Projeto Glaucoma

2024-01-24

Introdução

O glaucoma é uma das principais causas de cegueira irreversível em todo o mundo, afetando milhões de pessoas de todas as idades. Esta doença ocular crônica é caracterizada pela degeneração progressiva do nervo óptico, geralmente associada ao aumento da pressão intraocular. Se não for diagnosticado e tratado precocemente, o glaucoma pode levar à perda permanente da visão periférica e, eventualmente, à cegueira completa.

A história do glaucoma remonta a milhares de anos. Registros históricos datam de evidências de tratamentos primitivos e observações da doença, embora o entendimento moderno do glaucoma e suas causas só tenha começado a se desenvolver nos últimos séculos. Ao longo do tempo, avanços significativos foram feitos no diagnóstico e tratamento do glaucoma, incluindo o desenvolvimento de técnicas de exame ocular avançadas, terapias medicamentosas e cirúrgicas, e a utilização de tecnologias de inteligência artificial e aprendizado de máquina para auxiliar na detecção precoce e no gerenciamento da doença.

Neste contexto, o presente relatório busca explorar e analisar um conjunto de dados relacionado à detecção de glaucoma. O conjunto de dados oferece uma ampla gama de informações, incluindo medidas clínicas, resultados de exames, histórico médico e demográfico dos pacientes. O objetivo principal dessa análise é identificar padrões e tendências nos dados que possam fornecer insights valiosos para o diagnóstico precoce, tratamento personalizado e manejo eficaz do glaucoma.

Ao compreender melhor os fatores que influenciam o desenvolvimento e a progressão do glaucoma, esperamos contribuir para a melhoria dos cuidados oftalmológicos e aprimorar as estratégias de prevenção e tratamento da doença. Esta análise pode beneficiar pacientes, oftalmologistas, pesquisadores e profissionais de saúde pública, ajudando a fornecer melhores abordagens para o controle do glaucoma e, em última instância, reduzindo o impacto devastador dessa condição na qualidade de vida das pessoas.

Abordagem

Será utilizado um conjunto de dados, obtidos nesse link contendo informações relacionadas à detecção de glaucoma. Este conjunto de dados contém uma variedade de campos, incluindo medidas clínicas, resultados de exames oftalmológicos, histórico médico e demográfico dos pacientes, entre outros. Será realizada uma análise exploratória desses dados para identificar padrões e tendências que possam estar associados ao glaucoma e suas características.

  • Análise Exploratória e Pré-processamento de Dados: Será realizada uma análise exploratória detalhada dos dados. Isso incluirá a visualização de distribuições de variáveis, identificação de valores ausentes, análise de padrões gerais nos dados. Aí entra o pré-processamento dos dados, para lidar com valores ausentes, remover duplicatas, e normalizar o dataset, conforme necessário.

  • Análise de Padrões e Tendências: Utilizando técnicas estatísticas e de visualização de dados, será buscado identificar padrões e tendências nos dados que possam estar associados à presença ou progressão do glaucoma. Isso pode incluir a identificação de fatores de risco, padrões de sintomas, correlações entre medidas oftalmológicas e diagnóstico de glaucoma, entre outros.

  • Interpretação dos Resultados: Finalmente, os resultados obtidos da análise serão interpretados, destacando descobertas importantes e relevantes relacionados ao glaucoma. Essas conclusões serão comunicadas de forma clara e acessível, através de gráficos, tabelas e narrativas, para facilitar a compreensão e a tomada de decisões por parte dos interessados.

Pacotes Requeridos

  • library(rmdformats): customização do template gerado pelo rmarkdown
  • library(knitr): para geração de relatórios dinâmicos
  • library(dplyr)
  • library(ggplot2)

Análise Exploratória e Pré-processamento de Dados

Os dados desse dataset possui as seguintes variáveis:

  • Patient ID: Identificador único para cada paciente no conjunto de dados.
  • Age: Idade do paciente.
  • Gender: Gênero do paciente.
  • Visual Acuity Measurements: Medidas de acuidade visual do paciente.
  • Intraocular Pressure (IOP): Pressão intraocular do paciente.
  • Cup-to-Disc Ratio (CDR): Relação entre a área da cavidade (copo) e a área do disco óptico (disco) do olho.
  • Family History: Histórico familiar de glaucoma ou outras condições oculares.
  • Medical History: Histórico médico do paciente.
  • Medication Usage: Uso de medicamentos relacionados ao tratamento do glaucoma.
  • Visual Field Test Results: Resultados dos testes de campo visual, que avaliam a função do nervo óptico.
  • Optical Coherence Tomography (OCT) Results: Resultados da tomografia de coerência óptica, que fornece imagens detalhadas das estruturas oculares.
  • Pachymetry: Medidas de espessura da córnea.
  • Cataract Status: Status da catarata, uma condição ocular comum em pacientes mais velhos.
  • Angle Closure Status: Status do fechamento do ângulo, uma condição que pode levar ao glaucoma agudo.
  • Visual Symptoms: Sintomas visuais relatados pelo paciente.
  • Diagnosis: Diagnóstico de glaucoma.
  • Glaucoma Type: Tipo específico de glaucoma.

