 7.542169 9.944114 0.000000 3.000000 13.000000
## Min Max Rango1 Rango2 N
## 0.000000 48.000000 0.000000 48.000000 83.000000
## na N_total Porc_NA
## 0.000000 83.000000 0.000000mifuncion(df$Hemoderivados[df$AKI_48hs==1])## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 12.77500 14.14838 0.00000 6.50000 23.25000
## Min Max Rango1 Rango2 N
## 0.00000 50.00000 0.00000 50.00000 80.00000
## na N_total Porc_NA
## 0.00000 80.00000 0.00000# AST
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_ast<-lm(AST ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_ast)
r_estandarizados <- rstandard(modelo_ast)
predichos <- fitted(modelo_ast)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # <0.001##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.82072, p-value = 7.238e-13qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 18 4#Distribucion por grupo
boxplot(df$AST~df$AKI_48hs)
hist(df$AST[df$AKI_48hs==0])
hist(df$AST[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones no parecen semejantes
# Por lo tanto Test de la Mediana
Median.test(df$AST, df$AKI_48hs) # p-value = 0.4816662##
## The Median Test for df$AST ~ df$AKI_48hs
##
## Chi Square = 0.4950885 DF = 1 P.Value 0.4816662
## Median = 1588
##
## Median r Min Max Q25 Q75
## 0 1519.0 83 221 6800 822.5 2249.0
## 1 1773.5 80 235 8636 785.5 3145.5
##
## Post Hoc Analysis
##
## Groups according to probability of treatment differences and alpha level.
##
## Treatments with the same letter are not significantly different.
##
## df$AST groups
## 1 1773.5 a
## 0 1519.0 amifuncion(df$AST)## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 1996.699 1674.693 796.000 1588.000 2497.000
## Min Max Rango1 Rango2 N
## 221.000 8636.000 221.000 8636.000 163.000
## na N_total Porc_NA
## 0.000 163.000 0.000mifuncion(df$AST[df$AKI_48hs==0])## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 1773.663 1346.565 822.500 1519.000 2249.000
## Min Max Rango1 Rango2 N
## 221.000 6800.000 221.000 6800.000 83.000
## na N_total Porc_NA
## 0.000 83.000 0.000mifuncion(df$AST[df$AKI_48hs==1])## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 2228.100 1939.747 785.500 1773.500 3145.500
## Min Max Rango1 Rango2 N
## 235.000 8636.000 235.000 8636.000 80.000
## na N_total Porc_NA
## 0.000 80.000 0.000# ALT
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_alt<-lm(ALT ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_alt)
r_estandarizados <- rstandard(modelo_alt)
predichos <- fitted(modelo_alt)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # < 0.001##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.54343, p-value < 2.2e-16qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 37 134#Distribucion por grupo
boxplot(df$ALT~df$AKI_48hs)
hist(df$ALT[df$AKI_48hs==0])
hist(df$ALT[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones son semejantes
# Por lo tanto Test de la Mann Whitney
wilcox.test(ALT ~ AKI_48hs, data = df, paired = F) # p-valor = 0.1487##
## Wilcoxon rank sum test with continuity correction
##
## data: ALT by AKI_48hs
## W = 2884.5, p-value = 0.1487
## alternative hypothesis: true location shift is not equal to 0mifuncion(df$ALT)## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 1126.313 1338.581 403.500 836.000 1362.000
## Min Max Rango1 Rango2 N
## 109.000 13356.000 109.000 13356.000 163.000
## na N_total Porc_NA
## 0.000 163.000 0.000mifuncion(df$ALT[df$AKI_48hs==0])## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 1061.952 1534.951 392.500 734.000 1179.000
## Min Max Rango1 Rango2 N
## 128.000 13356.000 128.000 13356.000 83.000
## na N_total Porc_NA
## 0.000 83.000 0.000mifuncion(df$ALT[df$AKI_48hs==1])## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 1193.088 1104.494 443.750 950.500 1492.750
## Min Max Rango1 Rango2 N
## 109.000 7882.000 109.000 7882.000 80.000
## na N_total Porc_NA
## 0.000 80.000 0.000# Tecnica quirurgica
plot(df$tecnica_quirurgica)
# Exploracion grafica
ggplot(df, aes(tecnica_quirurgica))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
tecnica<-chisq.test(df$tecnica_quirurgica, df$AKI_48hs, correct = T)
str(tecnica)## List of 9
## $ statistic: Named num 0.0352
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.851
