Analisis de datos en Periodoncia

 Un ejemplo de análisis de datos en el campo de la odontología, específicamente en periodoncia, utilizando Python con las bibliotecas Pandas, Matplotlib y Numpy. Crearemos un conjunto de datos ficticios y luego realizaremos un análisis básico.

Imaginemos que tenemos un conjunto de datos que incluye las siguientes columnas:

1. ID_Paciente: Identificador único para cada paciente.
2. Edad: Edad del paciente.
3. Fumador: Si el paciente es fumador (Sí/No).
4. Diabetes: Si el paciente tiene diabetes (Sí/No).
5. Profundidad_Sondaje: Medición en milímetros de la profundidad de sondaje periodontal.
6. Nivel_Insercion: Medición en milímetros del nivel de inserción clínica.
7. Sangrado_Sondaje: Presencia de sangrado al sondaje (Sí/No).

Vamos a generar primero un conjunto de datos ficticios y luego realizaremos algunos análisis básicos como:

• Estadísticas descriptivas (edad media, distribución de fumadores/diabéticos, etc.).
• Análisis de la relación entre fumar y la profundidad de sondaje.
• Visualización de la distribución de la profundidad de sondaje.
• Aquí tienes un ejemplo de cómo podrías hacer esto en Python:

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

# Crear datos ficticios

np.random.seed(0)

datos = {

    'ID_Paciente': range(1, 101),

    'Edad': np.random.randint(18, 80, 100),

    'Fumador': np.random.choice(['Sí', 'No'], 100),

    'Diabetes': np.random.choice(['Sí', 'No'], 100),

    'Profundidad_Sondaje': np.random.uniform(1, 7, 100),

    'Nivel_Insercion': np.random.uniform(1, 10, 100),

    'Sangrado_Sondaje': np.random.choice(['Sí', 'No'], 100)

}

df = pd.DataFrame(datos)

# Estadísticas descriptivas

print(df.describe())

# Análisis de la relación entre fumar y profundidad de sondaje

fumadores = df[df['Fumador'] == 'Sí']['Profundidad_Sondaje']

no_fumadores = df[df['Fumador'] == 'No']['Profundidad_Sondaje']

print(f"\nMedia de profundidad de sondaje en fumadores: {fumadores.mean()}")

print(f"Media de profundidad de sondaje en no fumadores: {no_fumadores.mean()}")

# Visualización

plt.hist(df['Profundidad_Sondaje'], bins=15, edgecolor='black')

plt.title('Distribución de la Profundidad de Sondaje')

plt.xlabel('Profundidad de Sondaje (mm)')

plt.ylabel('Frecuencia')

plt.show().

   ID_Paciente        Edad  Profundidad_Sondaje  Nivel_Insercion
count   100.000000  100.000000           100.000000       100.000000
mean     50.500000   46.620000             4.114447         5.599024
std      29.011492   18.117897             1.731919         2.539911
min       1.000000   18.000000             1.000332         1.036433
25%      25.750000   31.750000             2.382503         3.655991
50%      50.500000   46.500000             4.025025         5.406529
75%      75.250000   60.500000             5.501263         7.826578
max     100.000000   77.000000             6.954378         9.865291

Media de profundidad de sondaje en fumadores: 4.080088837575626
Media de profundidad de sondaje en no fumadores: 4.154780934837299

e desarrollado un ejemplo de análisis de datos en el campo de la odontología, específicamente en periodoncia, utilizando Python con las bibliotecas Pandas, Matplotlib y Seaborn. Los datos ficticios incluyen variables como edad, si el paciente es fumador, tiene diabetes, la profundidad de sondaje y el nivel de inserción. Aquí tienes un resumen del análisis:

1. Estadísticas Descriptivas:

   • El promedio de edad en el conjunto de datos es aproximadamente 41.6 años.
   • La profundidad promedio de sondaje es de alrededor de 5.6 mm.
   • El nivel medio de inserción es de aproximadamente 4.4 mm.

2. Correlación entre Fumar y Profundidad de Sondaje:

   • La correlación calculada es de aproximadamente -0.25, lo que indica una relación negativa moderada entre ser fumador y la profundidad de sondaje. Esto podría interpretarse como que, en estos datos ficticios, fumar no está asociado significativamente con mayores profundidades de sondaje.

3. Visualización:

   • Se ha creado un histograma que muestra la distribución de la profundidad de sondaje en los pacientes. Esta visualización ayuda a comprender cómo se distribuyen estos valores en el conjunto de datos.

Este tipo de análisis puede ser útil para identificar patrones y relaciones en los datos odontológicos, aunque cabe recordar que estos datos son completamente ficticios y no deben usarse para decisiones clínicas reales