Lección 1 Descripción de la muestra global

Casos=CasosTot
Controls=ControlsTot
Sint=Sint.Tot
CasosGM=CasosGMTot
ControlsGM=ControlsGMTot

1.1 Antecedentes maternos

Hay 1668 infectadas y 1607 no infectadas.

table(Casos$MORTALIDAD_MATERNA)
## 
##    0    1 
## 1666    2
table(Controls$Mortalidad.materna)
## 
##    0 
## 1607
CILet=epitools::binom.exact(table(Casos$MORTALIDAD_MATERNA)[2],n_I)

Entre las infectadas hubo 2 defunciones, las dos en la 1a ola. Esto da una letalidad estimada del 0.12% (IC-95% de Clopper-Pearson [0.015, 0.432]). No hubo ninguna defunción entre los controles.

1.1.1 Edades

I=Casos$Edad._años_
NI=Controls$Edad._años_
data =data.frame(
  name=c(rep("Infectadas",length(I)), rep("No infectadas",length(NI))),
  Edades=c(I,NI)
  )

sample_size = data %>% group_by(name) %>% summarize(num=n())

data %>%
 left_join(sample_size) %>%
  mutate(myaxis = paste0(name, "\n", "n=", num)) %>%
  ggplot( aes(x=myaxis, y=Edades, fill=name)) +
    geom_violin(width=1) +
    geom_boxplot(width=0.1, color="black", alpha=0.2,outlier.fill="black",
               outlier.size=1) +
    theme(
      legend.position="none",
      plot.title = element_text(size=11)
    ) +
    xlab("")+
  ylab("Edades (años)")
\s

Figura 1.1: 

Dades=rbind(c(min(I,na.rm=TRUE),max(I,na.rm=TRUE), round(mean(I,na.rm=TRUE),1),round(median(I,na.rm=TRUE),1),round(quantile(I,c(0.25,0.75),na.rm=TRUE),1), round(sd(I,na.rm=TRUE),1)),
            c(min(NI,na.rm=TRUE),max(NI,na.rm=TRUE), round(mean(NI,na.rm=TRUE),1),round(median(NI,na.rm=TRUE),1),round(quantile(NI,c(0.25,0.75),na.rm=TRUE),1),round(sd(NI,na.rm=TRUE),1)))

colnames(Dades)=c("Edad mínima","Edad máxima","Edad media", "Edad mediana", "1er cuartil", "3er cuartil", "Desv. típica")
rownames(Dades)=c("Infectadas", "No infectadas")

Dades %>%
  kbl() %>%
  kable_styling() %>%     
  scroll_box(width="100%", box_css="border: 0px;")
Edad mínima Edad máxima Edad media Edad mediana 1er cuartil 3er cuartil Desv. típica
Infectadas 18 49 31.9 32 27 36 6.2
No infectadas 18 49 32.2 33 29 36 5.6

  • Ajuste de las edades de infectadas y no infectadas a distribuciones normales: test de Shapiro-Wilks, p-valores \(6\times 10^{-11}\) y \(2\times 10^{-9}\), respectivamente

  • Igualdad de edades medias: test t, p-valor 0.15, IC del 95% para la diferencia de medias [-0.71, 0.11] años

  • Igualdad de desviaciones típicas: test de Fligner-Killeen, p-valor \(5\times 10^{-5}\)

En las tablas como la que sigue:

  • Los porcentajes se han calculado en la muestra sin pérdidas
  • OR: la odds ratio univariante estimada de infectarse relativa a la franja de edad
  • IC: el intervalo de confianza del 95% para la OR
  • p-valor ajustado: p-valores de tests de Fisher bilaterales ajustados por Bonferroni calculados para la muestra sin pérdidas
I.cut=cut(I,breaks=c(0,30,40,100),labels=c("18-30","31-40",">40"))
NI.cut=cut(NI,breaks=c(0,30,40,100),labels=c("18-30","31-40",">40"))
Tabla.DMGm(I.cut,NI.cut,c("18-30","31-40",">40"))
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) OR Extr. Inf. IC Extr. Sup. IC p-valor ajustado
18-30 647 38.9 567 35.8 1.14 0.99 1.32 0.2117
31-40 901 54.2 931 58.7 0.83 0.72 0.96 0.0293
>40 115 6.9 87 5.5 1.28 0.95 1.73 0.3224
Datos perdidos 5 22 
df =data.frame(
  Factor=c(rep("Infectadas",length(I)), rep("No infectadas",length(NI))),
  Edades=c( I.cut,NI.cut )
)

base=ordered(rep(c("18-30","31-40",">40"), each=2),levels=c("18-30", "31-40",   ">40"))
Grupo=rep(c("Infectada","No infectada") , length(levels(I.cut)))
valor=as.vector(prop.table(table(df), margin=1))
data <- data.frame(base,Grupo,valor)


ggplot(data, aes(fill=base , y=valor, x=Grupo)) + 
  geom_bar(position="dodge", stat="identity")+
  ylab("")+
  scale_fill_brewer(palette = "Accent")+
  labs(fill = "Grupo de edad")
\s

Figura 1.2: 

df =data.frame(
  Factor=c(rep("Infectadas",length(I)), rep("No infectadas",length(NI))),
  Edades=c( I.cut,NI.cut )
)

base=ordered(rep(c("18-30","31-40",">40"), each=2),levels=c("18-30", "31-40",   ">40"))
Grupo=rep(c("Infectada","No infectada") , length(levels(I.cut)))
valor=as.vector(prop.table(table(df), margin=2))
data <- data.frame(base,Grupo,valor)


ggplot(data, aes(fill=Grupo, y=valor, x=base)) + 
  geom_bar(position="dodge", stat="identity")+
xlab("Grupos de edad")+
  ylab("")
\s

Figura 1.3:

  • Igualdad de composiciones por edades de los grupos de casos y de controles: test \(\chi^2\), p-valor 0.0205.