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$tecnica_quirurgica and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 26 57 23 57
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$tecnica_quirurgica: chr [1:2] "Convencional" "PB"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 25 58 24 56
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$tecnica_quirurgica: chr [1:2] "Convencional" "PB"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 0.21 -0.138 -0.214 0.14
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$tecnica_quirurgica: chr [1:2] "Convencional" "PB"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 0.358 -0.358 -0.358 0.358
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$tecnica_quirurgica: chr [1:2] "Convencional" "PB"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"tecnica$expected # No los cumple## df$AKI_48hs
## df$tecnica_quirurgica 0 1
## Convencional 24.95092 24.04908
## PB 58.04908 55.95092tecnica$observed## df$AKI_48hs
## df$tecnica_quirurgica 0 1
## Convencional 26 23
## PB 57 57tecnica$p.value # p-valor = 0.791692## [1] 0.8511735proportions(table(df$tecnica_quirurgica))##
## Convencional PB
## 0.3006135 0.6993865proportions(table(df$tecnica_quirurgica[df$AKI_48hs==0]))##
## Convencional PB
## 0.313253 0.686747proportions(table(df$tecnica_quirurgica[df$AKI_48hs==1]))##
## Convencional PB
## 0.2875 0.7125fisher.test(df$tecnica_quirurgica, df$AKI_48hs) # p-valor = 0.8868##
## Fisher's Exact Test for Count Data
##
## data: df$tecnica_quirurgica and df$AKI_48hs
## p-value = 0.7359
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 0.5479404 2.3392818
## sample estimates:
## odds ratio
## 1.129584# Lactato
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_lac<-lm(Pico_Lactato ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_lac)
r_estandarizados <- rstandard(modelo_lac)
predichos <- fitted(modelo_lac)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # < 0.001##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.91302, p-value = 2.777e-08qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 38 80#Distribucion por grupo
boxplot(df$Pico_Lactato~df$AKI_48hs)
hist(df$Pico_Lactato[df$AKI_48hs==0])
hist(df$Pico_Lactato[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones son semejantes
# Por lo tanto Test de la Mann Whitney
wilcox.test(Pico_Lactato ~ AKI_48hs, data = df, paired = F) # p-valor = 0.0004604##
## Wilcoxon rank sum test with continuity correction
##
## data: Pico_Lactato by AKI_48hs
## W = 2264.5, p-value = 0.0004604
## alternative hypothesis: true location shift is not equal to 0mifuncion(df$Pico_Lactato)## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 4.176319 2.299760 2.450000 3.700000 5.450000
## Min Max Rango1 Rango2 N
## 1.000000 14.200000 1.000000 14.200000 163.000000
## na N_total Porc_NA
## 0.000000 163.000000 0.000000mifuncion(df$Pico_Lactato[df$AKI_48hs==0])## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 3.611446 2.070876 2.300000 3.200000 4.350000
## Min Max Rango1 Rango2 N
## 1.000000 14.200000 1.000000 14.200000 83.000000
## na N_total Porc_NA
## 0.000000 83.000000 0.000000mifuncion(df$Pico_Lactato[df$AKI_48hs==1])## Media Desvio Cuantil.25.25% Mediana Cuantil.75.75%
## 4.762375 2.389801 2.700000 4.700000 6.100000
## Min Max Rango1 Rango2 N
## 1.000000 13.000000 1.000000 13.000000 80.000000
## na N_total Porc_NA
## 0.000000 80.000000 0.000000# Nefrotoxicos
plot(df$Nefrotoxicos)
# Exploracion grafica
ggplot(df, aes(Nefrotoxicos))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
nefro<-chisq.test(df$Nefrotoxicos, df$AKI_48hs, correct = T)
str(nefro)## List of 9
## $ statistic: Named num 3.21
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.0734
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$Nefrotoxicos and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 74 9 62 18
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Nefrotoxicos: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 69.3 13.7 66.7 13.3
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Nefrotoxicos: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 0.571 -1.281 -0.581 1.304