Nesse dataset, tinham algumas mudanças a serem feitas, tais como valores ausentes na coluna ‘Medication.Usage’, ou dados em unidades de medidas diferentes, na coluna ‘Visual.Acuity.Measurements e dados duplicados na coluna ’Visual.Symptoms’.

Etapa de Limpeza

  • Carregando o arquivo CSV
glaucoma_dataset <- read.csv("glaucoma_dataset.csv")


  • Agora, será verificado se cada entrada na coluna “Medication.Usage” é uma string vazia e, se for, substitui essa entrada por NA, representando um valor ausente
glaucoma_dataset$Medication.Usage <- ifelse(glaucoma_dataset$Medication.Usage == "", NA, glaucoma_dataset$Medication.Usage)


  • Então, a seguinte função converte valores da escala LogMar para a notação Snellen, que é uma medida de acuidade visual. A função recebe um valor da escala LogMar como entrada e retorna o equivalente na notação Snellen. Se o valor de entrada não estiver na escala LogMar, a função retorna o valor original (que já é Snellen).
convert_to_snellen <- function(logmar_value) {
  if (logmar_value == "LogMAR 0.0") {
    return("20/20")
  } else if (logmar_value == "LogMAR 0.1") {
    return("20/25")
  } else if (logmar_value == "LogMAR 0.2") {
    return("20/32")
  } else if (logmar_value == "LogMAR 0.3") {
    return("20/40")
  } else if (logmar_value == "LogMAR 0.4") {
    return("20/50")
  } else if (logmar_value == "LogMAR 0.5") {
    return("20/63")
  } else if (logmar_value == "LogMAR 0.6") {
    return("20/80")
  } else if (logmar_value == "LogMAR 0.7") {
    return("20/100")
  } else if (logmar_value == "LogMAR 0.8") {
    return("20/125")
  } else if (logmar_value == "LogMAR 0.9") {
    return("20/160")
  } else if (logmar_value == "LogMAR 1.0") {
    return("20/200")
  } else {
    return(logmar_value) 
  }
}


  • E agora, será aplicada a função de conversão para a coluna ‘Visual.Acuity.Measurements’
glaucoma_dataset$Visual.Acuity.Measurements <- sapply(glaucoma_dataset$Visual.Acuity.Measurements, convert_to_snellen)


  • Esta função recebe uma string contendo sintomas separados por vírgula e espaço e remove quaisquer sintomas duplicados, retornando uma versão da string com apenas sintomas únicos. Para fazer isso, a função divide a string em sintomas individuais, remove os sintomas duplicados, e então junta os sintomas únicos de volta em uma string
remove_duplicate_symptoms <- function(symptoms_string) {
  # Dividir a string em sintomas individuais
  symptoms <- strsplit(symptoms_string, ", ")[[1]]
  
  # Remover sintomas duplicados
  unique_symptoms <- unique(symptoms)
  
  # Juntar os sintomas novamente em uma string
  cleaned_symptoms <- paste(unique_symptoms, collapse = ", ")
  
  return(cleaned_symptoms)
}


  • E agora, será aplicada a função acima para cada linha da coluna ‘Visual.Symptoms’
glaucoma_dataset$Visual.Symptoms <- sapply(glaucoma_dataset$Visual.Symptoms, remove_duplicate_symptoms)


