Vergleich: TX-Nieren library(gtsummary) library(dplyr) Kombinierte Daten mit…
- User
Vergleich: TX-Nieren
library(gtsummary) library(dplyr)
Kombinierte Daten mit Zeitvariable
library(dplyr)
vergleich_studypop_MED_data <- bind_rows( mutate(study_pop19_MED, zeitraum = "2012–2019"), mutate(study_pop24_MED, zeitraum = "2022–2024") )
Tabelle mit Vergleich und p-Werten
vergleich_studypop_MED<- vergleich_studypop_MED_data %>% tbl_summary( by = zeitraum, include = c(status_kidney, pathway, gender_numeric, d_stat_age, weight_kg, hypertension, diabetes, death_cause, rea, kdri_scaled, french_score,
french_score_>3), missing = "ifany", missing_text = "NA", label = list( status_kidney ~ "Transplantationsstatus", pathway ~ "Donor-Typ", gender_numeric ~ "Geschlecht (F)", d_stat_age ~ "Alter (Jahre)", weight_kg ~ "Gewicht (kg)", hypertension ~ "Arterielle Hypertonie", diabetes ~ "Diabetes mellitus", death_cause ~ "Todesursache", rea ~ "Reanimation", kdri_scaled ~ "KDRI", french_score ~ "French Score",french_score_>3~ "French Score ≥3" ), statistic = list( all_categorical() ~ "{n} ({p}%)", all_continuous() ~ "{median} ({p25}, {p75})" ), digits = list( d_stat_age ~ 1 ) ) %>% add_p( test = list( all_continuous() ~ "wilcox.test", all_categorical() ~ "chisq.test" ), pvalue_fun = ~ style_pvalue(.x, digits = 3) ) %>% modify_caption("Abgelhente Nieren (MED): 2012–2019 vs. 2022–2024")vergleich_studypop_MED
Assistant
Die von Ihnen erstellte Tabelle mit dem
gtsummary-Paket ist gut strukturiert und vergleicht die beiden Zeitperioden 2012–2019 und 2022–2024 für abgelehnte Nierentransplantationen (MED-Daten). Hier eine Zusammenfassung der Schlüsselkomponenten und mögliche Verbesserungsvorschläge:Schlüsselkomponenten des Codes
-
Datenzusammenführung:
- Die beiden Datensätze
study_pop19_MEDundstudy_pop24_MEDwerden mitbind_rows()kombiniert, wobei einzeitraum-Identifikator hinzugefügt wird. Dies ermöglicht einen direkten Vergleich der beiden Perioden.
- Die beiden Datensätze
-
Tabellenerstellung mit
tbl_summary():- Variablenauswahl: Die ausgewählten Variablen (z. B.
status_kidney,pathway,gender_numeric,d_stat_age,kdri_scaled) sind klinisch relevant. - Statistiken:
- Kategoriale Variablen: Absolute Zahlen und Prozentangaben (
{n} ({p}%)). - Stetige Variablen: Median und Interquartilabstand (
{median} ({p25}, {p75})).
- Kategoriale Variablen: Absolute Zahlen und Prozentangaben (
- Beschriftung: Klare deutsche Labels (z. B.
"Arterielle Hypertonie"fürhypertension).
- Variablenauswahl: Die ausgewählten Variablen (z. B.
-
Statistische Tests mit
add_p():- Kategoriale Variablen: Chi-Quadrat-Test (
chisq.test). - Stetige Variablen: Wilcoxon-Test (
wilcox.test) für nichtparametrische Vergleiche. - p-Werte: Formatierung auf 3 Dezimalstellen.
- Kategoriale Variablen: Chi-Quadrat-Test (
-
Fehlende Werte:
- Fehlende Daten werden mit
"NA"angezeigt, falls vorhanden (missing = "ifany").
