TABLA DE CONTENIDOS

INTRODUCCIÓN
La Insuficiencia cardiaca es una anomalía estructural o funcional del corazón que resulta de cualquier
anormalidad que compromete el llene o la eyección ventricular (Ministerio de Salud, 2015).
Representa una de las mayores causas de morbilidad y mortalidad a nivel mundial, oscilando entre el
1 y 2% del total de la población adulta (García y Parraga, 2019). La enfermedad tiene una alta tasa de
letalidad, con una sobrevida a 5 años luego de efectuado el diagnóstico de 50% (Ministerio de Salud,
2015). Las principales causas de la insuficiencia cardiaca son la enfermedad coronaria y la
hipertensión, que a menudo se presentan juntas, seguidas de miocardiopatías y disfunciones
valvulares. Los principales factores de riesgo de la insuficiencia cardiaca son también los de sus
precursores causales: diabetes, tabaquismo, obesidad, sedentarismo (Jiménez, s.f.).

La página web de la American Heart Association sostiene que hay diversas formas de clasificar la
insuficiencia cardiaca, siendo la más común la que se refiere al tipo de alteración funcional del
músculo cardiaco por tener implicaciones pronósticas y terapéuticas importantes. Aquí la
insuficiencia cardiaca se puede agrupar en dos tipos según el valor de la fracción de eyección. La
fracción de eyección es una medida del porcentaje de sangre que sale del corazón cada vez que se
contrae. Una fracción de eyección normal del corazón puede estar entre el 50% y el 70%. Esta se
puede dividir en fracción de eyección preservada, cuando el músculo cardíaco se contrae
normalmente, pero los ventrículos no se relajan como deberían durante el llenado ventricular (o
cuando los ventrículos se relajan); y fracción de eyección reducida cuando el músculo cardíaco no se
contrae de forma eficaz y, por lo tanto, se bombea menos sangre rica en oxígeno al cuerpo.

La progresión de la enfermedad se mide mayoritariamente por medio de la clasificación propuesta

por la New York Heart Association (NYHA), basada en los grados de Incapacidad Funcional que
van desde la ausencia de síntomas de las actividades ordinarias, incluidas en la Clase I, hasta
una última etapa, clase IV, en la que cualquier actividad física provoca malestar y se presentan
síntomas en reposo (Herman y Rivera, s.f.). La predicción de la insuficiencia cardíaca se ha
convertido en una prioridad para los médicos, pero hasta la fecha, la predicción de eventos
relacionados con la insuficiencia cardíaca en la práctica clínica generalmente no ha logrado una alta
precisión (Buchan et al, 2019).

Existen diversos trabajos que demuestran que la supervivencia de los pacientes hospitalizados por
insuficiencia cardiaca tras el alta tiene que ver con diversos factores, especialmente la existencia de
pluripatología, la edad, la diabetes mellitus, la cardiopatía isquémica y la insuficiencia renal crónica,
entre otros. El diagnóstico de la insuficiencia cardíaca no es fácil, especialmente en las etapas
tempranas. La información demográfica, la historia clínica y los signos y síntomas son el primer paso
en el diagnóstico, junto con pruebas como ecocardiografía, radiografía, resonancia magnética y las
pruebas básicas de laboratorio, por ejemplo, hemogramas (Campuzano y Galán, 2014).

A continuación, se detallan algunas de las variables que se estudian en la presente investigación:

- Edad:

Ruiz-Ruiz et al (2005) afirman que la edad es un importante factor para el pronóstico en personas
con insuficiencia cardiaca, pues la gran mayoría de los enfermos que se atienden en los servicios de
salud son de elevada edad. Por este motivo los autores sugieren la realización de estudios clínicos
que incluyan pacientes con estas características, lo que permitiría conocer mejor la evolución de la
insuficiencia cardiaca en este grupo de población. En relación al factor sexo, se puede indicar que las
mujeres con diagnóstico de insuficiencia cardiaca son de mayor edad, con fracción de eyección
preservada, mayor número de comorbilidades, mayor limitación funcional y peor calidad de vida que
los hombres. (Díaz-Toro, Nazzal y Verdejo, 2017). Por su parte, la relación del sexo con la
insuficiencia cardiaca es controversial. Aunque una gran cantidad de estudios poblacionales han
mostrado que esta enfermedad afecta preferentemente a los hombres, existe evidencia que la
prevalencia e incidencia aumenta en mujeres a medida que estas envejecen (Díaz-Toro, Nazzal y
Verdejo, 2017).

- Tabaquismo:

En lo que se refiere al factor tabaquismo se puede mencionar que una vez que hay evidencia de
insuficiencia cardiaca, el tabaquismo es predictor de peor pronóstico. Los fumadores activos
demuestran un riesgo mayor de muerte, o del combinado de muerte, reingreso por insuficiencia
cardiaca o infarto. Los fumadores padecen más precozmente enfermedad coronaria, cerebrovascular
y vascular periférica, y están más expuestos a padecer muerte súbita e insuficiencia cardiaca
(Becoña, 2004).

- Anemia:

Otro factor a considerar es la anemia, que es considerada una de las causas más frecuentes en
pacientes con insuficiencia cardíaca. En los últimos 10 años, la anemia es motivo de cuidado por su
frecuencia y mal pronóstico en los pacientes (Bichara, 2016).

- Diabetes:

Además de la anemia, la diabetes es un fuerte predictor de aparición de insuficiencia cardíaca

debido a la presencia de enfermedad coronaria y los trastornos metabólicos vinculados con la
resistencia a la insulina que generan disfunción contráctil. (Thierer, 2006).

- Hipertensión:

Por otro lado, la hipertensión arterial representa el principal factor de riesgo modificable para el
desarrollo de insuficiencia cardíaca (Suarez y Rusak, s.f). La hipertensión arterial también juega un rol
importante en la génesis de fibrilación auricular e hipertrofia ventricular izquierda. Su alta
prevalencia y su gran impacto en el origen de enfermedades cardiovasculares justifican todos los
esfuerzos posibles para su control (Kunstmann y Kauffmann, 2005).

- Creatina Fosfoquinasa:

Como se expresó previamente, los exámenes de laboratorio entregan importante información para
prevenir la incidencia de episodios relacionados con insuficiencia cardiaca. Tal es el caso de la
creatina-fosfoquinasa que es una enzima que está presente en el cuerpo. Cuando su nivel total es
muy alto, a menudo significa que ha habido lesión o estrés en el corazón (Chen, 2019). La
insuficiencia renal es un importante factor pronóstico. Para valorar la función renal se suelen utilizar
las cifras de creatinina sérica, que es uno de los factores tomados en cuenta en este trabajo (Zamora
et al, 2007).

- Sodio Sérico y plaquetas:

Los exámenes también consideran los niveles séricos que se asocian con un empeoramiento de la
función renal en pacientes con insuficiencia cardíaca y con un mayor riesgo de muerte cardiovascular
(Ravassa et all, 2020). También es importante considerar el nivel de sodio, que es un mineral que
sirve para que los músculos y nervios funcionen bien.  La prueba de sodio sérico es un examen de
sangre de rutina que indica si un paciente tiene niveles normales de sodio en la sangre. Un nivel
anormalmente bajo de sodio en sangre puede deberse a insuficiencia cardíaca (Medlineplus, 2007).

Y también los niveles de plaquetas en la sangre, puesto que un nivel bajo es signo de insuficiencia
cardíaca.

- Evento de Muerte:

La variable de evento de muerte se refiere a si el paciente murió o sobrevivió antes de que

concluyera el período de seguimiento del estudio que fueron 130 días en promedio.