  • As colunas serão renomeadas para facilitar a visualização
names(glaucoma_dataset)[names(glaucoma_dataset) == "Patient.ID"] <- "Patient ID"
names(glaucoma_dataset)[names(glaucoma_dataset) == "Visual.Acuity.Measurements"] <- "Visual Acuity Measurements"
names(glaucoma_dataset)[names(glaucoma_dataset) == "Intraocular.Pressure..IOP."] <- "Intraocular Pressure (IOP)"
names(glaucoma_dataset)[names(glaucoma_dataset) == "Cup.to.Disc.Ratio..CDR."] <- "Cup-to-Disc Ratio (CDR)"
names(glaucoma_dataset)[names(glaucoma_dataset) == "Family.History"] <- "Family History"
names(glaucoma_dataset)[names(glaucoma_dataset) == "Medical.History"] <- "Medical History"
names(glaucoma_dataset)[names(glaucoma_dataset) == "Medication.Usage"] <- "Medication Usage"
names(glaucoma_dataset)[names(glaucoma_dataset) == "Visual.Field.Test.Results"] <- "Visual Field Test Results"
names(glaucoma_dataset)[names(glaucoma_dataset) == "Optical.Coherence.Tomography..OCT..Results"] <- "Optical Coherence Tomography (OCT) Results"
names(glaucoma_dataset)[names(glaucoma_dataset) == "Cataract.Status"] <- "Cataract Status"
names(glaucoma_dataset)[names(glaucoma_dataset) == "Angle.Closure.Status"] <- "Angle Closure Status"
names(glaucoma_dataset)[names(glaucoma_dataset) == "Visual.Symptoms"] <- "Visual Symptoms"
names(glaucoma_dataset)[names(glaucoma_dataset) == "Glaucoma.Type"] <- "Glaucoma Type"


  • E para finalizar, o dataset será ordenado baseado na idade dos pacientes
glaucoma_dataset <- glaucoma_dataset[order(glaucoma_dataset$Age), ]


colunas <- colnames(glaucoma_dataset)
print(colunas)
##  [1] "Age"                                       
##  [2] "Gender"                                    
##  [3] "Visual Acuity Measurements"                
##  [4] "Intraocular Pressure (IOP)"                
##  [5] "Cup-to-Disc Ratio (CDR)"                   
##  [6] "Family History"                            
##  [7] "Medical.History"                           
##  [8] "Optical Coherence Tomography (OCT) Results"
##  [9] "Pachymetry"                                
## [10] "Cataract Status"                           
## [11] "Angle Closure Status"                      
## [12] "Visual Symptoms"                           
## [13] "Glaucoma Type"

Aqui está uma demosntração do conjunto final:

Age Gender Visual Acuity Measurements Intraocular Pressure (IOP) Cup-to-Disc Ratio (CDR) Family History Medical.History Optical Coherence Tomography (OCT) Results Pachymetry Cataract Status Angle Closure Status Visual Symptoms Glaucoma Type
76 18 Male 20/20 17.34 0.53 No Diabetes RNFL Thickness: 77.77 µm, GCC Thickness: 56.64 µm, Retinal Volume: 6.46 mm³, Macular Thickness: 278.09 µm 579.86 Absent Open Tunnel vision, Nausea, Halos around lights Angle-Closure Glaucoma
199 18 Male 20/40 12.48 0.49 No None RNFL Thickness: 82.75 µm, GCC Thickness: 64.46 µm, Retinal Volume: 6.37 mm³, Macular Thickness: 269.21 µm 525.17 Present Open Eye pain, Blurred vision, Halos around lights Primary Open-Angle Glaucoma
212 18 Female 20/25 10.38 0.48 Yes Hypertension RNFL Thickness: 97.38 µm, GCC Thickness: 60.05 µm, Retinal Volume: 6.21 mm³, Macular Thickness: 275.40 µm 507.56 Present Closed Vision loss, Tunnel vision, Blurred vision Primary Open-Angle Glaucoma
291 18 Female 20/20 21.53 0.78 Yes Diabetes RNFL Thickness: 79.11 µm, GCC Thickness: 62.94 µm, Retinal Volume: 5.97 mm³, Macular Thickness: 281.63 µm 521.23 Present Closed Redness in the eye, Vision loss, Tunnel vision Secondary Glaucoma
353 18 Female 20/20 24.25 0.57 No None RNFL Thickness: 88.69 µm, GCC Thickness: 59.40 µm, Retinal Volume: 5.97 mm³, Macular Thickness: 269.37 µm 516.30 Absent Closed Vomiting, Blurred vision, Vision loss Congenital Glaucoma
363 18 Female 20/25 19.25 0.66 No Diabetes RNFL Thickness: 75.63 µm, GCC Thickness: 69.82 µm, Retinal Volume: 6.48 mm³, Macular Thickness: 274.52 µm 549.92 Present Open Blurred vision, Eye pain, Vision loss Secondary Glaucoma
397 18 Male 20/40 20.62 0.46 Yes None RNFL Thickness: 88.02 µm, GCC Thickness: 69.09 µm, Retinal Volume: 6.30 mm³, Macular Thickness: 276.68 µm 510.87 Present Open Vision loss, Redness in the eye, Eye pain Secondary Glaucoma
463 18 Male 20/40 10.74 0.72 No Diabetes RNFL Thickness: 87.10 µm, GCC Thickness: 56.90 µm, Retinal Volume: 6.45 mm³, Macular Thickness: 275.61 µm 581.23 Absent Open Redness in the eye, Blurred vision, Eye pain Primary Open-Angle Glaucoma
479 18 Male 20/40 16.85 0.53 Yes Diabetes RNFL Thickness: 82.74 µm, GCC Thickness: 67.47 µm, Retinal Volume: 5.59 mm³, Macular Thickness: 277.00 µm 507.09 Present Open Nausea, Blurred vision, Vomiting Congenital Glaucoma
659 18 Male 20/25 24.55 0.35 Yes Glaucoma in family RNFL Thickness: 80.16 µm, GCC Thickness: 66.18 µm, Retinal Volume: 6.02 mm³, Macular Thickness: 286.95 µm 508.21 Present Closed Redness in the eye, Vision loss, Vomiting Congenital Glaucoma

