Esta guía cubre los fundamentos de R orientados a la práctica de la bioestadística y la investigación médica: importación de datos clínicos, manejo de variables categóricas (exposición, enfermedad, grupo), descripción de cohortes, contraste de hipótesis y visualización. Complementa al Apéndice B (paquete BioEstatR) y al Apéndice A (repaso matemático).
El material está organizado como referencia rápida. Cada sección incluye ejemplos ejecutables con datos clínicos simulados y, donde procede, código no ejecutable (eval: false) que muestra la sintaxis para tareas habituales en investigación médica (importar SPSS, ajustar modelos de supervivencia, etc.).
# Asignación con <- (recomendado en R)
edad <- 45L # entero
peso_kg <- 78.4 # numérico (double)
sexo <- "Mujer" # carácter
diabetes <- TRUE # lógico
# Vectores con c()
edades <- c(25, 30, 45, 22, 60)
diagnostico <- c("HTA", "DM2", "HTA", "Sano", "DM2")
hospitalizado <- c(FALSE, TRUE, TRUE, FALSE, TRUE)
# Inspeccionar
class(edades); length(edades); range(edades)[1] "numeric"[1] 5[1] 22 60# Posicional
edades[1] # primer paciente[1] 25edades[c(1, 3, 5)] # pacientes 1, 3 y 5[1] 25 45 60edades[-1] # todos menos el primero[1] 30 45 22 60# Lógica (filtros clínicos)
edades[edades >= 45] # adultos mayores[1] 45 60diagnostico[hospitalizado] # diagnósticos de hospitalizados[1] "DM2" "HTA" "DM2"edades[diagnostico == "DM2"] # edad de diabéticos[1] 30 60NAEn estudios clínicos los datos faltantes son la norma, no la excepción. R los representa con NA.
hba1c <- c(6.2, 7.8, NA, 8.5, 6.9, NA)
mean(hba1c) # NA: cualquier NA contamina el resultado[1] NAmean(hba1c, na.rm = TRUE) # 7.35: ignorar NAs[1] 7.35is.na(hba1c) # vector lógico[1] FALSE FALSE TRUE FALSE FALSE TRUEsum(is.na(hba1c)) # 2 valores perdidos[1] 2hba1c[!is.na(hba1c)] # eliminar NAs[1] 6.2 7.8 8.5 6.9NA == NA devuelve NA, no TRUE. Usa siempre is.na(x) para comprobar valores perdidos. En análisis observacional, documenta el patrón de pérdida (¿MCAR, MAR o MNAR?) antes de elegir entre análisis de casos completos, imputación múltiple o ponderación inversa.
El data frame es la estructura central de R para datos tabulares. Un tibble (de tibble/dplyr) es un data frame con impresión más legible.
pacientes <- data.frame(
id = 1:6,
edad = c(25, 30, 45, 60, 55, 72),
sexo = c("M", "F", "F", "M", "F", "M"),
imc = c(22.5, 28.0, 31.2, 26.5, 33.1, 24.8),
hba1c = c(5.4, 6.2, 7.8, 6.8, 8.5, 5.9),
diabetes = c(0, 0, 1, 1, 1, 0)
)
str(pacientes) # estructura y tipos'data.frame': 6 obs. of 6 variables:
$ id : int 1 2 3 4 5 6
$ edad : num 25 30 45 60 55 72
$ sexo : chr "M" "F" "F" "M" ...
$ imc : num 22.5 28 31.2 26.5 33.1 24.8
$ hba1c : num 5.4 6.2 7.8 6.8 8.5 5.9
$ diabetes: num 0 0 1 1 1 0head(pacientes, 3) # primeras 3 filas id edad sexo imc hba1c diabetes
1 1 25 M 22.5 5.4 0
2 2 30 F 28.0 6.2 0
3 3 45 F 31.2 7.8 1dim(pacientes) # filas x columnas[1] 6 6names(pacientes) # nombres de variables[1] "id" "edad" "sexo" "imc" "hba1c" "diabetes"Las listas almacenan objetos heterogéneos (el resultado típico de un test estadístico es una lista):
resultado <- list(
test = "t-Student",
p_valor = 0.034,
ic95 = c(0.12, 1.85),
n_total = 120
)
resultado$p_valor[1] 0.034resultado[["ic95"]][1] 0.12 1.85En investigación médica, casi toda variable de exposición o desenlace es categórica (caso/control, expuesto/no expuesto, grupo de tratamiento). R las representa con factores.