El objetivo principal de este estudio es analizar variables epidemiológicas y clínicas que pueden
predecir la mortalidad tanto hospitalaria como a largo plazo de los pacientes hospitalizados por
insuficiencia cardíaca.

Dentro de los objetivos específicos están:

- Clasificar las variables más importantes en la incidencia de eventos de insuficiencia cardíaca.

- Demostrar que existe una relación directa entre algunas variables en estudio con la insuficiencia cardiaca.
- Facilitar la práctica clínica, desacreditando o reafirmando algunos mitos tradicionales sobre los factores de
riesgo de ocurrencia de la insuficiencia cardiaca.
- Reducir la incidencia de primeros y sucesivos episodios de insuficiencia cardiaca en personas con factores
de riesgo que aún no han presentado síntomas de enfermedad cardiovascular.
 RESUMEN

En el siguiente estudio se presenta un registro clínico de pacientes que sufrieron insuficiencia

cardíaca, la muestra está compuesta de 299 personas. Se aplicaron diversos clasificadores con el fin
de predecir la supervivencia de los pacientes aquejados por esta condición, y a la vez clasificar los
factores de riesgo más significativos. Los resultados de este estudio identifican la creatinina sérica y
la fracción de eyección como las dos características más importantes. En este estudio se puede
observar que a cada paciente se le registraron sus valores para un total de 13 variables. Analizando
la base de datos en un nivel macro, se puede decir que se presentan algunas características de los
atributos en dos formas: Numérica y booleana. Se presenta un enfoque de investigación del
conjunto de datos que corresponde a la forma Multivariante.

Para efecto de este estudio se extrajeron los datos del repositorio UCI machine learning del año
2015. Dentro de las 13 variables se encuentran:

- Edad: se mide en años (Numérico).

- Anemia: Disminución de glóbulos rojo o Hemoglobina (Booleana).
- Presión Arterial alta: Tiene o no Hipertensión (Booleana).
- Creatina fosfoquinasa (CPK): Nivel de la enzima CPK en sangre, se mide en mcg/L
(Numérico).
- Diabetes: Posee o no dicha enfermedad (Booleana).
- Fracción de eyección: Porcentaje de sangre que sale del Corazón en cada
contracción (Numérica/Porcentaje).
- Plaquetas: Nivel de plaquetas en la sangre, se mide en kiloplaquetas/ml (Numérico).
- Sexo: Hombre o Mujer (Booleano).
- Creatinina sérica: Nivel de este químico en la sangre, se mide en mg/dl (Numérico).
- Sodio Sérico: Nivel de este elemento en la sangre, se mide en mEq/L (Numérico).
- Tabaquismo: Fuma o no (Booleano).
- Tiempo: Período de seguimiento que tuvo el individuo (Numérico).
- Evento de Muerte (variable dependiente): Paciente falleció o no durante el período
de seguimiento (Booleano).

El resultado de este trabajo procura convertirse en una herramienta de apoyo para los médicos
cuando requieran predecir si un paciente con insuficiencia cardíaca sobrevivirá o no al tratamiento
elegido.
 MARCO TEÓRICO

RStudio es una interfaz o entorno de desarrollo integrado que permite usar el lenguaje de
programación R, que se diseñó con el propósito de hacer análisis estadísticos y gráficos
representativos. Son muchos los investigadores científicos que lo utilizan para sus estudios
(González, 2019).

Amat (2016) sostiene que la regresión lineal múltiple hace posible la generación de un modelo lineal
en el que el valor de la variable respuesta o dependiente (Y) se determina a partir de un conjunto de
valores independientes denominados predictores. Los modelos de regresión múltiple se pueden
emplear para predecir el valor de la variable dependiente o evaluar la influencia que tienen los
predictores sobre esta variable.