Análise de Padrões

Idade e Gênero

Vamos começar analisando cada coluna do daraset, a fim de procurar padrões. Primeiro, com a coluna de idade e gênero. Estamos analisando a distribuição das idades por gênero para entender possíveis padrões e diferenças demográficas em nosso conjunto de dados. A idade desempenha um papel crucial na saúde ocular, especialmente no contexto do glaucoma. Ao visualizarmos a distribuição das idades para homens e mulheres, esperamos identificar possíveis diferenças na faixa etária dos pacientes diagnosticados com glaucoma. Isso nos ajudará a compreender melhor como a idade pode influenciar o desenvolvimento e a progressão da doença em diferentes grupos demográficos, e pode fornecer insights importantes para aprimorar estratégias de diagnóstico e tratamento

# Histograma da distribuição das idades
hist(glaucoma_dataset$Age, main = "Distribuição das Idades", xlab = "Idade", ylab = "Frequência")

# Gráfico de densidade da distribuição das idades por gênero
par(mfrow=c(1,2)) 
density_age_male <- density(glaucoma_dataset$Age[glaucoma_dataset$Gender == "Male"], na.rm = TRUE)
plot(density_age_male, main = "Densidade da Idade (Masculino)", xlab = "Idade", ylab = "Densidade", ylim = c(0, max(density_age_male$y, na.rm = TRUE)), col = "blue")
density_age_female <- density(glaucoma_dataset$Age[glaucoma_dataset$Gender == "Female"], na.rm = TRUE)
lines(density_age_female, col = "red")
legend("topright", legend = c("Masculino", "Feminino"), col = c("blue", "red"), lty = 1)

Assim, podemos concluir que a idade mais comum entre os homens é de 47 anos, enquanto entre as mulheres é de 42 anos.

Medições de Acuidade Visual

# Remover valores duplicados
unique_values <- unique(glaucoma_dataset$`Visual Acuity Measurements`)

# Contar a frequência de cada valor
frequency <- table(glaucoma_dataset$`Visual Acuity Measurements`)

# Definir as cores
cores <- c("yellow", "lightblue", "pink")

# Plotar o gráfico de pizza com cores personalizadas, legenda e percentuais
pie(frequency, main = "Distribuição de Visual Acuity Measurements", col = cores, labels = paste( "(", round(100 * frequency / sum(frequency), 1), "%)"))
legend("topright", legend = unique_values, fill = cores)

Com base na análise da coluna “Visual Acuity Measurements”, observamos que a medida 20/20 aparece com muito mais frequência do que outras medidas de acuidade visual em nosso conjunto de dados. Essa predominância sugere que a maioria das pessoas representadas no conjunto de dados possui uma acuidade visual dentro dos padrões considerados normais. A medida 20/20 é comumente usada como um indicador de visão normal, o que nos leva a concluir que a maioria dos indivíduos examinados possui uma visão considerada saudável de acordo com os critérios representados por essa medida. Essa conclusão inicial é crucial para entender a saúde ocular geral da população representada nos dados e pode fornecer um contexto valioso para análises adicionais relacionadas à acuidade visual e ao glaucoma.