- Fehlende Daten werden mit
Empfehlungen zur Optimierung
-
Überprüfung der Variablenklassifikation:
- Stellen Sie sicher, dass alle Variablen korrekt als kategorisch (
all_categorical()) oder stetig (all_continuous()) klassifiziert sind. Beispiel:french_score_>3ist eine binäre Variable (Ja/Nein) und wird korrekt als kategorisch behandelt.death_cause(Todesursache) sollte eine kategoriale Variable mit ausreichender Fallzahl pro Kategorie sein.
- Stellen Sie sicher, dass alle Variablen korrekt als kategorisch (
-
Anpassung der Dezimalstellen:
- Für stetige Variablen wie
weight_kgoderkdri_scaledkönnten explizite Dezimalstellen festgelegt werden, z. B.:digits = list( d_stat_age ~ 1, weight_kg ~ 1, kdri_scaled ~ 2 )
- Für stetige Variablen wie
-
Alternativen zu Chi-Quadrat-Test bei geringen Fallzahlen:
- Falls kategoriale Variablen Kategorien mit sehr geringen Fallzahlen aufweisen (z. B.
death_cause), könnte der Fisher-Exakt-Test genauer sein. Passen Sie den Test an:test = list( all_continuous() ~ "wilcox.test", all_categorical() ~ "fisher.test" )
- Falls kategoriale Variablen Kategorien mit sehr geringen Fallzahlen aufweisen (z. B.
-
Datenharmonisierung:
- Stellen Sie sicher, dass Variablen wie
pathwayoderstatus_kidneyin beiden Datensätzen (study_pop19_MED,study_pop24_MED) identisch codiert sind (z. B. gleiche Faktorebenen).
- Stellen Sie sicher, dass Variablen wie
-
Visualisierung ergänzen:
- Ergänzen Sie die Tabelle um Grafiken (z. B. Boxplots für stetige Variablen oder Balkendiagramme für kategoriale), um Unterschiede visuell zu veranschaulichen:
library(ggplot2) ggplot(vergleich_studypop_MED_data, aes(x = zeitraum, y = d_stat_age)) + geom_boxplot() + labs(title = "Alter nach Zeitraum", y = "Alter (Jahre)")
- Ergänzen Sie die Tabelle um Grafiken (z. B. Boxplots für stetige Variablen oder Balkendiagramme für kategoriale), um Unterschiede visuell zu veranschaulichen:
Beispiel für eine optimierte Tabelle
vergleich_studypop_MED <- vergleich_studypop_MED_data %>% tbl_summary( by = zeitraum, include = c(status_kidney, pathway, gender_numeric, d_stat_age, weight_kg, hypertension, diabetes, death_cause, rea, kdri_scaled, french_score, `french_score_>3`), missing = "ifany", missing_text = "NA", label = list( status_kidney ~ "Transplantationsstatus", pathway ~ "Donor-Typ", gender_numeric ~ "Geschlecht (F)", d_stat_age ~ "Alter (Jahre)", weight_kg ~ "Gewicht (kg)", hypertension ~ "Arterielle Hypertonie", diabetes ~ "Diabetes mellitus", death_cause ~ "Todesursache", rea ~ "Reanimation", kdri_scaled ~ "KDRI", `french_score_>3` ~ "French Score ≥3" ), statistic = list( all_categorical() ~ "{n} ({p}%)", all_continuous() ~ "{median} ({p25}, {p75})" ), digits = list( d_stat_age ~ 1, weight_kg ~ 1, kdri_scaled ~ 2 ) ) %>% add_p( test = list( all_continuous() ~ "wilcox.test", all_categorical() ~ "fisher.test" # Alternativ zu chisq.test ), pvalue_fun = ~ style_pvalue(.x, digits = 3) ) %>% modify_caption("**Abgelehnte Nieren (MED): 2012–2019 vs. 2022–2024**")
Zusammenfassung
Die Tabelle ist bereits gut konzipiert und ermöglicht einen klaren Vergleich der beiden Zeitperioden. Durch die Anpassungen (z. B. Fisher-Test, explizite Dezimalstellen, Datenharmonisierung) können die Ergebnisse präziser und aussagekräftiger werden. Für die Interpretation sollten Sie besonders auf signifikante p-Werte (z. B.