# Convertir a factor
pacientes$sexo_f <- factor(pacientes$sexo, levels = c("M", "F"),
labels = c("Hombre", "Mujer"))
pacientes$diabetes_f <- factor(pacientes$diabetes,
levels = c(0, 1),
labels = c("No diabético", "Diabético"))
levels(pacientes$diabetes_f) # niveles[1] "No diabético" "Diabético" table(pacientes$diabetes_f) # frecuencia
No diabético Diabético
3 3 cut() y dplyr::case_when()library(dplyr)
pacientes <- pacientes %>%
mutate(
# Grupos de edad clínicos
edad_grupo = cut(edad,
breaks = c(0, 40, 65, Inf),
labels = c("<40", "40-64", ">=65"),
right = FALSE),
# Clasificación IMC (OMS)
imc_cat = case_when(
imc < 18.5 ~ "Bajo peso",
imc < 25 ~ "Normopeso",
imc < 30 ~ "Sobrepeso",
imc >= 30 ~ "Obesidad"
),
imc_cat = factor(imc_cat,
levels = c("Bajo peso", "Normopeso",
"Sobrepeso", "Obesidad"))
)
table(pacientes$edad_grupo, pacientes$imc_cat)
Bajo peso Normopeso Sobrepeso Obesidad
<40 0 1 1 0
40-64 0 0 1 2
>=65 0 1 0 0En regresión (lineal, logística, Cox), el nivel de referencia del factor define la categoría con la que se compara cada coeficiente. Por defecto R toma el primer nivel alfabético. Para forzar uno específico (p. ej. Normopeso como referencia):
pacientes$imc_cat <- relevel(pacientes$imc_cat, ref = "Normopeso")En la práctica los datos llegan en CSV, Excel, SPSS o Stata. El paquete readr y haven cubren todos los formatos habituales en investigación biomédica.
# CSV (recomendado: readr es más rápido y robusto que read.csv)
library(readr)
datos <- read_csv("datos/cohorte.csv")
# Excel (.xlsx)
library(readxl)
datos <- read_excel("datos/cohorte.xlsx", sheet = "Visita1")
# SPSS (.sav) -- muy común en investigación clínica
library(haven)
datos <- read_sav("datos/cohorte.sav")
datos <- as_factor(datos) # convertir variables etiquetadas a factor
# Stata (.dta)
datos <- read_dta("datos/cohorte.dta")
# Exportar a CSV con codificación correcta (acentos)
write_csv(datos, "datos/cohorte_limpia.csv")here::here()
Evita rutas absolutas ("C:/Users/.../"). Usa proyectos de RStudio y here::here("datos", "cohorte.csv") para que el código funcione en cualquier máquina.
dplyrLas cinco verbos esenciales de dplyr para preparar una cohorte:
| Verbo | Acción |
|---|---|
select() |
elegir columnas |
filter() |
filtrar filas |
mutate() |
crear/modificar variables |
summarise() |
resumir (con o sin group_by()) |
arrange() |
ordenar |
library(dplyr)
resumen <- pacientes %>%
filter(edad >= 40) %>% # adultos
mutate(hba1c_alta = if_else(hba1c >= 6.5, 1L, 0L)) %>% # ≥6.5: DM
group_by(sexo_f) %>%
summarise(
n = n(),
edad_media = mean(edad, na.rm = TRUE),
imc_mediana = median(imc, na.rm = TRUE),
pct_hba1c_alta = mean(hba1c_alta, na.rm = TRUE) * 100,
.groups = "drop"
)
resumen# A tibble: 2 × 5
sexo_f n edad_media imc_mediana pct_hba1c_alta
<fct> <int> <dbl> <dbl> <dbl>
1 Hombre 2 66 25.6 50
2 Mujer 2 50 32.2 100*_join) y reestructuración (pivot_*)library(dplyr); library(tidyr)
# Unir cohorte con tabla de laboratorio por id de paciente
cohorte_lab <- pacientes %>%
left_join(laboratorio, by = "id")
# Pasar de ancho (una columna por visita) a largo (una fila por visita)
largo <- visitas %>%
pivot_longer(cols = starts_with("pas_v"),
names_to = "visita",
values_to = "pas_mmHg")summary(pacientes$imc) # min, Q1, med, mean, Q3, max Min. 1st Qu. Median Mean 3rd Qu. Max.