Pressão Intraocular

# Biblioteca necessária para o histograma
library(ggplot2)

# Criar o histograma
histogram <- ggplot(glaucoma_dataset, aes(x = `Intraocular Pressure (IOP)`)) +
  geom_histogram(binwidth = 2, fill = "lightblue", color = "black") +
  labs(title = "Distribuição da Pressão Intraocular (IOP)",
       x = "Pressão Intraocular (IOP)",
       y = "Frequência") +
  theme_minimal()

print(histogram)

# Identificar os cinco valores mais frequentes (moda)
moda_iop <- names(sort(table(glaucoma_dataset$`Intraocular Pressure (IOP)`), decreasing = TRUE)[1:5])

# Adicionar vírgulas entre os valores
moda_iop_text <- paste(moda_iop, collapse = ", ")
cat("Os cinco valores mais frequentes da Pressão Intraocular são:", moda_iop_text, "\n")

Os cinco valores mais frequentes da Pressão Intraocular são: 21.65, 20.02, 10.04, 14.79, 22.02

Com base nos cinco valores mais frequentes da Pressão Intraocular (IOP), observamos uma variedade de medidas que se destacam na distribuição. Essa diversidade de valores pode sugerir uma ampla gama de estados de pressão intraocular dentro da amostra examinada. Entre os valores mais comuns, destacam-se leituras como 21.65, 20.02, 10.04, 14.79 e 22.02, indicando que esses valores são particularmente prevalentes na população analisada. Essa informação pode ser crucial para compreender a distribuição e a variabilidade da pressão intraocular entre os indivíduos incluídos no estudo. Além disso, esses resultados podem fornecer insights valiosos para a avaliação do risco de desenvolvimento ou progressão do glaucoma, uma vez que a pressão intraocular é um fator de risco importante associado à doença.

Cup-to-Disc Ratio

# Histograma da coluna "Cup-to-Disc Ratio (CDR)"
hist(glaucoma_dataset$`Cup-to-Disc Ratio (CDR)`, 
     main = "Distribuição de Cup-to-Disc Ratio (CDR)",
     xlab = "Cup-to-Disc Ratio (CDR)",
     ylab = "Frequência",
     col = "lightblue")

# Definir os intervalos de CDR
intervalos <- seq(0, 1, by = 0.05)

# Contar a frequência de CDR em cada intervalo
frequencia <- cut(glaucoma_dataset$`Cup-to-Disc Ratio (CDR)`, breaks = intervalos, right = FALSE)

# Calcular a tabela de frequência
tabela_frequencia <- table(frequencia)

# Identificar o intervalo com maior frequência
intervalo_mais_frequente <- names(tabela_frequencia)[which.max(tabela_frequencia)]

cat("O intervalo com maior frequência de Cup-to-Disc Ratio (CDR) é:", intervalo_mais_frequente, "\n")

O intervalo com maior frequência de Cup-to-Disc Ratio (CDR) é: [0.65,0.7)

Com base na análise dos intervalos de Cup-to-Disc Ratio (CDR), observamos que o intervalo com maior frequência é [0.65, 0.7). Isso sugere que a maioria dos pacientes apresenta um CDR nesse intervalo específico, o que pode indicar uma característica comum na distribuição da relação disco-copo entre os indivíduos do conjunto de dados.

Family History

# Contagem de respostas "Yes" e "No"
contagem_family_history <- table(glaucoma_dataset$`Family History`)

# Imprimir a contagem
cat("Número de 'Yes':", contagem_family_history["Yes"], "\n")

Número de ‘Yes’: 4975

cat("Número de 'No':", contagem_family_history["No"], "\n")

Número de ‘No’: 5025

# Gráfico de barras
barplot(contagem_family_history, 
        main = "Distribuição da Coluna Family History",
        xlab = "Resposta",
        ylab = "Frequência",
        col = c("skyblue", "salmon"),
        legend.text = TRUE)

cat("Cerca de ", contagem_family_history["Yes"], "pacientes possuem hitórico familiar, enquanto", contagem_family_history["No"], "não possuem.")

Cerca de 4975 pacientes possuem hitórico familiar, enquanto 5025 não possuem.

A análise da coluna “Family History” revelou que cerca de 4975 pacientes (aproximadamente 49,75% do total) possuem histórico familiar de glaucoma, enquanto 5025 pacientes (aproximadamente 50,25% do total) não possuem histórico familiar registrado. Essa divisão quase igual entre pacientes com e sem histórico familiar sugere que a presença ou ausência de histórico familiar pode não ser um fator determinante isolado na predisposição ao glaucoma ou outras condições oftalmológicas.