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Nefrotoxicos: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 2 -2 -2 2
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Nefrotoxicos: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"nefro$expected # Los cumple## df$AKI_48hs
## df$Nefrotoxicos 0 1
## 0 69.25153 66.74847
## 1 13.74847 13.25153nefro$observed## df$AKI_48hs
## df$Nefrotoxicos 0 1
## 0 74 62
## 1 9 18nefro$p.value # p-valor = 0.073371## [1] 0.073371proportions(table(df$Nefrotoxicos))##
## 0 1
## 0.8343558 0.1656442proportions(table(df$Nefrotoxicos[df$AKI_48hs==0]))##
## 0 1
## 0.8915663 0.1084337proportions(table(df$Nefrotoxicos[df$AKI_48hs==1]))##
## 0 1
## 0.775 0.225# Edad donante
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_edaddon<-lm(edad_donante ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_edaddon)
r_estandarizados <- rstandard(modelo_edaddon)
predichos <- fitted(modelo_edaddon)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # 0.08643##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.98544, p-value = 0.08643qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 101 16#Evaluo homocedasticidad H0: varianzas iguales solo con Levene
leveneTest(edad_donante ~ df$AKI_48hs, data = df) # No hay evidencia de heterocedasticidad - 0.1733# No hay evidencia de incumplimiento de la normalidad
# No hay evidencia de incumplimiento de homocedasticidad
# Por lo tanto Test T
t.test(df$edad_donante~df$AKI_48hs) # p-value = 0.2467##
## Welch Two Sample t-test
##
## data: df$edad_donante by df$AKI_48hs
## t = -1.1628, df = 157.48, p-value = 0.2467
## alternative hypothesis: true difference in means between group 0 and group 1 is not equal to 0
## 95 percent confidence interval:
## -7.532051 1.949822
## sample estimates:
## mean in group 0 mean in group 1
## 42.09639 44.88750# BMI donante
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_bmidon<-lm(BMI_donante ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_bmidon)
r_estandarizados <- rstandard(modelo_bmidon)
predichos <- fitted(modelo_bmidon)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # < 0.001##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.89969, p-value = 4.276e-09qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 149 139#Distribucion por grupo
boxplot(df$BMI_donante~df$AKI_48hs)
hist(df$BMI_donante[df$AKI_48hs==0])
hist(df$BMI_donante[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones parecen semejantes
# Por lo tanto Test Mann Whitney
wilcox.test(BMI_donante ~ AKI_48hs, data = df, paired = F) # p-valor = 0.8369##
## Wilcoxon rank sum test with continuity correction
##
## data: BMI_donante by AKI_48hs
## W = 3382.5, p-value = 0.8369
## alternative hypothesis: true location shift is not equal to 0# Pobre funcion
plot(df$Pobre_funcion)
# Exploracion grafica
ggplot(df, aes(Pobre_funcion))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
pobre<-chisq.test(df$Pobre_funcion, df$AKI_48hs, correct = T)
str(pobre)## List of 9
## $ statistic: Named num 5.5
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.019
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$Pobre_funcion and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 64 19 47 33
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Pobre_funcion: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 56.5 26.5 54.5 25.5
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Pobre_funcion: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 0.995 -1.453 -1.013 1.48
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Pobre_funcion: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 2.51 -2.51 -2.51 2.51
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Pobre_funcion: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"pobre$expected # Los cumple## df$AKI_48hs
## df$Pobre_funcion 0 1
## 0 56.52147 54.47853
## 1 26.47853 25.52147pobre$observed## df$AKI_48hs
## df$Pobre_funcion 0 1
## 0 64 47
## 1 19 33pobre$p.value # p-valor = 0.01898436## [1] 0.01898436# Relaparotomia
plot(df$Relaparotomia)
# Exploracion grafica
ggplot(df, aes(Relaparotomia))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
relap<-chisq.test(df$Relaparotomia, df$AKI_48hs, correct = T)
