Lección 3 Descripción global de la muestra de la primera ola

Casos=Casos1w
Controls=Controls1w
Sint=Casos$SINTOMAS_DIAGNOSTICO
CasosGM=Casos1wGM
ControlsGM=Controls1wGM

Hay 877 infectadas y 1191 no infectadas en la muestra de la primera ola.

3.1 Antecedentes

3.1.1 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 3.1: 

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 32.7 34 29 37 6.0
No infectadas 18 49 32.3 33 29 36 5.7

  • Ajuste de las edades de infectadas y no infectadas a distribuciones normales: test de Shapiro-Wilks, p-valores \(8\times 10^{-8}\) y \(3\times 10^{-8}\), respectivamente

  • Igualdad de edades medias: test t, p-valor 0.08, IC del 95% para la diferencia de medias [-0.06, 0.97] años

  • Igualdad de desviaciones típicas: test de Fligner-Killeen, p-valor \(0.05696\)

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
18-30 286 32.8 416 35.3 0.89 0.74 1.08 0.7575
31-40 516 59.1 695 58.9 1.01 0.84 1.21 1.0000
>40 71 8.1 68 5.8 1.45 1.01 2.07 0.1304
Datos perdidos 4 12 
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 3.2: 

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 3.3:

  • Igualdad de composiciones por edades de los grupos de casos y de controles: test \(\chi^2\), p-valor 0.0789.

3.1.2 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 54 6.2 108 9.1 0.66 0.46 0.93 0.093463
Asiática 24 2.7 27 2.3 1.21 0.66 2.20 1.000000
Blanca 537 61.4 922 77.7 0.46 0.38 0.56 0.000000
Latinoamericana 240 27.5 114 9.6 3.56 2.78 4.59 0.000000
Negra 19 2.2 16 1.3 1.63 0.79 3.40 1.000000
Datos perdidos 3 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=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 3.4: 

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 3.5:

  • Composiciones por etnias de los grupos de casos y de controles: test \(\chi^2\), p-valor \(5\times 10^{-25}\)

3.1.3 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 96 11.4 144 12.9 0.88 0.66 1.16 0.3657
No fumadora 743 88.6 976 87.1
Datos perdidos 38 71

3.1.4 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 161 18.4 198 17.5 1.06 0.84 1.34 0.6386
No obesa 716 81.6 935 82.5
Datos perdidos 0 58

3.1.5 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 14 1.6 13 1.1 1.4 0.61 3.26 0.4366
No HTA 863 98.4 1123 98.9
Datos perdidos 0 55

3.1.6 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 14 1.6 17 1.4 1.12 0.51 2.43 0.8551
No DM 863 98.4 1174 98.6
Datos perdidos 0 0

3.1.7 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 11 1.3 21 1.8 0.69 0.3 1.5 0.3704
No ECC 866 98.7 1134 98.2
Datos perdidos 0 36

3.1.8 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 38 4.3 42 3.6 1.2 0.74 1.92 0.4899
No EPC 839 95.7 1111 96.4
Datos perdidos 791 454

3.1.9 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 319 37 451 38.1 0.95 0.79 1.15 0.6114
Multípara 544 63 732 61.9
Datos perdidos 14 8

3.1.10 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 18 2.1 28 2.4 0.87 0.45 1.64 0.7632
Gestación única 859 97.9 1163 97.6
Datos perdidos 0 0

3.2 Desenlaces

3.2.1 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 14 1.6 12 1 0.0063 -0.0051 0.0176 1.61 0.76 3.41 0.2346
No anomalía congénita 835 98.4 1161 99
Datos perdidos 28 18

3.2.2 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 32 3.6 33 2.9 0.0079 -0.0088 0.0246 1.28 0.8 2.05 0.3124
No RCIU 845 96.4 1123 97.1
Datos perdidos 0 35

3.2.3 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 66 7.5 95 8.1 -0.0057 -0.0301 0.0187 0.93 0.69 1.26 0.6785
No DG 811 92.5 1079 91.9
Datos perdidos 0 17

3.2.4 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 20 2.3 29 2.5 -0.0019 -0.0161 0.0124 0.92 0.53 1.61 0.8841
No HG 857 97.7 1146 97.5
Datos perdidos 0 16

3.2.5 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 46 5.2 56 4.7 0.0054 -0.0146 0.0255 1.12 0.76 1.63 0.6079
No PE 831 94.8 1135 95.3
Datos perdidos 0 0

3.2.6 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 19 41.3 8 14.3 0.2702 0.0811 0.4592 2.89 1.44 5.98 0.0031
PE sin CG 27 58.7 48 85.7
Datos perdidos 0 0

3.2.7 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 124 14.1 130 10.9 0.0322 0.0022 0.0623 1.3 1.03 1.63 0.03
No RPM 753 85.9 1061 89.1
Datos perdidos 0 0

3.2.8 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 38.9 39.4 38.3 40.4 2.5
No infectadas 23.7 42.0 39.5 39.7 38.9 40.6 1.9 
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 3.6:

  • Ajuste de las edades gestacionales de infectadas y no infectadas a distribuciones normales: test de Shapiro-Wilks, p-valores \(10^{-33}\) y \(10^{-37}\), respectivamente

  • Edades gestacionales medias: test t, p-valor \(2\times 10^{-7}\), IC del 95% para la diferencia de medias [-0.71, -0.33]