1.1.2 Etnias

I=Casos$Etnia
I[I=="Asia"]="Asiática"
I=factor(I)
NI=factor(Controls$Etnia)
Tabla.DMGm(I,NI,c("Árabe", "Asiática", "Blanca", "Latinoamericana","Negra"),r=6)
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) OR Extr. Inf. IC Extr. Sup. IC p-valor ajustado
Árabe 141 8.5 139 8.7 0.97 0.76 1.25 1.000000
Asiática 49 2.9 41 2.6 1.15 0.74 1.80 1.000000
Blanca 924 55.6 1243 77.7 0.36 0.31 0.42 0.000000
Latinoamericana 505 30.4 155 9.7 4.06 3.33 4.97 0.000000
Negra 44 2.6 21 1.3 2.04 1.18 3.63 0.047009
Datos perdidos 5 8 
df =data.frame(
  Factor=c(rep("Infectadas",length(I)), rep("No infectadas",length(NI))),
  Etnias=c(I,NI)
)
base=rep(levels(I) , each=2)
Grupo=rep(c("Infectada","No infectada") , length(levels(I)))
valor=as.vector(prop.table(table(df), margin=1))
data <- data.frame(base,Grupo,valor)


ggplot(data, aes(fill=base , y=valor, x=Grupo)) + 
  geom_bar(position="dodge", stat="identity")+
  ylab("")+
  scale_fill_brewer(palette = "Accent")+
  labs(fill = "Etnia")
\s

Figura 1.4: 

df =data.frame(
  Factor=c(rep("Infectadas",length(I)), rep("No infectadas",length(NI))),
  Etnias=c(I,NI)
)
base=rep(levels(I) , each=2)
Grupo=rep(c("Infectada","No infectada") , length(levels(I)))
valor=as.vector(prop.table(table(df), margin=2))
data <- data.frame(base,Grupo,valor)


ggplot(data, aes(fill=Grupo, y=valor, x=base)) + 
  geom_bar(position="dodge", stat="identity")+
xlab("Etnias")+
  ylab("")
\s

Figura 1.5:

  • Composiciones por etnias de los grupos de casos y de controles: test \(\chi^2\), p-valor \(8\times 10^{-51}\)

1.1.3 Hábito tabáquico (juntando fumadoras y ex-fumadoras en una sola categoría)

En las tablas como la que sigue (para antecedentes):

  • Los porcentajes se calculan para la muestra sin pérdidas
  • La OR es la de infección relativa al antecedente
  • El IC es el IC 95% para la OR
  • El p-valor es el del test de Fisher bilateral sin tener en cuenta los datos perdidos
I=Casos$FUMADORA_CAT
NI=Controls$Fumadora_cat
Tabla.DMG(I,NI,"No fumadora","Fumadora")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) OR Extr. Inf. IC Extr. Sup. IC p-valor
Fumadora 153 9.5 193 12.8 0.72 0.57 0.9 0.0036
No fumadora 1454 90.5 1312 87.2
Datos perdidos 61 102

1.1.4 Obesidad

I=Casos$Obesidad
NI=Controls$Obesidad
Tabla.DMG(I,NI,"No obesa","Obesa")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) OR Extr. Inf. IC Extr. Sup. IC p-valor
Obesa 305 18.3 249 16.4 1.14 0.94 1.37 0.1748
No obesa 1363 81.7 1266 83.6
Datos perdidos 0 92

1.1.5 Hipertensión pregestacional

I=Casos$Hipertensión.pregestacional
NI=Controls$Hipertensión.pregestacional
Tabla.DMG(I,NI,"No HTA","HTA")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) OR Extr. Inf. IC Extr. Sup. IC p-valor
HTA 25 1.5 17 1.1 1.34 0.69 2.66 0.4372
No HTA 1643 98.5 1497 98.9
Datos perdidos 0 93

1.1.6 Diabetes Mellitus

I=Casos$DIABETES
NI=Controls$Diabetes
Tabla.DMG(I,NI,"No DM","DM")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) OR Extr. Inf. IC Extr. Sup. IC p-valor
DM 35 2.1 28 1.7 1.21 0.71 2.07 0.5251
No DM 1633 97.9 1579 98.3
Datos perdidos 0 0

1.1.7 Enfermedades cardíacas crónicas

I=Casos$Enfermedad.cardiaca.crónica
NI=Controls$ENF.CARDIACA.TODO
Tabla.DMG(I,NI,"No ECC","ECC")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) OR Extr. Inf. IC Extr. Sup. IC p-valor
ECC 19 1.1 27 1.8 0.65 0.34 1.21 0.1806
No ECC 1649 98.9 1515 98.2
Datos perdidos 0 65