str(relap)## List of 9
## $ statistic: Named num 13.7
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.000219
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$Relaparotomia and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 80 3 60 20
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Relaparotomia: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 71.3 11.7 68.7 11.3
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Relaparotomia: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 1.03 -2.55 -1.05 2.59
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Relaparotomia: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 3.92 -3.92 -3.92 3.92
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Relaparotomia: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"relap$expected # Los cumple## df$AKI_48hs
## df$Relaparotomia 0 1
## 0 71.28834 68.71166
## 1 11.71166 11.28834relap$observed## df$AKI_48hs
## df$Relaparotomia 0 1
## 0 80 60
## 1 3 20relap$p.value # p-valor = 0.0002192561## [1] 0.0002192561# TRR
plot(df$TRR)
# Exploracion grafica
ggplot(df, aes(TRR))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
trr<-chisq.test(df$TRR, df$AKI_48hs, correct = T)
str(trr)## List of 9
## $ statistic: Named num 18.5
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 1.71e-05
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$TRR and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 82 1 60 20
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$TRR : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 72.3 10.7 69.7 10.3
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$TRR : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 1.14 -2.96 -1.16 3.02
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$TRR : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 4.53 -4.53 -4.53 4.53
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$TRR : chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs: chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"trr$expected # Los cumple## df$AKI_48hs
## df$TRR 0 1
## 0 72.30675 69.69325
## 1 10.69325 10.30675trr$observed## df$AKI_48hs
## df$TRR 0 1
## 0 82 60
## 1 1 20trr$p.value # p-valor = 1.712241e-05## [1] 1.712241e-05# Basiliximab
plot(df$Basiliximab)
# Exploracion grafica
ggplot(df, aes(Basiliximab))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
basi<-chisq.test(df$Basiliximab, df$AKI_48hs, correct = T)
str(basi)## List of 9
## $ statistic: Named num 7.98
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.00472
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$Basiliximab and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 70 13 51 29
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Basiliximab: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 61.6 21.4 59.4 20.6
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Basiliximab: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 1.07 -1.81 -1.09 1.85
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Basiliximab: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 3 -3 -3 3
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Basiliximab: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"basi$expected # Los cumple## df$AKI_48hs
## df$Basiliximab 0 1
## 0 61.6135 59.3865
## 1 21.3865 20.6135basi$observed## df$AKI_48hs
## df$Basiliximab 0 1
## 0 70 51
## 1 13 29basi$p.value # p-valor = 0.004723642## [1] 0.004723642# Tiempo UTI
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_tiempo<-lm(Tiempo_UTI ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_tiempo)
r_estandarizados <- rstandard(modelo_tiempo)
predichos <- fitted(modelo_tiempo)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # < 0.001 ##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.56726, p-value < 2.2e-16qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## 115 147
## 115 146#Distribucion por grupo
boxplot(df$Tiempo_UTI~df$AKI_48hs)
hist(df$Tiempo_UTI[df$AKI_48hs==0])
hist(df$Tiempo_UTI[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones son semejantes
# Por lo tanto Test de Mann Whitney
#Median.test(df$Tiempo_UTI, df$AKI_48hs) # p-value = 0.2848