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

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 \(10^{-31}\) y \(10^{-37}\), respectivamente

  • Edades medias: test t, p-valor \(3\times 10^{-7}\), IC del 95% para la diferencia de medias [-0.68, -0.31]

  • Desviaciones típicas: test de Fligner-Killeen, p-valor \(2\times 10^{-5}\)

3.2.9 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 104 11.9 75 6.3 0.0556 0.0292 0.0821 1.88 1.42 2.5 1.18e-05
No prematuro 773 88.1 1116 93.7
Datos perdidos 0 0

3.2.10 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)}
NI=factor(NI,levels=0:1)
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 7 0.8 0 0 0.008 0.0011 0.0149 Inf 2.48 Inf 0.0024
No eventos trombóticos 870 99.2 1191 100
Datos perdidos 0 416

3.2.11 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 51 5.8 64 5.4 0.0044 -0.0167 0.0255 1.08 0.76 1.54 0.6981
No eventos heomorrágicos 826 94.2 1127 94.6
Datos perdidos 0 0

3.2.12 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 24 2.7 2 0.2 0.0257 0.0137 0.0377 16.3 4.28 62.14 1e-07
No UCI 853 97.3 1189 99.8
Datos perdidos 0 0

3.2.13 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 20 -2.4 2 -0.2 0.167 -0.1491 0.4824 Inf 0.18 Inf 1
Antes del parto 4 -0.5 0 0.0
Datos perdidos 853 1191

3.2.14 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 9 1 3 0.3 0.0077 -5e-04 0.016 4.07 1.2 13.88 0.0359
Ningún feto muerto anteparto 868 99 1188 99.7
Datos perdidos 0 0

3.2.15 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 442 50.5 734 61.6 -0.1111 -0.1553 -0.0670 0.820 0.757 0.887 0.0000018
Inducido 325 37.1 393 33.0 0.0415 -0.0012 0.0841 1.126 1.000 1.267 0.1656893
Cesárea 108 12.3 64 5.4 0.0697 0.0434 0.0960 2.297 1.709 3.087 0.0000001
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 3.7: 

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 3.8:

  • Distribuciones de los inicios de parto en los grupos de infectadas y no infectadas: test \(\chi^2\), p-valor \(5\times 10^{-10}\)

3.2.16 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 528 60.2 767 64.4 -0.0419 -0.0852 0.0013 0.935 0.873 1.001 0.214018
Instrumental 100 11.4 177 14.9 -0.0346 -0.0647 -0.0044 0.767 0.610 0.964 0.089513
Cesárea programada 108 12.3 64 5.4 0.0694 0.0432 0.0956 2.292 1.705 3.080 0.000000
Cesárea urgente 141 16.1 183 15.4 0.0071 -0.0257 0.0399 1.046 0.856 1.280 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 3.9: 

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 3.10:

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

3.2.17 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 41 4.8 50 4.3 0.0053 -0.0142 0.0247 1.12 0.75 1.68 0.5884
No HPP 814 95.2 1121 95.7
Datos perdidos 22 20 
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 32 3.7 42 3.6 0.0016 -0.0160 0.0192 1.043 0.667 1.633 1.000000
HPP tratamiento quirúrgico conservador 4 0.5 7 0.6 -0.0013 -0.0087 0.0061 0.783 0.244 2.510 1.000000
Histerectomía obstétrica 5 0.6 1 0.1 0.0050 -0.0014 0.0114 6.848 1.128 41.562 0.355572
No 814 95.2 1121 95.7 -0.0053 -0.0247 0.0142 0.995 0.976 1.014 1.000000
Datos perdidos 22 20 
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 3.11:

  • Distribuciones de los tipos de hemorragia postparto (incluyendo Noes) en los grupos de infectadas y no infectadas: test \(\chi^2\) de Montercarlo, p-valor 0.24

  • 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 1

3.2.18 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 9 1 3 0.2 0.0076 -5e-04 0.0157 4.08 1.2 13.92 0.0358
Feto vivo 885 99 1214 99.8
Datos perdidos 1 2

3.2.19 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 3.12: 

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 3157.3 3230 2872.5 3528.8 615.8
No infectadas 490 4700 3242.9 3280 2947.5 3600.0 549.6

  • Ajuste de los pesos de hijos de infectadas y no infectadas a distribuciones normales: test de Shapiro-Wilks, p-valores \(2\times 10^{-16}\) y \(6\times 10^{-18}\), respectivamente

  • Pesos medios: test t, p-valor 0.0011, IC del 95% para la diferencia de medias [-136.93, -34.13]

  • Desviaciones típicas: test de Fligner-Killeen, p-valor 0.0811

Definimos bajo peso a peso menor o igual a 2500 g. Un 9.21% 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 100 11.5 91 7.6 0.0394 0.0124 0.0663 1.52 1.16 1.99 0.0026
No bajo peso 770 88.5 1113 92.4
Datos perdidos 16 12

3.2.20 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 26 2.9 28 2.3 0.0062 -0.0087 0.0212 1.27 0.75 2.14 0.4038
Apgar.5≥8 860 97.1 1183 97.7
Datos perdidos 9 8

3.2.21 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 93 10.6 34 2.8 0.0779 0.0545 0.1013 3.76 2.57 5.51 0
No UCIN 784 89.4 1173 97.2
Datos perdidos 9 9