O médico húngaro Dr. Ignaz Semmelweis trabalhou no Hospital Geral de Viena com pacientes com febre infantil. A febre infantil é uma doença mortal que afeta as mulheres que acabaram de dar à luz e, no início da década de 1840, até 10% das mulheres que deram à luz morreram dela no Hospital Geral de Viena. Dr. Semmelweis descobriu que eram as mãos contaminadas dos médicos que davam à luz os bebês, e em 1º de junho de 1847, decretou que todos deveriam lavar as mãos, uma coisa pouco ortodoxa e controversa; ninguém em Viena sabia sobre bactérias. Ou seja, o Dr. Ignaz Semmelweis é simplesmente reconhecido como o pai da lavagem das mãos.

Portanto, o que vou fazer neste projeto, é reanalisar os dados que fizeram a Semmelweis descobrir a importância da lavagem das mãos e seu impacto no hospital.

Os datasets que serão utilizados : yearly.csv contém o número de mulheres que deram à luz nas duas clínicas do Hospital Geral de Viena entre os anos de 1841 e 1846. E o monthly.csv que contém dados da ‘Clínica 1’ do hospital onde ocorreu a maioria das mortes.

# Carregamento dos datasets e do pacote para a análise

library(tidyverse)

yearly <- read_csv("Yearly.csv")
monthly <- read_csv("Monthly.csv")

# Olhando as primeiras linhas de cada dataset

head(yearly)
## # A tibble: 6 × 4
##    year births deaths clinic  
##   <dbl>  <dbl>  <dbl> <chr>   
## 1  1841   3036    237 clinic 1
## 2  1842   3287    518 clinic 1
## 3  1843   3060    274 clinic 1
## 4  1844   3157    260 clinic 1
## 5  1845   3492    241 clinic 1
## 6  1846   4010    459 clinic 1
head(monthly)
## # A tibble: 6 × 3
##   date       births deaths
##   <date>      <dbl>  <dbl>
## 1 1841-01-01    254     37
## 2 1841-02-01    239     18
## 3 1841-03-01    277     12
## 4 1841-04-01    255      4
## 5 1841-05-01    255      2
## 6 1841-06-01    200     10
# Podemos observar que o dataset yearly é composto por 4 variáveis(Colunas), e o dataset monthly é composto por 3 variáveis(Colunas)

# As variáveis do dataset yearly são : Year(Ano), births(N. de nascimentos), deaths(N. de mortes)  e clinic(Clínicas 1 e 2).

# As variáveis do dataset monthly são : date( Data ), births(N. de nascimentos), deaths(N. de mortes).

(1) Para começar, vamos traduzir os nomes de nossas variáveis para o Português brasileiro.

yearly <- yearly %>% rename(ano = year, nascimentos = births, mortes = deaths, clinica = clinic ) 




monthly <- monthly %>% rename(data = date, nascimentos = births, mortes = deaths)

head(monthly)
## # A tibble: 6 × 3
##   data       nascimentos mortes
##   <date>           <dbl>  <dbl>
## 1 1841-01-01         254     37
## 2 1841-02-01         239     18
## 3 1841-03-01         277     12
## 4 1841-04-01         255      4
## 5 1841-05-01         255      2
## 6 1841-06-01         200     10
head(yearly)
## # A tibble: 6 × 4
##     ano nascimentos mortes clinica 
##   <dbl>       <dbl>  <dbl> <chr>   
## 1  1841        3036    237 clinic 1
## 2  1842        3287    518 clinic 1
## 3  1843        3060    274 clinic 1
## 4  1844        3157    260 clinic 1
## 5  1845        3492    241 clinic 1
## 6  1846        4010    459 clinic 1

Dr. Semmelweis e sua importância na redução de mortes relacionadas a febre infantil.

(2) Vamos calcular as proporções de mortes por número de nascimentos para criar taxas específicas de mortalidade relacionadas a nascimentos, e adicionar o resultado para uma nova variável para os dois datasets.

yearly <- yearly %>% mutate(proporcao_mortes = mortes/nascimentos )


monthly <- monthly %>% mutate(proporcao_mortes = mortes/nascimentos)

(3) Com a nova coluna já criada, vamos então plotar um gráfico de linhas para observar o comportamento dessa nova variável ao longo do tempo para cada um dos datasets.

yearly %>% ggplot(aes(x = ano, y = proporcao_mortes, color = clinica)) + geom_line() + labs(title = "Proporção de mortes ao longo do tempo", x = "Ano",y = "Proporção de mortes")

monthly %>% ggplot(aes(x = data, y = proporcao_mortes)) + geom_line() + labs(title = "Proporção de mortes ao longo do tempo", x = "Ano", y = "Proporção de mortes" )

Comentários :: Observe pelo segundo gráfico feito com o dataset monthly que justamente no período pós a data de 1º de junho de 1847 quando foi decretado pelo Dr. Semmelweis a lavagem de mãos, começou a ter uma queda drástica na proporção de mortes. Ou seja, as conclusões do Dr. Semmelweis estavam super certas em relação as mãos contaminadas dos médicos contribuirem para a febre infantil.