22.50 25.23 27.25 27.68 30.40 33.10 c(media = mean(pacientes$imc),
de = sd(pacientes$imc),
mediana = median(pacientes$imc),
RIC = IQR(pacientes$imc)) media de mediana RIC
27.683333 3.959503 27.250000 5.175000 # Cuantiles personalizados
quantile(pacientes$imc, probs = c(0.05, 0.25, 0.5, 0.75, 0.95)) 5% 25% 50% 75% 95%
23.075 25.225 27.250 30.400 32.625 # Frecuencias
table(pacientes$imc_cat)
Bajo peso Normopeso Sobrepeso Obesidad
0 2 2 2 # Proporciones
prop.table(table(pacientes$imc_cat)) * 100
Bajo peso Normopeso Sobrepeso Obesidad
0.00000 33.33333 33.33333 33.33333 # Tabla de contingencia 2x2
tabla <- table(diabetes = pacientes$diabetes_f,
obesidad = pacientes$imc >= 30)
tabla obesidad
diabetes FALSE TRUE
No diabético 3 0
Diabético 1 2prop.table(tabla, margin = 1) * 100 # % por fila (riesgo en expuestos) obesidad
diabetes FALSE TRUE
No diabético 100.00000 0.00000
Diabético 33.33333 66.66667pacientes %>%
group_by(diabetes_f) %>%
summarise(
n = n(),
edad_media = mean(edad),
edad_de = sd(edad),
imc_mediana = median(imc),
imc_RIC = IQR(imc),
.groups = "drop"
)# A tibble: 2 × 6
diabetes_f n edad_media edad_de imc_mediana imc_RIC
<fct> <int> <dbl> <dbl> <dbl> <dbl>
1 No diabético 3 42.3 25.8 24.8 2.75
2 Diabético 3 53.3 7.64 31.2 3.30# Cálculo del IMC con interpretación
clasificar_imc <- function(peso_kg, altura_m) {
imc <- peso_kg / (altura_m^2)
categoria <- cut(imc,
breaks = c(0, 18.5, 25, 30, Inf),
labels = c("Bajo peso", "Normopeso",
"Sobrepeso", "Obesidad"),
right = FALSE)
data.frame(imc = round(imc, 1), categoria = categoria)
}
clasificar_imc(peso_kg = c(55, 72, 95),
altura_m = c(1.70, 1.75, 1.78)) imc categoria
1 19.0 Normopeso
2 23.5 Normopeso
3 30.0 Sobrepesoif, for, sapply# Vectorizado (preferido en R)
hba1c_vals <- c(5.6, 6.1, 6.5, 7.2, 8.0)
categoria_dm <- sapply(hba1c_vals, function(x) {
if (x < 5.7) "Normal"
else if (x < 6.5) "Prediabetes"
else "Diabetes"
})
categoria_dm[1] "Normal" "Prediabetes" "Diabetes" "Diabetes" "Diabetes" En R, for es más lento y verboso que la familia apply/map y que las funciones vectorizadas. Para un dataset clínico real (miles de filas), usa siempre dplyr::mutate() con case_when() o sapply()/purrr::map_*().
ggplot2ggplot2 es la herramienta estándar para visualización en publicaciones biomédicas.