wilcox.test(Tiempo_UTI ~ AKI_48hs, data = df, paired = F) # p-valor = 0.01041##
## Wilcoxon rank sum test with continuity correction
##
## data: Tiempo_UTI by AKI_48hs
## W = 2483.5, p-value = 0.01041
## alternative hypothesis: true location shift is not equal to 0# Tiempo total
#Evaluo si la distribucion de la variable es normal con le evaluacion de residuos
modelo_ttotal<-lm(Tiempo_total ~ df$AKI_48hs, data = df)
#Residuos y predichos
residuos <- resid(modelo_ttotal)
r_estandarizados <- rstandard(modelo_ttotal)
predichos <- fitted(modelo_ttotal)
data_residuos<-tibble(residuos, r_estandarizados,predichos)
#Distribucion de residuos
shapiro.test(residuos) # <0.001##
## Shapiro-Wilk normality test
##
## data: residuos
## W = 0.73893, p-value = 1.33e-15qqnorm(residuos)
qqline(residuos)
qqPlot(residuos) # Datos por fuera de la banda de prediccion indican que la distribucion de los residuos no es normal
## [1] 115 9#Distribucion por grupo
boxplot(df$Tiempo_total~df$AKI_48hs)
hist(df$Tiempo_total[df$AKI_48hs==0])
hist(df$Tiempo_total[df$AKI_48hs==1])
# Hay evidencia de incumplimiento de la normalidad
# Las distribuciones no son semejantes
# Por lo tanto Test de la Mediana
#Median.test(df$Tiempo_total, df$AKI_48hs) # p-value = ERROR# Muerte
plot(df$Muerte_mes)
# Exploracion grafica
ggplot(df, aes(Muerte_mes))+
geom_bar(aes(fill=AKI_48hs))
#Veo si cumple los supuestos del chi-cuadrado
muerte<-chisq.test(df$Muerte_mes, df$AKI_48hs, correct = T)
str(muerte)## List of 9
## $ statistic: Named num 3.75
## ..- attr(*, "names")= chr "X-squared"
## $ parameter: Named int 1
## ..- attr(*, "names")= chr "df"
## $ p.value : num 0.0528
## $ method : chr "Pearson's Chi-squared test with Yates' continuity correction"
## $ data.name: chr "df$Muerte_mes and df$AKI_48hs"
## $ observed : 'table' int [1:2, 1:2] 81 2 71 9
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Muerte_mes: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ expected : num [1:2, 1:2] 77.4 5.6 74.6 5.4
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Muerte_mes: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ residuals: 'table' num [1:2, 1:2] 0.409 -1.522 -0.417 1.55
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Muerte_mes: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## $ stdres : 'table' num [1:2, 1:2] 2.25 -2.25 -2.25 2.25
## ..- attr(*, "dimnames")=List of 2
## .. ..$ df$Muerte_mes: chr [1:2] "0" "1"
## .. ..$ df$AKI_48hs : chr [1:2] "0" "1"
## - attr(*, "class")= chr "htest"muerte$expected # Los cumple## df$AKI_48hs
## df$Muerte_mes 0 1
## 0 77.398773 74.601227
## 1 5.601227 5.398773muerte$observed## df$AKI_48hs
## df$Muerte_mes 0 1
## 0 81 71
## 1 2 9muerte$p.value # p-valor = 0.05275452## [1] 0.05275452TABLA 1
labels(df) <- c(Sexo= "Sexo", Edad_Tx="Edad (años)", Causa_cirrosis = "Causa de cirrosis", Grupo= "Grupo sanguíneo", HCC="Hepatocarcinoma", BMI= "Indice de masa corporal (kg/m2)", DM= "Diabetes", HTA= "Hipertension", EPS= "Encefalopatía", Ascitis= "Ascitis", Grado_Ascitis= "Grado de ascitis", AKI_previas= "Antecedente de Falla renal aguda", Grado_AKI_previas= "Grado de Falla renal aguda previa", RIN= "RIN", BT= "Bilirrubina total", Na= "Sodio", Alb="Albiminemia", MELD_Na= "MELD Sodio", Cistatina= "Cistatina en sangre", Creatinina= "Creatininemia")
levels(df$Grupo) <- c("0","A", "B", "AB")
levels(df$HCC) <- c("No", "Si")
levels(df$DM) <- c("No", "Si")
levels(df$HTA) <- c("No", "Si")
levels(df$EPS) <- c("No", "Si")
levels(df$Ascitis) <- c("No", "Si")
levels(df$AKI_previas) <- c("No", "Si")
levels(df$AKI_48hs) <- c("No Falla renal aguda", "Falla renal aguda")
tablauno <- tableby(AKI_48hs~chisq(Sexo)+
medtest(Edad_Tx, "median", "range")+
chisq(Causa_cirrosis)+
fe(Grupo)+
HCC+
anova(BMI)+
DM+
HTA+
EPS+
Ascitis+
Grado_Ascitis+
AKI_previas+
fe(Grado_AKI_previas)+
wt(RIN)+
wt(BT)+
wt(Na)+
anova(Alb)+
wt(MELD_Na, "median", "range")+
wt(Cistatina)+
wt(Creatinina, "median", "range"),
data = df,
control=tableby.control(stats.labels = list(meansd= "Media (DS)", median="Mediana", range="Rango"),
test.pname = "p-valor", digits=2 ))
summary(tablauno, text=T, pfootnote = T) %>%
kbl(caption = "Tabla 1: Valores basales por grupo")%>%
footnote(