<0.05) achten, die auf Unterschiede zwischen den Perioden hinweisen.-
- User
ich habe eine zweite Tabelle. die ich mit der ersten verbinden möchte
Assistant
Um zwei
gtsummary-Tabellen zu verbinden (z. B. vertikal, eine unter der anderen), können Sie die Funktiontbl_stack()verwenden. Dies ist nützlich, wenn Sie separate Tabellen für unterschiedliche Gruppen oder Variablen erstellt haben und sie kombinieren möchten. Hier ist ein Schritt-für-Schritt-Leitfaden:
Beispielcode: Verbinden zweier Tabellen
library(gtsummary) # Beispiel: Erstellen zweier separater Tabellen table1 <- trial %>% filter(grade == "I") %>% tbl_summary(by = trt, label = list(age ~ "Alter", marker ~ "Biomarker")) table2 <- trial %>% filter(grade == "II") %>% tbl_summary(by = trt, label = list(age ~ "Alter", marker ~ "Biomarker")) # Tabellen verbinden (vertikal) combined_table <- tbl_stack( list(table1, table2), group_header = c("Gruppe I", "Gruppe II") # Optional: Überschriften für die getrennten Tabellen ) # Ausgabe der kombinierten Tabelle combined_table
Schlüsselkomponenten
-
tbl_stack():- Verbindet mehrere
tbl_summary-Objekte vertikal (eins unter dem anderen). - Die Tabellen müssen ähnliche Struktur haben (gleiche Variablen, Labels, Gruppen).
- Verbindet mehrere
-
group_header:- Fügt Überschriften hinzu, um die getrennten Tabellen klar zu kennzeichnen (optional).
-
Konsistenz der Tabellen:
- Stellen Sie sicher, dass die Tabellen identische Variablen und Labels verwenden. Sonst können Ungereimtheiten entstehen.
Anpassungen für Ihre Daten
Wenn Ihre Tabellen unterschiedliche Variablen enthalten, müssen Sie sie harmonisieren, bevor Sie sie verbinden. Beispiel:
# Beispiel: Tabellen mit unterschiedlichen Variablen harmonisieren table1 <- trial %>% tbl_summary(include = c(age, marker)) table2 <- trial %>% tbl_summary(include = c(age, stage)) # "stage" fehlt in table1 # Füge fehlende Variablen mit Nullen hinzu (für Konsistenz) table1 <- table1 %>% modify_table_body( ~ .x %>% dplyr::bind_rows(tibble::tibble(variable = "stage", label = "Tumorstadium")) %>% tidyr::fill(label) ) # Tabellen verbinden combined_table <- tbl_stack(list(table1, table2))
Vertikale vs. horizontale Verbindung
- Vertikal (
tbl_stack()): Eine Tabelle unter der anderen (wie oben gezeigt). - Horizontal (Seite an Seite): Nutzen Sie
tbl_merge()für parallele Darstellung (z. B. für unterschiedliche Gruppen).
# Beispiel: Tabellen horizontal kombinieren merged_table <- tbl_merge( list(table1, table2), tab_spanner = c("**Gruppe I**", "**Gruppe II**") )
Tipps
- Fehlende Werte: Stellen Sie sicher, dass
missing = "ifany"odermissing = "always"in beiden Tabellen konsistent ist. - Statistiken: Die p-Werte aus
add_p()bleiben erhalten, aber bei horizontaler Kombination (tbl_merge()) müssen Tests ggf. neu berechnet werden. - Formatierung: Passen Sie die Darstellung (z. B. Dezimalstellen, Beschriftung) vor dem Verbinden an, um Inkonsistenzen zu vermeiden.