1.1.8 Enfermedades pulmonares crónicas (incluyendo asma)

INA=Casos$Enfermedad.pulmonar.crónica.no.asma
NINA=Controls$Enfermedad.pulmonar.crónica.no.asma
NINA[NINA==0]="No"
NINA[NINA==1]="Sí"
IA=Casos$Diagnóstico.clínico.de.Asma
NIA=Controls$Diagnóstico.clínico.de.Asma
NIA[NIA==0]="No"
NIA[NIA==1]="Sí"

I=rep(NA,n_I)
for (i in 1:n_I){I[i]=max(INA[i],IA[i],na.rm=TRUE)}
NI=rep(NA,n_NI)
for (i in 1:n_NI){NI[i]=max(NINA[i],NIA[i],na.rm=TRUE)}
NI[NI==-Inf]=NA


Tabla.DMG(I,NI,"No EPC","EPC")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) OR Extr. Inf. IC Extr. Sup. IC p-valor
EPC 74 4.4 54 3.5 1.28 0.88 1.86 0.2061
No EPC 1594 95.6 1487 96.5
Datos perdidos 0 66

1.1.9 Paridad

I=Casos$NULIPARA
NI=Controls$Nuliparous
Tabla.DMG(I,NI,"Multípara","Nulípara")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) OR Extr. Inf. IC Extr. Sup. IC p-valor
Nulípara 606 36.7 644 40.4 0.86 0.74 0.99 0.0333
Multípara 1046 63.3 952 59.6
Datos perdidos 16 11

1.1.10 Gestación múltiple

I=Casos$Gestación.Múltiple
NI=Controls$Gestación.Múltiple
Tabla.DMG(I,NI,"Gestación única","Gestación múltiple")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) OR Extr. Inf. IC Extr. Sup. IC p-valor
Gestación múltiple 31 1.9 34 2.1 0.88 0.52 1.48 0.6182
Gestación única 1637 98.1 1573 97.9
Datos perdidos 0 0

1.2 Desenlaces

1.2.1 Anomalías congénitas

En las tablas como la que sigue (para desenlaces):

  • Los porcentajes se calculan para la muestra sin pérdidas
  • RA y RR: riesgo absoluto y relativo del desenlace relativo a la infección
  • Los IC son el IC 95% para RA y RR
  • El p-valor es el del test de Fisher bilateral sin tener en cuenta los datos perdidos
I=Casos$Diagnóstico.de.malformación.ecográfica._.semana.20._
NI=Controls$Diagnóstico.de.malformación.ecográfica._.semana.20._
Tabla.DMGC(I,NI,"No anomalía congénita","Anomalía congénita")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
Anomalía congénita 28 1.7 16 1 0.0072 -0.0015 0.0159 1.71 0.94 3.13 0.0946
No anomalía congénita 1585 98.3 1564 99
Datos perdidos 55 27

1.2.2 Retraso del crecimiento intrauterino

I=Casos$Defecto.del.crecimiento.fetal..en.tercer.trimestre._.CIR._.
NI=Controls$Defecto.del.crecimiento.fetal..en.tercer.trimestre._.CIR._.
Tabla.DMGC(I,NI,"No RCIU","RCIU")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
RCIU 59 3.5 44 2.8 0.0073 -0.0054 0.02 1.26 0.86 1.84 0.2705
No RCIU 1609 96.5 1522 97.2
Datos perdidos 0 41

1.2.3 Diabetes gestacional

I=Casos$Diabetes.gestacional
NI=Controls$Diabetes.gestacional
Tabla.DMGC(I,NI,"No DG","DG")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
DG 125 7.5 136 8.6 -0.0109 -0.0302 0.0084 0.87 0.69 1.1 0.2724
No DG 1543 92.5 1448 91.4
Datos perdidos 0 23

1.2.4 Hipertensión gestacional

I=Casos$Hipertensión.gestacional
NI=Controls$Hipertensión.gestacional
Tabla.DMGC(I,NI,"No HG","HG")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
HG 42 2.5 36 2.3 0.0025 -0.0087 0.0136 1.11 0.72 1.72 0.7311
No HG 1626 97.5 1549 97.7
Datos perdidos 0 22

1.2.5 Preeclampsia

I=Casos$PREECLAMPSIA_ECLAMPSIA_TOTAL
NI=Controls$PREECLAMPSIA
Tabla.DMGC(I,NI,"No PE","PE")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
PE 86 5.2 64 4 0.0117 -0.0032 0.0266 1.29 0.95 1.77 0.1127
No PE 1582 94.8 1543 96
Datos perdidos 0 0

1.2.6 Preeclampsia con criterios de gravedad

n_PI=sum(Casos$PREECLAMPSIA_ECLAMPSIA_TOTAL)
n_PNI=sum(Controls$PREECLAMPSIA)
I=Casos[Casos$PREECLAMPSIA_ECLAMPSIA_TOTAL==1,]$Preeclampsia.grave_HELLP_ECLAMPSIA