Optical Coherence Tomography (OCT) Results

# Extrair componentes dos resultados do OCT
resultados_oct <- glaucoma_dataset$`Optical Coherence Tomography (OCT) Results`

# RNFL Thickness
rnfl_thickness <- as.numeric(sub('.*RNFL Thickness: ([0-9.]+) µm.*', '\\1', resultados_oct))

# GCC Thickness
gcc_thickness <- as.numeric(sub('.*GCC Thickness: ([0-9.]+) µm.*', '\\1', resultados_oct))

# Retinal Volume
retinal_volume <- as.numeric(sub('.*Retinal Volume: ([0-9.]+\\.[0-9]+) mm³.*', '\\1', resultados_oct))

# Macular Thickness
macular_thickness <- as.numeric(sub('.*Macular Thickness: ([0-9.]+) µm.*', '\\1', resultados_oct))

# Criar um dataframe com os resultados
oct_df <- data.frame(RNFL_Thickness = rnfl_thickness,
                     GCC_Thickness = gcc_thickness,
                     Retinal_Volume = retinal_volume,
                     Macular_Thickness = macular_thickness)

# Visualização gráfica
par(mfrow = c(2, 2))  # Dividir o layout em 2 linhas e 2 colunas

# Histograma para RNFL Thickness
hist(oct_df$RNFL_Thickness, main = "Distribuição de RNFL Thickness", xlab = "RNFL Thickness (µm)", col = "lightblue")

# Histograma para GCC Thickness
hist(oct_df$GCC_Thickness, main = "Distribuição de GCC Thickness", xlab = "GCC Thickness (µm)", col = "lightgreen")

# Histograma para Retinal Volume
hist(oct_df$Retinal_Volume, main = "Distribuição de Retinal Volume", xlab = "Retinal Volume (mm³)", col = "lightpink")

# Histograma para Macular Thickness
hist(oct_df$Macular_Thickness, main = "Distribuição de Macular Thickness", xlab = "Macular Thickness (µm)", col = "lightyellow")

# Função para encontrar o intervalo mais comum
find_most_common_interval <- function(x) {
  intervals <- cut(x, breaks = seq(min(x), max(x), by = 10), include.lowest = TRUE)
  interval_frequency <- table(intervals)
  most_common_interval <- names(sort(interval_frequency, decreasing = TRUE)[1])
  
  # Separar os intervalos com um traço "-"
  most_common_interval <- gsub("\\[", "", most_common_interval)
  most_common_interval <- gsub("\\(", "", most_common_interval)
  most_common_interval <- gsub("\\]", "-", most_common_interval)
  most_common_interval <- gsub(",", "-", most_common_interval)
  
  # Remover o traço no final, se houver
  most_common_interval <- sub("-$", "", most_common_interval)
  
  return(most_common_interval)
}

# RNFL Thickness
rnfl_most_common_interval <- find_most_common_interval(oct_df$RNFL_Thickness)

# GCC Thickness
gcc_most_common_interval <- find_most_common_interval(oct_df$GCC_Thickness)

# Retinal Volume
retinal_most_common_interval <- find_most_common_interval(oct_df$Retinal_Volume)

# Macular Thickness
macular_most_common_interval <- find_most_common_interval(oct_df$Macular_Thickness)

O intervalo mais comum para RNFL Thickness é: 85-95

O intervalo mais comum para GCC Thickness é: 55-65

O intervalo mais comum para Retinal Volume é: 5.5-5.7

O intervalo mais comum para Macular Thickness é: 280-290

Pachymetry

# Gráfico de barras para Pachymetry
hist(glaucoma_dataset$Pachymetry, main = "Distribuição de Pachymetry", xlab = "Pachymetry", ylab = "Frequência", col = "lightblue")

# Calcular os valores mais frequentes
top_pachymetry <- sort(table(glaucoma_dataset$Pachymetry), decreasing = TRUE)[1:5]

# Imprimir os valores mais frequentes sem aspas e separados por vírgula
cat("Os valores mais frequentes de Pachymetry são:\n", paste(names(top_pachymetry), collapse = ", "), "\n")

Os valores mais frequentes de Pachymetry são: 547.89, 518.94, 525.04, 542.27, 566.18

# Calcular e imprimir a média
mean_pachymetry <- mean(glaucoma_dataset$Pachymetry)
cat("A média de Pachymetry é:", mean_pachymetry, "\n")

A média de Pachymetry é: 549.734

Os valores mais frequentes, como 547.89, 518.94 e 525.04 micrômetros, sugerem uma ampla gama de espessuras da córnea nos pacientes analisados. Isso destaca a variabilidade natural na espessura da córnea entre indivíduos, que pode ser um fator relevante na avaliação da saúde ocular. Valores atípicos, como 566.18 e 542.27 micrômetros, podem indicar a presença de anormalidades na espessura da córnea. Essas variações significativas podem estar associadas a condições oculares como o glaucoma ou a progressão de outras doenças oculares.