Zusammenfassung
Mit
tbl_stack()odertbl_merge()können Sie Tabellen ausgtsummaryeffizient kombinieren. Achten Sie auf Konsistenz der Variablen und klare Kennzeichnung der getrennten Abschnitte (z. B. mitgroup_header). Für komplexe Fälle (unterschiedliche Variablen) harmonisieren Sie die Tabellen vorab.-
- User
library(gtsummary) library(dplyr)
Kombinierte Daten mit Zeitvariable
library(dplyr)
vergleich_studypop_MED_data <- bind_rows( mutate(study_pop19_MED, zeitraum = "2012–2019"), mutate(study_pop24_MED, zeitraum = "2022–2024") )
Tabelle mit Vergleich und p-Werten
vergleich_studypop_MED<- vergleich_studypop_MED_data %>% tbl_summary( by = zeitraum, include = c(status_kidney, pathway, gender_numeric, d_stat_age, weight_kg, hypertension, diabetes, death_cause, rea, kdri_scaled, french_score,
french_score_>3), missing = "ifany", missing_text = "NA", label = list( status_kidney ~ "Transplantationsstatus", pathway ~ "Donor-Typ", gender_numeric ~ "Geschlecht (F)", d_stat_age ~ "Alter (Jahre)", weight_kg ~ "Gewicht (kg)", hypertension ~ "Arterielle Hypertonie", diabetes ~ "Diabetes mellitus", death_cause ~ "Todesursache", rea ~ "Reanimation", kdri_scaled ~ "KDRI", french_score ~ "French Score",french_score_>3~ "French Score ≥3" ), statistic = list( all_categorical() ~ "{n} ({p}%)", all_continuous() ~ "{median} ({p25}, {p75})" ), digits = list( d_stat_age ~ 1 ) ) %>% add_p( test = list( all_continuous() ~ "wilcox.test", all_categorical() ~ "chisq.test" ), pvalue_fun = ~ style_pvalue(.x, digits = 3) ) %>% modify_caption("Abgelhente Nieren (MED): 2012–2019 vs. 2022–2024")vergleich_studypop_MED
Assistant
Um Ihre beiden Tabellen zu verbinden, können wir die Funktion
tbl_stack()aus demgtsummary-Paket verwenden. Hier ist ein optimierter Code mit Erklärungen und Anpassungen für die Verbindung zweier Tabellen:
Schritt 1: Erstellen der ersten Tabelle (wie in Ihrem Code)
library(gtsummary) library(dplyr) # Kombinierte Daten mit Zeitvariable vergleich_studypop_MED_data <- bind_rows( mutate(study_pop19_MED, zeitraum = "2012–2019"), mutate(study_pop24_MED, zeitraum = "2022–2024") ) # Tabelle 1: Vergleich 2012–2019 vs. 2022–2024 table1 <- vergleich_studypop_MED_data %>% tbl_summary( by = zeitraum, include = c(status_kidney, pathway, gender_numeric, d_stat_age, weight_kg, hypertension, diabetes, death_cause, rea, kdri_scaled, french_score, `french_score_>3`), missing = "ifany", missing_text = "NA", label = list( status_kidney ~ "Transplantationsstatus", pathway ~ "Donor-Typ", gender_numeric ~ "Geschlecht (F)", d_stat_age ~ "Alter (Jahre)", weight_kg ~ "Gewicht (kg)", hypertension ~ "Arterielle Hypertonie", diabetes ~ "Diabetes mellitus", death_cause ~ "Todesursache", rea ~ "Reanimation", kdri_scaled ~ "KDRI", french_score ~ "French Score", `french_score_>3` ~ "French Score ≥3" ), statistic = list( all_categorical() ~ "{n} ({p}%)", all_continuous() ~ "{median} ({p25}, {p75})" ), digits = list( d_stat_age ~ 1 ) ) %>% add_p( test = list( all_continuous() ~ "wilcox.test", all_categorical() ~ "chisq.test" ), pvalue_fun = ~ style_pvalue(.x, digits = 3) ) %>% modify_caption("**Abgelehnte Nieren (MED): 2012–2019 vs. 2022–2024**")