NI1=Controls[Controls$PREECLAMPSIA==1,]$preeclampsia_severa
NI2=Controls[Controls$PREECLAMPSIA==1,]$Preeclampsia.grave.No.HELLP 
NI=rep(NA,n_PNI)
for (i in 1:n_PNI){NI[i]=max(NI1[i],NI2[i],na.rm=TRUE)}

Tabla.DMGCr(I,NI,"PE sin CG","PE con CG",n_PI,n_PNI)
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
PE con CG 30 34.9 11 17.2 0.177 0.0266 0.3273 2.03 1.13 3.76 0.0171
PE sin CG 56 65.1 53 82.8
Datos perdidos 0 0

1.2.7 Rotura prematura de membranas

I=Casos$Bolsa.rota.anteparto
NI=Controls$Bolsa.rota.anteparto
Tabla.DMGC(I,NI,"No RPM","RPM")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
RPM 235 14.1 179 11.1 0.0295 0.0062 0.0528 1.26 1.05 1.52 0.0116
No RPM 1433 85.9 1428 88.9
Datos perdidos 0 0

1.2.8 Edad gestacional en el momento del parto

I=Casos$EG_TOTAL_PARTO
NI=Controls$EDAD_GEST   
Dades=round(rbind(c(min(I,na.rm=TRUE),max(I,na.rm=TRUE), round(mean(I,na.rm=TRUE),1),round(median(I,na.rm=TRUE),1),round(quantile(I,c(0.25,0.75),na.rm=TRUE),1), round(sd(I,na.rm=TRUE),1)),
            c(min(NI,na.rm=TRUE),max(NI,na.rm=TRUE), round(mean(NI,na.rm=TRUE),1),round(median(NI,na.rm=TRUE),1),round(quantile(NI,c(0.25,0.75),na.rm=TRUE),1),round(sd(NI,na.rm=TRUE),1))),1)

colnames(Dades)=c("Edad gest. mínima","Edad gest. máxima","Edad gest. media", "Edad gest. mediana", "1er cuartil", "3er cuartil", "Desv. típica")
rownames(Dades)=c("Infectadas", "No infectadas")

Dades %>%
  kbl() %>%
  kable_styling() %>%     
  scroll_box(width="100%", box_css="border: 0px;")
Edad gest. mínima Edad gest. máxima Edad gest. media Edad gest. mediana 1er cuartil 3er cuartil Desv. típica
Infectadas 16.4 42.4 39.0 39.4 38.3 40.4 2.3
No infectadas 23.0 42.0 39.4 39.7 38.9 40.6 1.8 
data =data.frame(
  name=c( rep("Infectadas",length(I)), rep("No infectadas",length(NI))),
  Edades=c( I,NI )
)

data %>%
  ggplot( aes(x=name, y=Edades, fill=name)) +
    geom_violin(width=1) +
    geom_boxplot(width=0.1, color="black", alpha=0.2,outlier.fill="black",
               outlier.size=1) +
    theme(
      legend.position="none",
      plot.title = element_text(size=11)
    ) +
    xlab("")+
  ylab("Edades gestacionales (semanas)")
\s

Figura 1.6:

  • Ajuste de las edades gestacionales de infectadas y no infectadas a distribuciones normales: test de Shapiro-Wilks, p-valores \(8\times 10^{-44}\) y \(2\times 10^{-42}\), respectivamente

  • Edades gestacionales medias: test t, p-valor \(6\times 10^{-9}\), IC del 95% para la diferencia de medias [-0.57, -0.28]

  • Desviaciones típicas: test de Fligner-Killeen, p-valor \(2\times 10^{-6}\)

Nota: Como vemos en los boxplot, hay dos casos de infectadas con edades gestacionales incompatibles con la definición de “parto” (y que además luego tienen información incompatible con esto). Son 00133-00046 y 00268-00008. Si las quitamos, las conclusiones son las mismas:

  • Ajuste de las edades gestacionales de infectadas y no infectadas a distribuciones normales: test de Shapiro-Wilks, p-valores \(3\times 10^{-41}\) y \(2\times 10^{-42}\), respectivamente

  • Edades medias: test t, p-valor \(2\times 10^{-8}\), IC del 95% para la diferencia de medias [-0.54, -0.26]

  • Desviaciones típicas: test de Fligner-Killeen, p-valor \(3\times 10^{-6}\)

1.2.9 Prematuridad

I=Casos$PREMATURO
NI=Controls$Preterm.deliveries
Tabla.DMGC(I,NI,"No prematuro","Prematuro",r=7)
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
Prematuro 169 10.1 94 5.8 0.0428 0.0237 0.0619 1.73 1.36 2.21 6.2e-06
No prematuro 1499 89.9 1513 94.2
Datos perdidos 0 0

1.2.10 Eventos trombóticos

I=Casos$EVENTOS_TROMBO_TOTALES
NI1=Controls$DVT
NI2=Controls$PE
NI=rep(NA,n_NI)
for (i in 1:n_NI){NI[i]=max(NI1[i],NI2[i],na.rm=TRUE)}
Tabla.DMGC(I,NI,"No eventos trombóticos","Eventos trombóticos")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
Eventos trombóticos 12 0.7 2 0.1 0.0059 9e-04 0.011 5.78 1.45 23.05 0.013
No eventos trombóticos 1656 99.3 1605 99.9
Datos perdidos 0 0