Cataract Status

# Calcular a frequência de cada categoria
cataract_frequency <- table(glaucoma_dataset$`Cataract Status`)

# Gráfico de barras
barplot(cataract_frequency, main = "Frequência de Cataract Status", 
        xlab = "Cataract Status", ylab = "Frequência", col = c("lightblue", "lightgreen"))

# Imprimir o resultado
cat("Frequência de 'Present' e 'Absent' em Cataract Status:\n", cataract_frequency)

Frequência de ‘Present’ e ‘Absent’ em Cataract Status: 5070 4930

Observamos que a frequência de “Present” e “Absent” em Cataract Status é relativamente próxima, com 5070 casos de “Present” e 4930 casos de “Absent”. Isso sugere que há uma distribuição equilibrada entre os dois estados de catarata na amostra estudada. A catarata é uma condição ocular comum, especialmente em populações mais velhas. A prevalência semelhante de “Present” e “Absent” pode indicar uma proporção significativa de pacientes com catarata na amostra, o que destaca a importância da avaliação e tratamento adequados dessa condição oftalmológica.

Angle Closure Status

# Calcular a frequência de cada categoria
angle_closure_frequency <- table(glaucoma_dataset$`Angle Closure Status`)

# Calculando os percentuais
percentages <- round(prop.table(angle_closure_frequency) * 100, 1)

# Gráfico de pizza com percentuais
pie(angle_closure_frequency, 
    main = "Frequência de Angle Closure Status",
    labels = paste(c(""), "(", percentages, "%)"),
    col = c("lightblue", "lightgreen"))

# Legenda
legend("topright", 
       c("Open", "Closed"), 
       fill = c("lightblue", "lightgreen"),
       title = "Status")

Observamos que a frequência de “Open” (50.7%) é ligeiramente maior do que a frequência de “Closed” (49.2%). Essa pequena diferença sugere um equilíbrio próximo entre os dois estados de ângulo fechado na amostra estudada. A presença de casos tanto de ângulo aberto quanto fechado destaca a variedade de condições oculares encontradas na amostra. Essa diversidade de diagnósticos é crucial para compreender a complexidade das condições de ângulo e para orientar abordagens de tratamento personalizadas para cada paciente.

Visual Symptoms

# Dividir os sintomas em categorias individuais
all_symptoms <- unlist(strsplit(glaucoma_dataset$`Visual Symptoms`, ", "))

# Contar a frequência de cada sintoma
symptoms_frequency <- table(all_symptoms)

# Ordenar os sintomas por frequência decrescente
symptoms_frequency <- symptoms_frequency[order(symptoms_frequency, decreasing = TRUE)]

# Selecionar os 10 sintomas mais frequentes
top_10_symptoms <- head(symptoms_frequency, 10)

# Gráfico de pizza para os 10 sintomas mais frequentes
pie(top_10_symptoms, 
    main = "Top 10 Sintomas Visuais Mais Frequentes",
    col = rainbow(length(top_10_symptoms)),
    labels = paste(names(top_10_symptoms), "\n(", top_10_symptoms, ")", sep = ""))

Com a semelhança na quantidade de cada sintoma, podemos aferir que os mesmo são padrões da doença. Assim, se um indivíduo chegar ao hospital com esses sintomas, especialmente vários simulntâneos, pode-se chegar num diagnóstico com muito mais velocidade.

Glaucoma Type

# Calcular a frequência de cada tipo de glaucoma
glaucoma_type_frequency <- table(glaucoma_dataset$`Glaucoma Type`)

# Cores para os tipos de glaucoma
cores <- c("lightblue", "lightgreen", "lightpink", "lightyellow", "lightcoral")

# Gráfico de barras sem rótulos no eixo x e com legenda
barplot(glaucoma_type_frequency, 
        main = "Frequência de Glaucoma Type", 
        xlab = "Tipo de Glaucoma", 
        ylab = "Frequência",
        col = cores,
        names.arg = FALSE)

# Adicionar legenda
legend("bottomright", 
       legend = names(glaucoma_type_frequency), 
       fill = cores,
       title = "Tipo de Glaucoma")

# Calcular a frequência de cada tipo de glaucoma
glaucoma_type_frequency <- table(glaucoma_dataset$`Glaucoma Type`)

# Organizar os tipos de glaucoma e suas frequências
glaucoma_type_summary <- paste(names(glaucoma_type_frequency), glaucoma_type_frequency, sep = ": ")

# Imprimir os resultados organizados
cat("Frequência de cada tipo de glaucoma:\n")

Frequência de cada tipo de glaucoma:

cat(glaucoma_type_summary, sep = ", ")