Schritt 2: Erstellen der zweiten Tabelle (Beispiel)
Angenommen, Sie möchten eine zweite Tabelle mit anderen Variablen oder Gruppen erstellen (z. B. für eine andere Patientengruppe wie
study_pop19_LTXvs.study_pop24_LTX):# Kombinierte Daten für eine zweite Tabelle (Beispiel) vergleich_studypop_LTX_data <- bind_rows( mutate(study_pop19_LTX, zeitraum = "2012–2019"), mutate(study_pop24_LTX, zeitraum = "2022–2024") ) # Tabelle 2: Vergleich für eine andere Gruppe table2 <- vergleich_studypop_LTX_data %>% tbl_summary( by = zeitraum, include = c(status_liver, pathway, gender_numeric, d_stat_age, weight_kg, hypertension, diabetes, death_cause, rea, kdri_scaled, french_score, `french_score_>3`), missing = "ifany", missing_text = "NA", label = list( status_liver ~ "Transplantationsstatus (Leber)", pathway ~ "Donor-Typ", gender_numeric ~ "Geschlecht (F)", d_stat_age ~ "Alter (Jahre)", weight_kg ~ "Gewicht (kg)", hypertension ~ "Arterielle Hypertonie", diabetes ~ "Diabetes mellitus", death_cause ~ "Todesursache", rea ~ "Reanimation", kdri_scaled ~ "KDRI", french_score ~ "French Score", `french_score_>3` ~ "French Score ≥3" ), statistic = list( all_categorical() ~ "{n} ({p}%)", all_continuous() ~ "{median} ({p25}, {p75})" ), digits = list( d_stat_age ~ 1 ) ) %>% add_p( test = list( all_continuous() ~ "wilcox.test", all_categorical() ~ "chisq.test" ), pvalue_fun = ~ style_pvalue(.x, digits = 3) ) %>% modify_caption("**Abgelehnte Lebern (LTX): 2012–2019 vs. 2022–2024**")
Schritt 3: Verbinden der beiden Tabellen
Verwenden Sie
tbl_stack(), um die Tabellen vertikal zu verbinden:# Vertikale Verbindung der Tabellen combined_table <- tbl_stack( list(table1, table2), group_header = c("Nierentransplantationen", "Lebertransplantationen") ) # Ausgabe der kombinierten Tabelle combined_table
Wichtige Hinweise
-
Variablenharmonisierung:
- Stellen Sie sicher, dass beide Tabellen identische Variablen und Labels verwenden. Falls nicht, harmonisieren Sie sie vorher mit
modify_table_body().
- Stellen Sie sicher, dass beide Tabellen identische Variablen und Labels verwenden. Falls nicht, harmonisieren Sie sie vorher mit
-
Fehlende Variablen ergänzen: Falls Tabellen unterschiedliche Variablen enthalten, fügen Sie fehlende Variablen mit
NAhinzu:# Beispiel: Fehlende Variable ergänzen table1 <- table1 %>% modify_table_body( ~ .x %>% bind_rows(tibble(variable = "status_liver", label = "Transplantationsstatus (Leber)")) %>% tidyr::fill(label) ) -
Horizontale Verbindung (alternativ): Falls Sie Tabellen seitlich kombinieren möchten, nutzen Sie
tbl_merge():merged_table <- tbl_merge( list(table1, table2), tab_spanner = c("**Nieren**", "**Lebern**") )
Zusammenfassung
- Vertikale Verbindung:
tbl_stack()für eine Tabelle unter der anderen. - Horizontale Verbindung:
tbl_merge()für parallele Darstellung. - Harmonisierung: Stellen Sie sicher, dass Variablen und Labels in beiden Tabellen übereinstimmen, um Fehler zu vermeiden.