1.2.11 Eventos hemorrágicos

I=Casos$EVENTOS_HEMORRAGICOS_TOTAL
NI=Controls$eventos_hemorragicos
Tabla.DMGC(I,NI,"No eventos heomorrágicos","Eventos hemorrágicos")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
Eventos hemorrágicos 91 5.5 89 5.5 -8e-04 -0.0171 0.0154 0.99 0.74 1.31 0.939
No eventos heomorrágicos 1577 94.5 1518 94.5
Datos perdidos 0 0

1.2.12 Ingreso materno en UCI

I=Casos$UCI
NI=Controls$UCI...9
Tabla.DMGC(I,NI,"No UCI","UCI",r=10)
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
UCI 37 2.2 2 0.1 0.0209 0.0131 0.0288 17.82 4.76 66.93 0
No UCI 1631 97.8 1605 99.9
Datos perdidos 0 0

1.2.13 Ingreso materno en UCI según el momento del parto o cesárea

UCI.I=sum(Casos$UCI,na.rm=TRUE)
UCI.NI=sum(Controls$UCI...9,na.rm=TRUE)
I=Casos$UCI_ANTES.DESPUES.DEL.PARTO
NI=Controls$UCI.ANTES.DEL.PARTO  #Vacía
NA_I=length(I[is.na(I)])
NA_NI=length(NI[is.na(NI)])




EE=rbind(as.vector(table(I)),
         c(0,UCI.NI))
FT=fisher.test(EE)
PT=prop.test(EE[,1],rowSums(EE))

RA=round(PT$estimate[1]-PT$estimate[2],3)
ICRA=round(PT$conf.int,4)
RR=round(PT$estimate[1]/PT$estimate[2],2)
ICRR=round(RelRisk(EE,conf.level=0.95,method="score")[2:3],2)

EEExt=rbind(c(as.vector(table(I))[2:1],NA_I),
            c(round(100*as.vector(table(I))[2:1]/(UCI.I-NA_I),1),NA),
            c(as.vector(c(0,UCI.NI))[2:1],NA_NI),
            c(round(100*as.vector(c(0,UCI.NI))[2:1]/(UCI.NI-NA_NI),1),NA),
            c(RA,NA,NA),
            c(ICRA[1],NA,NA),
            c(ICRA[2],NA,NA),
            c(RR,NA,NA),
            c(ICRR[1],NA,NA),
            c(ICRR[2],NA,NA),
            c(round(FT$p.value,4),NA,NA)
            )

colnames(EEExt)=c("Después del parto","Antes del parto" ,"Datos perdidos")
rownames(EEExt)=c("Infectadas (N)", "Infectadas (%)","No infectadas (N)", "No infectadas (%)","RA","Extr. Inf. IC RA","Extr. Sup. IC RA","RR","Extr. Inf. IC RA","Extr. Sup. IC RR", "p-valor")


t(EEExt) %>%
  kbl() %>%
  kable_styling() %>%     
  scroll_box(width="100%", box_css="border: 0px;")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
Después del parto 27 -1.7 2 -0.1 0.27 -0.1363 0.6769 Inf 0.35 Inf 1
Antes del parto 10 -0.6 0 0.0
Datos perdidos 1631 1607

1.2.14 Embarazos con algún feto muerto anteparto

I=Casos$Feto.muerto.intraútero
I[I=="Sí"]=1
I[I=="No"]=0
NI1=Controls$Feto.vivo...194
NI1[NI1=="Sí"]=0
NI1[NI1=="No"]=1
NI2=Controls$Feto.vivo...245
NI2[NI2=="Sí"]=0
NI2[NI2=="No"]=1
NI=NI1
for (i in 1:length(NI1)){NI[i]=max(NI1[i],NI2[i],na.rm=TRUE)}

Tabla.DMGC(I,NI,"Ningún feto muerto anteparto","Algún feto muerto anteparto")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
Algún feto muerto anteparto 19 1.1 3 0.2 0.0095 0.0034 0.0156 6.1 1.93 19.3 9e-04
Ningún feto muerto anteparto 1649 98.9 1604 99.8
Datos perdidos 0 0

1.2.15 Inicio del parto

I=Casos$Inicio.de.parto
I=factor(Casos$Inicio.de.parto,levels=c("Espontáneo", "Inducido", "Cesárea"),ordered=TRUE)
NI=Controls$Inicio.de.parto
NI[NI=="Cesárea programada"]="Cesárea"
NI=factor(NI,levels=c("Espontáneo", "Inducido", "Cesárea"),ordered=TRUE)

