Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Generamos la variable de referencia para definir el evento “fallo renal”. Dicha variable será el
valor de la creatinina basal más un 50% de su valor.
data$cr50<-(data$crbasal*1.5)
data.frame(data$crbasal,data$cr50)
Generamos una variable nueva que nos recoja el número de día en el que el paciente tiene el
evento
data$evento<-0
data$evento[data$dia >=0]<-1
data.frame(data$dia,data$evento)
table(data$evento)
KM2grupos<-survfit(Surv(data$dia,data$evento)~sexo,data=data)
plot(KM2grupos,lty=1:1,col=4:2,xlab="Tiempo",ylab="Sin fallo renal",lwd=2)
legend("bottomleft",col=c("blue","green"),legend=c("Hombre","Mujer"),lwd=2, bty = "n")
install.packages("mnormt")
install.packages("survminer")
library(survminer)
require(survminer)
ggsurvplot(KM2grupos, main="Curva de supervivencia",
conf.int=F,xlim=c(0,100),break.time.by=2,risk.table = TRUE)# Hasta el 10% de los pacientes
LogRank<-survdiff(Surv(data$dia,data$evento)~sexo,data=data,rho=0) ##logRank
LogRank
### P-valor mayor que 0.05. No hay asociación entre el sexo y el tiempo hasta el fallo renal
Peto<-survdiff(Surv(data$dia,data$evento)~sexo,data=data,rho=1) ##Peto&Peto diferencias
tempranas como Wilcoxon
Peto
### P-valor mayor que 0.05. No hay asociación entre el sexo y el tiempo hasta el fallo renal
library(plyr)
do.call("rbind", tapply(data$crbasal, data$sexo, quantile))
data$crbasal_elev<-0
data$crbasal_elev[data$crbasal > 1.275266 & data$sexo=="hombre"] <- 1
data$crbasal_elev[data$crbasal > 1.044804 & data$sexo=="mujer"] <- 1
fit<-coxph(Surv(data$dia,data$evento==1)~crbasal_elev, data)
summary(fit)
## P-valor menor que 0.05. El hazar ratio es significativamente distinto de 1.
## Hay asociación entre los valores elevados de creatinina basal y el riesgo de fallo renal.
## La probabilidad de tener fallo renal es 6 veces más entre los pacientes que parten de
valores altos de creatinina.