Angle-Closure Glaucoma: 1601, Congenital Glaucoma: 1641, Juvenile Glaucoma: 1734, Normal-Tension Glaucoma: 1699, Primary Open-Angle Glaucoma: 1668, Secondary Glaucoma: 1657

# Definir função para calcular a moda
Mode <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}

# Calcular a moda de idade para cada tipo de glaucoma
age_by_glaucoma <- tapply(glaucoma_dataset$Age, glaucoma_dataset$`Glaucoma Type`, Mode)

# Imprimir os resultados de forma organizada e separada por vírgulas
cat("Moda de idade para cada tipo de glaucoma:\n")

Moda de idade para cada tipo de glaucoma:

cat(paste(names(age_by_glaucoma), age_by_glaucoma, sep = ": "), sep = ", ")

Angle-Closure Glaucoma: 88, Congenital Glaucoma: 32, Juvenile Glaucoma: 84, Normal-Tension Glaucoma: 61, Primary Open-Angle Glaucoma: 18, Secondary Glaucoma: 70

Podemos observar que o número de casos não é uniformemente distribuído entre os diferentes tipos de glaucoma. Alguns tipos, como “Juvenile Glaucoma”, apresentam uma quantidade maior de casos em comparação com outros. O número de casos de cada tipo de glaucoma pode refletir sua prevalência na população estudada. Isso destaca a importância do diagnóstico precoce e do tratamento adequado para cada tipo de glaucoma, considerando suas características específicas e possíveis fatores de risco. Tipos de glaucoma com números significativos de casos, como “Juvenile Glaucoma”, exigem maior atenção em termos de triagem, diagnóstico e manejo clínico, especialmente em grupos de risco conhecidos, principalmente por se tratar de uma forma incomum de glaucoma e geralmente é reconhecido durante a infância ou início da idade adulta, quando normalmente os indivíduos não se preocupam tanto com o diagnóstico.

Em relação às faixas etátias, cada tipo de glaucoma apresenta uma moda de idade diferente, indicando que eles podem afetar predominantemente diferentes faixas etárias da população. Enquanto alguns tipos de glaucoma, como “Congenital Glaucoma”, têm uma moda de idade mais baixa, sugerindo uma prevalência maior em idades mais jovens, outros tipos, como “Primary Open-Angle Glaucoma”, têm uma moda de idade mais alta, indicando uma prevalência maior em idades mais avançadas.

Conclusão

Com base na análise abrangente de várias características oftalmológicas e demográficas relacionadas ao glaucoma, identificamos várias tendências e padrões significativos que podem acelerar o processo de diagnóstico da doença. Ao examinarmos os dados, percebemos que certas variáveis se destacam como indicadores potenciais para a detecção precoce e o manejo eficaz do glaucoma.

Observamos que, além da idade, fatores como a presença de sintomas visuais específicos e a distribuição desigual de certos tipos de glaucoma entre diferentes faixas etárias podem ser indicadores importantes para identificar pacientes em risco ou diagnosticar a doença em estágios iniciais. Por exemplo, a predominância de certos sintomas visuais, como visão turva ou halos ao redor das luzes, pode ser altamente sugestiva de problemas oculares, incluindo o glaucoma. Assim, se um paciente chega a uma emergência ou consulta com vários desses sintomas simultaneamente, pode-se considerar logo a possibilidade de glaucoma Além disso, a distribuição variada de tipos de glaucoma em diferentes faixas etárias destaca a importância de abordagens de triagem e diagnóstico adaptadas às características demográficas e clínicas individuais de cada paciente.

No entanto, alguns dados, como a presença de catarata, que está distribuída quase igualmente entre os pacientes, podem não ser tão úteis na detecção específica do glaucoma. A presença equitativa de catarata tanto entre os pacientes com glaucoma quanto entre aqueles sem a doença sugere que esse fator pode não ser um preditor confiável para o glaucoma e pode não oferecer benefícios substanciais no diagnóstico da condição. O mesmo se reflete para o histórico familiar e para o status de fechamento de ângulo.

Outro ponto importante, relacionado a profilaxia, é que a maioria dos paciêntes com glaucoma possuiam visam normal (20/20) o que ressalta a necessidade de exames periodícos para prevenção, mesmo que o paciente não tenha problemas de vista.

Em suma, ao considerar esses achados, destacamos a importância de uma abordagem na avaliação do glaucoma, incorporando uma variedade de variáveis clínicas e demográficas para uma detecção precoce e um manejo eficaz da doença. Identificar padrões e tendências específicas nos dados pode orientar estratégias de triagem, diagnóstico e tratamento personalizado, visando melhorar e agilizar os resultados clínicos e a qualidade de vida dos pacientes afetados pelo glaucoma.