Mit diesen Schritten können Sie Ihre Tabellen effizient kombinieren und übersichtlich darstellen! 📊
-
- User
library(gtsummary) library(dplyr)
Kombinierte Daten mit Zeitvariable
library(dplyr)
vergleich_studypop_MED_data <- bind_rows( mutate(study_pop19_MED, zeitraum = "2012–2019"), mutate(study_pop24_MED, zeitraum = "2022–2024") )
Tabelle mit Vergleich und p-Werten
vergleich_studypop_MED<- vergleich_studypop_MED_data %>% tbl_summary( by = zeitraum, include = c(status_kidney, pathway, gender_numeric, d_stat_age, weight_kg, hypertension, diabetes, death_cause, rea, kdri_scaled, french_score,
french_score_>3), missing = "ifany", missing_text = "NA", label = list( status_kidney ~ "Transplantationsstatus", pathway ~ "Donor-Typ", gender_numeric ~ "Geschlecht (F)", d_stat_age ~ "Alter (Jahre)", weight_kg ~ "Gewicht (kg)", hypertension ~ "Arterielle Hypertonie", diabetes ~ "Diabetes mellitus", death_cause ~ "Todesursache", rea ~ "Reanimation", kdri_scaled ~ "KDRI", french_score ~ "French Score",french_score_>3~ "French Score ≥3" ), statistic = list( all_categorical() ~ "{n} ({p}%)", all_continuous() ~ "{median} ({p25}, {p75})" ), digits = list( d_stat_age ~ 1 ) ) %>% add_p( test = list( all_continuous() ~ "wilcox.test", all_categorical() ~ "chisq.test" ), pvalue_fun = ~ style_pvalue(.x, digits = 3) ) %>% modify_caption("Abgelhente Nieren (MED): 2012–2019 vs. 2022–2024")vergleich_studypop_MED
Assistant
Die von Ihnen erstellte Tabelle mit dem
gtsummary-Paket ist bereits gut strukturiert und vergleicht die beiden Zeitperioden 2012–2019 und 2022–2024 für abgelehnte Nierentransplantationen (MED-Daten). Hier eine Zusammenfassung der Schlüsselkomponenten und mögliche Verbesserungsvorschläge:
Schlüsselkomponenten des Codes
-
Datenzusammenführung:
- Die beiden Datensätze
study_pop19_MEDundstudy_pop24_MEDwerden mitbind_rows()kombiniert, wobei einzeitraum-Identifikator hinzugefügt wird. Dies ermöglicht einen direkten Vergleich der beiden Perioden.
- Die beiden Datensätze
-
Tabellenerstellung mit
tbl_summary():- Variablenauswahl: Die ausgewählten Variablen (z. B.
status_kidney,pathway,gender_numeric,d_stat_age,kdri_scaled) sind klinisch relevant. - Statistiken:
- Kategoriale Variablen: Absolute Zahlen und Prozentangaben (
{n} ({p}%)). - Stetige Variablen: Median und Interquartilabstand (
{median} ({p25}, {p75})).
- Kategoriale Variablen: Absolute Zahlen und Prozentangaben (
- Beschriftung: Klare deutsche Labels (z. B.
"Arterielle Hypertonie"fürhypertension).
- Variablenauswahl: Die ausgewählten Variablen (z. B.
-
Statistische Tests mit
add_p():- Kategoriale Variablen: Chi-Quadrat-Test (
chisq.test). - Stetige Variablen: Wilcoxon-Test (
wilcox.test) für nichtparametrische Vergleiche. - p-Werte: Formatierung auf 3 Dezimalstellen.
- Kategoriale Variablen: Chi-Quadrat-Test (
-
Fehlende Werte:
- Fehlende Daten werden mit
"NA"angezeigt, falls vorhanden (missing = "ifany").
- Fehlende Daten werden mit
Empfehlungen zur Optimierung
-
Überprüfung der Variablenklassifikation:
- Stellen Sie sicher, dass alle Variablen korrekt als kategorisch (
all_categorical()) oder stetig (all_continuous()) klassifiziert sind. Beispiel:french_score_>3ist eine binäre Variable (Ja/Nein) und wird korrekt als kategorisch behandelt.death_cause(Todesursache) sollte eine kategoriale Variable mit ausreichender Fallzahl pro Kategorie sein.