(4) Vamos agora criar uma nova coluna no dataset monthly através de um condicional indicando se começou ou não a lavagem de mãos.

data_de_inicio_lavagem = as.Date("1847-07-01")
lavagem <- monthly %>% mutate(lavagem_maos = ifelse(data > data_de_inicio_lavagem, "Depois", "Antes"))

lavagem
## # A tibble: 98 × 5
##    data       nascimentos mortes proporcao_mortes lavagem_maos
##    <date>           <dbl>  <dbl>            <dbl> <chr>       
##  1 1841-01-01         254     37          0.146   Antes       
##  2 1841-02-01         239     18          0.0753  Antes       
##  3 1841-03-01         277     12          0.0433  Antes       
##  4 1841-04-01         255      4          0.0157  Antes       
##  5 1841-05-01         255      2          0.00784 Antes       
##  6 1841-06-01         200     10          0.05    Antes       
##  7 1841-07-01         190     16          0.0842  Antes       
##  8 1841-08-01         222      3          0.0135  Antes       
##  9 1841-09-01         213      4          0.0188  Antes       
## 10 1841-10-01         236     26          0.110   Antes       
## # ℹ 88 more rows

(5) Agora vamos plotar novamente um gráfico de linhas só que com as informações adicionais da nova tabela criada.

lavagem %>% ggplot(aes(x = data, y = proporcao_mortes, color = lavagem_maos)) + geom_line() + labs(title = "Proporção de mortes ao longo do tempo", x = "Ano", y = "Proporção")

Comentários :: Com essa nova visualização, conseguimos observar com melhor precisão o tanto que a lavagem de mãos reduziu a proporção de mortes.

(6) Uma medida bem interessante e importante de se observar antes e depois da lavagem das mãos, é exatamente a média. Portanto, o que vou fazer é calcular a proporção média de óbitos antes e após a lavagem das mãos a partir dos dados mensais do dataset monthly e armazenar o resultado como um df 2x2. Posteriormente, irei plotar 2 gráficos para comparativo. 

tabela_resumo_posicao <- lavagem %>% group_by(lavagem_maos) %>% summarize(proporcao_media_mortes = mean(proporcao_mortes))

head(tabela_resumo_posicao)
## # A tibble: 2 × 2
##   lavagem_maos proporcao_media_mortes
##   <chr>                         <dbl>
## 1 Antes                        0.103 
## 2 Depois                       0.0215
colunas_grafico <- tabela_resumo_posicao %>% ggplot(aes(x = lavagem_maos, y = proporcao_media_mortes, fill = lavagem_maos)) + geom_col(color = "black") + labs(title = "Proporção média de mortes antes e depois da lavagem de mãos.", x = "Lavagem de mãos", y = "Proporção média")

colunas_grafico

setores_grafico <- tabela_resumo_posicao %>% ggplot(aes(x = " ", y = proporcao_media_mortes, fill = lavagem_maos)) + geom_bar(stat = "identity", width = 1, color = "black") + coord_polar("y") + labs(title = "Proporção média de mortes antes e depois da lavagem de mãos") + theme_minimal()

setores_grafico

Comentários :: Com o resultado da tabela e dos gráficos gerados, podemos observar que a proporção média de mortes também diminuiu drasticamente graças ao Dr. Ignaz Semmelweis. Observe que com a tabela gerada nós já podiamos tirar uma conclusão. Porém, quando apresentamos o resultado através de uma visualização gráfica, as pessoas que estão observando o resultado, independentemente do nível de experiência em análise de dados, conseguem compreender melhor e mais rapidamente o significado, se foi maior ou menor e etc apenas com uma observação rápida.

(7) O poder do Boxplot

Através de um Boxplot( diagrama de caixas ou caixa de bigodes), conseguimos tirar várias informações importantes como Medidas de posição, dispersão e Outliers. Vamos fazer um Boxplot e observar todas essas informações referente a proporção de mortes antes e depois da lavagem de mãos.

boxplot_lavagem <- lavagem %>% ggplot(aes(x = lavagem_maos, y = proporcao_mortes, fill = lavagem_maos )) + geom_boxplot() + labs(title = "Boxplot com informações sobre o período de antes e depois da lavagem de mãos", x = "Lavagem das mãos", y = "proporção de mortes")

boxplot_lavagem

Comentários :: Com as informações do boxplot, podemos observar que :

– > A mediana(Q2), o Q1 e o Q3 da proporção de mortes depois da lavagem de mãos são bem inferiores quando comparados com a mediana, Q1 e Q3 de antes da lavagem de mãos.

– > O intervalo interquartil (IQR) da proporção de mortes depois da lavagem de mãos também é bastante inferior quando comparado com o de antes da lavagem.

– > Antes da lavagem das mãos também conseguimos observar um valor outlier. (Ou seja, em dado momento a proporção de mortes antes da lavagem das mãos foi excepcionalmente alta. Também pode acontecer de ser um erro nos dados, como uma entrada incorreta no processo de coleta dos dados.)

Conclusões

Como comentado na introdução da análise, sabemos que foi graças ao Dr. Ignaz Semmelweis que foram evitadas muitas mortes em relação a febre infantil por conta da falta de higienização das mãos. Porém, é com essa breve análise de dados, que conseguimos comprovar os resultados dele. Conseguimos, através de ferramentas de estatística descritiva e programação, coletar informações super importantes, e comprovar o quão genial foi o médico em sua descoberta. Ter acesso a essas informações que destacam o quão importante foi O médico húngaro Dr. Ignaz Semmelweis na história da medicina. Graças a sua descoberta em relação a lavagem de mãos, ele conseguiu evitar um desastre ainda maior.