Tabla.DMGCm(I,NI,c("Espontáneo", "Inducido", "Cesárea"),r=9)
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
Espontáneo 871 52.3 1000 62.2 -0.0995 -0.1338 -0.0651 0.840 0.792 0.892 0.0000000
Inducido 628 37.7 522 32.5 0.0521 0.0189 0.0854 1.160 1.057 1.274 0.0055636
Cesárea 167 10.0 85 5.3 0.0473 0.0286 0.0661 1.895 1.474 2.437 0.0000011
Datos perdidos 2 0 
df =data.frame(
  Factor=c( rep("Infectadas",length(I)), rep("No infectadas",length(NI))),
  Inicios=ordered(c( I,NI ),levels=c("Espontáneo","Inducido","Cesárea"))
)

base=ordered(rep(c("Espontáneo","Inducido","Cesárea"), each=2),levels=c("Espontáneo","Inducido","Cesárea"))
Grupo=rep(c("Infectada","No infectada") , 3)
valor=c(as.vector(prop.table(table(df),margin=1))                 )
data <- data.frame(base,Grupo,valor)


ggplot(data, aes(fill=base, y=valor, x=Grupo)) + 
  geom_bar(position="dodge", stat="identity")+  
  ylab("")+
  scale_fill_brewer(palette = "Set3")+
  labs(fill = "Inicio de parto")
\s

Figura 1.7: 

df =data.frame(
  Factor=c( rep("Infectadas",length(I)), rep("No infectadas",length(NI))),
  Inicios=ordered(c( I,NI ),levels=c("Espontáneo","Inducido","Cesárea"))
)

base=ordered(rep(c("Espontáneo","Inducido","Cesárea"), each=2),levels=c("Espontáneo","Inducido","Cesárea"))
Grupo=rep(c("Infectada","No infectada") , 3)
valor=c(as.vector(prop.table(table(df),margin=2))                 )
data <- data.frame(base,Grupo,valor)


ggplot(data, aes(fill=Grupo, y=valor, x=base)) + 
  geom_bar(position="dodge", stat="identity")+  
  xlab("Inicios de parto")+
  ylab("")
\s

Figura 1.8:

  • Distribuciones de los inicios de parto en los grupos de infectadas y no infectadas: test \(\chi^2\), p-valor \(2\times 10^{-10}\)

1.2.16 Tipo de parto

I.In=Casos$Inicio.de.parto
I.In[I.In=="Cesárea"]="Cesárea programada"
I=Casos$Tipo.de.parto
I[I.In=="Cesárea programada"]="Cesárea programada"
I[I=="Cesárea"]="Cesárea urgente"
I[I=="Eutocico"]="Eutócico"
I=factor(I,levels=c("Eutócico", "Instrumental", "Cesárea programada", "Cesárea urgente"),ordered=TRUE)

NI.In=Controls$Inicio.de.parto
NI=Controls$Tipo.de.parto
NI[NI.In=="Cesárea programada"]="Cesárea programada"
NI[NI=="Cesárea"]="Cesárea urgente"
NI[NI=="Eutocico"]="Eutócico"
NI=factor(NI,levels=c("Eutócico", "Instrumental", "Cesárea programada", "Cesárea urgente"),ordered=TRUE)

Tabla.DMGCm(I,NI,c("Eutócico", "Instrumental", "Cesárea programada", "Cesárea urgente"),r=6)
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
Eutócico 1055 63.2 1044 65.0 -0.0172 -0.0506 0.0163 0.974 0.925 1.025 1.000000
Instrumental 177 10.6 235 14.6 -0.0401 -0.0635 -0.0168 0.726 0.605 0.871 0.002408
Cesárea programada 167 10.0 85 5.3 0.0472 0.0285 0.0659 1.893 1.472 2.434 0.000001
Cesárea urgente 269 16.1 243 15.1 0.0101 -0.0154 0.0355 1.067 0.910 1.251 1.000000
Datos perdidos 0 0 
df =data.frame(
  Factor=c( rep("Infectadas",length(I)), rep("No infectadas",length(NI))),
  Inicios=ordered(c( I,NI ),levels=c("Eutócico", "Instrumental", "Cesárea programada", "Cesárea urgente"))
)

base=ordered(rep(c("Eutócico", "Instrumental", "Cesárea prog.", "Cesárea urg."), each=2),levels=c("Eutócico", "Instrumental", "Cesárea prog.", "Cesárea urg."))
Grupo=rep(c("Infectada","No infectada") , 4)
valor=c(as.vector(prop.table(table(df),margin=1))                 )
data <- data.frame(base,Grupo,valor)


ggplot(data, aes(fill=base, y=valor, x=Grupo)) + 
  geom_bar(position="dodge", stat="identity")+  
  ylab("")+
  scale_fill_brewer(palette = "Set3")+
  labs(fill = "Tipo de parto")
\s

Figura 1.9: 

df =data.frame(
  Factor=c( rep("Infectadas",length(I)), rep("No infectadas",length(NI))),
  Inicios=ordered(c( I,NI ),levels=c("Eutócico", "Instrumental", "Cesárea programada", "Cesárea urgente"))
)

base=ordered(rep(c("Eutócico", "Instrumental", "Cesárea prog.", "Cesárea urg."), each=2),levels=c("Eutócico", "Instrumental", "Cesárea prog.", "Cesárea urg."))
Grupo=rep(c("Infectada","No infectada") , 4)
valor=as.vector(prop.table(table(df), margin=2))
data <- data.frame(base,Grupo,valor)


ggplot(data, aes(fill=Grupo, y=valor, x=base)) + 
  geom_bar(position="dodge", stat="identity")+  
  xlab("Tipos de parto")+
  ylab("")
\s

Figura 1.10:

  • Distribuciones de los tipos de parto en los grupos de infectadas y no infectadas: test \(\chi^2\), p-valor \(10^{-7}\)

