Análisis estadístico para mediciones de azúcar en sangre

Realicé un laboratorio destinado a encontrar el impacto de la ingesta de fibra soluble en el cambio en los niveles de azúcar en la sangre. Después de un ayuno de 8 horas, hice que los sujetos de prueba consumieran una cantidad fija de carbohidratos, con una cantidad variable de fibra soluble, y medí su nivel de azúcar en la sangre en intervalos de 20 minutos. Esto se hizo durante dos horas cada prueba, generalmente hasta que los niveles de azúcar en la sangre bajaron a la normalidad.

Se usaron 5 sujetos de prueba para la prueba, cada uno con respuestas individuales de azúcar en sangre; por ejemplo, cada uno tenía niveles de azúcar en sangre en ayunas consistentemente diferentes antes de consumir alimentos, cada uno tenía picos de azúcar en sangre consistentemente diferentes, y así sucesivamente. Cada sujeto de prueba fue evaluado 4 veces, una vez sin fibra soluble y 3 más con cantidades variables de fibra soluble. Los datos sin procesar que me quedan ahora son simplemente una colección de gráficos de diagramas de dispersión que muestran aumentos en el azúcar en la sangre desde la condición normal, un pico y una caída posterior a la condición normal.

Puedo ver visiblemente en mis gráficos que una mayor cantidad de fibra soluble hizo que los picos de azúcar en la sangre fueran más pequeños y más largos de alcanzar. Los datos no siempre siguieron esta tendencia, debido a alguna fuente de error, pero, sin embargo, es evidente una relación. Espero llegar a una conclusión a partir de estos datos. ¿Qué método de análisis estadístico podría usar para concluir una relación a partir de estos diagramas de dispersión? Me gustaría que el método tuviera en cuenta las diferentes respuestas individuales, así como los pocos conjuntos de datos que no confirmaron una relación.

¡Aprecio tu ayuda!

Tienes un diseño experimental bastante complejo. Creo que esta pregunta es más adecuada para stats.SE, donde es más probable que haya personas con experiencia.

Respuestas (1)

Sería útil ver sus parcelas. La forma en que me imagino presentar estos datos no es diagramas de dispersión sino diagramas de líneas:

medidas esquemáticas de los niveles de azúcar en la sangre

(Cada línea tendría un intervalo de confianza/desviación estándar de sus diferentes sujetos de prueba. Esta es solo una representación esquemática. El color representa diferentes condiciones experimentales. Avíseme si entendí mal su experimento).

Ahora, ¿cuál es tu pregunta real? ¿Tu hipótesis? Quiere saber si el momento o la altura del pico de los niveles de azúcar en la sangre es diferente entre los diferentes niveles de fibra, ¿verdad?

Entonces, ¿por qué no medir esto? ¿A qué hora encuentra el pico para cada sujeto y condición experimental y cuál es el nivel de azúcar en la sangre en ese momento? Su hipótesis nula sería que no hay diferencia entre las condiciones de prueba.

altura máxima

Aquí, algunos datos simulados muestran la distribución de datos de sus 5 sujetos de prueba de las mediciones de altura máxima en las 4 condiciones de prueba diferentes. Ahora redujo sus datos a una pregunta, donde podría usar una prueba estadística para ver si puede rechazar la hipótesis nula.

Una cosa que podría hacer es realizar un ANOVA con, por ejemplo, la prueba post hoc de Dunnett para comparar las condiciones de su fibra con la condición de control.

Un problema con eso es que sus condiciones no son realmente independientes. Y su pregunta real no es si alguna de estas condiciones es diferente. Su hipótesis sería más bien si existe una relación entre el contenido de fibra y la altura/retraso del pico (la hipótesis nula sería: no hay relación).

Aquí están los mismos datos simulados en un gráfico de dispersión (el color representa sujetos de prueba, se superponen, pero supongamos que hay 5 puntos de datos para cada condición) con una línea de tendencia que muestra que con el aumento del contenido de fibra hay una reducción en la altura máxima:

dispersión de altura máxima

Por lo tanto, podría intentar un análisis de correlación y comprobar la importancia estadística de su coeficiente de correlación.

Como puede ver, el análisis estadístico depende en gran medida de su hipótesis y de cómo analice sus mediciones sin procesar. Espero haber identificado correctamente el problema y esto te ayude con tu análisis.

¡Sí, eso tiene mucho sentido! Agradezco mucho su ayuda.
Análisis estadístico para mediciones de azúcar en sangre
RespuestasAquíPolítica de privacidad1y, 0v