El autor también afirma que en los modelos lineales múltiples los predictores tienen que ser
independientes, no debe haber colinialidad entre ellos. Sobre esto agrega que la colinialidad ocurre
cuando un predictor está linealmente relacionado con uno o varios de los otros predictores del
modelo, y que la multicolinialidad hace que no se pueda identificar el efecto individual que tiene
cada una de las variables predictoras sobre la variable respuesta, lo que produce un incremento de
la varianza de los coeficientes de regresión estimados hasta el punto donde no se puede establecer
prácticamente su significancia estadística.

Cuando se dispone de múltiples variables y se quiere estudiar la relación entre todas ellas se recurre
al cálculo de matrices con el coeficiente de correlación de cada par de variables. Se pueden además
generar gráficos de dispersión dos a dos. En R existen funciones que hacen posible la realización de
este estudio en específico, donde se representan gráficamente los resultados (Herrera, 2020).

En caso de encontrar colinealidad entre los predictores, el autor señala que se debe excluir uno de
los predictores problemáticos, intentando conservar el que influye en la variable respuesta. Esta
medida no tiene mucho impacto en el modelo en cuanto a su capacidad predictiva, porque al existir
colinialidad, la información que aporta uno de los predictores es redundante en la presencia del otro
(Barrero, s.f).

"Cada predictor numérico tiene que estar linealmente relacionado con la variable respuesta Y
mientras los demás predictores se mantienen constantes, de lo contrario no se puede introducir en
el modelo” (Amat, 2016). Amat además explica que la forma más recomendable de comprobarlo es
representando los residuos del modelo frente a cada uno de los predictores. Si la relación es lineal,
los residuos se distribuyen de forma aleatoria entorno a cero. Los residuos se deben distribuir de
forma normal con media cero. Para comprobarlo se recurre a histogramas, a los cuantiles normales o
test de hipótesis de normalidad.
 RESULTADOS

Regresión logística

Mediante el método stepwise, el cual va descartando una a una las variables que resulten no ser significativas
para el modelo. El análisis concluye cuando todas las variables resulten significativas.

Coeficientes estimación de los coef. Error std. p-valor

Intersección 12.504389 5.240768 0.01703

Edad 0.044932 0.014644 0.00215

Fracción de eyección -0.067980 0.015262 8.42e-06

Suero Fisiológico -0.082444 0.037258 0.02691
Tiempo -0.020326 0.002768 2.08e-13
Tabla 1: Regresión logística final. Fuente: Elaboración propia

Contraste condicional de verosimilitud

Se compara la devianza y el p valor del modelo sin variables predictoras y el modelo con las variables añadidas.

Devianza sin variables Devianza con variables p-valor

375.35 239.61 0
Tabla 2: Devianza. Fuente: Elaboración propia

Componentes Principales

Los resultados obtenidos provienen del análisis de los gráficos (ver anexo4 las gráficas circulares de CP). En
particular no es posible concluir con la información obtenida a partir del análisis de componentes principales,
esto se debe a que la correlación de las variables (ver anexo 1) tiene valores muy bajos (cercanos a 0).
Finalmente se incluyen estos resultados con fines demostrativos de uso del software R. La siguiente tabla
muestra cuales fueron las variables que explican mejor según los gráficos y el código.

Componente Variable elegida Correlación

CP1 Tiempo 0.50572529
CP2 Fracción de eyección 0.66745839
CP3 Creatinina Cinasa 0.78493293
Tabla 3: Componentes principales. Fuente: Elaboración propia

Cluster
Según la función NbClust() la cantidad óptima de conglomerados es de 5 grupos, los cuales son representados
por la figura a continuación

Gráfico 5: Gráfico de conglomerados. Fuente: Elaboración propia.

