In USR-DAPCAT/Plantilles-RMD: Basic template to make a final data analysis report

 

DRAFT

---

# ![](logoDAP_Cat.png)

# htmltools::img(src = knitr::image_uri(file.path("logos_css", "logo.jpg")), 
#                alt = 'logo', 
#                style = 'position:absolute; top:-90px; right:1%; padding:5px;')

img<-htmltools::img(src = knitr::image_uri(file.path("logos_css", "logo.jpg")), 
               alt = 'logo', 
               style = 'position:absolute; text-align: center;padding-right:150px;width: 185px;padding:10px;')

# src="https://www.idiapjgol.org/images/logo.png" 
# style= 'float: right ;width: 130px'
# 
# src="https://avatars2.githubusercontent.com/u/57066591?s=200&v=4"
# style = 'text-align: center;;margin:auto;width: 80px'

# padding-left:30px

htmlhead <- paste0('
  <script>
  document.write(\'<div class="logos">',img,'</div>\')
  </script>
  ')

readr::write_lines(htmlhead, path = "header.html")

0. Estat:

Últimes actualizacions

✓ Revisat codi.
✓ Incluir tabac/PAS/PAD en taules pre matching.

Realizat

12/12/2009:

✓ Afegir comparativa Prenent categoria de referència grup ISGLT2
✓ Marginals totals d'algunes taules

12/01/2010:

✓ Afegir medianes + IQR de quantitatives
✓ Càlcul de p-valors que falten
✓ Afegit nombre d'envasos per grup durant el seguiment
✓ Afegit nom d'envasos per grup durant el Seguiment

Pendent

• Revisió i depuració d'errors
• Edició de taules

1. Objectius

Estimar la variabilitat entre professionals en quant al control de la HbA1c, ajustant per les característiques a nivell de pacient.

2. Mètodes

INCLUSIÓ: pacients diabètics tipus 2 entre 30 i 90 anys amb registre a la història electrònica de diabetis: ICD-10: Codi E11 i E14. EXCLUSIÓ: pacients classificats com a morts o bé com a traslladats; pacients de recent diagnòstic.

3. Anàlisi estadístic

Es descriu el perfil demogràfic i clínic dels pacients inclosos emprenant els estadístics més adeqüats en cada cas en funció del tipus de variable. Es descriu el perfil demogràfic i clínic dels professionals inclosos emprenant els estadístics més adeqüats en cada cas en funció del tipus de variable.I es mira la seva mobilitat, respecte la seva edat i malalties cardiovasculars.

knitr::opts_chunk$set(echo = FALSE, message=FALSE, warning=FALSE, include=F,size="huge")
library(ggplot2)
library(dplyr)
# Carrego funcions -------------------
link_source<-paste0("https://github.com/jrealgatius/Stat_codis/blob/master/funcions_propies.R","?raw=T")
devtools::source_url(link_source)

#   template: template.html

# Carrega dades

# load(here::here("resultats","nomarxiu.Rdata"))
# read.csv(here::here("resultats","Nomarxiu.csv"))
# foreign::read.spss(here::here("dades","nomarxiu.sav"),labels=T)

# Genero conductor test amb etiquetes i informació basal en IRIS
conductor_iris<-data.frame(camp=names(iris),
                           descripcio=c("Longitud sepal","Amplada sepal","longitul petal","Amplada Petal","Especies varies"),
                           taula_basal=c(0,1,2,3,0),
                           recode=c("5","3.1/3.4","","",""))

# Recodificar IRIS 

iris<-recodificar(iris,taulavariables = conductor_iris,criteris = "recode")

# Actualitzo conductor i afegeixo catref
names(iris)[names(iris)!=conductor_iris$camp]
conductor_iris<-conductor_iris %>% add_row(camp=names(iris)[names(iris)!=conductor_iris$camp])
conductor_iris<-conductor_iris %>% tibble::add_column(ref_cat=c("","","","","versicolor","(5, Inf]",""))



levels(iris$Species)
levels(iris$Sepal.Length.cat3)
levels(iris$Sepal.Width.cat4)

iris2<-refcat(iris,conductor_iris,"ref_cat")

levels(iris2$Species)
levels(iris2$Sepal.Length.cat3)

Hmisc::label(iris)

iris<-etiquetar(iris,taulavariables=conductor_iris)

Hmisc::label(iris)

4. Resultats descriptius

• 4.1 Característiques dels pacients

# compareGroups  ----------------
compareGroups::descrTable(cars) %>% export2md(caption = paste0("Taula 1: Descriptiva"))

# via formula conductor
formu<-formula.text("taula_basal",y="Species",taulavariables=conductor_iris,dt=iris)
compareGroups::descrTable(formu,iris) %>% export2md(caption = paste0("Taula 1: Descriptiva per grups"))

cat("\n")

# Table1  ------------
library(table1)

cat("\n### Descriptiva de dades \n")

table1::table1(~ Species+Sepal.Length | Species , data = iris,overall="Total", caption="Taula 2")

cat("\n")

formu<-formula_table1("taula_basal",y="Species",taulavariables=conductor_iris,dt=iris)
table1::table1(formu, data = iris,overall="Total",caption="Taula 3")

cat("\n")

formu<-formula_table1("taula_basal",taulavariables=conductor_iris)
table1::table1(formu, data = iris,overall="Total",caption="Taula4")

cat("\n")

# P25-P75
my.render.cont <- function(x) {with(stats.default(x), sprintf("[%0.2f-%0.2f]", q25,q75))}
table1::table1(formu , data = iris,overall="Total",render.continuous=my.render.cont, caption="Taula 5 (q25-q75)")

5. Models

model<-glm(Sepal.Length~Species,iris,family = gaussian)


# Mostrar model enformat html
sjPlot::tab_model(model,show.ci = 0.95)

6. Figures

plot(cars$speed,cars$dist)

 

---

A work by $Jordi Real$

$Llepali System$

https://github.com/USR-DAPCAT/

USR-DAPCAT/Plantilles-RMD documentation built on July 29, 2020, 11:05 p.m.