general="MELD Na: Modelo de enfermedad hepatica terminal",
number=c("Test de Chi Cuadrado", "Test de la Mediana", "Test exacto de Fisher", "Test-T", "Test de Mann Whitney"),
general_title = "Referencias: CBP: Colangitis biliar primaria; HAI: Hepatitis autoinmune; HCV: Hepatitis C; NASH: Higado graso; DS: Desvío standard")%>%
kable_styling()| No Falla renal aguda (N=83) | Falla renal aguda (N=80) | Total (N=163) | p-valor | |
|---|---|---|---|---|
| Sexo | 0.113 (1) | |||
|
37 (44.6%) | 26 (32.5%) | 63 (38.7%) | |
|
46 (55.4%) | 54 (67.5%) | 100 (61.3%) | |
| Edad (años) | 0.584 (2) | |||
|
56.00 | 55.00 | 55.00 | |
|
21.00 - 73.00 | 27.00 - 70.00 | 21.00 - 73.00 | |
| Causa de cirrosis | 0.725 (1) | |||
|
18 (21.7%) | 15 (18.8%) | 33 (20.2%) | |
|
7 (8.4%) | 8 (10.0%) | 15 (9.2%) | |
|
17 (20.5%) | 12 (15.0%) | 29 (17.8%) | |
|
21 (25.3%) | 18 (22.5%) | 39 (23.9%) | |
|
13 (15.7%) | 15 (18.8%) | 28 (17.2%) | |
|
7 (8.4%) | 12 (15.0%) | 19 (11.7%) | |
| Grupo sanguíneo | 0.863 (3) | |||
|
33 (39.8%) | 35 (43.8%) | 68 (41.7%) | |
|
35 (42.2%) | 31 (38.8%) | 66 (40.5%) | |
|
10 (12.0%) | 11 (13.8%) | 21 (12.9%) | |
|
5 (6.0%) | 3 (3.8%) | 8 (4.9%) | |
| Hepatocarcinoma | 0.144 (1) | |||
|
49 (59.0%) | 56 (70.0%) | 105 (64.4%) | |
|
34 (41.0%) | 24 (30.0%) | 58 (35.6%) | |
| Indice de masa corporal (kg/m2) | 0.103 (4) | |||
|
27.33 (4.41) | 28.64 (5.70) | 27.97 (5.11) | |
|
17.90 - 40.70 | 17.80 - 41.60 | 17.80 - 41.60 | |
| Diabetes | 0.156 (1) | |||
|
67 (80.7%) | 57 (71.2%) | 124 (76.1%) | |
|
16 (19.3%) | 23 (28.8%) | 39 (23.9%) | |
| Hipertension | 0.736 (1) | |||
|
75 (90.4%) | 71 (88.8%) | 146 (89.6%) | |
|
8 (9.6%) | 9 (11.2%) | 17 (10.4%) | |
| Encefalopatía | 0.100 (1) | |||
|
47 (56.6%) | 35 (43.8%) | 82 (50.3%) | |
|
36 (43.4%) | 45 (56.2%) | 81 (49.7%) | |
| Ascitis | 0.173 (1) | |||
|
30 (36.1%) | 21 (26.2%) | 51 (31.3%) | |
|
53 (63.9%) | 59 (73.8%) | 112 (68.7%) | |
| Grado de ascitis | 0.403 (1) | |||
|
31 (37.3%) | 20 (25.0%) | 51 (31.3%) | |
|
19 (22.9%) | 22 (27.5%) | 41 (25.2%) | |
|
21 (25.3%) | 25 (31.2%) | 46 (28.2%) | |
|
12 (14.5%) | 13 (16.2%) | 25 (15.3%) | |
| Antecedente de Falla renal aguda | 0.303 (1) | |||
|
64 (77.1%) | 56 (70.0%) | 120 (73.6%) | |
|
19 (22.9%) | 24 (30.0%) | 43 (26.4%) | |
| Grado de Falla renal aguda previa | 0.425 (3) | |||
|
64 (77.1%) | 56 (70.0%) | 120 (73.6%) | |
|
12 (14.5%) | 16 (20.0%) | 28 (17.2%) | |
|
7 (8.4%) | 6 (7.5%) | 13 (8.0%) | |
|
0 (0.0%) | 2 (2.5%) | 2 (1.2%) | |
| RIN | 0.008 (5) | |||
|
1.74 (0.96) | 1.88 (0.61) | 1.81 (0.81) | |
|
0.90 - 7.87 | 1.10 - 3.47 | 0.90 - 7.87 | |
| Bilirrubina total | 0.002 (5) | |||
|
5.48 (8.21) | 7.88 (8.55) | 6.66 (8.44) | |
|
0.40 - 50.73 | 0.63 - 35.35 | 0.40 - 50.73 | |
| Sodio | 0.077 (5) | |||
|
135.30 (5.47) | 134.04 (4.87) | 134.68 (5.21) | |
|
121.00 - 148.00 | 120.00 - 145.00 | 120.00 - 148.00 | |
| Albiminemia | 0.016 (4) | |||
|
6 | 8 | 14 | |
|
3.00 (0.67) | 2.74 (0.61) | 2.87 (0.65) | |
|
1.53 - 4.76 | 1.30 - 4.06 | 1.30 - 4.76 | |
| MELD Sodio | 0.007 (5) | |||
|
16.00 | 22.00 | 19.00 | |
|
7.00 - 36.00 | 7.00 - 40.00 | 7.00 - 40.00 | |
| Cistatina en sangre | 0.003 (5) | |||
|
1.38 (0.45) | 1.58 (0.50) | 1.48 (0.49) | |
|
0.49 - 2.87 | 0.53 - 3.66 | 0.49 - 3.66 | |
| Creatininemia | 0.540 (5) | |||
|
0.76 | 0.80 | 0.78 | |
|
0.32 - 2.27 | 0.34 - 4.20 | 0.32 - 4.20 | |
| Referencias: CBP: Colangitis biliar primaria; HAI: Hepatitis autoinmune; HCV: Hepatitis C; NASH: Higado graso; DS: Desvío standard | ||||
| MELD Na: Modelo de enfermedad hepatica terminal | ||||
| 1 Test de Chi Cuadrado | ||||
| 2 Test de la Mediana | ||||
| 3 Test exacto de Fisher | ||||
| 4 Test-T | ||||
| 5 Test de Mann Whitney |
write2word(tablauno, "~/tabla.doc", title="My table in Word")##
##
## processing file: tabla.doc.Rmd##
|
| | 0%
|
|......................................................................| 100%
## ordinary text without R code## output file: tabla.doc.knit.md## "C:/Program Files/RStudio/bin/quarto/bin/pandoc" +RTS -K512m -RTS tabla.doc.knit.md --to docx --from markdown+autolink_bare_uris+tex_math_single_backslash --output pandoc20646374c35.doc --lua-filter "C:\Users\FEDERI~1\AppData\Local\R\WIN-LI~1\4.2\RMARKD~1\RMARKD~1\lua\PAGEBR~1.LUA" --highlight-style tango##
## Output created: ~/tabla.docOtra opcion de tabla
tab.noby <- tableby(~Sexo + Edad_Tx, data=df)