CONCLUSIÓN
Antes de poder introducirnos en la conclusión de nuestro trabajo, tenemos que recordar cuales eran los
objetivos de nuestro proyecto. Recordamos que, durante este estudio se aplicaron diversos clasificadores con
el fin de predecir la supervivencia de los pacientes aquejados por esta condición, y a la vez clasificar los factores
de riesgo más significativos.
Antes de comenzar, hemos de decir que decimos en un principio, analizar el modelo en 2 formas, en el primer
caso tomando tan solo las variables numéricas de nuestro estudio, en el otro escenario, decidimos estudiar el
modelo en su plenitud, pero cambiando aquellas variables binarias, a variables de tipo dummy.
Para el primer caso, decidimos analizar la correlación entre las variables numéricas, para eso podemos ver la
siguiente tabla comparativa:

Figura 1: Resumen de correlaciones para variable numéricas. Fuente: Elaboración propia

Dentro de las primeras conclusiones que podemos realizar es el hecho de que no existe una correlación alta
entre estas variables, por lo que podemos afirmar que ninguna variación de alguna de estas variables, se podría
ver explicada por otra variable de estilo numérica. Es más, podemos concluir que la relación entre estas
variables es muy baja, por lo que estamos en presencia de variables que son independientes unas de las otras.
Ahora para el análisis del modelo completo, nos fuimos dando cuenta de que existían variables que no eran
significativas para nuestro estudio, por lo que después de limpiar el modelo nos fuimos dando cuenta de que
las únicas variables que eran significativas son:
- Edad
- Fracción de eyección
- Suero Fisiológico
- Tiempo
 Figura 2: Resumen del modelo obtenido mediante las variables influyentes. Fuente: Elaboración propia
Tal como se ve en la imagen 2, nos podemos dar cuenta que el pvalor del modelo nos da menor a 0.05, por lo
que podemos concluir que el modelo es significativo para la estimación de la supervivencia de un individuo a la
enfermedad de insuficiencia cardiaca. Recapitulando un poco, recordaremos que el objetivo de nuestro estudio
era poder encontrar aquellas variables que pudiesen incidir en la muerte de una persona, a partir de esta
enfermedad, entonces dado ese propósito general de nuestro estudio, podemos concluir que cumplimos el
objetivo propuesto y logramos inferir que las variables que pueden influir en la defunción de una persona, a
partir de esta enfermedad, son la edad, la Fracción de Eyección, el suero Fisiológico y el tiempo.
 REFERENCIAS

Amat, J. (2016). Introducción a la Regresión Lineal Múltiple. Ciencia de datos. Recuperado

de https://www.cienciadedatos.net/documentos/25_regresion_lineal_multiple

American Heart Association. (2017). Medición de la insuficiencia cardíaca según la fracción de

eyección. goredforwomen.org Recuperado de
https://www.goredforwomen.org/es/health-topics/heart-failure/diagnosing-heart-
failure/ejection-fraction-heart-failure-measurement

Barrero, G. (s.f). Análisis De Datos De Calidad De Software Desarrollado En Ibm Rpg Usando
Regresión Lineal Múltiple. Calameo. Recuperado de
https://es.calameo.com/read/004762847930d1437ae68

Becoña, E. (2004). Monografía Tabaco. Delegación del Gobierno para el Plan Nacional sobre
Drogas. Recuperado de
https://pnsd.sanidad.gob.es/ca/profesionales/publicaciones/catalogo/bibliotecaDigital/pu
blicaciones/pdf/tabaco.pdf#page=102

Bichara, Valentina M. (2016). Anemia como indicador pronóstico en insuficiencia cardíaca.

INSUFICIENCIA CARDIACA, 11(2),68-77. [fecha de Consulta 2 de Enero de 2021]. ISSN: 1850-
1044. Disponible en: https://www.redalyc.org/articulo.oa?id=3219/321946441004

Buchan TA, Ross HJ, McDonald M, Billia F, Delgado D, Duero Posada JG, Luk A, Guyatt GH, Alba AC.
(2019). Physician prediction versus model predicted prognosis in ambulatory patients with
heart failure. J Heart Lung Transplant.

