Übungen

Nutze den Kohorten- und Labordatensatz. Versuche jede Aufgabe zuerst in Python, dann in R. Code in Englisch, Antworten auf Deutsch. Lösungen: loesungen.md.

Aufgabe 1 – Mittelwert oder Median?

Lade die Kohorte mit load_cohort(). Berechne für crp_mg_l, sofa_score und verweildauer_tage jeweils Mittelwert und Median.

a) Wo weichen sie stark voneinander ab? Was sagt das über die Verteilung? b) Welches Lagemaß würdest du in einer Publikation berichten, und warum?

Aufgabe 2 – Häufigkeiten und Anteile

a) Wie viele Patient:innen haben als Aufnahmegrund „Herzinsuffizienz"? Wie viel Prozent der Kohorte ist das (1 Dezimalstelle)? b) Wie groß ist der Anteil der Patient:innen mit Hypertonie? c) Erstelle eine Kreuztabelle: Raucherstatus × Diabetes (absolut und relativ).

Aufgabe 3 – Gruppenvergleich manuell

Vergleiche die folgenden Variablen zwischen Patient:innen, die in 30 Tagen verstorben sind (verstorben_30d == 1) und Überlebenden:

• alter
• sofa_score
• crp_mg_l
• verweildauer_tage

Berechne Median [IQR] je Gruppe. Welche Variable zeigt den auffälligsten Unterschied?

Aufgabe 4 – Table 1 reproduzieren

Erstelle mit tableone (Python) oder gtsummary (R) eine Table 1 für die folgenden Variablen, gruppiert nach aufnahmegrund (statt nach Mortalität): alter, geschlecht, diabetes, sofa_score, crp_mg_l.

Was fällt dir beim Vergleich der Aufnahmegruppen auf?

Aufgabe 5 – Fehlende Werte in Table 1

Verbinde Kohorte und Labor mit load_cohort() / load_labs(). Erstelle eine Table 1 und aktiviere die Anzeige fehlender Werte (missing=True in tableone, missing="ifany" in gtsummary).

Welche Variablen haben fehlende Werte, und wie viele? Ist das Muster der fehlenden Werte klinisch erklärbar?

Bonus

Berechne den Interquartilsabstand (IQR) von laktat_mmol_l getrennt nach Aufnahmegrund. Bei welcher Gruppe ist die Streuung am größten? Erstelle zusätzlich ein Boxplot, das dies visualisiert (Bezug zu Modul 08 (Explorative Datenanalyse und Datenvisualisierung)).