library(ggplot2)
ggplot(pacientes, aes(x = imc)) +
geom_histogram(aes(y = after_stat(density)),
bins = 6, fill = "steelblue", color = "white") +
geom_density(color = "darkred", linewidth = 1) +
labs(x = "IMC (kg/m²)", y = "Densidad",
title = "Distribución del IMC") +
theme_minimal()
ggplot(pacientes, aes(x = diabetes_f, y = hba1c, fill = diabetes_f)) +
geom_boxplot(alpha = 0.7) +
geom_jitter(width = 0.15, size = 2) +
labs(x = NULL, y = "HbA1c (%)",
title = "HbA1c por estado diabético") +
theme_minimal() +
theme(legend.position = "none")
ggplot(pacientes, aes(x = imc, y = hba1c)) +
geom_point(size = 3, color = "steelblue") +
geom_smooth(method = "lm", se = TRUE, color = "darkred") +
labs(x = "IMC (kg/m²)", y = "HbA1c (%)",
title = "Relación IMC-HbA1c") +
theme_minimal()
Tabla de referencia con los contrastes más usados en investigación médica:
| Pregunta clínica | Función de R |
|---|---|
| ¿Difieren las medias de dos grupos? | t.test() |
| ¿Difieren las medianas (no normal)? | wilcox.test() |
| ¿Difieren tres o más medias? | aov(), oneway.test() |
| ¿Asociación entre dos variables categóricas? | chisq.test(), fisher.test() |
| ¿Datos apareados (antes/después)? | mcnemar.test(), t.test(paired=T) |
| ¿Es la variable normal? | shapiro.test() |
| ¿Hay correlación lineal? | cor.test() |
| Regresión lineal | lm() |
| Regresión logística / Poisson | glm(family = binomial / poisson) |
# 1) Comparar HbA1c entre diabéticos y no diabéticos
t.test(hba1c ~ diabetes_f, data = pacientes)
Welch Two Sample t-test
data: hba1c by diabetes_f
t = -3.4207, df = 2.8523, p-value = 0.04515
alternative hypothesis: true difference in means between group No diabético and group Diabético is not equal to 0
95 percent confidence interval:
-3.65529198 -0.07804135
sample estimates:
mean in group No diabético mean in group Diabético
5.833333 7.700000 # 2) Asociación diabetes ~ obesidad (Fisher por n pequeño)
fisher.test(table(pacientes$diabetes_f, pacientes$imc >= 30))
Fisher's Exact Test for Count Data
data: table(pacientes$diabetes_f, pacientes$imc >= 30)
p-value = 0.4
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
0.2031288 Inf
sample estimates:
odds ratio
Inf # 3) Regresión lineal: HbA1c ~ IMC + edad
modelo <- lm(hba1c ~ imc + edad, data = pacientes)
summary(modelo)
Call:
lm(formula = hba1c ~ imc + edad, data = pacientes)
Residuals:
1 2 3 4 5 6
0.2795 -0.4996 0.0762 0.2576 0.1586 -0.2723
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.379357 1.316864 -1.047 0.37184
imc 0.279194 0.046683 5.981 0.00936 **
edad 0.008718 0.010235 0.852 0.45692
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.4079 on 3 degrees of freedom
Multiple R-squared: 0.9288, Adjusted R-squared: 0.8814
F-statistic: 19.57 on 2 and 3 DF, p-value: 0.01899confint(modelo) 2.5 % 97.5 %
(Intercept) -5.57020549 2.81149089
imc 0.13062701 0.42776027
edad -0.02385378 0.04128988# Pacientes simulados más amplios para que el modelo sea estimable
set.seed(123)
n <- 200
sim <- data.frame(
edad = rnorm(n, 55, 12),
imc = rnorm(n, 28, 5)
)
sim$diabetes <- rbinom(n, 1,
plogis(-7 + 0.05*sim$edad + 0.12*sim$imc))
mod_log <- glm(diabetes ~ edad + imc, data = sim, family = binomial)
# Odds ratios con IC95%
exp(cbind(OR = coef(mod_log), confint.default(mod_log))) OR 2.5 % 97.5 %
(Intercept) 0.0005718736 3.304375e-05 0.009897163
edad 1.0414789433 1.011409e+00 1.072443165
imc 1.1652214003 1.085568e+00 1.250719795Selección curada de paquetes que el investigador clínico encuentra de forma recurrente. El bloque siguiente es informativo (no ejecutado).