Campuzano, E y Galán, A. (2014). MARCADORES BIOQUÍMICOS EN LA INSUFICIENCIA CARDÍACA

CONGESTIVA. Seqc. Recuperado de
https://www.seqc.es/download/tema/4/2933/1455791835/1473645/cms/tema-1-insuficiencia-
cardiaca-congestiva.pdf/

Chen, M. (2019). Pericarditis después de un ataque cardiaco. Editorial team. Recuperado de

http://se3.adam.com/content.aspx?productid=618&pid=5&gid=003503

Davide, C. (2020). Registro Clínico de Insuficiencia Cardíaca. Toronto: Repositorio de Aprendizaje

Automático de Irvine de la Universidad de California.

Díaz-Toro, Felipe, Nazzal N., Carolina, & Verdejo, Hugo. (2017). Incidencia y letalidad
intrahospitalaria por insuficiencia cardiaca en Chile: ¿Existen diferencias por sexo? Revista
médica de Chile, 145(6), 703-709. https://dx.doi.org/10.4067/s0034-98872017000600703

García, A y Parraga, G. (2019). Factores predictores de mortalidad en insuficiencia cardiaca Estudio

realizado en el hospital General Del Norte de Guayaquil los Ceibos. Universidad Católica de
Guayaquil. Recuperado de http://repositorio.ucsg.edu.ec/bitstream/3317/13553/1/T-
UCSG-PRE-MED-878.pdf

González, R. (2019). Qué es R y RStudio?. Ciencia de Datos: RGG. Recuperado de

https://gonzalezgouveia.com/que-es-r-y-rstudio/
 Herman, C y Rivera, S. (s.f). Nueva clasificación de la Insuficiencia Cardíaca: Otra forma de ver a
nuestros pacientes. Pontificia Universidad Católica de Chile Recuperado de
https://medicina.uc.cl/publicacion/nueva-clasificacion-de-la-insuficiencia-cardiaca-otra-
forma-de-ver-a-nuestros- pacientes/#:~:text=Clasificaci%C3%B3n%20de%20la
%20insuficiencia%20cardiaca,aparecie ndo%20disnea%20con%20esfuerzos%20intensos

Herrera, E. (2020). Correlación Lineal. RPubs. Recuperado de

https://rpubs.com/eddyherrera/599761

Jiménez, E. (s.f). Insuficiencia Cardiaca. Enfermería en Cardiología. Recuperado de

https://www.enfermeriaencardiologia.com/wp-content/uploads/cap_05_sec_04.pdf

Kunstmann, S y Kauffmann, R. (2005). Hipertensión Arterial: factores predisponentes y su

asociación con otros factores de riesgo. Departamento de Enfermedades Cardiovasculares,
Clínica Las Condes. Recuperado de
http://www.clc.cl/clcprod/media/contenidos/pdf/MED_16_3/HipertensionArterialfactores
.pdfhttp://www.clc.cl/clcprod/media/contenidos/pdf/MED_16_3/HipertensionArterialfact
ores.pdf

Medlineplus. (2007). Medlineplus: Información de Salud para Usted. Recuperado de

http://www.funsepa.net/medlineplus/spanish/ency/article/003481.htm#:~:text=El
%20rango%20normal%20para%20los,resultados%20espec%C3%ADficos%20de%20su
%20examen

Méndez, M. García, R y Alfonso, C. (2005). Insuficiencia cardíaca, manejo del calcio y estrategias
farmacológicas. Gaceta Médica de Caracas, 113(2), 181-192. Recuperado en 02 de enero
de 2021, de http://ve.scielo.org/scielo.php?script=sci_arttext&pid=S0367-
47622005000200005&lng=es&tlng=es.