1.2.17 Hemorragias postparto

I=Casos$Hemorragia.postparto
I.sino=I
I.sino[!is.na(I.sino)& I.sino!="No"]="Sí"
I=ordered(I,levels=names(table(I))[c(2,3,1,4)])


NI=Controls$Hemorragia.postparto
NI.sino=NI
NI.sino[!is.na(NI.sino)& NI.sino!="No"]="Sí"
NI=ordered(NI,levels=names(table(NI))[c(2,3,1,4)])

Tabla.DMGC(I.sino,NI.sino,"No HPP","HPP")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
HPP 73 4.5 70 4.4 5e-04 -0.0142 0.0152 1.01 0.73 1.39 1
No HPP 1561 95.5 1513 95.6
Datos perdidos 34 24 
Tabla.DMGCm(I,NI,c("HPP tratamiento médico" ,               
"HPP tratamiento quirúrgico conservador",
"Histerectomía obstétrica"    ,          
"No") ,r=6)
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
HPP tratamiento médico 59 3.6 59 3.7 -0.0012 -0.0148 0.0125 0.969 0.681 1.378 1.000000
HPP tratamiento quirúrgico conservador 9 0.6 10 0.6 -0.0008 -0.0067 0.0051 0.872 0.364 2.091 1.000000
Histerectomía obstétrica 5 0.3 1 0.1 0.0024 -0.0011 0.0060 4.844 0.797 29.423 0.874665
No 1561 95.5 1513 95.6 -0.0005 -0.0152 0.0142 1.000 0.985 1.014 1.000000
Datos perdidos 34 24 
df =data.frame(
  Factor=c( rep("Infectadas",length(I[I!="No"])), rep("No infectadas",length(NI[NI!="No"]))),
  Hemos=ordered(c( I[I!="No"],NI[NI!="No"] ),levels=names(table(I))[-4])
)

base=ordered(rep(c("Tto. médico", "Tto. Qx conservador", "Histerectomía"), each=2),levels=c("Tto. médico", "Tto. Qx conservador", "Histerectomía"))
Grupo=rep(c("Infectada","No infectada") , 3)
valor=as.vector(prop.table(table(df), margin=1))
data <- data.frame(base,Grupo,valor)


ggplot(data, aes(fill=Grupo, y=valor, x=base)) + 
  geom_bar(position="dodge", stat="identity")+  
  xlab("Tratamientos de hemorragia postparto")+
  ylab("")
\s

Figura 1.11:

  • Distribuciones de los tipos de hemorragia postparto (incluyendo Noes) en los grupos de infectadas y no infectadas: test \(\chi^2\) de Montercarlo, p-valor 0.47

  • Distribuciones de los tipos de hemorragia postparto en los grupos de infectadas y no infectadas que tuvieron hemorragia postparto: test \(\chi^2\) de Montercarlo, p-valor 0.61

1.2.18 Fetos muertos anteparto

I1=Casos$Feto.muerto.intraútero
I1[I1=="Sí"]="Muerto"
I1[I1=="No"]="Vivo"
I2=CasosGM$Feto.vivo
I2[I2=="Sí"]="Vivo"
I2[I2=="No"]="Muerto"
I=c(I1,I2)
I=ordered(I,levels=c("Vivo","Muerto"))


n_IFT=length(I)
n_VI=as.vector(table(I))[1]
NI1=Controls$Feto.vivo...194
NI2=ControlsGM$Feto.vivo...245
NI=c(NI1,NI2)
NI[NI=="Sí"]="Vivo"
NI[NI=="No"]="Muerto"
NI=ordered(NI,levels=c("Vivo","Muerto"))


n_NIFT=length(NI)
n_VNI=as.vector(table(NI))[1]


Tabla.DMGC(I,NI,"Feto vivo","Feto muerto anteparto")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
Feto muerto anteparto 19 1.1 3 0.2 0.0094 0.0033 0.0154 6.11 1.94 19.34 9e-04
Feto vivo 1679 98.9 1636 99.8
Datos perdidos 1 2

1.2.19 Peso de neonatos al nacimiento

I=c(Casos[Casos$Feto.muerto.intraútero=="No",]$Peso._gramos_...125,CasosGM[CasosGM$Feto.vivo=="Sí",]$Peso._gramos_...148)
NI=c(Controls[Controls$Feto.vivo...194=="Sí",]$Peso._gramos_...198,ControlsGM[ControlsGM$Feto.vivo...245=="Sí",]$Peso._gramos_...247)
data =data.frame(
  name=c(rep("Hijos de infectadas",length(I)), rep("Hijos de no infectadas",length(NI))),
  Pesos=c(I,NI)
  )

sample_size = data %>% group_by(name) %>% summarize(num=n())

data %>%
 left_join(sample_size) %>%
  mutate(myaxis = paste0(name, "\n", "n=", num)) %>%
  ggplot( aes(x=myaxis, y=Pesos, fill=name)) +
    geom_violin(width=0.9) +
    geom_boxplot(width=0.1, color="black", alpha=0.2,outlier.fill="black",
               outlier.size=1) +
    theme(
      legend.position="none",
      plot.title = element_text(size=11)
    ) +
    xlab("")+
  ylab("Pesos (gramos)")
\s

