Para seguir com este módulo você deve saber como importar dados de diferentes fontes, limpar e transformar textos e datas, criar tabelas com filtros escolhidos, unir dados de diversas fontes e exportar os dados tratados para diferentes formatos. Todo esse conteúdo nós vimos nos três primeiros módulos do curso. Lembre-se que você pode sempre voltar a eles para relembrar os códigos e dicas.

Neste módulo iremos aprender algumas das principais métricas para análise de dados utilizando o software R. Estas métricas são usadas dentro do fluxo de dados que você aprendeu no módulo anterior para analisar e investigar os diversos sistemas de informação, construindo um conjunto de dados de interesse e resumindo suas principais características. Estas etapas são fundamentais para o planejamento, o monitoramento e a avaliação das ações de vigilância em saúde.

Para iniciar um relatório epidemiológico que narre a situação de um agravo, doença ou evento de saúde o profissional de vigilância deve realizar a análise exploratória de seus dados. Para manipular bancos de dados de forma eficiente, garantindo segurança à análise, o profissional deve possuir uma metodologia de compreensão e organização dos dados.

Para dar início a esta etapa, como primeiros passos para uma análise segura e reproduzível, o profissional de vigilância em saúde deve conhecer a estrutura de sua base de dados. Para isto deve sempre se fazer as seguintes perguntas:

• Quais informações estão presentes no banco de dados?
• Quais são as variáveis que o compõem?
• Quais os formatos dessas variáveis: textos, números, datas, categorias?
• O que cada linha significa?

Neste tópico iremos aprender como obter uma descrição básica dos dados escolhidos e responder a cada uma das perguntas listadas acima. Ao final seremos capazes de garantir a validade dos dados analisados e produzir nossa análise de situação de saúde com segurança.

Vamos praticar! Para nossa análise exploratória do Estado de Rosas utilizaremos a base de dados {NINDINET.dbf}, armazenada no diretório “bases” do curso e que já utilizamos anteriormente. Carregue os pacotes do tidyverse e foreign, e em seguida importe o banco de dados para o ambiente do RStudio. Lembre-se que os pacotes no R são bibliotecas que organizam e padronizam a distribuição de funções do R.

Acompanhe o script abaixo e não se preocupe com os pacotes novos que utilizaremos, eles serão explicados de forma detalhada no momento de aplicação neste módulo:

# carregando os pacotes necessários para análise
if(!require(tidyverse)) install.packages("tidyverse");library(tidyverse)
if(!require(foreign)) install.packages("foreign");library(foreign)
if(!require(DescTools)) install.packages("DescTools");library(DescTools)
if(!require(summarytools)) install.packages("summarytools");library(summarytools)
if(!require(gtsummary)) install.packages("gtsummary");library(gtsummary)

# criando objeto do tipo dataframe (tabela) {`dados`} com a base de dados 
# {`NINDINET.dbf`}
dados <- read.dbf(file = 'Dados/NINDINET.dbf')

Agora, vamos visualizar o total de linhas e colunas da base de dados, sua estrutura, o tipo de variável de cada coluna e seus respectivos primeiros valores da tabela dados. Para isso utilizaremos a função glimpse():