Ministerio de Salud. (2015). Guía Clínica Insuficiencia Cardíaca. Gobierno de Chile. Recuperado de
https://www.minsal.cl/wp-content/uploads/2015/11/GUIA-CLINICA-INSUFICIENCIA-
CARDIACA_web.pdf

Suarez, D y Rusak, E. (s.f). HIPERTENSION ARTERIAL E INSUFICIENCIA CARDIACA. FISIOPATOLOGIA Y

DIAGNOSTICO. Saha. Recuperado de http://www.saha.org.ar/pdf/libro/Cap.063.pdf

THIERER, JORGE (2006). Insuficiencia cardíaca y diabetes. Revista Argentina de Cardiología,

74(1),60- 67[fecha de Consulta 2 de Enero de 2021]. ISSN: 0034-7000. Disponible en:
https://www.redalyc.org/articulo.oa?id=3053/305326855013

Ravassa, S. Beaumont, J. Cedield, G. Lupón, J. López, B. Querejeta, R. Díez, J. Bayés-Genís, A y

González, A. (2020). Interacción cardiorrenal y evolución de la insuficiencia cardiaca.
¿Tiene un papel la proteína de unión del factor de crecimiento de tipo insulina 2?.. Revista
Española de Cardiología Recuperado de
https://www.sciencedirect.com/science/article/abs/pii/S0300893219305329

Ruiz-Ruiz, F. J., Samperiz Legarre, P., Ruiz Laiglesia, F. J., Pérez Calvo, J. I., Morales Rull, J. L., Dolz
Aspas, R., Lamarique Pascual, A., & Amores Ferreras, M. (2005). Influencia de la edad en la
mortalidad de pacientes con insuficiencia cardiaca. Anales de Medicina Interna, 22(9), 424-
428. Recuperado en 02 de enero de 2021, de
http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S0212-
71992005000900005&lng=es&tlng=es.
Zamora, E. Lupón, J. Urrutia, A. González, B. Mas, D. Díez, C. Altimir S y Valle, V. (2007). Significado
pronóstico del aclaramiento de creatinina en pacientes con insuficiencia cardiaca y creatinina
sérica normal.Revista Española de Cardiología. Recuperado de
https://www.revespcardiol.org/en-significado-pronostico-del-aclaramiento-creatinina- articulo-
13113938#:~:text=La%20insuficiencia%20renal%20es%20un,ocultar%20una%20insuficienc
 ANEXO
Anexo 1: Matriz de correlaciones entre las variables numéricas

Figura 1: Correlaciones variables numéricas. Fuente: Elaboración propia

Anexo 2: Distancias de Mahalanobis

Gráfico 1: Distancias de Mahablanobis (Plaquetas). Fuente: Elaboración propia.

Anexo 3: Regresión logística inicial

 Figura 2: modelo inicial de regresión. Fuente: Elaboración propia
Anexo 4: Componentes principales

d=2
61
2
Fraccion_de_eyeccion

Edad Suero_Fisiológico
135 73
Plaquetas 53 104
172
110 297
70 39
Suero_de_Creatinina 267 154 165 251
41 188
31 25149221
120 106 247 209
13393 150 281
108 228
10 102
136 82 197
6548 164 225
131 64
296298
Creatinina_Quinasa Tiempo 47145
132 118
240 5215
59
38
4640
8
163
140
50148
217
241
284
220276
71 288
56 194123 109101
34
13
92 213
107
85130
80
95
244
290
142
86
180
234
277
181
289
280
266249
1 36 138
1175
6022191
115
97
141
21 12
23
103170
125
4 69 143
99
211
219
113
14
58
67 186
160
171
24105
210
114
63 45146
199
169
201
124 78134
279
235223
256
252 269
293
299
202
190
49 32 17 19
159
28
55
57
51 68
43
33
81 183
54
129
156
9
177 236
77
90
242
158
121
175
157 257
196
245
88
126
239
128
89
262
271 206
287
179 291
5 7 29
20018 166
8326
127
79
111
62
94
151
184
76
155
4272
100
204
112
248
230
139
216
9135
161
205
87
98
144
198
174
147
185
195
116
215
182 246
117
152
119
214224
176
286
237
272
162
96
192265
173
233
270
222
258
260
253
259
207
255
243285
212
630
327 44
378416822674
254
122 193
283
153
189
250
273 187
167
203
292
268
261
295 274
6616
20 208
229
263
238227
232137
282 275
294 218
178
264
278
231
Coordenadas de los individuos