- Stellen Sie sicher, dass alle Variablen korrekt als kategorisch (
-
Anpassung der Dezimalstellen:
- Für stetige Variablen wie
weight_kgoderkdri_scaledkönnten explizite Dezimalstellen festgelegt werden, z. B.:digits = list( d_stat_age ~ 1, weight_kg ~ 1, kdri_scaled ~ 2 )
- Für stetige Variablen wie
-
Alternativen zu Chi-Quadrat-Test bei geringen Fallzahlen:
- Falls kategoriale Variablen Kategorien mit sehr geringen Fallzahlen aufweisen (z. B.
death_cause), könnte der Fisher-Exakt-Test genauer sein. Passen Sie den Test an:test = list( all_continuous() ~ "wilcox.test", all_categorical() ~ "fisher.test" )
- Falls kategoriale Variablen Kategorien mit sehr geringen Fallzahlen aufweisen (z. B.
-
Datenharmonisierung:
- Stellen Sie sicher, dass Variablen wie
pathwayoderstatus_kidneyin beiden Datensätzen (study_pop19_MED,study_pop24_MED) identisch codiert sind (z. B. gleiche Faktorebenen).
- Stellen Sie sicher, dass Variablen wie
-
Visualisierung ergänzen:
- Ergänzen Sie die Tabelle um Grafiken (z. B. Boxplots für stetige Variablen oder Balkendiagramme für kategoriale), um Unterschiede visuell zu veranschaulichen:
library(ggplot2) ggplot(vergleich_studypop_MED_data, aes(x = zeitraum, y = d_stat_age)) + geom_boxplot() + labs(title = "Alter nach Zeitraum", y = "Alter (Jahre)")
- Ergänzen Sie die Tabelle um Grafiken (z. B. Boxplots für stetige Variablen oder Balkendiagramme für kategoriale), um Unterschiede visuell zu veranschaulichen:
Beispiel für eine optimierte Tabelle
vergleich_studypop_MED <- vergleich_studypop_MED_data %>% tbl_summary( by = zeitraum, include = c(status_kidney, pathway, gender_numeric, d_stat_age, weight_kg, hypertension, diabetes, death_cause, rea, kdri_scaled, french_score, `french_score_>3`), missing = "ifany", missing_text = "NA", label = list( status_kidney ~ "Transplantationsstatus", pathway ~ "Donor-Typ", gender_numeric ~ "Geschlecht (F)", d_stat_age ~ "Alter (Jahre)", weight_kg ~ "Gewicht (kg)", hypertension ~ "Arterielle Hypertonie", diabetes ~ "Diabetes mellitus", death_cause ~ "Todesursache", rea ~ "Reanimation", kdri_scaled ~ "KDRI", `french_score_>3` ~ "French Score ≥3" ), statistic = list( all_categorical() ~ "{n} ({p}%)", all_continuous() ~ "{median} ({p25}, {p75})" ), digits = list( d_stat_age ~ 1, weight_kg ~ 1, kdri_scaled ~ 2 ) ) %>% add_p( test = list( all_continuous() ~ "wilcox.test", all_categorical() ~ "fisher.test" # Alternativ zu chisq.test ), pvalue_fun = ~ style_pvalue(.x, digits = 3) ) %>% modify_caption("**Abgelehnte Nieren (MED): 2012–2019 vs. 2022–2024**")
Zusammenfassung
Die Tabelle ist bereits gut konzipiert und ermöglicht einen klaren Vergleich der beiden Zeitperioden. Durch die Anpassungen (z. B. Fisher-Test, explizite Dezimalstellen, Datenharmonisierung) können die Ergebnisse präziser und aussagekräftiger werden. Für die Interpretation sollten Sie besonders auf signifikante p-Werte (z. B.