summary(tab.noby)##
##
## | | Overall (N=163) |
## |:---------------------------|:---------------:|
## |**Sexo** | |
## | Femenino | 63 (38.7%) |
## | Masculino | 100 (61.3%) |
## |**Edad (años)** | |
## | Mean (SD) | 52.926 (12.062) |
## | Range | 21.000 - 73.000 |#descriptiva por grupo/by
tab1 <- tableby(AKI_48hs ~ Sexo + Edad_Tx + Causa_cirrosis + Grupo + HCC + BMI + DM + EPS + Ascitis + Grado_Ascitis + AKI_previas + RIN + BT + Alb + MELD_Na + Cistatina + Creatinina, data=df, na.tableby(TRUE)) #paquete arsenal
# si queremos missing, agregar a la sintaxis na.tableby(TRUE)
# si queremos que no haga comparaciones, agregar test=FALSE
#para q se vea bien en la consola
summary(tab1, text=TRUE)##
##
## | | No Falla renal aguda (N=83) | Falla renal aguda (N=80) | Total (N=163) | p value|
## |:--------------------------------|:---------------------------:|:------------------------:|:---------------:|-------:|
## |Sexo | | | | 0.113|
## |- Femenino | 37 (44.6%) | 26 (32.5%) | 63 (38.7%) | |
## |- Masculino | 46 (55.4%) | 54 (67.5%) | 100 (61.3%) | |
## |Edad (años) | | | | 0.408|
## |- Mean (SD) | 52.157 (13.381) | 53.725 (10.547) | 52.926 (12.062) | |
## |- Range | 21.000 - 73.000 | 27.000 - 70.000 | 21.000 - 73.000 | |
## |Causa de cirrosis | | | | 0.725|
## |- Alcohol | 18 (21.7%) | 15 (18.8%) | 33 (20.2%) | |
## |- CBP | 7 (8.4%) | 8 (10.0%) | 15 (9.2%) | |
## |- HAI | 17 (20.5%) | 12 (15.0%) | 29 (17.8%) | |
## |- HCV | 21 (25.3%) | 18 (22.5%) | 39 (23.9%) | |
## |- NASH | 13 (15.7%) | 15 (18.8%) | 28 (17.2%) | |
## |- Otras | 7 (8.4%) | 12 (15.0%) | 19 (11.7%) | |
## |Grupo sanguíneo | | | | 0.851|
## |- 0 | 33 (39.8%) | 35 (43.8%) | 68 (41.7%) | |
## |- A | 35 (42.2%) | 31 (38.8%) | 66 (40.5%) | |
## |- B | 10 (12.0%) | 11 (13.8%) | 21 (12.9%) | |
## |- AB | 5 (6.0%) | 3 (3.8%) | 8 (4.9%) | |
## |Hepatocarcinoma | | | | 0.144|
## |- No | 49 (59.0%) | 56 (70.0%) | 105 (64.4%) | |
## |- Si | 34 (41.0%) | 24 (30.0%) | 58 (35.6%) | |
## |Indice de masa corporal (kg/m2) | | | | 0.103|
## |- Mean (SD) | 27.333 (4.407) | 28.637 (5.704) | 27.973 (5.111) | |
## |- Range | 17.900 - 40.700 | 17.800 - 41.600 | 17.800 - 41.600 | |
## |Diabetes | | | | 0.156|
## |- No | 67 (80.7%) | 57 (71.2%) | 124 (76.1%) | |
## |- Si | 16 (19.3%) | 23 (28.8%) | 39 (23.9%) | |
## |Encefalopatía | | | | 0.100|
## |- No | 47 (56.6%) | 35 (43.8%) | 82 (50.3%) | |
## |- Si | 36 (43.4%) | 45 (56.2%) | 81 (49.7%) | |
## |Ascitis | | | | 0.173|
## |- No | 30 (36.1%) | 21 (26.2%) | 51 (31.3%) | |
## |- Si | 53 (63.9%) | 59 (73.8%) | 112 (68.7%) | |
## |Grado de ascitis | | | | 0.403|
## |- 0 | 31 (37.3%) | 20 (25.0%) | 51 (31.3%) | |
## |- 1 | 19 (22.9%) | 22 (27.5%) | 41 (25.2%) | |
## |- 2 | 21 (25.3%) | 25 (31.2%) | 46 (28.2%) | |
## |- 3 | 12 (14.5%) | 13 (16.2%) | 25 (15.3%) | |
## |Antecedente de Falla renal aguda | | | | 0.303|
## |- No | 64 (77.1%) | 56 (70.0%) | 120 (73.6%) | |
## |- Si | 19 (22.9%) | 24 (30.0%) | 43 (26.4%) | |
## |RIN | | | | 0.268|
## |- Mean (SD) | 1.739 (0.958) | 1.880 (0.609) | 1.808 (0.807) | |
## |- Range | 0.900 - 7.870 | 1.100 - 3.470 | 0.900 - 7.870 | |
## |Bilirrubina total | | | | 0.070|
## |- Mean (SD) | 5.481 (8.211) | 7.880 (8.552) | 6.659 (8.440) | |
## |- Range | 0.400 - 50.730 | 0.630 - 35.350 | 0.400 - 50.730 | |
## |Albiminemia | | | | 0.016|
## |- N-Miss | 6 | 8 | 14 | |
## |- Mean (SD) | 2.995 (0.665) | 2.741 (0.612) | 2.872 (0.650) | |
## |- Range | 1.530 - 4.760 | 1.300 - 4.060 | 1.300 - 4.760 | |
## |MELD Sodio | | | | 0.008|
## |- Mean (SD) | 18.012 (7.698) | 21.212 (7.547) | 19.583 (7.768) | |
## |- Range | 7.000 - 36.000 | 7.000 - 40.000 | 7.000 - 40.000 | |
## |Cistatina en sangre | | | | 0.007|
## |- Mean (SD) | 1.380 (0.454) | 1.584 (0.499) | 1.480 (0.486) | |
## |- Range | 0.490 - 2.870 | 0.530 - 3.660 | 0.490 - 3.660 | |
## |Creatininemia | | | | 0.546|
## |- Mean (SD) | 0.838 (0.327) | 0.876 (0.465) | 0.856 (0.400) | |
## |- Range | 0.320 - 2.270 | 0.340 - 4.200 | 0.320 - 4.200 | |labels(df) <- c(WIT_min= "Tiempo de isquemia caliente (Min)", CIT_hs = "Tiempo de clampeo (hs)", Sme_reperfusion= "Síndrome de reperfusión", Inotropicos_qx="Requerimiento de inotrópicos postquirúrgicos", Globulos_Rojos = "Cantidad de UGR recibidas en quirófano", Hemoderivados = "Cantidad de hemoderivados recibidos en quirófano", AST = "Nivel de transaminasas GOT al salir de quirófano", ALT = "Nivel de transaminasas GTP al salir de quirófano", tecnica_quirurgica = "Técnica quirúrgica", Pico_Lactato = "Pico de lactato intraquirófano", Nefrotoxicos= "Uso de nefrotóxicos", Relaparotomia="Relaparotomía")
levels(df$Sme_reperfusion) <- c("No", "Si")