# --- Reportes clínicos y "Tabla 1" ---------------------------------------
library(gtsummary) # Tablas publicables a partir de modelos / data frames
library(tableone) # Tabla 1 demográfica clásica
tabla1 <- tbl_summary(pacientes,
by = diabetes_f,
missing = "no") %>%
add_p() %>% add_overall()
# --- Análisis epidemiológico ---------------------------------------------
library(epiR) # Medidas de asociación 2x2 (RR, OR, NNT)
library(epitools) # Tablas, cálculo de IC para incidencia / prevalencia
# --- Supervivencia -------------------------------------------------------
library(survival)
library(survminer)
fit_km <- survfit(Surv(tiempo, evento) ~ grupo, data = cohorte)
ggsurvplot(fit_km, risk.table = TRUE, pval = TRUE)
fit_cox <- coxph(Surv(tiempo, evento) ~ edad + sexo + tratamiento,
data = cohorte)
summary(fit_cox)
# --- Inferencia causal / emparejamiento ----------------------------------
library(MatchIt) # Propensity score matching
library(WeightIt) # Ponderación inversa de probabilidad (IPTW)
# --- Datos perdidos ------------------------------------------------------
library(mice) # Imputación múltiple (FCS)
library(naniar) # Visualización del patrón de missing
# --- Modelos: limpieza y extracción de resultados ------------------------
library(broom) # tidy(), glance(), augment() para modelos
library(performance) # Diagnósticos de regresión (colinealidad, supuestos)
# --- Meta-análisis -------------------------------------------------------
library(meta) # Meta-análisis clásico (efecto fijo / aleatorio)
library(metafor) # Meta-análisis y meta-regresión flexiblesLa revista te pedirá la versión de R y los paquetes. Usa citation("survival") y sessionInfo() en el cierre del análisis y guarda la salida.
Un análisis médico debe poder reproducirse exactamente meses o años después (revisión por pares, auditoría, dudas del comité ético).
# 1) Semilla aleatoria SIEMPRE antes de cualquier simulación o aleatorización
set.seed(20260101)
# 2) Proyecto de RStudio + rutas relativas con here
library(here)
datos <- read_csv(here("datos", "cohorte_v3.csv"))
# 3) Capturar el entorno: versión de R y paquetes
sessionInfo()
# 4) (Opcional) renv para bloquear versiones de paquetes
# install.packages("renv"); renv::init(); renv::snapshot()
# 5) Análisis dentro de un documento Quarto/Rmd
# -> el código y los resultados viven juntosCualquier procedimiento estocástico (bootstrap, validación cruzada, imputación múltiple, simulación) debe ir precedido por set.seed(). Sin semilla, dos ejecuciones del mismo script darán p-valores e intervalos distintos — inaceptable en un análisis clínico.
| Síntoma | Causa habitual | Solución |
|---|---|---|
mean(x) devuelve NA |
Hay valores perdidos | mean(x, na.rm = TRUE) |
| Coeficiente de un factor no aparece | Es el nivel de referencia | relevel(f, ref = "...") |
| El gráfico no se ve en RStudio | Ventana cerrada o tamaño nulo | dev.off() y volver a ejecutar |
cannot find function "..." |
Paquete no cargado | library(paquete) o install.packages("paquete") |
argument "x" is missing |
Olvidaste un argumento | Consulta ?nombre_funcion |
| Lectura de CSV con acentos rotos | Codificación incorrecta | read_csv(..., locale = locale(encoding = "Latin1")) |
non-numeric argument to binary operator |
Tipo carácter donde esperabas numérico | as.numeric(x) (cuidado con factores: as.numeric(as.character(x))) |
| Resultados distintos en cada ejecución | Falta set.seed() |
Fijar semilla antes del análisis |
object '...' not found |
Nombre mal escrito o variable de otro entorno | ls() para listar objetos, names(df) para variables |
?mean # ayuda de una función
??"survival analysis" # búsqueda por palabra clave
help(package = "dplyr")
vignette("dplyr") # tutoriales largos del paquete
example(lm) # ejemplos ejecutables
# Diagnóstico rápido del entorno
getwd(); setwd("ruta")
ls(); rm(list = ls()) # listar / limpiar objetos
sessionInfo()Esta guía te ha llevado del vector más simple a un flujo completo de análisis clínico en R: importar (C.4), preparar (C.3, C.5), describir (C.6), visualizar (C.8), contrastar (C.9) y dejar todo reproducible (C.11). Para funciones de alto nivel específicas del curso (freq(), icm(), tabla2x2(), etc.) consulta el Apéndice B. Para el repaso matemático subyacente, el Apéndice A.