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 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.
Pré-processamento de Dados: Será realizado 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
Preparação dos 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), ]
Aqui está uma demosntração do conjunto final:
| Patient ID | Age | Gender | Visual Acuity Measurements | Intraocular Pressure (IOP) | Cup-to-Disc Ratio (CDR) | Family History | Medical.History | Medication Usage | Visual Field Test Results | Optical Coherence Tomography (OCT) Results | Pachymetry | Cataract Status | Angle Closure Status | Visual Symptoms | Diagnosis | Glaucoma Type | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 76 | 16916 | 18 | Male | 20/20 | 17.34 | 0.53 | No | Diabetes | Omeprazole, Amoxicillin, Metformin, Atorvastatin, Lisinopril, Ibuprofen, Aspirin | Sensitivity: 0.72, Specificity: 0.93 | 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 | Glaucoma | Angle-Closure Glaucoma |
| 199 | 72250 | 18 | Male | 20/40 | 12.48 | 0.49 | No | None | NA | Sensitivity: 0.9, Specificity: 0.76 | 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 | Glaucoma | Primary Open-Angle Glaucoma |
| 212 | 60411 | 18 | Female | 20/25 | 10.38 | 0.48 | Yes | Hypertension | Amoxicillin, Aspirin, Ibuprofen, Lisinopril, Omeprazole | Sensitivity: 0.55, Specificity: 0.88 | 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 | No Glaucoma | Primary Open-Angle Glaucoma |
| 291 | 60222 | 18 | Female | 20/20 | 21.53 | 0.78 | Yes | Diabetes | Atorvastatin, Aspirin | Sensitivity: 0.53, Specificity: 0.77 | 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 | No Glaucoma | Secondary Glaucoma |
| 353 | 31023 | 18 | Female | 20/20 | 24.25 | 0.57 | No | None | Aspirin, Metformin, Omeprazole, Amoxicillin, Lisinopril | Sensitivity: 0.67, Specificity: 0.97 | 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 | Glaucoma | Congenital Glaucoma |
| 363 | 94570 | 18 | Female | 20/25 | 19.25 | 0.66 | No | Diabetes | Atorvastatin, Ibuprofen, Aspirin, Omeprazole, Amoxicillin, Lisinopril, Metformin | Sensitivity: 0.66, Specificity: 0.8 | 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 | No Glaucoma | Secondary Glaucoma |
| 397 | 13533 | 18 | Male | 20/40 | 20.62 | 0.46 | Yes | None | Atorvastatin, Lisinopril, Metformin, Aspirin, Ibuprofen | Sensitivity: 0.75, Specificity: 0.71 | 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 | Glaucoma | Secondary Glaucoma |
| 463 | 870 | 18 | Male | 20/40 | 10.74 | 0.72 | No | Diabetes | Aspirin, Metformin, Omeprazole, Amoxicillin, Ibuprofen, Atorvastatin | Sensitivity: 0.51, Specificity: 0.95 | 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 | No Glaucoma | Primary Open-Angle Glaucoma |
| 479 | 20342 | 18 | Male | 20/40 | 16.85 | 0.53 | Yes | Diabetes | NA | Sensitivity: 0.52, Specificity: 0.7 | 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 | Glaucoma | Congenital Glaucoma |
| 659 | 43429 | 18 | Male | 20/25 | 24.55 | 0.35 | Yes | Glaucoma in family | NA | Sensitivity: 0.9, Specificity: 0.88 | 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 | No Glaucoma | Congenital Glaucoma |