levels(df$Inotropicos_qx) <- c("No", "Si")
levels(df$tecnica_quirurgica) <- c("Convencional", "PB")
levels(df$Nefrotoxicos) <- c("No", "Si")
levels(df$Relaparotomia) <- c("No", "Si")
levels(df$AKI_48hs) <- c("No Falla renal aguda", "Falla renal aguda")
tablados <- tableby(AKI_48hs~WIT_min+
wt(CIT_hs, "median", "range")+
chisq(Sme_reperfusion)+
chisq(Inotropicos_qx)+
medtest(Globulos_Rojos, "median", "range")+
medtest(Hemoderivados, "median", "range")+
medtest(AST, "median", "range")+
wt(ALT, "median", "range")+
fe(tecnica_quirurgica)+
wt(Pico_Lactato, "median", "range")+
chisq(Nefrotoxicos)+
chisq(Relaparotomia),
data = df,
control=tableby.control(stats.labels = list(meansd= "Media (DS)", median="Mediana", range="Rango"),
test.pname = "p-valor", digits=2 ))
summary(tablados, text=T, pfootnote = T) %>%
kbl(caption = "Tabla 2: Variables quirúrgicas por grupo")%>%
footnote(
number=c("Test-T","Test de Mann Whitney", "Test de Chi Cuadrado", "Test de la Mediana", "Test exacto de Fisher"),
general_title = "Referencias: UGR: Unidad de glóbulos rojos; DS: Desvío standard")%>%
kable_styling()| No Falla renal aguda (N=83) | Falla renal aguda (N=80) | Total (N=163) | p-valor | |
|---|---|---|---|---|
| Tiempo de isquemia caliente (Min) | 0.914 (1) | |||
|
45.04 (8.40) | 45.20 (10.91) | 45.12 (9.68) | |
|
26.00 - 70.00 | 11.00 - 77.00 | 11.00 - 77.00 | |
| Tiempo de clampeo (hs) | 0.700 (2) | |||
|
7.03 | 7.01 | 7.02 | |
|
4.10 - 10.55 | 4.10 - 60.00 | 4.10 - 60.00 | |
| Síndrome de reperfusión | 0.242 (3) | |||
|
46 (55.4%) | 37 (46.2%) | 83 (50.9%) | |
|
37 (44.6%) | 43 (53.8%) | 80 (49.1%) | |
| Requerimiento de inotrópicos postquirúrgicos | 0.598 (3) | |||
|
68 (81.9%) | 68 (85.0%) | 136 (83.4%) | |
|
15 (18.1%) | 12 (15.0%) | 27 (16.6%) | |
| Cantidad de UGR recibidas en quirófano | 0.005 (4) | |||
|
1.00 | 2.00 | 2.00 | |
|
0.00 - 6.00 | 0.00 - 16.00 | 0.00 - 16.00 | |
| Cantidad de hemoderivados recibidos en quirófano | 0.102 (4) | |||
|
3.00 | 6.50 | 5.00 | |
|
0.00 - 48.00 | 0.00 - 50.00 | 0.00 - 50.00 | |
| Nivel de transaminasas GOT al salir de quirófano | 0.483 (4) | |||
|
1519.00 | 1773.50 | 1588.00 | |
|
221.00 - 6800.00 | 235.00 - 8636.00 | 221.00 - 8636.00 | |
| Nivel de transaminasas GTP al salir de quirófano | 0.148 (2) | |||
|
734.00 | 950.50 | 836.00 | |
|
128.00 - 13356.00 | 109.00 - 7882.00 | 109.00 - 13356.00 | |
| Técnica quirúrgica | 0.736 (5) | |||
|
26 (31.3%) | 23 (28.8%) | 49 (30.1%) | |
|
57 (68.7%) | 57 (71.2%) | 114 (69.9%) | |
| Pico de lactato intraquirófano | < 0.001 (2) | |||
|
3.20 | 4.70 | 3.70 | |
|
1.00 - 14.20 | 1.00 - 13.00 | 1.00 - 14.20 | |
| Uso de nefrotóxicos | 0.045 (3) | |||
|
74 (89.2%) | 62 (77.5%) | 136 (83.4%) | |
|
9 (10.8%) | 18 (22.5%) | 27 (16.6%) | |
| Relaparotomía | < 0.001 (3) | |||
|
80 (96.4%) | 60 (75.0%) | 140 (85.9%) | |
|
3 (3.6%) | 20 (25.0%) | 23 (14.1%) | |
| 1 Test-T | ||||
| 2 Test de Mann Whitney | ||||
| 3 Test de Chi Cuadrado | ||||
| 4 Test de la Mediana | ||||
| 5 Test exacto de Fisher |
write2word(tablados, "~/tabla.doc", title="My table in Word")##
##
## processing file: tabla.doc.Rmd##
|
| | 0%
|
|......................................................................| 100%
## ordinary text without R code## output file: tabla.doc.knit.md## "C:/Program Files/RStudio/bin/quarto/bin/pandoc" +RTS -K512m -RTS tabla.doc.knit.md --to docx --from markdown+autolink_bare_uris+tex_math_single_backslash --output pandoc206442631039.doc --lua-filter "C:\Users\FEDERI~1\AppData\Local\R\WIN-LI~1\4.2\RMARKD~1\RMARKD~1\lua\PAGEBR~1.LUA" --highlight-style tango##
## Output created: ~/tabla.doc