# utilizando a função glimpse()
glimpse(dados)

#> Rows: 27,621
#> Columns: 62
#> $ NU_NOTIFIC <fct> 7671320, 0855803, 8454645, 3282723, 9799526, 7275624, 82477…
#> $ TP_NOT     <int> 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,…
#> $ ID_AGRAVO  <fct> A509, W64, X58, A90, B19, A90, A90, Y09, A90, W64, A90, A90…
#> $ CS_SUSPEIT <int> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ IN_AIDS    <int> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ CS_MENING  <int> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ DT_NOTIFIC <date> 2012-04-11, 2010-09-17, 2010-10-19, 2008-04-14, 2011-06-20…
#> $ SEM_NOT    <fct> 201215, 201037, 201042, 200816, 201125, 200807, 200750, 201…
#> $ NU_ANO     <int> 2012, 2010, 2010, 2008, 2011, 2008, 2007, 2011, 2008, 2011,…
#> $ SG_UF_NOT  <int> 61, 61, 61, 61, 61, 61, 61, 61, 61, 61, 61, 61, 61, 61, 61,…
#> $ ID_MUNICIP <int> 610213, 610213, 610213, 610213, 610213, 610213, 610213, 610…
#> $ ID_REGIONA <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ ID_UNIDADE <int> 256100, 180142, 559191, 180142, 480722, 570404, 319816, 289…
#> $ DT_SIN_PRI <date> 2012-04-05, 2010-09-09, 2010-10-19, 2008-04-11, 2011-04-02…
#> $ SEM_PRI    <fct> 201214, 201036, 201042, 200815, 201113, 200806, 200749, 201…
#> $ DT_NASC    <date> 2012-04-04, 1988-04-23, 1971-03-25, 1928-05-29, 2002-09-18…
#> $ NU_IDADE_N <int> 2001, 4022, 4039, 4079, 4008, 4054, 4032, 4014, 4037, 4011,…
#> $ CS_SEXO    <fct> M, M, M, F, M, F, F, F, F, F, M, M, M, M, F, F, F, F, F, F,…
#> $ CS_GESTANT <int> 6, 6, 6, 9, 6, 9, 9, 9, 6, 5, 6, 6, 6, 6, 9, 9, 9, 9, 6, 5,…
#> $ CS_RACA    <int> 4, 1, NA, 4, 4, 9, NA, 1, 9, 4, NA, 9, NA, NA, 9, NA, 1, 9,…
#> $ CS_ESCOL_N <fct> 10, NA, NA, 02, 01, 09, NA, 09, 09, 01, 10, 09, 10, NA, 09,…
#> $ SG_UF      <int> 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33,…
#> $ ID_MN_RESI <int> 610213, 610213, 610250, 610213, 610250, 610213, 610213, 610…
#> $ ID_RG_RESI <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ ID_DISTRIT <fct> 05, 05, 05, 01, 01, 04, 05, 04, 01, 04, 01, 05, 04, 05, 03,…
#> $ ID_BAIRRO  <fct> 020, 019, 020, 001, 001, 014, 020, 012, 003, 016, 003, 020,…
#> $ ID_LOGRADO <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ ID_GEO1    <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ ID_GEO2    <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ CS_ZONA    <int> 1, 1, NA, 1, 1, 1, 1, 1, 1, 1, 1, 1, NA, 1, 1, 1, 1, 1, 1, …
#> $ ID_PAIS    <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…
#> $ NDUPLIC_N  <int> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ IN_VINCULA <int> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ DT_INVEST  <date> NA, NA, 2010-10-19, 2008-04-14, 2011-06-20, NA, NA, NA, 20…
#> $ ID_OCUPA_N <fct> NA, NA, NA, NA, 999991, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ CLASSI_FIN <int> NA, NA, NA, 5, 1, 8, 8, 1, 1, NA, 8, 1, 8, 8, 1, NA, 1, 8, …
#> $ CRITERIO   <int> NA, NA, NA, 1, NA, NA, NA, NA, 2, NA, NA, 1, NA, NA, 2, NA,…
#> $ TPAUTOCTO  <int> NA, NA, NA, NA, NA, NA, NA, NA, 1, NA, NA, 1, NA, NA, NA, N…
#> $ COUFINF    <int> NA, NA, NA, NA, NA, NA, NA, NA, 61, NA, NA, 61, NA, NA, NA,…
#> $ COPAISINF  <int> 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0,…
#> $ COMUNINF   <int> NA, NA, NA, NA, NA, NA, NA, NA, 610213, NA, NA, 610213, NA,…
#> $ CODISINF   <fct> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ CO_BAINFC  <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 84, 0, 0, 0…
#> $ NOBAIINF   <fct> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ DOENCA_TRA <int> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ EVOLUCAO   <int> 1, NA, NA, NA, NA, NA, NA, NA, 1, NA, NA, 1, NA, NA, NA, NA…
#> $ DT_OBITO   <date> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA…
#> $ DT_ENCERRA <date> NA, 2010-10-16, 2010-10-19, 2008-06-19, 2011-06-20, 2008-0…
#> $ DT_DIGITA  <date> 2012-11-09, 2010-11-17, 2011-03-14, 2008-04-24, 2011-09-14…
#> $ DT_TRANSUS <date> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA…
#> $ DT_TRANSDM <date> NA, NA, NA, NA, NA, NA, NA, NA, 2008-07-10, NA, NA, NA, NA…
#> $ DT_TRANSSM <date> 2012-11-13, 2010-11-23, 2011-04-12, 2010-11-16, 2011-09-19…
#> $ DT_TRANSRM <date> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA…
#> $ DT_TRANSRS <date> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA…
#> $ DT_TRANSSE <date> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA…
#> $ NU_LOTE_V  <fct> 2012049, 2010047, 2011015, 2010044, 2011038, 2010043, 20100…
#> $ NU_LOTE_H  <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ CS_FLXRET  <int> 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
#> $ FLXRECEBI  <int> 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,…
#> $ MIGRADO_W  <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ CO_USUCAD  <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…
#> $ CO_USUALT  <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,…

Observe que ao executarmos o comando glimpse(dados), a função lhe retornará o nome de todas as variáveis da base. Estas variáveis estão identificadas a partir de estruturas com o seguinte padrão:

• int: variáveis compostas por números inteiros;
• dbl: variáveis numéricas compostas por números reais;
• date: variáveis no formato de data (aaaa/mm/dd);
• fct: variáveis categóricas (codificadas como “fatores” ou “factors”), e o número de categorias nesta variável (levels);
• chr: variáveis no formato de strings de texto (character).

Você poderá também visualizar os dados de outra maneira, ou seja, de forma mais resumida. Para isto deve selecionar ou clicar no nome da sua tabela no canto direito superior do RStudio dentro da aba Environment. Veja esta área do R na Figura 1 abaixo. Clique na tabela que acabamos de criar chamada dados.

Figura 1: Tela do painel Environment com a tabela {dados} carregada no RStudio.

Clicando na tabela {dados}, iremos abrir uma nova aba com as informações presentes em cada coluna (Figura 2). Utilizando as barras de rolagens da sua tela para baixo você poderá acessar as diferentes linhas e colunas de toda tabela {dados} salva no R.

Figura 2: Tela da IDE RStudio com a tabela {dados} carregada.

Pronto, agora que conhecemos as variáveis e a estrutura da tabela {dados} poderemos escolher quais as variáveis serão necessárias para construção de uma análise dados de vigilância em saúde.

Acompanhe nas sessões abaixo as medidas mais utilizadas em epidemiologia, como cálculo de frequência, proporção e porcentagem, valores mínimos e máximos, média, mediana, quartis, variância, desvio padrão e medidas de dispersão dos dados.