<0.05) achten, die auf Unterschiede zwischen den Perioden hinweisen.-
- User
library(gtsummary) library(dplyr)
TABLE_ONE <- tab_flexible(vergleich_studypop_TX,vergleich_studypop_MED)
Assistant
Die Funktion
tab_flexible()ist nicht Teil desgtsummary-Pakets (Stand 2023). Wahrscheinlich haben Sie eine andere Funktion oder ein anderes Paket im Sinn, das nicht installiert ist. Um zweigtsummary-Tabellen zu kombinieren, gibt es zwei Hauptmethoden:
1. Vertikale Verbindung mit
tbl_stack()Fügt Tabellen untereinander zusammen (z. B. für unterschiedliche Subgruppen).
library(gtsummary) # Beispiel: Kombiniere zwei tbl_summary-Objekte vertikal combined_table <- tbl_stack( list(vergleich_studypop_TX, vergleich_studypop_MED), group_header = c("Transplantierte Nieren (TX)", "Abgelehnte Nieren (MED)") ) # Ausgabe combined_table
2. Horizontale Verbindung mit
tbl_merge()Stellt Tabellen seitlich nebeneinander dar (z. B. für Vergleiche zwischen Gruppen).
# Beispiel: Kombiniere zwei tbl_summary-Objekte horizontal merged_table <- tbl_merge( list(vergleich_studypop_TX, vergleich_studypop_MED), tab_spanner = c("**Transplantierte Nieren (TX)**", "**Abgelehnte Nieren (MED)**") ) # Ausgabe merged_table
Voraussetzungen für die Kombination
- Beide Tabellen müssen
tbl_summary-Objekte sein (z. B. erstellt mittbl_summary()). - Konsistente Variablen: Stellen Sie sicher, dass die Tabellen dieselben Variablen enthalten. Falls nicht:
- Harmonisieren Sie die Variablen vorab (z. B. mit
include = ...intbl_summary()). - Fügen Sie fehlende Variablen mit
modify_table_body()hinzu (siehe unten).
- Harmonisieren Sie die Variablen vorab (z. B. mit
Beispiel: Harmonisierung von Variablen
Falls
vergleich_studypop_TXundvergleich_studypop_MEDunterschiedliche Variablen enthalten:# Füge eine fehlende Variable (z. B. "french_score") zur ersten Tabelle hinzu vergleich_studypop_TX <- vergleich_studypop_TX %>% modify_table_body( ~ .x %>% bind_rows(tibble::tibble(variable = "french_score", label = "French Score")) %>% arrange(variable) # Sortiere Variablen alphabetisch ) # Kombiniere Tabellen danach combined_table <- tbl_stack(list(vergleich_studypop_TX, vergleich_studypop_MED))
Anpassung der Beschriftung
Passen Sie die Labels oder Statistiken nach der Kombination an:
combined_table %>% modify_caption("Vergleich transplantierte vs. abgelehnte Nieren") %>% modify_header(label = "**Variable**", all_stat_cols() ~ "**{level}**")
Wichtige Hinweise
-
Teststatistiken (
add_p()):- Bei
tbl_stack()bleiben p-Werte erhalten, aber sie beziehen sich auf den jeweiligen Tabellenteil. - Bei
tbl_merge()müssen p-Werte ggf. neu berechnet werden, da die Gruppen getrennt sind.
- Bei
-
Fehlende Werte:
- Stellen Sie sicher, dass
missing = "ifany"odermissing = "always"in beiden Tabellen konsistent verwendet wird.
- Stellen Sie sicher, dass
-
Formatierung:
- Dezimalstellen, Prozentformate und Testmethoden sollten vor der Kombination einheitlich festgelegt werden.
Zusammenfassung
- Nutzen Sie
tbl_stack()für vertikale Kombination (eine Tabelle unter der anderen). - Nutzen Sie
tbl_merge()für horizontale Kombination (seitlicher Vergleich). - Stellen Sie Konsistenz der Variablen und Formatierung sicher, bevor Sie Tabellen kombinieren.
Falls Sie weitere Details zu den Tabelleninhalten benötigen, können Sie die Struktur mit
str(vergleich_studypop_TX)undstr(vergleich_studypop_MED)überprüfen.- Beide Tabellen müssen
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.