X = CP1, Y = CP2

Gráfico 2: CP1 y CP2. Fuente: Elaboración propia

d=1
118
38
965 77 173 134
111 88 237
114213 179
3717
27 98 4553
119290
Creatinina_Quinasa 31 26 196
152
236
105 96
32 8 24
54 35137 117128176
203 264 110
217
222
120 106 136 56168284159
102 2843 106
44
192
148 86218 297
12140
Plaquetas
23
91
81
151
11 57208 74
93
205 80241
160
48163
95 131 212255
202
141103 100 144
244
167 27764
Suero_de_Creatinina 25 70 194 166123
191
226
69 50
169130
30 79 19
184 68
24058 107257178 71 291
288
149 135 36 21 2212 161
145
122 92
101
14 116
63
175124246
15 180 260
289
295
209
206
Suero_Fisiológico
125 155
109
170 85
90 239
126
78
89 235
142220
280
287
188
258 293
285
252190
299
29 132
55 133216
51 177 139
46
7234
215189
198
186
278 265
284
281
146 256
266
41 60 87
129
99
232 52
219153
201
157 225 207
234
286
261
491 7 7315439 112
282
254
156
197
183
230
273
150
242
211 171
187
262 253172
268
292
294
162 223
296 276
269
249
Edad Fraccion_de_eyeccion
Tiempo 221 75115
138 97
946276
42 147 245
108
164 274
251
33
4238 248
204
13
113 185
182
143 140
193275 272
165
228
20 83 59 250
158 247
181 233
243
3 229 2174 210 279 298
267 168 47263227214 104
199 259 270
61
66 231 67 224 271
5 195
283
20018127
X = CP1, Y = CP3 Coordenadas de los individuos
 Gráfico 3: CP1 y CP3. Fuente: Elaboración propia

Creatinina_Quinasa d=2
61
2
Plaquetas
Suero_de_Creatinina

Suero_Fisiológico 104 73 135 53

172
EdadFraccion_de_eyeccion 297
110
Tiempo 25115439 70
267165 18825
41
247 221133 209 120
149 10631
228 150
108
197281 6493
13682
4810
102
298
4759 164
296
140 225
52
284
132
145
15
288
131
163
241217 65 38118
276 46240
220
142
1097150
194 148
868290
56 213
181
13249 234
34 180
85
280
266 130
101123
277
107
289
92244 40
80
95
210143
279138
113
4 223
269
211
75
115
97 186
99
1219
171 256
146
60 12
170
29336
14
235
125
299
252
21 191
22103
69
58
141
20223
160 105
2445 134
67
199 158183
245
33 49
242
156201
190
129
51
157 78
206
90
287
55
126
239
89 169
124
63
257
68
19
175 11
81
57 43
28
159
121 236
196
54
128 114
17 77
179
889
271
18195 262
177 291
127
200 259
224
233
5270174204
214243
185
248
83 62
94
76
147
272
230
42
162
182 7286
207
112
253
29
72
155
285
198
246
139
215
265
216 166
116
258
87 79
260
161
144
100
255
15191
205
212
176
32
117
192
222
35
26
96
152
237
119
98
111
173
283 3250
193274187
292153
189 184
30
226
1677444
620327
37
66227
229
263
168 275
238 254
294268
273261
232 295
122 208218
178 137
84264
16
20 282278
231
X = CP2, Y = CP3 Coordenadas de los individuos

Gráfico 4: CP2 y CP3. Fuente: Elaboración propia

Anexo 5: Conglomerados
 Figura 3: Matriz de distancias. Fuente: Elaboración propia

Gráfico 5: Gráfico de conglomerados. Fuente: Elaboración propia.