Figura 1.12: 

Dades=rbind(c(min(I,na.rm=TRUE),max(I,na.rm=TRUE), round(mean(I,na.rm=TRUE),1),round(median(I,na.rm=TRUE),1),round(quantile(I,c(0.25,0.75),na.rm=TRUE),1), round(sd(I,na.rm=TRUE),1)),
            c(min(NI,na.rm=TRUE),max(NI,na.rm=TRUE), round(mean(NI,na.rm=TRUE),1),round(median(NI,na.rm=TRUE),1),round(quantile(NI,c(0.25,0.75),na.rm=TRUE),1),round(sd(NI,na.rm=TRUE),1)))

colnames(Dades)=c("Peso mínimo","Peso máximo","Peso medio", "Peso mediano", "1er cuartil", "3er cuartil", "Desv. típica")
rownames(Dades)=c("Infectadas", "No infectadas")

Dades %>%
  kbl() %>%
  kable_styling() %>%     
  scroll_box(width="100%", box_css="border: 0px;")
Peso mínimo Peso máximo Peso medio Peso mediano 1er cuartil 3er cuartil Desv. típica
Infectadas 315 5190 3191.0 3250 2896.2 3563 603.4
No infectadas 490 4760 3248.7 3280 2950.0 3599 538.1

  • Ajuste de los pesos de hijos de infectadas y no infectadas a distribuciones normales: test de Shapiro-Wilks, p-valores \(10^{-21}\) y \(2\times 10^{-20}\), respectivamente

  • Pesos medios: test t, p-valor 0.004, IC del 95% para la diferencia de medias [-96.92, -18.44]

  • Desviaciones típicas: test de Fligner-Killeen, p-valor 0.0052

Definimos bajo peso a peso menor o igual a 2500 g. Un 8.74% del total de neonatos no muesrtos anteparto son de bajo peso con esta definición.

I.cut=cut(I,breaks=c(0,2500,10000),labels=c(1,0),right=FALSE)
I.cut=ordered(I.cut,levels=c(0,1))
NI.cut=cut(NI,breaks=c(0,2500,10000),labels=c(1,0),right=FALSE)
NI.cut=ordered(NI.cut,levels=c(0,1))

Tabla.DMGC(I.cut,NI.cut,"No bajo peso","Bajo peso")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
Bajo peso 172 10.5 113 7 0.035 0.015 0.0549 1.5 1.2 1.88 4e-04
No bajo peso 1470 89.5 1506 93
Datos perdidos 38 19

1.2.20 Apgar

I=c(Casos$APGAR.5...126,CasosGM$APGAR.5...150)
I[I==19]=NA
NI=c(Controls$APGAR.5...200,ControlsGM$APGAR.5...249)

I.5=cut(I,breaks=c(-1,7,20),labels=c("0-7","8-10"))
NI.5=cut(NI,breaks=c(-1,7,20),labels=c("0-7","8-10"))
I.5=ordered(I.5,levels=c("8-10","0-7"))
NI.5=ordered(NI.5,levels=c("8-10","0-7"))

Tabla.DMGC(I.5,NI.5,"Apgar.5≥8","Apgar.5≤7")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
Apgar.5≤7 50 3 33 2 0.0096 -0.0017 0.0208 1.47 0.96 2.27 0.0949
Apgar.5≥8 1627 97 1596 98
Datos perdidos 22 12

1.2.21 Ingreso de neonatos vivos en UCIN

I=c(Casos[Casos$Feto.muerto.intraútero=="No",]$Ingreso.en.UCIN,CasosGM[CasosGM$Feto.vivo=="Sí",]$Ingreso.en.UCI)
NI=c(Controls[Controls$Feto.vivo...194=="Sí",]$Ingreso.en.UCI...213,ControlsGM[ControlsGM$Feto.vivo...245=="Sí",]$Ingreso.en.UCI...260)

Tabla.DMGC(I,NI,"No UCIN","UCIN")
Infectadas (N) Infectadas (%) No infectadas (N) No infectadas (%) RA Extr. Inf. IC RA Extr. Sup. IC RA RR Extr. Inf. IC RA Extr. Sup. IC RR p-valor
UCIN 157 9.5 42 2.6 0.0689 0.0522 0.0855 3.67 2.63 5.12 0
No UCIN 1501 90.5 1585 97.4
Datos perdidos 22 11

1.2.22 Otros

1.2.22.1 Relación entre cesárea y obesidad en infectadas

EE=table(Casos$Obesidad,Casos$Cesárea)[2:1,2:1]
fisher.test(EE)
## 
##  Fisher's Exact Test for Count Data
## 
## data:  EE
## p-value = 7.028e-05
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
##  1.312108 2.272104
## sample estimates:
## odds ratio 
##   1.729206
PT=prop.test(EE[,1],rowSums(EE))
RA=round(PT$estimate[1]-PT$estimate[2],4)
ICRA=round(PT$conf.int,4)
RR=round(PT$estimate[1]/PT$estimate[2],2)
ICRR=round(RelRisk(EE,conf.level=0.95,method="score")[2:3],2)
  • RA: 0.1135, IC 95% 0.0532, 0.1737
  • RR: 1.47, IC 95% 1.23, 1.75